Продвинутый Prompt Engineering: 15 профессиональных техник

Разработчик в стартапе тратил два полных дня на написание документации API для своего проекта. После изучения трёх продвинутых техник промпт-инжиниринга (Prompt Engineering) он стал выполнять ту же задачу за 10 минут -- с более высоким качеством. Разница была не в инструменте, а в способе его использования.

Если вы работаете с ChatGPT или Claude, используя простые запросы вроде "напиши мне статью о...", вы задействуете лишь 10% возможностей этих моделей. Техники из этого руководства поднимут этот показатель до 90%.

Согласно отчёту OpenAI за 2025 год, пользователи, применяющие продвинутые техники промпт-инжиниринга, получают результаты на 67% точнее по сравнению со случайными запросами.

Если вы ещё не освоили основы, начните с руководства по промпт-инжинирингу для начинающих, а затем вернитесь сюда.

Главный вопрос: чем профессиональный промпт отличается от обычного?

Профессиональный промпт даёт модели чёткий контекст, конкретные ограничения и заданный формат вывода. Всего три элемента превращают случайные результаты в стабильные и сразу применимые. Пятнадцать техник ниже строятся на этом принципе разными способами.

Уровень первый: базовые техники (1-5)

1. Назначение роли (Role Prompting)

Назначение роли (Role Prompting) -- это указание модели действовать как персонаж с определённой экспертизой. Это кардинально меняет тон, точность и глубину ответа.

Вместо: "Объясни мне API" Напишите: "Вы senior-инженер с 15-летним опытом проектирования RESTful API. Объясните junior-разработчику, как спроектировать API, соответствующий стандартам OpenAPI 3.0."

Разница очевидна: второй промпт определяет уровень экспертизы, целевую аудиторию и требуемый стандарт.

2. Обогащение контекста (Context Enrichment)

Чем больше информации о проекте вы дадите модели, тем точнее будет ответ. Добавьте детали о технологическом стеке, размере команды и технических ограничениях.

3. Форматирование вывода (Output Formatting)

Запрашивайте конкретный формат: JSON, таблица Markdown, нумерованный список, код на Python. Это предотвращает длинные неструктурированные ответы.

Пример: "Ответьте в формате JSON с полями: title, description, priority (1-5), estimated_hours."

4. Негативные ограничения (Negative Constraints)

Скажите модели, чего вы не хотите. Это мощнее, чем кажется.

"Не используйте сложную техническую терминологию. Не превышайте 200 слов. Не предлагайте более 3 вариантов."

Согласно исследованиям Anthropic, добавление 2-3 негативных ограничений повышает точность ответа на 40%.

5. Обучение на примерах (Few-Shot Prompting)

Обучение на примерах (Few-Shot Prompting) -- это предоставление модели 2-3 примеров перед запросом ответа. Модель усваивает нужный паттерн из ваших примеров.

Пример 1:
Вход: "Ошибка 404 при входе"
Выход: {"severity": "high", "component": "auth", "action": "check API endpoint"}

Пример 2:
Вход: "Страница медленно загружается"
Выход: {"severity": "medium", "component": "frontend", "action": "run performance audit"}

Теперь классифицируйте:
Вход: "Пользователь не может загрузить файлы больше 5MB"

Уровень второй: промежуточные техники (6-10)

6. Цепочка рассуждений (Chain-of-Thought)

Цепочка рассуждений (Chain-of-Thought -- CoT) просит модель объяснить шаги рассуждения перед финальным ответом. Добавьте простую фразу: "Рассуждайте пошагово" или "Объясните свою логику перед ответом."

Согласно исследованию Google DeepMind, одна эта техника повышает точность решения математических и логических задач на 35-50%.

7. Самокритика (Self-Criticism)

Попросите модель проверить собственный ответ: "Ответьте, затем проверьте свой ответ и исправьте ошибки."

Это работает, потому что на этапе проверки модель точнее -- как если бы вы написали черновик, а потом отредактировали его.

8. Декомпозиция (Decomposition)

Сложные задачи разбиваются на мелкие. Вместо "напиши полное приложение" попросите:

1. Спроектировать структуру базы данных
2. Написать API-эндпоинты
3. Создать фронтенд

Каждый шаг выполняется в отдельном промпте, где результат предыдущего шага подаётся на вход.

9. Итеративное улучшение (Iterative Refinement)

Начните с общего промпта, затем постепенно улучшайте его на основе результатов. Каждая итерация добавляет детали или корректирует направление.

Раунд 1: "Напишите введение для статьи о кибербезопасности" Раунд 2: "Сделайте его короче и начните с шокирующей статистики" Раунд 3: "Добавьте вопрос, обращённый к читателю, во второе предложение"

10. Управление персоной (Persona Steering)

Глубже, чем назначение роли -- здесь вы определяете стиль письма детально: "Пишите в лаконичном стиле как Пол Грэм" или "Объясняйте, как терпеливый учитель физики старшекласснику."

Уровень третий: продвинутые техники (11-15)

11. Мета-промптинг (Meta-Prompting)

Мета-промптинг (Meta-Prompting) -- это просьба к модели написать промпт за вас вместо того, чтобы писать его самому.

"Я хочу проанализировать данные продаж. Напишите мне лучший промпт для глубокого анализа этих данных."

Модель знает свои возможности лучше вас -- позвольте ей спроектировать оптимальный промпт самостоятельно.

12. Дерево мыслей (Tree-of-Thought)

Дерево мыслей (Tree-of-Thought -- ToT) просит модель исследовать несколько путей решения, оценить их и выбрать лучший. Исследование Microsoft Research доказало превосходство этой техники над CoT в сложных задачах.

"Предложите 3 разных решения этой проблемы. Оцените каждое по производительности, сложности и стоимости. Затем выберите лучшее с чётким обоснованием."

13. Паттерн ReAct (Reasoning + Acting)

ReAct объединяет рассуждение и действие. Модель думает, выполняет шаг, наблюдает результат, затем решает, что делать дальше.

Думаю: В чём основная проблема?
Действую: [Выполняю первый шаг]
Наблюдаю: Каков результат?
Думаю: Решение сработало или нужна корректировка?

14. Цепочки промптов через код (Prompt Chaining with Code)

Здесь вы используете Python для автоматического связывания нескольких промптов -- каждый берёт выход предыдущего как вход:

from openai import OpenAI

client = OpenAI(api_key="YOUR_API_KEY")

def chain_prompts(initial_input: str) -> dict:
    """Цепочка промптов: анализ -> классификация -> рекомендации"""

    # Шаг 1: Анализ проблемы
    analysis = client.chat.completions.create(
        model="gpt-4o",
        messages=[{
            "role": "system",
            "content": "Проанализируйте техническую проблему и определите корневую причину. Ответьте в JSON: {cause, severity, affected_components}"
        }, {
            "role": "user",
            "content": initial_input
        }]
    ).choices[0].message.content

    # Шаг 2: Генерация решений на основе анализа
    solutions = client.chat.completions.create(
        model="gpt-4o",
        messages=[{
            "role": "system",
            "content": "На основе этого анализа предложите 3 решения, ранжированные по приоритету. Ответьте в JSON: [{solution, effort, impact}]"
        }, {
            "role": "user",
            "content": analysis
        }]
    ).choices[0].message.content

    return {"analysis": analysis, "solutions": solutions}

# Использование цепочки
result = chain_prompts("Приложение зависает при загрузке более 1000 записей")
print(result)

По данным экспериментов разработчиков OpenAI, цепочки промптов дают результаты на 45% точнее по сравнению с одним длинным промптом, пытающимся охватить всё.

15. Автоматическая оценка (Automated Evaluation)

Попросите вторую модель оценить результаты первой. Эта техника используется в продакшене для обеспечения стабильного качества:

def evaluate_output(output: str, criteria: list[str]) -> dict:
    """Оценка вывода модели по заданным критериям"""
    evaluation = client.chat.completions.create(
        model="gpt-4o",
        messages=[{
            "role": "system",
            "content": f"""Оцените текст по следующим критериям: {criteria}
Выставьте оценку от 1 до 10 по каждому критерию с кратким обоснованием.
Ответьте в JSON: [{{criterion, score, reason}}]"""
        }, {
            "role": "user",
            "content": output
        }]
    ).choices[0].message.content
    return evaluation

# Оценка статьи
criteria = ["научная точность", "ясность", "полнота", "стиль изложения"]
score = evaluate_output(article_text, criteria)

Сравнение: один и тот же промпт на разных моделях

Даёт ли один и тот же продвинутый промпт схожие результаты на разных моделях? Вот сравнение:

Вывод: нет модели, которая "лучше" во всём -- выбирайте под свою задачу. Для подробного сравнения читайте GPT vs Claude vs Gemini: полное сравнение.

Заключение

Промпт-инжиниринг больше не факультативный навык -- это базовая профессиональная компетенция наравне с программированием или управлением проектами. Разница между тем, кто пишет "сделай мне что-нибудь", и тем, кто составляет тщательно продуманный промпт, -- та же разница между тем, кто складывает числа в Excel, и тем, кто строит сложные финансовые модели. Инструмент один, но отдача совершенно разная.

Начните с двух-трёх техник первого уровня. Освойте их. Затем двигайтесь постепенно. Вы заметите, что изменится сам способ, которым вы формулируете задачи, -- и это ценнее любой отдельной техники.

Чтобы глубже понять основы ИИ, стоящие за этими моделями, прочитайте руководство по основам искусственного интеллекта.