Как писать промпты для нейросетей: структура, техники и примеры

Один и тот же вопрос, заданный нейросети двумя способами, даёт два разных по качеству результата. Промпт — входной текст, который задаёт модели задачу, контекст и формат ответа. От его структуры зависит не только точность, но и полезность результата: расплывчатый запрос «напиши про маркетинг» и запрос с ролью, контекстом и форматом вывода дают тексты разного уровня — хотя модель одна и та же.

Качество ответа определяется структурой запроса, а не мощностью модели. Разработчики крупнейших моделей — Anthropic, OpenAI и Google — сходятся в одном: чёткость постановки задачи напрямую конвертируется в качество результата.

Базовая структура эффективного промпта

Эффективный промпт строится из пяти элементов:

• Роль или контекст — кто «играет» модель: эксперт по SEO, редактор, аналитик данных, senior-разработчик.
• Задача — чёткая формулировка того, что нужно сделать, без размытых фраз.
• Контекст и входные данные — вводные условия, ограничения, целевая аудитория.
• Формат вывода — структура ответа: markdown, таблица, список, JSON, объём в словах или символах.
• Примеры (few-shot) — образцы желаемого результата, если нужен строгий стиль или структура.

Anthropic в документации по prompt engineering рекомендует давать модели явный контекст, роль через system prompt и примеры, а также разбивать сложные задачи на пошаговые инструкции. OpenAI формулирует похожий принцип: инструкции должны быть чёткими, с указанием формата вывода и примерами там, где нужна строгая структура ответа.

Ключевые техники промптинга

Рекомендации разработчиков моделей

Три крупнейших разработчика публикуют руководства по составлению промптов, и рекомендации во многом совпадают:

• Anthropic советует давать модели явный контекст, роль и примеры, разбивать сложные задачи на шаги.
• OpenAI рекомендует писать чёткие инструкции, указывать формат вывода, предоставлять примеры при необходимости строгой структуры.
• Google для Gemini советует задавать конкретные ограничения и формат, избегая двусмысленных формулировок.

Совпадение закономерно: все три модели устроены как трансформеры, обученные предсказывать продолжение текста. Чем точнее задан контекст, тем меньше пространства для домысливания.

Примеры промптов «до и после»

Слабый промпт

«Напиши про маркетинг».

Сильный промпт

«Ты — маркетолог с опытом в B2B SaaS. Напиши статью на 1 500 знаков о том, почему email-рассылки остаются эффективным каналом для B2B в 2026 году. Аудитория — маркетологи среднего звена. Формат: markdown, с подзаголовками и списком из трёх практических рекомендаций в конце».

Творческая задача

«Придумай три варианта названия для приложения-планировщика задач, ориентированного на фрилансеров. Тон — лёгкий, без канцелярита, каждое название — не длиннее двух слов».

Аналитическая задача

«Проанализируй приведённые данные о продажах за квартал. Рассуждай шаг за шагом: сначала определи тренд по месяцам, затем выяви аномалии, затем сформулируй вывод в одном предложении».

Техническая задача (код)

«Напиши функцию на Python, которая принимает список чисел и возвращает медиану. Добавь обработку пустого списка. Формат ответа: только код с комментариями, без пояснительного текста».

Few-shot промпт

Пример 1:
Вход: "Быстрая доставка"
Выход: "Доставим за час"

Пример 2:
Вход: "Низкие цены"
Выход: "Экономьте на каждом заказе"

Теперь преобразуй так же:
Вход: "Широкий ассортимент"
Выход:

Этот формат опирается на принцип, описанный в исследовании GPT-3: модель распознаёт паттерн из пары примеров «вход — выход» и применяет его к новому вводу без дополнительного обучения.