Многие говорят: «Prompt engineering мёртв» или «Следующая версия модели сделает это ненужным». Но исследования показывают: плохой промпт может обнулить результат, а хороший - поднять точность до 90%. Модели становятся мощнее, но правильная формулировка запросов остаётся важнейшим навыком. Это похоже на новую «социальную грамотность»: нужно учиться правильно общаться не только с людьми, но и с ИИ.

Два режима prompt engineering:

1. Разговорный — улучшение ответов в живом чате («Сделай более формально», «Добавь шутку»).

2. Продуктовый — один-единственный промпт, через который проходят миллионы запросов. Здесь качество критично.

? 5 ключевых техник prompt engineering

1. Few-shot prompting (подсказки с примерами)

Вместо описаний дайте модели несколько примеров правильного результата. Если вы хотите, чтобы AI писал письма в вашем стиле, дайте 3–5 примеров старых писем - это работает лучше любых описаний.
? Пример: скопируйте 3–5 своих писем и попросите: «Напиши письмо о болезни в моём стиле».

Варианты:

• zero-shot → без примеров

• one-shot → один пример

• few-shot → несколько

Зачем: показать, что именно вы считаете правильным ответом.
? Формулировка:

Вот примеры хороших ответов:
Q: ... 
A: ...
Q: ...
A: ...
Теперь ответь на новый вопрос: ...

2. Decomposition (разбиение задачи)

Не просите сразу итоговый ответ. Сначала скажите:
«Перед ответом опиши, какие подзадачи нужно решить».
Затем решайте их шаг за шагом.
? Особенно полезно для сложных сценариев (например, возврат машины в автосалоне: нужно проверить клиента, дату покупки, страховку и т.д.).

Зачем: сложные запросы → шаги.
? Формулировка:

Перед тем как отвечать, перечисли все подзадачи, которые нужно решить.
Затем реши их по очереди.

3. Self-criticism (самопроверка)

Алгоритм:

1. Задайте вопрос.

2. Получите ответ.

3. Скажите: «Проверь себя, найди ошибки или улучшения».

4. Попросите внедрить эти улучшения.

Обычно хватает 1–3 циклов, чтобы качество выросло заметно.

Зачем: улучшить качество без внешней проверки.
? Формулировка:

Вот твой ответ: [текст].  
Проверь себя: найди ошибки или улучшения.  
Теперь перепиши ответ с учётом этих улучшений.

4. Additional information (дополнительная информация / контекст)

Давайте ИИ максимум полезных данных: биографию, историю компании, правила, термины. Добавление контекста радикально повышает точность результата.
? Пример: при классификации постов о депрессии исследователи добились скачка точности, когда добавили определение психологического термина «entrapment».

? Совет: размещайте контекст в начале промпта — это снижает стоимость и ускоряет работу.

Контекст:  
- Компания работает в сфере EdTech  
- ЦА: студенты 18–25 лет  
- Канал: Instagram  
Задача: придумай 5 идей постов..  
Ограничения: максимум 100 слов, лёгкий и дружелюбный тон

5. Chain of thought (пошаговое мышление)

Зачем: повысить точность в логике и вычислениях.
? Формулировка:

Подумай шаг за шагом и запиши рассуждения, прежде чем дать итоговый ответ.

6. Role for style (роль для стиля текста, а не точности)

Зачем: управлять тоном текста.
? Формулировка:

Ты — опытный копирайтер. Напиши рекламный текст в лёгком, вдохновляющем стиле.

7. Output formatting (структура ответа)

Зачем: удобный вид результата.
? Формулировка:

Ответ дай в виде таблицы с колонками: Задача | Шаги | Срок.

8. Additional information (контекст)

Зачем: точнее привязать к вашей задаче.
? Формулировка:

Вот информация о компании: [описание].  
Используй её при составлении стратегии.

9. Style transfer (перенос стиля)

Зачем: адаптировать текст под конкретный образец.
? Формулировка:

Вот 2 примера моих статей: [тексты].  
Напиши новый текст в том же стиле на тему: ..

? Что уже не работает

• Role prompting («Ты — профессор математики»). Для точности бесполезно. Работает только для стилистических задач (тон, стиль письма).

• Угрозы/вознаграждения («Это важно для моей карьеры», «Я дам тебе $5»). Современные модели на это не реагируют.