Хабр, привет! Меня зовут Сергей Бережной, я директор по взаимодействию с разработчиками в Яндексе и эксперт онлайн-магистратуры «Фронтенд-, бэкенд-разработка и ИИ-решения» ИТМО в партнёрстве с Яндекс Практикумом. Приёмная кампания в онлайн-магистратуру уже идёт, программа рассчитана на опытных разработчиков и на тех, кто идёт с нуля. Поэтому, если хотите программировать на JavaScript, Python, Java или С++ — ждём вас. А в этой статье я хочу поговорить о том, почему работа с ИИ постепенно перестаёт сводиться к написанию промптов, зачем разработчику учиться мыслить процессами, а не отдельными запросами, и почему именно такой подход позволяет получать качественный результат.

Если результат не устраивает, меняйте не промпт, а процесс решения

Когда разработчики начинают работать с большими языковыми моделями, почти все проходят один и тот же путь. Сначала кажется, что главное — научиться писать хорошие промпты. Начинаешь искать удачные формулировки, изучать подборки «лучших запросов», экспериментировать с ролями и ограничениями. Кажется, что где-то существует идеальный промпт, который заставит модель сразу выдавать нужный результат.

Постепенно я пришел к выводу, что чем больше работаешь с современными LLM-моделями, тем меньше думаешь о промптах как о главном инструменте. Всё чаще оказывается, что качество результата не получается гарантировать одним запросом и важно, как вообще устроен процесс решения задачи.

Например, представьте, что нужно добавить новый механизм авторизации в существующий сервис. Первая мысль — подробно описать задачу в одном большом промпте и попросить модель сразу написать решение. На практике такой подход редко даёт хороший результат: ИИ может не учесть архитектурные ограничения проекта, продублировать существующую логику или предложить изменения, которые сложно встроить в текущую систему. Гораздо лучше сначала попросить модель разобраться в структуре проекта, найти точки изменений, оценить риски, придумать тестовые сценарии, сохранить информацию в файлы и только потом переходить к написанию кода. В этот момент меняется сама постановка задачи: вы перестаёте искать идеальный промпт и начинаете проектировать процесс решения.

Мне кажется, это одно из самых сильных свойств больших языковых моделей — они позволяют переходить между уровнями абстракции. Если решение не получилось, сама проблема становится новой задачей, которую тоже можно обсуждать с моделью.

Именно поэтому я стараюсь использовать нейросети практически в каждой рабочей задаче. Не потому, что они всегда дают лучший результат с первой попытки, а потому, что каждый такой эксперимент создаёт новый прецедент. Постепенно начинаешь понимать, что работает, что не работает и какие задачи вообще имеет смысл отдавать модели.

Когда мы проектировали модуль по работе с ИИ для онлайн-магистратуры, мы довольно быстро поняли, что учить «правильным промптам» бессмысленно: конкретные техники меняются слишком быстро. Поэтому программа строится вокруг навыков, которые не зависят от конкретной модели: декомпозиции задач, проектирования процесса и проверки результата. 

Яндекс Практикум: В онлайн-магистратуре ИТМО «Фронтенд-, бэкенд-разработка и ИИ-решения» вы можете выбрать направление (фронтенд или бэкенд), язык программирования (JavaScript, Python, Java или С++) и подходящий по уровню трек (для опытных или с нуля). Программа ежегодно обновляется, оставить заявку можно на сайте программы.

Хороший результат редко начинается с первой генерации

Чем больше работаешь с ИИ, тем быстрее понимаешь ещё одну вещь: хороший результат почти никогда не появляется после одного запроса. Это особенно хорошо видно на текстах: довольно быстро выясняется, что получить действительно хороший текст одним промптом сложно. Зато начинают работать более сложные конструкции: сначала появляется описание «Tone of Voice», потом — примеры, затем — цепочка агентов, которые проверяют и рецензируют работу друг друга. Получается уже не один запрос, а последовательность шагов, где каждый следующий этап использует результат предыдущего.

В разработке происходит то же самое. Если попросить ИИ сразу реализовать большой функциональный блок, результат часто оказывается сырым: модель не учитывает соглашения проекта, нарушает существующую архитектуру или меняет слишком много файлов одновременно. Намного лучше работает последовательный процесс. Сначала модель анализирует кодовую базу и строит план изменений. Затем предлагает варианты реализации. После этого пишет отдельные части кода, а в конце помогает провести ревью и проверить, что изменения не нарушили существующую логику. Получается уже не один промпт, а цепочка взаимосвязанных шагов.

Со временем мы пришли к тому, чтобы думать не о том, как написать идеальный промпт, а о том, как построить процесс, в котором модель будет решать несколько связанных задач последовательно.

Эмпирика важнее списка лучших практик

Мне кажется, что сегодня невозможно научиться работать с ИИ по документации: эта область развивается слишком быстро. Не существует небольшого учебника «Лучшие ИИ-практики», после которого можно считать, что ты всё понял. Сами инструменты меняются быстрее, чем успевают сформироваться общепринятые подходы к их использованию.

Поэтому единственный способ разобраться — постоянно нарабатывать собственную эмпирику. Когда у меня появилась возможность работать за компьютером, я старался делать на нём буквально всё. Не потому, что это всегда было быстрее, а потому, что так быстрее понимаешь возможности нового инструмента. Например, в онлайн-магистратуре «Фронтенд-, бэкенд-разработка и ИИ-решения» у студентов есть такая практика: им даются разные задачи и они должны каждую из них попробовать решить с помощью ИИ. Иногда эксперимент оказывается удачным, иногда — нет. Но даже неудачный результат оказывается полезным, потому что помогает понять ограничения модели и найти другой способ решения.

Яндекс Практикум: Поступление и обучение в онлайн-магистратуре ИТМО «Фронтенд-, бэкенд-разработка и ИИ-решения» проходят полностью онлайн, вы получите отсрочку от армии и студенческие льготы, а после выпуска — два диплома: магистерский от ИТМО и Яндекса о профпереподготовке. Оставить заявку можно на сайте программы.

Я бы рекомендовал вам, если вы занимаетесь разработкой (и не только) буквально каждый раз, когда перед вами появляется новая рабочая задача, задавать себе вопрос: «Можно ли её решить с помощью ИИ-инструментов?» Даже если на практике окажется, что нельзя, вы всё равно лучше поймёте, где проходит граница возможностей модели.

Почему разработчики, у которых есть опыт работы с ИИ, получают преимущество на рынке

Мне кажется интересным ещё одно изменение, которое происходит сейчас в профессии. Некоторое время назад многим казалось, что опыт постепенно перестаёт иметь большое значение: молодые специалисты быстрее осваивали новые инструменты, быстрее писали код, быстрее адаптировались к изменениям.

С появлением ИИ ситуация начала меняться. Преимущество получают не те, кто умеет написать самый эффектный промпт, а те, кто понимает, как вообще устроено решение задачи: какие этапы существуют, что можно делегировать модели, а что лучше оставить человеку, в каком месте нужен ещё один агент, а где достаточно одного запроса. 

По сути, работа с ИИ начинает напоминать управление собственной командой. У вас появляются исполнители с разными сильными сторонами: одному можно поручить построить план, другому — реализовать отдельную часть решения, третьему — проверить результат. Но вся ответственность за то, как будет организован процесс и каким окажется итоговый продукт, остаётся на вас, на разработчике.

Поэтому закономерно, что многие middle+ и senior-разработчики сейчас переживают своеобразный ренессанс: их главным преимуществом становится не скорость набора кода, а насмотренность и понимание того, как собрать решение из нескольких этапов. Когда мы обновляли программу онлайн-магистратуры, стало понятно, что отдельного блока про промптинг уже недостаточно. Поэтому мы добавили темы, связанные с агентной разработкой, декомпозицией задач и организацией рабочих процессов. Именно эти навыки, на мой взгляд, будут оставаться актуальными независимо от того, какие модели появятся через год.

В заключение

Моя рекомендация разработчикам — перестать искать идеальный промпт. Гораздо полезнее научиться проектировать процесс, в котором большие языковые модели последовательно помогают решать разные части задачи. Иногда для этого нужно подняться на уровень выше и превратить проблему в новую задачу, разбить работу на несколько этапов, использовать несколько моделей или агентов вместо одной. Именно так постепенно появляется понимание того, что действительно умеют современные LLM — через опыт построения процессов, которые позволяют получать хороший результат снова и снова.