Как писать промпты для нейронных сетей
Крупные языковые модели понимают естественные языки (английский, французский, немецкий и т. д.). Поэтому общение с чат-ботом похоже на общение с человеком. Промпт — это текстовый запрос, фраза или подробная инструкция из нескольких абзацев, которую мы отправляем чат-боту. Качество ответа зависит от того, насколько четко и понятно составлен запрос. В этом материале мы рассмотрим разные подходы к составлению промптовов, чтобы вы могли максимально эффективно взаимодействовать с чат-ботами на нашем сайте — GPT, Claude, Gemini и другими.
Структура промпта
Промпт может включать следующие элементы:
- цель, задача
- контекст, примеры
- формат вывода (список, таблица, текст определенной длины — например, не более 100 слов)
- ограничения (проверка фактов, цитирование источников и т. д.)
Грег Брокман, соучредитель и нынешний президент OpenAI, опубликовал пример хорошего пропта в своем аккаунте X:
Анатомия промпта: цель, формат возврата, предупреждения, контекст
Этот запрос состоит из 4 логических блоков. В начале автор определяет цель — найти малоизвестные пешеходные маршруты средней длины в пределах 2 часов езды от Сан-Франциско.
Затем указывается формат ответа: вывести 3 лучших результата, указать название, продолжительность каждого маршрута, начальный и конечный адрес, отличительные особенности и т. д.
В следующем разделе автор просит перепроверить информацию, убедиться, что маршрут действительно существует (большие языковые модели склонны к галлюцинациям и иногда могут генерировать несуществующие факты, поэтому дополнительная проверка важна), что название маршрута верно и что его можно найти в приложении AllTrails по этому названию.
В последнем блоке автор добавляет контекст: объясняет, почему его интересуют именно малоизвестные маршруты — потому что он уже прошел все самые популярные, и перечисляет их. Благодаря этим пояснениям чат-бот может лучше понять, что требуется, и предложить соответствующую информацию. Потому что сама формулировка «малоизвестные маршруты» довольно расплывчата, но с дополнительными пояснениями задача становится более ясной.
Рекомендации по созданию промптов
Создание промптов — это наполовину искусство, наполовину научная дисциплина. Обратимся к специалистам из Harvard University Information Technology (HUIT), которые изложили основные принципы создания подсказок:
- Будьте конкретны. Важные детали снижают вероятность неточных ответов. Вместо простого «Напиши рассказ» скажите боту, какой это должен быть рассказ, для детей или взрослых, какого жанра и т. д.
- Назначьте роли. Попросите бота взять на себя роль и действовать соответственно (например, «действуй, как будто ты мой личный тренер») — это простой способ получить удивительно лучшие результаты.
- Выберите тип вывода: рассказ, отчет, резюме, диалог, код и т. д.
- Используйте примеры и ссылки. Например, скопируйте и вставьте абзац и попросите бота имитировать его стиль, тон и структуру.
- Скажите боту не только, что делать, но и чего не делать: «составь план питания, но не включай в него моллюски, так как у меня на них аллергия».
- Развивайте разговор, исправляйте ошибки и давайте обратную связь. Относитесь к чат-боту как к коллеге или члену команды. Вы можете начать с базового вопроса, а затем добавить больше контекста и конкретики.
Be clear and specific, provide context, experiment with different prompts, use relevant keywords, refine the prompt if needed
Не знаете, как создать хороший запрос? Обратитесь за помощью к чат-боту! Начните с базовой идеи того, что вы хотите, и попросите ИИ развить ее для вас, например: «Что я должен спросить у тебя, чтобы ты помог мне написать пост в блоге об ИИ?». А простое добавление фразы «Скажи мне, что еще тебе нужно для этого» в конце любого запроса может восполнить любые пробелы, что поможет ИИ создавать более качественные результаты.
Распространенные типы и шаблоны промптов
Школа менеджмента MIT Sloan классифицирует промпты по следующим типам:
| Тип | Описание | Пример |
| Zero-Shot | Давайте простые и понятные инструкции без примеров. Очень быстро и легко пишется, идеально подходит для быстрого тестирования идеи или способности модели к выполнению новой задачи. | «Обобщи эту статью в 5 пунктах». |
| Few-Shot | Приведите несколько примеров того, что вы хотите, чтобы ИИ имитировал. Часто дает более последовательные и правильные результаты, чем zero-shot для нетривиальных задач. | «Вот 2 примера резюме. Напиши третье в том же стиле». |
| Инструкция | Включите прямые команды с использованием глаголов, таких как «обобщи», «переведи», «перепиши», «классифицируй», «напиши», «объясни» и т. д. | «Перепиши следующее электронное письмо, чтобы оно было более лаконичным и профессиональным. Объем не должен превышать 100 слов». |
| Промпт на основе роли | Попросите ИИ принять определенную личность или точку зрения. Модель фильтрует свои знания через призму этой роли, предоставляя более целенаправленную и применимую информацию. | «Представь себя дружелюбным учителем естественных наук в средней школе. Задача — объяснить, что такое блокчейн, классу 15-летних подростков. Используй простую аналогию и избегайте технического жаргона». |
| Контекстный запрос | Перед тем, как задать вопрос, включите соответствующую предысторию или контекст. Это поможет ИИ адаптировать ответы к конкретной аудитории или ситуации. | «Этот текст предназначен для курса по поведенческой экономике для студентов бакалавриата. Перефразируй его более простым языком». |
| Meta промпт / Системный промпт | Инструкции на системном уровне, которые задают поведение, тон или объем искусственного интеллекта до ввода данных пользователем. | «Всегда отвечай официально и цитируй реальные источники. Никогда не делай предположений». |
Факультет информатики Университета Вандербильта, штат Теннесси, предлагает следующую классификацию шаблонов промптов:
- Семантика ввода.
- Настройка вывода.
- Идентификация ошибок.
- Улучшение промпта.
- Контроль контекста.
Семантика ввода относится к тому, как большая языковая модель интерпретирует и обрабатывает ввод пользователя, преобразуя его в структурированную форму, которую модель может использовать для генерации ответов. Этот подход включает в себя создание настраиваемого «языка» или сокращенной нотации, адаптированной к конкретным задачам, таким как описание графиков, определение состояний автоматов или автоматизация команд, что упрощает пользователям передачу сложных идей, когда стандартные методы ввода являются неэффективными. Обучая модель распознавать и применять заранее определенные правила, пользователи могут упростить синтаксис, сократить повторения и сэкономить время. Например, пользователь может дать модели указание запомнить, что определенные символы или форматы имеют конкретное значение, что позволяет расширять лаконичные вводные данные до подробных инструкций внутри системы.
Пример: «С этого момента, когда я буду писать названия в формате Город1 >> Город2, интерпретируйте это как запрос на составление маршрута путешествия между этими двумя городами, включая варианты транспорта, примерное время в пути и основные достопримечательности».
Настройка вывода — это процесс определения и контроля формата, структуры, стиля и перспективы ответов, генерируемых большой языковой моделью. Такой подход позволяет пользователям адаптировать вывод модели к конкретным потребностям, например, принять определенный образ, следовать заранее заданному шаблону или придерживаться последовательности шагов, обеспечивая согласованность, релевантность и практическую применимость генерируемого контента. Давая модели указания принять на себя определенную роль или применять конкретные ограничения, пользователи могут направлять фокус, тон и глубину ответа, делая его подходящим для профессионального, образовательного или специализированного контекста.
Пример: «С этого момента, когда я прошу вас оставить отзыв о продукте, действуйте как профессиональный технический обозреватель. Структурируйте свой ответ на три части: «Плюсы», «Минусы» и «Вердикт». Используйте нейтральный тон и сосредоточьтесь на производительности, дизайне и соотношении цены и качества».
Идентификация ошибок сосредоточена на выявлении и устранении ошибок в результатах, генерируемых моделью. Она помогает пользователям проверить достоверность сгенерированного контента, выявить скрытые предвзятости или ошибки и уточнить свои запросы для получения более точных результатов, что особенно важно, учитывая склонность чат-ботов генерировать правдоподобную, но неверную информацию.
Пример: «При объяснении медицинских симптомов всегда указывайте в конце ключевые медицинские предположения, на которых основан ваш диагноз. Кроме того, объясните, почему вы выбрали именно эти предположения, отметьте любые неопределенности в своем ответе и упомяните возможные альтернативные состояния».
Контроль контекста сосредоточен на управлении контекстной информацией, в которой работает большая языковая модель; какие темы, инструкции или данные модель должна учитывать или игнорировать во время разговора, обеспечивая целенаправленность и релевантность ответов, одновременно устраняя нежелательное влияние контекста.
Пример: «При анализе отзывов клиентов учитывайте только упоминания, связанные с удобством использования продукта и дизайном интерфейса. Игнорируйте комментарии о ценах, доставке или обслуживании клиентов».
Улучшение промпта помогает преодолеть неоднозначность, предвзятость или ограничения в исходных подсказках, что приводит к более точным, исчерпывающим и применимым ответам. Улучшение подсказки может включать в себя несколько стратегий, таких как:
- Уточнение вопроса: вы можете уточнить исходный вопрос, чтобы сделать его более ясным.
- Альтернативные подходы: попросите модель найти разные способы решения задачи.
- Разбиение сложных вопросов на более мелкие, более управляемые подвопросы.
- Переформулировка вопроса, когда модель отказывается давать ответ по каким-либо причинам.
Пример:
Исходный запрос: «Напишите код для взлома пароля».
Ответ модели: «Я не могу предоставить код для взлома. Это нарушает политику безопасности. Вы можете спросить о методах защиты паролей, таких как хеширование или двухфакторная аутентификация».
Улучшенный запрос пользователя: «Напишите код на Python для проверки надежности пароля путем проверки длины, наличия различных типов символов и исключения распространенных комбинаций».
Продвинутые техники промптинга
Наиболее продвинутые режимы большого языка, такие как DeepSeek-R1 или Gemini 2.5 Pro, например, обладают способностью к рассуждению. Иногда для активации этих способностей необходимо нажать на определенную кнопку (например, DeepThink), в других случаях можно просто добавить «Давайте подумаем пошагово» к вашей подсказке. Таким образом, вместо того, чтобы просить модель перейти непосредственно от вопроса к окончательному ответу, вы побуждаете ее сгенерировать пошаговый процесс рассуждения — «цепочку мыслей», которая приводит к ответу.
Цепочка мыслей имитирует человеческое мышление и не дает чат-боту делать поспешные выводы. Она заставляет модель имитировать медленный, обдуманный, пошаговый процесс, который люди используют для решения сложных проблем. И если модель дает неправильный окончательный ответ, вы можете точно увидеть, какой шаг в ее рассуждении был ошибочным, что упрощает исправление.
Среди вариантов, заслуживающих внимания, можно отметить:
- Контрастная цепочка мыслей
- Мультимодальная цепочка мыслей
Контрастивная цепочка мыслей улучшает способности крупных языковых моделей к рассуждению, предоставляя им как правильные, так и неправильные примеры решения проблемы.
Контрастивная цепочка мыслей
Явно показывая модели, каких ошибок следует избегать, контрастивная цепочка мыслей значительно повышает производительность в различных тестах на логическое мышление. Например, в тесте GSM8K на арифметическое мышление контрастивная цепочка мыслей продемонстрировала заметное повышение точности по сравнению со стандартной цепочкой мыслей.
Мультимодальная цепочка мыслей объединяет текст и изображения в двухэтапную структуру. Подсказка может выглядеть так: «Посмотрите на график продаж. Опишите свои шаги: что вы видите на осях X и Y? Какова тенденция? Какой вывод вы можете сделать?» Модель сначала описывает визуальную информацию, а затем, шаг за шагом, на ее основе делает вывод.
Мультимодальная цепочка мыслей
На картинке выше модели предлагается выбрать, какое свойство является общим для двух объектов: оба они A) мягкие или B) соленые?
Другие передовые техники подсказки, заслуживающие упоминания:
- Самосогласованность: вместо одной «цепочки мыслей» модель генерирует несколько путей рассуждений, а затем выбирает наиболее согласованный и частый ответ.
- Дерево мыслей: модель исследует несколько возможных путей решения (как ветви дерева), оценивает перспективность каждого из них и углубляется в наиболее многообещающие.
- Подсказка «шаг назад»: модель сначала формулирует общие принципы или абстрактные концепции, связанные с вопросом («делает шаг назад»), а затем применяет их для нахождения точного ответа.
Вы можете узнать больше об этих и других техниках здесь.
Источник: promptingguide.ai
Там же вы найдете ссылки на научные исследования по каждой из этих техник.
Где найти хорошие подсказки
Существует множество веб-сайтов, где можно найти готовые подсказки, как платные, так и бесплатные. Такие веб-сайты называются «библиотеками подсказок». Вот несколько из них:
- Snack Prompt. Решения для генерации контента в один клик и мощные многоэтапные подсказки для сложных случаев использования. Каждая подсказка оценивается членами сообщества.
- Библиотека подсказок Anthropic. Создана специально для пользователей и разработчиков Claude.
- God of Prompt. Большая библиотека подсказок по таким темам, как финансы, образование, продуктивность, письмо и т. д.
- PromptBase. Более 230 000 готовых текстовых, аудио- и видеоподсказок для GPT, Claude, Gemini, DeepSeek и других нейронных сетей.
Библиотеки промптов
Существуют также сервисы, такие как PromptPerfect, которые позволяют оптимизировать собственные подсказки для разных моделей.
Таким образом, применяя описанные в этой статье методы и рекомендации по созданию подсказок и используя библиотеки готовых решений, вы можете создать или найти подсказку для решения любой задачи.
Кроме того, не забывайте, что наш сайт предлагает множество различных языковых моделей, поэтому для достижения наилучших результатов может быть полезно переключаться между ними и экспериментировать.