Промпт-інженерія: як просити AI правильно

Коли людина каже «AI пише банальщину», майже завжди проблема не в моделі. Проблема в тому, що запит був розмитий, і модель просто вгадала середню відповідь на середнє питання. Гарна новина: це лагодиться за 20 хвилин практики, без жодного рядка коду.

Anthropic — компанія, яка робить Claude — тримає власний довідник про промпт-інженерію (prompt engineering), тобто про мистецтво формулювати запити. Найцікавіше в ньому те, чого там немає: жодних «магічних фраз», які нібито розблоковують модель. Замість цього — інженерний підхід: спершу визнач, що для тебе означає «добра відповідь», потім напиши чернетку запиту, потім доводь її до результату.

Нижче — ключові ідеї цього підходу, перекладені на побутові задачі: пост, лендінг, вакансія, комерційна пропозиція. Це перша стаття серії «Основи AI від Anthropic»: далі буде про контекст і про агентів.

Промпт-інженерія починається не з промпта

Перед тим як шліфувати формулювання, Anthropic радить мати три речі: чіткий критерій успіху, спосіб перевірити результат проти цього критерію, і вже написану першу чернетку запиту. Без цього ти не покращуєш промпт — ти вгадуєш.

На практиці це виглядає банально просто. Критерій успіху для постів: «5 варіантів, кожен до 300 знаків, у кожному є конкретна цифра, без емодзі, я готовий опублікувати мінімум 2 без правок». Спосіб перевірки: прогнати той самий промпт на трьох різних продуктах і подивитися, чи тримається якість.

І одразу важлива межа. Якщо тебе не влаштовує швидкість або ціна — це не проблема формулювання. Тут дешевше змінити модель, а не переписувати запит удвадцяте. Промпт-інженерія лікує тільки те, на що текст запиту реально впливає: змістовність, точність, тон, структуру.

Пиши так, ніби пояснюєш новому колезі

Центральна метафора всього довідника звучить так:

«Уяви Claude як блискучого, але нового співробітника, який не знає ваших норм і робочих процесів». (Anthropic, у моєму перекладі)

Розумний стажер у перший день зробить приблизно те, що ти сказав — але не вгадає, що в тебе пости завжди без емодзі, а комерційні завжди починаються з ціни. Модель у тій самій ситуації: вона не в курсі твоїх домовленостей, поки ти їх не проговорив.

Звідси два дуже дешевих прийоми. Перший: якщо хочеш результат «вище очікувань» — попроси про це словами. Порівняй «зроби мені контент-план» і «зроби контент-план на 4 тижні: дай якнайбільше релевантних форматів і рубрик, вийди за межі базового набору, додай для кожного посту ідею першого рядка». Друга версія дає інший рівень відповіді, і це не магія — це просто чітко описане замовлення.

Другий: коли важливий порядок або повнота кроків, давай інструкції нумерованим списком, а не одним абзацем. Модель значно рідше «губить» пункт 3, якщо він пронумерований.

І головний тест якості запиту, який працює до будь-якого тюнінгу — покажи свій промпт колезі, який не в контексті задачі. Anthropic формулює це прямо: якщо людина розгубиться, модель теж розгубиться. Тільки людина перепитає, а модель просто здогадається — і не скаже тобі про це.

Завжди додавай «чому»

Найбільш недооцінений прийом: пояснювати не лише що зробити, а й чому це важливо. Модель достатньо кмітлива, щоб узагальнити правило з пояснення на випадки, які ти не перелічив.

Класичний приклад із документації: замість «ніколи не використовуй три точки» краще написати «цей текст читатиме голосовий помічник, а він не знає, як озвучити три точки». Перша версія закриває один випадок. Друга — весь клас проблем: модель сама прибере й інші символи, які погано читаються вголос.

Твій робочий варіант: «Це піде в комерційну пропозицію для державної установи, тому тон стриманий, без сленгу й без обіцянок, які ми не можемо підтвердити цифрами». Ти не перелічуєш заборонені слова — ти передаєш мотивацію, і решту модель дотягне сама.

Приклади сильніші за описи

Опис формату працює. Приклади формату працюють краще. Anthropic називає приклади одним із найнадійніших способів керувати форматом, тоном і структурою відповіді — і це найшвидший спосіб перестати сперечатися з моделлю про стиль.

Такий підхід називають few-shot (навчання на кількох прикладах). Оптимум — 3–5 прикладів. Але вони мусять бути:

• релевантні — дзеркалити твій реальний кейс, а не абстрактний;
• різноманітні — покривати й граничні випадки, інакше модель вихопить випадкову закономірність (наприклад, вирішить, що всі твої тексти починаються з питання);
• відокремлені — щоб модель не сплутала приклад із завданням.

Для рекрутера це виглядає так: «Ось три вакансії, які ми публікували і якими я задоволений. Ось одна, яка вийшла невдалою і чому. Напиши четверту в тому ж стилі, що й перші три». П'ять хвилин на підбір прикладів економлять три раунди правок.

Бонус: можна попросити саму модель оцінити твої приклади на релевантність і різноманітність — або догенерувати ще кілька за зразком.

Роль, підписані коробки і формат відповіді

Одне речення про роль перемикає відповідь із загальної в експертну. «Ти досвідчений копірайтер, який спеціалізується на лендінгах для B2B-послуг» — цього достатньо, довгий вигаданий персонаж не потрібен. Якщо в чаті є налаштування або проєкти, роль можна закріпити там (це і є системний промпт, system prompt), якщо ні — просто першим рядком запиту.

Далі — структура. Коли в одному запиті змішані інструкції, фонова інформація, приклади й «сирі» дані (наприклад, 40 відгуків клієнтів), модель починає плутати, де твоє завдання, а де матеріал. Рішення — XML-теги (XML tags): звичайні підписані коробки на кшталт <інструкції>, <контекст>, <дані>. Це не «для програмістів», це просто підписи, і в довгому запиті вони знімають половину непорозумінь.

Формат відповіді задавай позитивно. Не «не використовуй markdown і не роби списків», а «пиши суцільною прозою, абзацами по 3–4 речення». Заборони працюють гірше за опис бажаного. Ще одна деталь: стиль твого запиту частково передається у відповідь — прибери зі свого тексту списки й зірочки, і у відповіді їх стане менше.

І дрібниця, яка часто дивує: модель може взагалі не дати підсумку в кінці — якщо він тобі потрібен, попроси про нього окремо. Так само зі стислістю: якщо відповіді виходять задовгі, «коротко, до п'яти речень» треба сказати явно.

Довгі документи і самоперевірка

Якщо ти вставляєш у чат великий матеріал — брифи, транскрипт зустрічі, десятки відгуків — порядок частин запиту стає критичним. Довгі тексти став на початок, а саме питання й інструкції — у кінець. У тестах Anthropic питання в кінці підвищує якість відповіді до 30% на складних багатодокументних вхідних даних.

Другий прийом для роботи з документами: попроси модель спершу виписати релевантні цитати з тексту, і лише потім робити висновок. Так ти бачиш, на чому саме побудований висновок, і ловиш вигадки на місці.

І найкорисніший «ланцюжок» із трьох кроків — самокорекція. Крок 1: зроби чернетку. Крок 2: перевір її проти моїх критеріїв і випиши, де вона їм не відповідає. Крок 3: перепиши з урахуванням перевірки. Три окремі повідомлення в чаті — і якість помітно вища, ніж від одного «зроби добре».

Головне

• Спершу критерій успіху й спосіб перевірки, потім промпт. Інакше ти не покращуєш запит, а вгадуєш.
• Тест колеги — найдешевший чек: якщо людина без контексту перепитає, модель теж «перепитає» здогадкою.
• Проси «вище очікувань» словами: «вийди за межі базового, дай якнайбільше релевантного».
• Завжди пояснюй «чому» — модель узагальнить правило на випадки, які ти не перелічив.
• 3–5 релевантних і різноманітних прикладів керують форматом надійніше за абзац інструкцій.
• Формат задавай позитивно, роль — одним реченням, довгі матеріали — на початок, питання — в кінець.
• Якщо болить швидкість чи ціна — це не проблема формулювання, а вибору моделі.

Що далі

Жодна стаття не замінить 10 власних спроб. Візьми один запит, який ти регулярно пишеш у чат, і додай до нього три речі: роль, «чому» і два приклади бажаного результату. Порівняй відповіді — різницю видно одразу.

Оригінальний довідник Anthropic (англійською) читається як навігаційний хаб з техніками: Prompt engineering overview. У наступній статті серії розберемо контекст — чому модель «забуває» початок довгого чату і що з цим робити.