AI добавит вам пару часов в сутки и сэкономит деньги. Большой гайд по промптингу и работе с нейросетями 

Я использую текстовые модели и основа это ChatGPT. Примеры буду показывать на основе этой нейросети, но точно такой же принцип подходит и для других нейронок. За последние дни вообще происходит нечто удивительное. Вышли новые модели Grok 3, Claude 3.7 Sonnet и Qwen 2.5 QwQ. И это буквально за 3 дня.

Решать задачи с помощью нейросетей можно и нужно, иначе вы просто будете медленными, хотя можете оставаться крутым специалистом.

Рассказываю на личном опыте. Я делаю сервис и для него мне нужны: 1) Backend написанный на Python; 2) Frontend на Next JS (React). Разработка MVP в лучшем случае выйдет в 1-2 млн рублей, если нанимать кодеров и ждать 3-4 месяца.

Я подумал, могу ли я ускорить процесс создания MVP и решил попробовать написать backend самостоятельно. Я не знаю языков программирования, но могу придумать идею и изложить её в ТЗ со всеми деталями.

2 дня работы и у меня написан код для MVP, который я отдал python разработчику на доработку.

Дальше встал вопрос с фронтом (лицевая часть софта). Понятно, что GPT здесь ограничен и я начал искать иные способы хотя бы базово написать фронт. Решение подкинул сам GPT… За те же 2 дня я полностью сверстал личный кабинет со всеми внутренними страницами и логикой. Без дизайнера, без знания кода. Имея только идею и видение.

Если человек, который ноль в данной сфере и только к ней подступается за такое короткое время смог получить результат, благодаря паре инструментов, то это причина внедрять нейросети в вашу деятельность. И неважно чем вы занимаетесь.

За эти 4 дня я обрел некую “магию” промптинга, ибо когда ты пишешь код результат либо есть, либо нейросеть тебя неправильно поняла и сделала хуйню.

В этом минус “гуманитарных” сфер, вроде маркетинга, где нужно столкнуть твое предложение с рынком и понять, ошибся ты в потребностях или нет.

База для качественного промптинга

Я выделил 4 основные техники с которыми мы ходим в нейросети:

• Zero-Shot;
• Few-Shot;
• Chaing-of-Thought;
• GraphRAG.

Zero-Shot - это когда мы даем только инструкцию без примеров. Обычно используем эту технику для простых задач вроде поиска инфомрации.

C Few-Shot всё становится интереснее, здесь мы добавляем примеры, чтобы получить более точный ответ. Сама модель в данном случае будет следовать заданному формату и стилю. Например:

Пример 1: "Как нейросети помогают бизнесу?" → "5 способов,
как нейросети увеличивают продажи".

Пример 2: "Как искусственный интеллект влияет на медицину?" →
"ИИ в медицине: новые технологии спасают жизни".

Теперь напиши заголовок на тему "Будущее машинного обучения".

Ответ будет таким:
“Будущее машинного обучения: какие технологии изменят мир.”

Следующий подход я использовал подсознательно, когда писал код. Я понимал, что если модель грузануть по полной, то напишет она невалидный код. Техника Chain-of-Thought заставляет модель размышлять шаг за шагом. Используется для сложных логических задач.

Мой собственный пример. Я написал сначала ТЗ для MVP сервиса, загрузил в GPT и попросил составить пошаговый план разработки. Коротко, я получил следующее:

1. Выбор стека технологий
2. Разработка базовых интеграций
3. Разработка основного движка сервиса
4. Разработка доп. функционала по ТЗ
5. Деплой и тесты

Этот план привел меня к действительно ощутимому результату.

Это важно для работы с нейросетями

Я не буду углубляться в техническую составляющую работы нейросетей: веса, токенизация, эмбеддинги и так далее. Но рекомендую почитать об этом, чтобы пазл сложился.

Первое. Нейросеть не умеет думать и не имеет эмоций. Она предсказывает, что лучше ответить на основе данных на которых она обучена.

Поэтому нет смысла писать в промпте слова “красивый, лучший, прекрасный, хороший и тд”, то есть все то, что имеет эмоциональную окраску. Можете даже не здороваться 🙂

Второе. Оперировать надо при работе с нейросетью математикой и логикой. Потому что все слова для нейросети это цифры.

Поэтому когда мы пишем запрос в нейросеть необходимо писать промпты:

• кратко;
• логично;
• структурированно;
• ясно;
• в контексте ситуации;
• с вниманием к нужным деталям;
• с примерами.

И то это не самое лучше, что мы можем ему написать. Разница в ответах очевидна:

Готовые формулы для промптов

Формула ACDQ, которую я использую как базу, которую модернизирую в зависимости от задачи (вспоминайте техники Zero-Shot, Few-Shot и тд), выглядит следующим образом:

Act (Действие): Направляем нейросеть действовать как эксперт в нужной тебе области.

Context (Контекст): Чем больше контекста ты предоставишь, тем лучше будет результат. Расскажи всё о целевой аудитории, целях кампании или любой другой важной информации.

Deep Think (Глубокое мышление): Попроси модель глубоко подумать над твоей задачей. Поверь, когда ты прямо просишь его «подумать глубже», он действительно улучшает качество ответа.

Question (Вопрос): В конце поощряй нейросеть задавать тебе уточняющие вопросы. Это поможет ей лучше понять задачу и создать более детализированный и персонализированный ответ.

Пример промпта для тех же вирусных заголовков:

Результат, который даёт этот промпт. По мне, очень хорошо:

Как мы можем докрутить формулу?

1. Добавить или предварительно обучить на примерах
2. Запретить использование слов, методов или подходов
3. Наоборот указать на соблюдение определенных правил
4. Задать формат ответа
5. Попросить отвечать последовательно
6. Обозначить проблему и цель задачи
7. Попросить учитывать неожиданные факторы (судьба/случай)

Вообще, докручивать формулу можно до бесконечности. Важно понимать, что нейросеть не обладает мышлением, эмоциями, чувствами. Она не может за вас придумать идею или увидеть финальный результат с учетом всех деталей и нюансов.

Зададите ей роль маркетингового аналитика на позиции Chief Data Officer (CDO) с функциями Market Research Analyst, который использует подходы к исследованию ЦА разработанные в Harvard Business School будет один ответ.

Зададите роль “Ты профессионал в исследовании аудитории по методу Customer Development и делаешь это невероятно качественно” ответ будет другим.

Это не значит, что он будет хуже, просто в первом случае мы конкретно объясняем модели её роль и данные на которые нужно опираться точнее.

Миром правит логика и математика, а нейросети ещё не могут полностью выкинуть человека из процесса и здоровые, умны мозги востребованы как никогда.

Поэтому, перед тем как что-то написать в нейросеть, я реально сижу и думаю 5-10 минут о промпте. Могу написать его в заметки, переписать, исправить и только потом перейти к выполнению моей задачи. Даже могу заниматься бытовыми делами и думать, а как спросить у нейросети…?

Кстати, вот ещё формулы для Ваших промптов

CARE (Context, Ask, Rules, Examples)

Context (Контекст): Дай модели контекст, чтобы она поняла ситуацию.

Ask (Запрос): Чётко укажи, что нужно сделать.

Rules (Правила): Установи ограничения или требования к выполнению.

Examples (Примеры): Покажи образец желаемого результата.

Пример: "Ты эксперт по UX-дизайну (Context). Напиши сообщение об ошибке для приложения (Ask). Сделай его коротким и дружелюбным, без технических терминов (Rules). Например: 'Ой, что-то пошло не так, попробуй ещё раз!' (Examples)."
Отличие от ACDQ: CARE больше фокусируется на примерах и правилах, тогда как ACDQ подчёркивает глубокий анализ и диалог через вопросы.

RACEF (Role, Action, Context, Example, Format)

Role (Роль): Определи, кем должна быть модель.

Action (Действие): Укажи задачу.

Context (Контекст): Опиши ситуацию.

Example (Пример): Дай образец.

Format (Формат): Укажи, как представить ответ.

Пример: "Ты маркетолог (Role). Придумай слоган для экологичного продукта (Action). Продукт — бутылка из переработанного пластика (Context). Пример слогана: 'Чистая природа в каждом глотке' (Example). Ответ дай в виде списка из трёх вариантов (Format)."

Отличие от ACDQ: RACEF добавляет явное указание формата и роли, что делает его более структурированным для конкретных задач, в то время как ACDQ больше ориентирован на диалог и анализ.

SPARK (Situation, Problem, Aspiration, Result, Kismet)

Situation (Ситуация): Опиши текущую обстановку.

Problem (Проблема): Укажи, что нужно решить.

Aspiration (Стремление): Определи цель.

Result (Результат): Опиши желаемый исход.

Kismet (Судьба/случай): Учти неожиданные факторы или творческий элемент.

Пример: "Компания запускает новый продукт (Situation). Клиенты не понимают его ценности (Problem). Хочу, чтобы они увидели его уникальность (Aspiration). Нужен текст для рекламы, который привлечёт внимание (Result). Добавь что-то неожиданное, чтобы выделиться (Kismet)."

Отличие от ACDQ: SPARK подходит для сложных, нарративных задач с творческим уклоном, в отличие от более аналитического ACDQ.

ROSES (Role, Objective, Scenario, Expected Solution, Steps)

Role (Роль): Кто выполняет задачу.

Objective (Цель): Что нужно достичь.

Scenario (Сценарий): Описание ситуации.

Expected Solution (Ожидаемое решение): Какой результат нужен.

Steps (Шаги): Последовательность действий.

Пример: "Ты аналитик данных (Role). Определи тренды продаж (Objective). Данные за последний год в таблице (Scenario). Дай отчёт с тремя выводами (Expected Solution). Сначала обработай данные, затем выдели тренды, потом сформулируй выводы (Steps)."

Отличие от ACDQ: ROSES добавляет пошаговый процесс, что полезно для задач, требующих методичного подхода, в отличие от диалогового стиля ACDQ.