«Промпт-инжиниринг» звучит как что-то техническое, что нужно изучать месяцами. На самом деле — это набор простых приёмов составления запроса, которые любой может применять без кода и API. Эти приёмы умножают качество ответов AI в 2-3 раза по сравнению с привычным «спрошу как обычно».
Разбираем семь техник, проверенных в production. Все примеры — на русском, для практических задач, а не академических.
1. Дай контекст до задания, а не после
Слабый промпт: «Напиши пост в LinkedIn про наш новый продукт».
Сильный промпт: «Я CMO стартапа в области B2B-SaaS для логистических компаний. Наш новый продукт — система автоматического планирования маршрутов. Целевая аудитория поста — директора по операциям в среднем бизнесе. Тон — экспертный, без хайпа. Напиши пост в LinkedIn длиной 200 слов про этот продукт».
Разница в качестве колоссальная. Модель не угадывает кто вы, для кого пост и в каком тоне — у неё есть точная картина. Конкретика на входе превращается в конкретику на выходе.
Правило: сначала контекст, потом задача, потом ограничения. В таком порядке.
2. Покажи пример того, что хочешь получить
Few-shot prompting — самая мощная техника, недооценённая массой пользователей. Если хочешь определённый формат ответа — покажи модели пример.
Слабый промпт: «Расскажи кратко о трёх главных событиях недели в IT».
Сильный промпт: «Расскажи о трёх главных событиях недели в IT. Формат каждого:
Дата: 17 мая 2026
Событие: Google анонсировал Gemini 3 Pro с окном 5M токенов.
Почему важно: ставит новую планку по длинному контексту, конкуренты будут вынуждены догонять.
Сделай ровно по этому шаблону, без отступлений.»
Получаете строго структурированный ответ. Без примера модель решает что считать «кратко» и какие поля выделить — каждый раз по-разному.
3. Назначь модели роль
Модель — это «универсальный» собеседник по умолчанию. Если назначить роль — отвечает иначе, часто лучше.
«Ты опытный preparation coach для собеседований в FAANG. Я junior backend-разработчик, готовлюсь к интервью в Google. Спроси меня три классических вопроса по системному дизайну и оцени мои ответы».
Сравните с «Помоги мне подготовиться к собеседованию». Первый промпт даёт модели понимание уровня сложности и того типа взаимодействия, который вам нужен.
Ролей много: коуч, ментор, редактор, девопс-эксперт, юрист, врач (с оговорками), historian, кулинар. Выбирайте под задачу.
4. Попроси разобрать задачу пошагово
Chain-of-thought (CoT) — техника когда модель «думает вслух» перед ответом. Особенно полезно на задачах с reasoning'ом.
«Реши эту задачу. Перед финальным ответом распиши свой ход рассуждения по шагам. Если на каком-то шаге сомневаешься — отметь это явно».
Эффект двойной: качество ответа реально улучшается (модель «думает» внимательнее), плюс вы видите где она могла ошибиться и можете поправить.
Современные reasoning-модели (DeepSeek R1, GPT-5.5 Pro) делают CoT встроенно — но даже им можно задать формат через явный запрос.
5. Дай явные ограничения
Модели по умолчанию склонны к «безопасным» средним ответам — расплывчатым, многословным, с оговорками. Если хотите чёткости — задайте явные ограничения.
«Ответь в трёх пунктах, каждый не длиннее 20 слов. Без вводных фраз и заключения. Только список».
«Реши задачу. Если у тебя нет уверенности в ответе — скажи прямо "не знаю", не угадывай».
«Назови ровно ОДИН лучший вариант, без альтернатив. Если не можешь выбрать один — объясни почему, а не давай два».
Ограничения работают: модель послушна, особенно более новые версии. Без ограничений по дефолту получаете «А во-первых... во-вторых... также важно... в заключение». Без воды только если явно попросить.
6. Используй негативные инструкции
Часто проще сказать «не делай X», чем перечислить что делать. Это работает.
«Напиши описание товара. НЕ используй слова: уникальный, инновационный, революционный, эксклюзивный. НЕ используй восклицательные знаки. НЕ начинай с обращения к покупателю».
«Дай совет по код-стилю. НЕ ссылайся на guide'ы которые ты не уверен что они актуальны».
«НЕ» в промпте надо использовать аккуратно — иногда модели «не видят» отрицания и начинают делать ровно то что просили не делать (классическая «не думай о слоне»). Но в большинстве современных моделей это работает. Если важно — повторите запрет несколько раз или сформулируйте позитивно: «используй только такие-то слова».
7. Итерируй, не пишите идеальный промпт с первого раза
Многие думают, что промпт-инжиниринг — это умение написать «правильный» промпт сразу. На самом деле — это умение быстро итерировать.
Получили ответ — не нравится — не переписывайте промпт с нуля. Вместо этого:
- «Сделай ответ короче в два раза».
- «Перепиши это в более формальном тоне».
- «Убери последний абзац и добавь конкретный пример вместо него».
- «Хорошо, теперь сделай так же, но для аудитории junior-специалистов».
Итеративная доработка часто быстрее и точнее, чем перепродумывание промпта. Особенно если уже накопился контекст в чате — модель помнит что хотите.
Бонус: 5 типовых ошибок, которые легко исправить
Ошибка 1: Слишком общие задачи. «Помоги с маркетингом» — не задача. «Помоги придумать заголовок для email-рассылки про скидку 20%» — задача.
Ошибка 2: Одинаковый промпт для разных моделей. Claude любит структурированные запросы. GPT хорошо реагирует на роли. Gemini — на конкретные форматы вывода. Со временем замечаете различия и адаптируете.
Ошибка 3: Игнорирование настройки модели. В EPIHEN можно задать temperature, ограничения, дефолтный стиль ответов для проекта. Многие просто пишут промпты, не настроив сам инструмент.
Ошибка 4: Длиннющий промпт «на всякий случай». Не накручивайте требований которые не важны. Модель распыляется. Лучше короткий чёткий промпт + итерация.
Ошибка 5: Не проверять факты. Любой ответ AI на фактологический вопрос проверяйте перед использованием. Особенно цифры, имена, даты, ссылки. Современные модели меньше галлюцинируют, но не на ноль.
Как EPIHEN упрощает промпт-инжиниринг
Часть техник в EPIHEN можно не повторять каждый раз — они зашиваются один раз в настройки.
- Системный промпт проекта. Один раз задайте «ты помогаешь мне с маркетингом для B2B-SaaS, тон экспертный, без воды» — и это применяется ко всем чатам проекта. См. статью про проектную изоляцию.
- Долговременная память. Раз сказав «я обычно люблю развёрнутые ответы», модель будет учитывать это во всех будущих чатах. См. про слои памяти.
- Маршрутизация моделей. Каждой задаче — подходящая модель. Не нужно каждый раз решать «Sonnet или Opus». См. сравнение.
Резюме
Хороший промпт = контекст + чёткая задача + явные ограничения + примеры формата + роль модели. Шесть таких блоков в одном запросе — уже отличный промпт. Семь техник из этой статьи закрывают 90% случаев, когда ответ AI вас не устраивает.
Прокачка промпт-навыков — лучшая инвестиция в работу с AI в 2026. Не нужны курсы и сертификаты — нужно просто практиковать на реальных задачах и замечать что работает, а что нет.
В следующих статьях разбираем multi-tool агенты и vibe-coding.