Промпт: из чего он состоит и почему от структуры зависит ответ

Промпт задаёт модели три вещи одновременно: что она должна сделать, в каком контексте и в каком виде выдать результат. За несколько лет работы с GPT, Claude и локальными моделями я вывел для себя правило: качество ответа процентов на семьдесят зависит не от выбора модели, а от того, как собран запрос. Когда я подключаю Claude API к боту на aiogram или строю RAG-поиск по базе знаний клиента, один и тот же вопрос, заданный в свободной форме и оформленный по чёткой структуре, выдаёт совершенно разные по пользе ответы. Дальше разберу, из каких блоков состоит рабочий промпт и почему порядок этих блоков решает больше, чем формулировки внутри них.

Из каких блоков состоит промпт

На практике промпт для рабочей задачи, а не для разового вопроса в чат, собирается из шести элементов. Не все нужны всегда, но если ответ модели плывёт, я в первую очередь ищу, какого блока не хватает.

• Роль. Кем модель должна себя вести: редактором, юристом, аналитиком данных, ассистентом поддержки. Роль задаёт словарь и уровень детализации ответа.
• Контекст. Факты, которые модель не может знать сама: данные о продукте, фрагмент документа, история переписки, ограничения проекта.
• Задача. Конкретное действие: не «расскажи про доставку», а «сформируй ответ клиенту про сроки доставки СДЭК по его региону на основе таблицы ниже».
• Формат ответа. JSON, таблица, три пункта списка, текст без markdown - модель держит формат заметно лучше, если он описан явно, а не подразумевается.
• Ограничения. Что нельзя делать: не придумывать цифры, не выходить за 200 слов, не использовать данные вне контекста.
• Примеры. Эталонный ответ или пара «вопрос-ответ», особенно если формат нестандартный.

Когда я собираю системный промпт для чат-бота с базой знаний, все шесть блоков идут в системную часть, а в пользовательскую попадает только сам вопрос. Для разовой задачи в интерфейсе Claude или ChatGPT обычно хватает роли, контекста и задачи, формат и ограничения можно держать в голове и поправить руками, если ответ не подошёл.

Почему порядок частей запроса к нейросети меняет ответ

Модель читает промпт последовательно и держит больший вес у того, что стоит ближе к концу запроса и в самом начале, а середина длинного текста теряется первой. Это видно на практике при работе с RAG: если в промпт подмешать десять фрагментов документа, а инструкцию по формату ответа поставить в самое начало, до документов, модель к третьему абзацу успевает про неё забыть.

Правило, которое я применяю в проектах: контекст (документы, данные, история переписки) идёт первым, задача и формат ответа - последними, прямо перед вопросом пользователя. Так модель видит инструкцию, когда уже «прогрелась» на контексте, и не теряет её за объёмом данных.

На объёмных задачах разница ощутима в деньгах, если считать в токенах: неструктурированный промпт часто требует двух-трёх итераций с уточнениями, а при работе через API это лишние токены в счёте за каждый повторный запрос.

Системный промпт и пользовательский: разная работа с контекстом

В API Claude и OpenAI промпт физически делится на роли: system, user, assistant. Системная часть задаёт модели устойчивое поведение на весь диалог, тон, границы, формат, доступные инструменты. Пользовательская меняется от сообщения к сообщению.

Смешивать их - частая ошибка при первой сборке бота. Если инструкцию «отвечай только по базе знаний, не выдумывай факты» положить в пользовательское сообщение, при следующем вопросе клиента она может потерять вес, потому что модель обрабатывает диалог целиком, а системная часть держит приоритет стабильнее реплики из середины переписки. В системном промпте это правило действует на весь диалог по умолчанию.

Когда я собираю бота на aiogram с интеграцией Claude API, системный промпт обычно занимает 40-60 строк: роль ассистента, список того, что он умеет и не умеет, формат ответа под мессенджер, короткие абзацы без markdown-таблиц, которые Telegram не рендерит, и жёсткое ограничение по теме разговора. Пользовательская часть - только текст от клиента плюс, если нужно, последние сообщения переписки для контекста.

Для задач сложнее чат-бота с FAQ, например ассистента, который достаёт данные из CRM и отвечает с учётом истории заказов, структура промпта усложняется, и здесь я закладываю отдельный слой на разработку AI-интеграций с Claude API и RAG, а не пытаюсь впихнуть всю логику в один системный промпт без внешней памяти.

Примеры и техники: когда промпту нужен few-shot

Роль, контекст и задача закрывают процентов восемьдесят случаев. Оставшиеся двадцать, там где формат ответа нестандартный или задача требует рассуждения в несколько шагов, решаются техниками посложнее.

Few-shot особенно выручает, когда нужно, чтобы модель стабильно возвращала JSON нужной формы для дальнейшей обработки скриптом. Я так делаю в связках с n8n: промпт содержит два примера входного текста и точного JSON на выходе, и нода дальше по цепочке разбирает результат без дополнительных проверок на битый формат. Без примеров модель через раз меняет названия полей или добавляет пояснение перед JSON, и это ломает автоматизацию.

Частые ошибки в структуре промпта

Список того, что чаще всего чиню в чужих промптах на консультациях.

• Задача сформулирована через отрицание. «Не пиши длинно» модель понимает хуже, чем «уложись в 100 слов», положительная формулировка работает надёжнее.
• Формат ответа не описан явно. Ожидается таблица, а модель выдаёт текст, потому что нигде не сказано, в каком виде нужен результат.
• Контекст без источника. В промпт вставлен кусок текста без пометки, что это цитата или данные, и модель путает его с частью инструкции.
• Один промпт на две задачи. «Переведи текст и заодно проверь орфографию» размывает фокус, лучше разбить на два вызова или на две чётких секции.
• Нет ограничения на выдумывание фактов. Для задач с базой знаний фраза «отвечай только на основе предоставленного контекста, если ответа нет - сообщи об этом» заметно снижает число придуманных ответов.
• Инструкция теряется в объёме контекста. Актуально для RAG: если инструкция стоит перед пятью абзацами документов, к концу модель учитывает её уже не так строго.

Каждая из этих ошибок чинится без смены модели, простой перестановкой и уточнением блоков. Время экономится именно на этом этапе, а не на подборе более дорогой модели под ту же задачу.

Частые вопросы

Чем промпт отличается от обычного вопроса нейросети?

Формально ничем, любой ввод в чат уже промпт. Разница в том, что случайный вопрос модель дополняет предположениями, а собранный по структуре запрос убирает пространство для догадок: роль, контекст, формат и ограничения заданы заранее, и модели не приходится решать за пользователя, что он имел в виду.

Нужно ли писать промпт на английском для лучшего результата?

Для Claude и GPT разница в качестве между русским и английским промптом на моей практике минимальна для большинства задач. Английский иногда даёт небольшой выигрыш в задачах с кодом или узкоспециализированной терминологией, но структура запроса влияет на результат сильнее, чем язык, на котором она написана.

Сколько должен весить системный промпт для чат-бота?

Зависит от задачи. Для простого FAQ-бота хватает 15-20 строк: роль, тема, формат, ограничения. Для ассистента с доступом к базе знаний или CRM системный промпт у меня обычно вырастает до 40-80 строк за счёт правил обращения с контекстом и примеров формата ответа. Дальше этого объёма логику разумнее выносить во внешние инструменты, а не раздувать один текстовый блок.

Как проверить, что структура промпта реально работает?

Прогоняю один и тот же промпт на 10-15 разных входных данных и смотрю на стабильность формата и фактов в ответах. Если структура рабочая, ответы отличаются содержанием, но не расползаются по формату. Если формат каждый раз новый, значит, инструкция сформулирована нечётко или стоит не на том месте в тексте промпта.