Промпты помогают, масштабируются системы

Большинство компаний познакомились с ИИ через пустое поле и мигающий курсор. Результат зависел от того, что в него ввели, поэтому люди научились писать промпты. Некоторые стали в этом настоящими мастерами. Коллеги просили у них волшебные слова, эти слова копировали в документы и чаты, и так родился новый фольклор.

Промпты важны, и писать их стоит хорошо. Но компания не может работать на фольклоре. Разбираем, что делает промпт хорошим, что советуют сами лаборатории и почему компании, которые получают от ИИ больше всего, перестают полагаться на хитроумные промпты.

Плохой промпт и хороший

Возьмём запрос, который делает каждая маркетинговая команда. Плохая версия звучит так: напиши пост для LinkedIn о нашей новой услуге.

Модели не с чем работать, поэтому она пишет средний пост для LinkedIn о средней услуге, с вопросом в начале, рядом эмодзи и призывом к действию. Он не ошибочный. Он ничей.

Хорошая версия говорит, кто пишет и для кого, что это за услуга и сколько она стоит, что читатель должен сделать дальше, какой длины может быть пост и каких слов компания никогда не использует. В неё включены два прежних удачных поста, помеченные как примеры. И в ней сказано, зачем всё это: пост адресован финансовым руководителям, которые скептически относятся к ИИ, поэтому начинать стоит с факта, а не с обещания.

Второй промпт намного длиннее, и он с гораздо большей вероятностью даст черновик, которым можно воспользоваться. Разница не в хитроумии. Разница в контексте.

Что советуют лаборатории

Официальные руководства трёх крупных лабораторий говорят примерно одно и то же.

Руководство Anthropic для Claude предлагает «думать о Claude как о блестящем, но новом сотруднике, который не знает ваших норм и рабочих процессов». Его золотое правило: «Покажите свой промпт коллеге, который почти ничего не знает о задаче, и попросите его выполнить инструкцию. Если он запутается, запутается и Claude». Оно же показывает, почему объяснения работают лучше приказов. Вместо того чтобы писать заглавными буквами «никогда не используй многоточия», объясните, что ответ будет зачитывать вслух синтезатор речи, который не умеет их произносить. Модель обобщает, исходя из причины.

Руководство OpenAI советует давать модели нужный ей контекст и примеры возможных входных данных с желаемыми результатами, причём как можно более разнообразные. Составление промптов оно называет «смесью искусства и науки».

Руководство Google для Gemini советует всегда включать несколько примеров и предупреждает, что промпты без них, скорее всего, окажутся менее эффективными. Для сложных задач оно предлагает делать каждый шаг отдельным промптом и выстраивать их в цепочку. И честно говорит о самом процессе: «Промпт-инжиниринг итеративен».

Почему промпты не масштабируются

Перечитайте эти руководства и обратите внимание, что они предполагают: человека, который знает нормы компании, имеет под рукой нужные примеры и располагает временем на итерации. В большинстве команд это описание подходит к нескольким людям, и то в удачный день.

Все остальные копируют промпт из чата, меняют одно слово и получают другой результат. Промпт, который работал весной, после обновления модели ведёт себя иначе. Две команды хранят две версии с противоречащими друг другу правилами. Одно из руководств самой OpenAI по промптам предупреждает, что противоречивые или расплывчатые инструкции могут сильнее навредить рассуждающей модели, потому что она тратит силы на попытки их согласовать. В её примере медицинскому ассистенту велено одновременно никогда не записывать пациента на приём без зафиксированного согласия и записывать на ближайшее свободное время, не связываясь предварительно с пациентом.

Поэтому OpenAI относится к промптам как к программному обеспечению. Её руководство советует разработчикам хранить рабочие промпты в коде приложения, привязывать приложения к конкретным снимкам моделей и строить тесты и наборы оценок, которые измеряют поведение промптов. Это полная противоположность библиотеке промптов в общем документе.

Цена видна в результатах. Инициатива NANDA при MIT сообщила в прошлом году, что лишь около 5 процентов изученных ею пилотных проектов с ИИ дали быстрый рост выручки. Fortune свёл причину к разрыву в обучении: универсальные инструменты буксуют внутри компаний, потому что не учатся на том, как устроена работа, и не подстраиваются под неё.

От промптов к системам

Лаборатории сами сделали вывод. Anthropic теперь говорит не о промпт-инжиниринге, а о контекст-инжиниринге: нужно курировать всё, что видит модель, а не только инструкцию, и находить наименьший возможный набор информативных токенов, при котором правильный результат становится вероятным. Её инженеры предостерегают от двух ошибок: с одной стороны, от хрупкой логики, жёстко зашитой в промпты, с другой, от расплывчатых указаний, которые не дают модели ничего конкретного.

Практический ответ дают навыки. Anthropic описывает их как «упорядоченные папки с инструкциями, скриптами и ресурсами», которые агент загружает, когда они ему нужны, и сравнивает создание навыка с тем, чтобы «составить руководство по адаптации для нового сотрудника». В статье о дизайне та же компания писала, что навыки делают эффективные промпты многоразовыми и привязанными к контексту, так что никому не приходится повторять одни и те же указания в каждом запросе. С декабря 2025 года этот формат является открытым стандартом.

Навык представляет собой хороший промпт, который написали один раз, снабдили причинами, примерами и проверками, протестировали и положили туда, где его найдёт любой ассистент в компании. Добавьте знания компании, её правила и подключения к реальным системам, и получится мозг компании. Тогда качество больше не зависит от того, кто печатал.

Как мы помогаем

Это та работа, что стоит за Twin. Мы выясняем, как компания работает на самом деле, улучшаем процесс там, где это нужно, а затем строим её мозг: знания с источником у каждого ответа, навыки для каждой роли, написанные по правилам компании, интеграции с её системами, а также правила и права по ролям. Он работает в ассистенте, которым команда уже пользуется, в Claude, ChatGPT или Codex, а компания получает исходный код.

Без Twin каждый промпт начинается с нуля, и качество зависит от того, кто спрашивает. С Twin каждый ответ начинается с компании, с единым стандартом на каждом рабочем месте.

Так же мы ведём и crue: больше 80 навыков и мозг для каждого из наших продуктов, в Claude и ChatGPT, а также на собственном оборудовании с собственной моделью. Когда данные слишком чувствительны, чтобы покидать здание, есть Eigna, которую создаёт наш партнёр Eigna Labs: частная модель, обученная на собственных файлах, правилах и языке компании, работающая в её собственном облаке или на её серверах и дообучаемая поэтапно, причём каждый этап запускается, только если на тестах оказывается лучше.

Что может сделать компания

Продолжайте писать хорошие промпты и изучите основы по руководствам выше. Затем соберите десять промптов, которыми на самом деле пользуются ваши лучшие сотрудники, и спросите, что знает каждый из них такого, чего не знает модель. Запишите это один раз: контекст, причины, примеры, правила и проверку в конце. Назначьте каждому владельца и тест и положите туда, где до него дотянется любой ассистент. Это и есть навык.

Мы хотим, чтобы машина взяла на себя рутину, первые черновики и поиск справок и делала всё это быстрее и последовательнее любого из нас. Суждение, личный контакт с клиентами и ответственность за то, что отправляется, остаются за людьми, и хорошая система даёт им больше времени именно на это.

Хитроумный промпт ускоряет одного человека. Система делает лучше всю компанию и продолжает работать, когда хитроумный человек уже ушёл домой.