Введение в генеративные ИИ: кейсы использования и как правильно формулировать запросы

Курс объясняет, что такое генеративные модели, где они полезны и какие ограничения важно учитывать. Вы научитесь «разговаривать» с ИИ через понятные инструкции, получать стабильные результаты и улучшать ответы с помощью уточнений.

1. Что такое генеративный ИИ и где он применяется

Что такое генеративный ИИ и где он применяется

Зачем вообще нужен генеративный ИИ

Генеративный искусственный интеллект (генеративный ИИ) — это класс систем, которые умеют создавать новый контент на основе примеров, увиденных во время обучения. В отличие от привычных программ, которые строго следуют заранее прописанным правилам, генеративный ИИ формирует ответы вероятностно: он оценивает, что с наибольшей вероятностью будет уместно продолжить или сгенерировать в заданном контексте.

Важно: генеративный ИИ не является поиском по интернету и не гарантирует истинность каждого утверждения. Он генерирует текст, код или изображения так, чтобы они выглядели правдоподобно и соответствовали запросу.

Определение простыми словами

Генеративный ИИ — это модели, которые по входному запросу (например, тексту, изображению или звуку) создают новый результат:

  • текст (письмо, резюме, сценарий)
  • код (функции, тесты, объяснения)
  • изображения (иллюстрации, дизайн-макеты)
  • аудио (озвучка, музыка)
  • видео (ролики, анимации)

    • Запрос, который вы формулируете для модели, часто называют промптом (prompt). В следующих материалах курса мы будем учиться формулировать промпты так, чтобы получать стабильный, контролируемый результат.

    Чем генеративный ИИ отличается от других видов ИИ

    Традиционный ИИ часто решает задачи распознавания и классификации:

  • определить, есть ли на фото кот
  • распознать речь и превратить её в текст
  • предсказать вероятность ухода клиента

    • Генеративный ИИ решает задачу другого типа: создать что-то новое.

    Например:

  • написать письмо клиенту в заданном тоне
  • предложить 10 вариантов названия продукта
  • сгенерировать изображение в определённом стиле

    • Как работает генеративный ИИ на высоком уровне

    Детали архитектур мы разбирать глубоко не будем, но важно понимать общий принцип.

    Обучение

    Модель обучают на большом количестве примеров (текстов, изображений и т.д.), чтобы она научилась закономерностям:

  • как обычно строятся предложения
  • какие факты и связи часто встречаются вместе
  • какие визуальные элементы соответствуют словесным описаниям

    • Генерация

    Когда вы даёте промпт, модель:

  • читает контекст
  • вычисляет вероятные продолжения или варианты
  • выдаёт результат в нужном формате (текст, изображение и т.д.)

    • !Цикл работы с генеративным ИИ: запрос → генерация → проверка → уточнение

    Почему модель может ошибаться

    Генеративный ИИ может:

  • додумывать детали, если информации недостаточно
  • путать похожие понятия
  • ошибаться в расчётах или ссылаться на несуществующие детали

    • Эти ошибки часто называют галлюцинациями: модель генерирует убедительный, но неверный фрагмент. Поэтому навык проверки и правильной постановки задачи — ключевой.

    О рисках и ответственном применении удобно читать в рамках практического стандарта: NIST AI Risk Management Framework.

    Основные типы генеративных моделей (по результату)

    Ниже — практичная классификация по тому, что именно генерируется.

  • Текстовые модели: диалоги, статьи, инструкции, анализ
  • Модели для кода: генерация функций, рефакторинг, объяснения, тесты
  • Модели для изображений: иллюстрации, концепт-арт, рекламные визуалы
  • Модели для аудио: озвучка, музыкальные фрагменты, шумоподавление с восстановлением
  • Модели для видео: короткие ролики, анимация, расширение сцен

    • Технически внутри могут быть разные подходы, но для пользователя важнее понимать тип входа, тип выхода и ограничения.

    Где применяется генеративный ИИ

    Генеративный ИИ используют там, где много работы связано с текстом, шаблонами, вариантами, черновиками и быстрым прототипированием.

    Типовые области применения

    | Область | Что генерируют | Примеры задач | |---|---|---| | Маркетинг и продажи | тексты, идеи, структуры | варианты офферов, письма, сценарии звонков, описания товаров | | Поддержка клиентов | ответы, базы знаний | черновики ответов, классификация обращений + формирование ответа | | Обучение и HR | тексты, планы, задания | учебные планы, конспекты, вопросы для интервью, матрицы компетенций | | Аналитика и офисная работа | резюме, отчёты, таблицы | итоги встреч, краткие выжимки, шаблоны документов | | Разработка ПО | код, тесты, документация | прототипы функций, unit-тесты, объяснение ошибок | | Дизайн и контент | изображения, тексты | баннеры, концепты, иллюстрации, тексты для лендингов | | Юриспруденция и комплаенс | черновики, выдержки | суммаризация договоров, список рисков, чек-листы |

    Практический принцип: генеративный ИИ хорошо подходит для черновиков

    Во многих процессах результат проходит через человека (редактора, юриста, менеджера, разработчика). Это снижает риски и повышает качество.

    Полезная ментальная модель:

  • генеративный ИИ ускоряет создание первого варианта
  • человек отвечает за проверку, контекст, решение и ответственность

    • Кейсы по типу ценности для бизнеса

  • Ускорение
    • 1. подготовка черновиков писем и документов 2. суммаризация длинных текстов 3. быстрые варианты формулировок
  • Масштабирование
    • 1. персонализация сообщений под сегменты 2. генерация большого числа описаний или карточек 3. многоязычные версии материалов
  • Улучшение качества
    • 1. редактирование стиля и тона 2. поиск слабых мест в тексте (неясности, противоречия) 3. структурирование информации

    Ограничения и безопасное использование

    Чтобы применять генеративный ИИ правильно, важно заранее знать типовые ограничения.

    Что нужно проверять всегда

  • факты и цифры (особенно в медицине, финансах, праве)
  • цитаты и ссылки (модель может их некорректно сформулировать)
  • актуальность (модель может опираться на устаревшие паттерны)

    • Данные и конфиденциальность

    Не отправляйте в промпт то, что нельзя передавать внешнему сервису:

  • персональные данные
  • коммерческие тайны
  • секреты доступа (пароли, ключи)

    • Если задача требует работы с чувствительными данными, обычно используют корпоративные контуры, обезличивание или локальные решения.

    Как эта тема связана с навыком формулирования запросов

    Генеративный ИИ очень чувствителен к постановке задачи: один и тот же вопрос можно сформулировать так, что модель выдаст либо общие слова, либо чёткий, полезный результат.

    В следующих статьях курса мы разберём:

  • как задавать цель, аудиторию и формат результата
  • как добавлять контекст и ограничения
  • как просить модель проверять себя и показывать источники там, где это уместно

    • Ключевые выводы

  • Генеративный ИИ создаёт новый контент (текст, код, изображения и др.), а не просто ищет готовый ответ.
  • Лучше всего он работает как инструмент для черновиков, вариантов и структурирования.
  • Его результаты нужно проверять, особенно в задачах с высокой ценой ошибки.
  • Качество ответа сильно зависит от промпта — поэтому далее мы сфокусируемся на том, как правильно «разговаривать» с моделью.

    • 2. Базовые принципы общения с ИИ: роль, контекст и цель

    Базовые принципы общения с ИИ: роль, контекст и цель

    Почему качество ответа зависит от того, как вы спрашиваете

    В прошлой статье мы зафиксировали ключевую мысль: генеративный ИИ чаще всего полезен как инструмент для черновиков, вариантов и структурирования, но его вывод нужно проверять.

    Следующий шаг в курсе — научиться формулировать запросы так, чтобы:

  • уменьшать количество «воды» и общих советов
  • получать результат в нужном формате
  • снижать риск выдуманных деталей

    • Практическая установка простая: промпт — это не «вопрос», а техническое задание в миниатюре.

    Три опоры хорошего промпта

    Чтобы модель выдала предсказуемый и полезный результат, ей обычно не хватает трёх вещей:

  • роль: в каком качестве отвечать
  • контекст: какая исходная информация и ограничения важны
  • цель: что именно считать успешным результатом

    • !Схема, показывающая, что хороший запрос держится на роли, контексте и цели

    Роль: кто отвечает и в какой манере

    Роль задаёт рамку ответа: уровень строгости, стиль, глубину, тип аргументации и даже формат подачи.

    Важно понимать границу:

  • роль помогает модели структурировать и стилизовать ответ
  • роль не делает ответ автоматически истинным или юридически корректным

    • Как формулировать роль

    Хорошие роли обычно конкретны и проверяемы:

  • редактор: улучшить текст, сохранить смысл, сделать яснее
  • преподаватель: объяснить пошагово и дать примеры
  • аналитик: разложить по критериям, сравнить варианты
  • продакт-менеджер: сформулировать требования, риски, метрики

    • Слабые роли слишком общие:

  • «будь экспертом»
  • «будь гением маркетинга»

    • Они не дают модели понятных правил поведения.

    Пример роли в одном предложении

  • «Ты — редактор деловой переписки: пиши кратко, вежливо, без канцелярита».

    • Контекст: что модель должна знать, чтобы не додумывать

    Контекст — это всё, что уменьшает неопределённость. Чем меньше неопределённости, тем меньше модель вынуждена «достраивать» недостающие детали.

    Что чаще всего относится к контексту

  • входные данные: текст письма, тезисы, таблица, выдержка из документа
  • аудитория: кто будет читать результат и что для них важно
  • ситуация: цель общения, ограничения по времени, тон отношений
  • ограничения: запреты, обязательные фразы, юридические рамки, терминология
  • критерии качества: что считается хорошим результатом

    • Как давать контекст экономно

    Полезная привычка: давать контекст слоями.

  • сначала 3–6 строк сути
  • затем данные, которые нужно обработать
  • затем ограничения и требования к формату

    • Так вы не перегружаете запрос, но даёте модели всё ключевое.

    Важно про конфиденциальность

    Если вы работаете во внешнем сервисе, не вставляйте в промпт то, что нельзя передавать третьим лицам:

  • пароли, ключи доступа
  • персональные данные
  • коммерческие тайны

    • Это особенно критично в задачах поддержки клиентов, HR и юриспруденции.

    Цель: что именно нужно получить и как выглядит успех

    Цель превращает разговор с моделью в управляемую задачу. Без цели модель часто отвечает «вообще по теме», а не под вашу ситуацию.

    Из чего обычно состоит хорошо заданная цель

  • действие: «сформулируй», «сравни», «сократи», «предложи варианты», «составь план»
  • результат: письмо, список идей, таблица, скрипт разговора, структура документа
  • критерии: длина, тон, обязательные пункты, запреты
  • формат: пункты, таблица, шаблон, JSON, письмо с темой и подписью

    • Пример цели

  • «Составь письмо клиенту: 120–160 слов, вежливо, без обвинений, предложи 2 варианта решения и задай 1 уточняющий вопрос».

    • Как собрать промпт в рабочий шаблон

    Ниже — универсальная заготовка. Её можно копировать и заполнять.

    Обратите внимание на два последних пункта. Они помогают снижать риск «галлюцинаций»: модель либо спросит, либо явно пометит допущения.

    Пример: один и тот же запрос, но с разной управляемостью

    | Вариант | Промпт | Что обычно происходит | |---|---|---| | Плохой | «Напиши письмо клиенту про задержку» | Много общих фраз, не тот тон, нет конкретики, модель додумывает детали | | Лучше | «Ты — менеджер поддержки. Контекст: заказ 8451 задерживается на 3 дня из-за логистики, клиент раздражён, ранее жаловался. Цель: письмо 120–150 слов, признать проблему, извиниться, предложить 2 опции (ожидание с бонусом 10% или отмена), задать 1 вопрос, тон спокойный и уверенный. Формат: тема + текст письма.» | Письмо получается целевым, проверяемым по критериям, меньше выдуманных деталей |

    Полезная техника: просить модель работать в два шага

    Когда задача важная, часто помогает разделение:

  • шаг 1: черновик
  • шаг 2: самопроверка по критериям

    • Пример формулировки:

  • «Сначала дай черновик. Затем проверь себя по пунктам: тон, длина, наличие 2 опций, наличие 1 вопроса. Если что-то не выполнено — исправь и покажи финальную версию».

    • Это не гарантирует идеального качества, но повышает вероятность, что модель «увидит» собственные несоответствия.

    Частые ошибки в промптах

  • нет роли: модель выбирает стиль сама, результат непредсказуем
  • нет контекста: модель компенсирует пробелы выдуманными деталями
  • нет цели и формата: модель выдаёт «размышления», а не готовый артефакт
  • слишком много задач в одном запросе: ответ поверхностный и смешивает жанры
  • противоречивые требования: «сделай коротко на 2 страницы»
  • чувствительные данные в промпте: риск утечки и нарушение политики компании

    • Ключевые выводы

  • Хороший промпт держится на трёх элементах: роль, контекст, цель.
  • Роль задаёт как отвечать, контекст — на чём основывать ответ, цель — что считать успехом.
  • Добавляйте формат и критерии качества: это делает результат проверяемым.
  • Если данных не хватает, просите модель задавать уточняющие вопросы и явно перечислять допущения.

    • Полезные материалы

  • Руководство по prompt engineering от OpenAI
  • Концепции prompt engineering в Azure OpenAI
  • NIST AI Risk Management Framework

    • 3. Как просить инструкции: структура хорошего запроса

    Как просить инструкции: структура хорошего запроса

    Зачем отдельно учиться «просить инструкции»

    В предыдущих статьях мы разобрали, что генеративный ИИ чаще всего полезен для черновиков и структурирования, а качество ответа зависит от роли, контекста и цели.

    Запрос на инструкции — один из самых частых сценариев: «объясни, как сделать…», «дай пошаговый план…», «научи меня…». Но именно здесь модель чаще всего начинает:

  • давать слишком общие советы
  • пропускать важные шаги
  • подставлять «универсальные» допущения, которые вам не подходят

    • Хорошая новость: инструкции получаются намного стабильнее, если просить их как мини-техническое задание.

    !Схема показывает, из каких частей складывается хороший запрос на инструкции и почему полезен итеративный цикл уточнений

    Что такое «хорошая инструкция»

    Инструкция — это не просто список шагов. У неё есть проверяемые свойства:

  • понятна человеку с заданным уровнем подготовки
  • учитывает вашу ситуацию и ограничения
  • приводит к конкретному результату
  • содержит критичные предупреждения и типовые ошибки
  • имеет формат, по которому удобно действовать

    • Чтобы модель могла это выдать, ей нужно дать правильные входные условия.

    Структура хорошего запроса на инструкции

    Ниже — практичная структура. Её можно использовать целиком или частями.

    Роль

    Роль задаёт стиль объяснения и уровень строгости.

  • «Ты — наставник для новичка, объясняй простыми словами и без жаргона»
  • «Ты — технический писатель, делай пошаговую инструкцию и чек-лист»
  • «Ты — DevOps-инженер, учти безопасность и типовые ошибки»

    • Цель

    Цель должна описывать конечный результат, а не тему.

  • плохо: «Как работать с Excel?»
  • лучше: «Научи меня собрать сводную таблицу по продажам и добавить фильтры»

    • Полезно указать критерий готовности.

  • «В конце я должен получить …»
  • «Считай успехом, если …»

    • Исходная точка

    Инструкции зависят от того, с чего вы начинаете.

  • ваш уровень: «я новичок» или «уверенный пользователь»
  • что уже есть: файл, черновик, данные, доступы
  • среда: устройство, ОС, приложение, версия

    • Если это не указать, модель вынуждена угадывать.

    Ограничения и предпочтения

    Ограничения резко повышают полезность ответа.

  • время: «у меня 30 минут»
  • ресурсы: «без платных сервисов»
  • правила: «не использовать персональные данные»
  • стиль: «кратко, без теории» или «с пояснением почему так»

    • Формат результата

    Попросите формат, по которому удобно действовать.

  • нумерованные шаги
  • чек-лист перед стартом
  • таблица «шаг → цель шага → что должно получиться»
  • блок «ошибки и как исправить»

    • Важно: формат — это часть цели. Если его не задать, модель выберет сама.

    Уточняющие вопросы и допущения

    Это один из лучших способов снизить «додумывание».

  • «Если данных не хватает, задай до 5 уточняющих вопросов перед инструкцией»
  • «Если всё же делаешь допущения, перечисли их отдельным списком»

    • Самопроверка инструкции

    Можно попросить модель проверить собственный ответ по критериям.

  • «После инструкции дай короткий чек-лист: всё ли учтено по ограничениям и цели»
  • «Отдельно перечисли места, где чаще всего ошибаются»

    • Готовый шаблон промпта для запроса инструкций

    Скопируйте и заполните.

    Примеры: как один и тот же запрос становится управляемым

    Пример про офисную задачу

    | Вариант | Запрос | Что обычно получится | |---|---|---| | Слабый | «Объясни, как сделать презентацию» | Общие советы, мало применимости, нет структуры | | Сильный | «Ты — наставник по презентациям для новичка. Цель: сделать 7-слайдовую презентацию для руководителя о статусе проекта. Исходная точка: есть список задач и сроки, дизайна нет. Ограничения: 40 минут, стиль строгий, без анимаций. Формат: нумерованные шаги, для каждого шага укажи цель и что должно получиться; в конце дай шаблон структуры слайдов и список типовых ошибок. Если данных не хватает, задай до 3 вопросов.» | Пошаговая инструкция под ситуацию + готовый каркас |

    Пример про обучение навыку

    Если вы хотите именно научиться, а не просто получить алгоритм, добавьте метод обучения.

  • «Дай инструкцию как для обучения: сначала короткая теория на 5–7 предложений, затем упражнение, затем критерии проверки результата»

    • Так вы получите не только «делай раз, делай два», но и понимание.

    Техники, которые делают инструкции особенно полезными

    Просить «двухуровневую» инструкцию

    Иногда нужен и быстрый план, и подробности.

  • Попросите краткий план из 5–9 шагов.
  • Попросите развернуть каждый шаг с деталями и примерами.

    • Это снижает риск «простыни текста» и помогает вам управлять глубиной.

    Просить ветвления и условия

    Реальные процессы редко линейны. Добавляйте условия.

  • «Если есть вариант А и вариант Б, дай два маршрута и критерии выбора»
  • «Если шаг может пойти не так, добавь диагностику: как понять, что проблема именно в этом»

    • Просить минимально достаточный вариант

    Чтобы не утонуть в деталях.

  • «Дай минимальный набор шагов, который даст рабочий результат, без оптимизаций»

    • Потом можно запросить улучшения отдельным промптом.

    Просить примеры входа и выхода

    Это особенно важно в задачах про документы, код и шаблоны.

  • «Приведи пример: как выглядит вход, и как должен выглядеть результат»

    • Просить ограничения по уверенности и безопасности

    Если тема рискованная, добавьте рамки.

  • «Если вопрос касается права/медицины/финансов, пометь, где нужна консультация специалиста»
  • «Не придумывай факты и ссылки; если не уверен — скажи, что не уверен»

    • Общие принципы ответственного применения удобно сверять с рамкой управления рисками: NIST AI Risk Management Framework.

    Частые ошибки при запросе инструкций

  • «объясни как» без результата: модель не понимает, что считать успехом
  • нет исходной точки: модель выбирает случайный уровень сложности
  • нет ограничений: появляются неподходящие инструменты и допущения
  • смешивание задач: «научи, сделай, сравни и ещё оформи отчёт» в одном запросе
  • отсутствие формата: вместо инструкции получается эссе
  • вставка конфиденциальных данных: риск утечки и нарушение правил компании

    • Мини-процесс работы: один запрос — это редко финал

    Практичный цикл выглядит так:

  • Сформулировать роль, цель, исходную точку, ограничения, формат.
  • Получить инструкцию.
  • Проверить на соответствие цели и реальности вашей ситуации.
  • Уточнить: что неясно, где не подходит, какие шаги нужно адаптировать.

    • Этот цикл напрямую продолжает идеи из прошлой статьи: хороший результат — это управляемая постановка задачи и проверяемые критерии.

    Ключевые выводы

  • Просить инструкции нужно как мини-ТЗ: роль + цель + исходная точка + ограничения + формат.
  • Требуйте уточняющие вопросы и список допущений, чтобы снизить «додумывание».
  • Форматируйте результат под действие: нумерованные шаги, ожидаемый результат каждого шага, ошибки и исправления.
  • Используйте итерации: первая версия почти всегда улучшается уточняющими вопросами.

    • Полезные материалы

  • Руководство по prompt engineering от OpenAI
  • Концепции prompt engineering в Azure OpenAI

    • 4. Уточнение и улучшение ответов: итерации, примеры и проверка

    Уточнение и улучшение ответов: итерации, примеры и проверка

    Почему «первый ответ» почти никогда не лучший

    В прошлых статьях курса мы договорились о трёх опорах хорошего промпта: роль, контекст и цель, а для инструкций добавили исходную точку, ограничения и формат.

    На практике даже хороший первый промпт часто даёт ответ, который:

  • слишком общий
  • не попадает в ваш формат
  • использует неподходящие допущения
  • содержит неточности

    • Поэтому полезно воспринимать работу с генеративным ИИ не как «вопрос → ответ», а как короткий цикл улучшений.

    !Цикл итераций: как получать более точные и полезные ответы

    Итерация как базовая стратегия

    Итерация — это повтор запроса с уточнениями после того, как вы увидели черновой результат. Цель итерации не в том, чтобы «поспорить с моделью», а в том, чтобы уменьшить неопределённость и сделать результат проверяемым.

    Мини-процесс из четырёх шагов

  • Задать промпт с ролью, контекстом, целью и форматом.
  • Получить черновик.
  • Проверить черновик по критериям.
  • Уточнить промпт и получить улучшенную версию.

    • Чем уточнение отличается от «ещё раз, но лучше»

    Фраза «сделай лучше» почти не добавляет информации. Полезное уточнение всегда указывает, что именно не подходит.

  • не подходит: «Сделай ответ лучше и подробнее»
  • подходит: «Добавь 3 конкретных примера, сократи вводные фразы до 2 предложений, оформи в таблицу, избегай профессионального жаргона»

    • Три инструмента улучшения: уточнения, примеры, проверка

    Уточняющие вопросы вместо догадок

    Одна из главных причин слабых ответов — модель вынуждена заполнять пробелы. Поэтому выгодно прямо просить её задавать вопросы.

    Практичный приём:

  • попросите задать вопросы до генерации финального ответа
  • ограничьте количество вопросов
  • попросите перечислить допущения, если ответ всё равно невозможен без них

    • Пример формулировки:

    Когда это особенно полезно:

  • вы не уверены, какой формат нужен
  • есть разные варианты процесса (инструменты, политика компании, сроки)
  • любая ошибка дорогая (клиенты, деньги, репутация)

    • Примеры и антипримеры

    Примеры резко повышают точность, потому что показывают, как именно выглядит «правильно» в вашей системе координат.

    Есть два основных типа:

  • пример входа и выхода
  • пример желаемого стиля

    • Ещё сильнее работают антипримеры: что точно нельзя.

    Пример формулировки:

    Где примеры дают максимальный эффект:

  • письма и сообщения клиентам
  • требования и технические задания
  • шаблоны документов
  • ответы поддержки

    • Проверка результата по критериям

    Если критерии качества не сформулированы, результат трудно улучшать: непонятно, что именно считать ошибкой.

    Полезная привычка: сначала зафиксировать критерии, затем попросить модель проверить свой ответ по ним.

    Пример:

    Важно: такая самопроверка не гарантирует отсутствие ошибок, но часто улучшает соответствие формату и требованиям.

    Как правильно просить улучшения: практичные паттерны

    Паттерн «Сузить задачу»

    Если ответ получился расплывчатым, значит цель слишком широкая.

  • было: «Расскажи, как улучшить маркетинг»
  • стало: «Предложи 5 гипотез для увеличения конверсии лендинга с 1,2% до 1,8%: каждая гипотеза в формате “идея → почему сработает → как проверить за 1 неделю”»

    • Паттерн «Добавить ограничения»

    Ограничения делают ответ применимым.

  • время: «у меня 30 минут»
  • инструменты: «только Google Docs, без платных сервисов»
  • политика: «не использовать персональные данные»
  • стиль: «без канцелярита, короткими фразами»

    • Паттерн «Попросить варианты и критерии выбора»

    Когда есть несколько возможных путей, полезно сразу получить развилки.

    Паттерн «Отладка ответа»

    Если ответ кажется неправильным или неполным, полезно попросить диагностику.

    Паттерн «Редактура вместо переписывания»

    Когда у вас уже есть текст, просите правки по правилам.

    Пример итераций: от общего запроса к управляемому

    Ситуация

    Нужно сообщение клиенту о переносе срока.

    Как обычно выглядит слабый промпт

  • «Напиши сообщение клиенту о переносе срока»

    • Типичный результат: общие фразы, непонятно что обещаем, нет следующего шага.

    Улучшенная версия с критериями и проверкой

    Вторая итерация, если тон получился «слишком холодным»

    Ключ: вы не просите «лучше», вы просите конкретную правку.

    Проверка фактов и безопасные формулировки

    Генеративный ИИ может ошибаться и уверенно формулировать неточности. Поэтому для задач, где важна корректность, используйте дополнительные рамки.

    Что стоит делать всегда, если важны факты

  • отделять факты от предположений
  • просить указать, каких данных не хватает
  • просить помечать места с низкой уверенностью

    • Пример:

    Когда нужны источники

    Если вы просите утверждения о правилах, исследованиях, стандартах, лучше просить ссылки на источники и затем проверять их.

    Практичная формулировка:

    Полезные ориентиры по ответственному управлению рисками:

  • NIST AI Risk Management Framework

    • Готовые шаблоны для ежедневной работы

    Шаблон «Уточни, затем сделай»

    Шаблон «Сделай, проверь, исправь»

    Шаблон «Пример + антипример»

    Ключевые выводы

  • Лучшие результаты получаются через итерации: черновик → проверка → уточнение → улучшение.
  • Три главных рычага улучшения: уточняющие вопросы, примеры и антипримеры, проверка по критериям.
  • Просите не «сделай лучше», а конкретные изменения: формат, тон, длину, обязательные элементы.
  • Для задач с высокой ценой ошибки отделяйте факты от предположений и просите явно указывать, чего не хватает.

    • Полезные материалы

  • Руководство по prompt engineering от OpenAI
  • Концепции prompt engineering в Azure OpenAI
  • NIST AI Risk Management Framework

    • 5. Практика: типовые кейсы, шаблоны промптов и частые ошибки

    Практика: типовые кейсы, шаблоны промптов и частые ошибки

    Зачем эта статья

    В предыдущих материалах курса мы разобрали основу управляемого общения с генеративным ИИ:

  • промпт как мини-ТЗ
  • опоры: роль, контекст, цель
  • для инструкций: исходная точка, ограничения, формат
  • улучшение через итерации: уточнения, примеры, проверка по критериям

    • Теперь соберём это в практику: типовые рабочие кейсы, копируемые шаблоны промптов и список ошибок, которые чаще всего «ломают» качество.

    !Схема, которая помогает быстро собрать промпт и помнить про итеративное улучшение

    Быстрый универсальный шаблон для большинства задач

    Этот шаблон подходит для текста, анализа, писем, планов, таблиц и кратких инструкций.

    Кейсы использования и рабочие шаблоны

    Ниже — самые частые сценарии. В каждом кейсе главное: дать модели то, что она иначе начнёт угадывать.

    Кейс

    Тексты и редактура: письмо, пост, описание, резюме

    Когда подходит

  • нужен черновик, варианты формулировок, улучшение ясности
  • важно выдержать тон и структуру

    • Что добавить в контекст

  • кто читатель и что ему важно
  • тон (нейтральный, дружелюбный, строго-деловой)
  • запрещённые слова или обещания
  • исходный текст (если он есть)

    • Шаблон промпта

    Типовая ошибка

  • «Сделай красиво» без аудитории и запретов: модель добавит лишние обещания, «воду» и неподходящие детали.

    • Кейс

    Суммаризация: сделать кратко и по делу

    Когда подходит

  • нужно быстро понять длинный документ, встречу, переписку
  • нужно выделить решения, риски, следующие шаги

    • Что добавить в контекст

  • цель суммаризации: для кого и для чего
  • что считать важным: решения, риски, дедлайны
  • формат: тезисы, таблица, список действий

    • Шаблон промпта

    Типовая ошибка

  • просить «краткое содержание» без структуры: модель может пропустить решения и действия, оставив «общий пересказ».

    • Кейс

    Генерация идей: варианты, гипотезы, названия

    Когда подходит

  • нужен набор вариантов, а не один ответ
  • нужна классификация и критерии выбора

    • Что добавить в контекст

  • цель (для чего идеи)
  • ограничения бренда, аудитории, запреты
  • критерии хорошей идеи

    • Шаблон промпта

    Типовая ошибка

  • просить идеи без рамок: получится много банального и повторяющегося.

    • Кейс

    Пошаговые инструкции: «как сделать» с учётом условий

    Когда подходит

  • нужно выполнить задачу в инструменте или процессе
  • важно не пропустить шаги и проверить результат

    • Что добавить в контекст

  • уровень пользователя
  • инструмент и версия
  • ограничения по времени и ресурсам
  • формат «шаг → ожидаемый результат → проверка»

    • Шаблон промпта

    Типовая ошибка

  • смешать обучение и выполнение: «научи и сделай за меня» без указания результата и формата.

    • Кейс

    Извлечение данных и структурирование: таблица, JSON, поля

    Когда подходит

  • нужно превратить текст в структуру: заявки, обращения, резюме, счета
  • нужен единый формат для дальнейшей работы

    • Что добавить в контекст

  • точный список полей
  • правила, что делать при отсутствии данных
  • желаемый формат (таблица или JSON)

    • Шаблон промпта

    Типовая ошибка

  • не задать правила для пропусков: модель начнёт заполнять пустоты догадками.

    • Кейс

    Аналитическая записка: сравнить варианты и выбрать

    Когда подходит

  • есть 2–4 варианта решения
  • нужна логика выбора и риски

    • Что добавить в контекст

  • критерии выбора (стоимость, риск, скорость, качество)
  • допустимые компромиссы
  • формат сравнения

    • Шаблон промпта

    Типовая ошибка

  • нет критериев: модель «рекомендует» на основе общих рассуждений, а не ваших приоритетов.

    • Кейс

    Помощь с кодом: написать функцию, объяснить, отладить

    Когда подходит

  • нужен черновик кода, тесты, объяснение ошибки
  • нужно понять, почему решение работает

    • Что добавить в контекст

  • язык, версия, ограничения окружения
  • входные/выходные данные
  • минимальный воспроизводимый пример
  • формат ответа: код + объяснение + тесты

    • Шаблон промпта

    Типовая ошибка

  • нет примеров входа/выхода: модель угадывает правила нормализации.

    • Частые ошибки в промптах и как их исправлять

    Ниже — ошибки, которые повторяются почти во всех командах и ролях.

    Ошибка

    Нет цели, есть только тема

  • плохо: «Расскажи про презентации»
  • лучше: «Составь структуру презентации на 7 слайдов, чтобы защитить статус проекта руководителю, и дай текст для каждого слайда по 2–4 буллета»

    • Ошибка

    Нет исходных данных или исходной точки

  • плохо: «Сделай отчёт»
  • лучше: «Вот заметки встречи (текст ниже). Сверни их в отчёт по формату: решения, риски, следующие шаги»

    • Ошибка

    Нет ограничений, и модель выбирает за вас

    Чтобы избежать этого, добавляйте ограничения:

  • время и ресурсы
  • запреты по политике компании
  • инструменты и версии
  • тон и стиль

    • Ошибка

    Противоречивые требования

  • «кратко на 2 страницы»
  • «без теории, но объясни подробно»

    • Исправление: выбрать приоритет и явно его указать.

    Ошибка

    Одна попытка вместо итерации

    Вместо «сделай лучше» используйте точные правки:

  • «сократи вступление до 2 предложений»
  • «добавь 3 примера»
  • «переформулируй в тоне спокойной поддержки»
  • «оформи в таблицу»

    • Ошибка

    Модель «додумывает» факты

    Рабочие ограждения:

  • «Не придумывай факты; если данных нет — напиши “не указано”»
  • «Раздели на “известно” и “нужно уточнить”»
  • «Если нужны допущения — перечисли их отдельным списком»

    • Ошибка

    Неподходящий формат выхода

    Если вам нужен результат, с которым можно работать, просите формат заранее:

  • таблица
  • чек-лист
  • шаблон
  • структура документа
  • JSON

    • Мини-набор «усилителей» промпта

    Это короткие добавки, которые часто дают скачок качества.

    Усилитель

    Уточняющие вопросы перед ответом

    Усилитель

    Черновик, самопроверка, исправление

    Усилитель

    Пример и антипример

    Усилитель

    Варианты и критерии выбора

    Как понять, что промпт уже хороший

    Промпт обычно считается «рабочим», если результат можно проверить по чек-листу.

    Признаки управляемости:

  • есть роль и понятный стиль
  • есть входные данные или описана исходная точка
  • цель сформулирована как конечный артефакт
  • формат выхода задан заранее
  • ограничения не противоречат друг другу
  • предусмотрены уточняющие вопросы и правила для неизвестных данных

    • Полезные материалы

  • Руководство по prompt engineering от OpenAI
  • Концепции prompt engineering в Azure OpenAI
  • NIST AI Risk Management Framework