Как писать сложные промпты: фреймворк CRF и приёмы, что реально работают

Привет всем! Меня зовут Евгений Семёнов, и я директор «АйТи-Фреш». Знаете, девять из десяти разочарований в нейросетях, которые я постоянно вижу у клиентов, — это вовсе не «плохая модель». Причина всегда одна: задача была поставлена из рук вон плохо. Недавно я наткнулся в канале «Нейросетевые покои» на очень короткую, но меткую памятку про структуру промпта. И тут же подумал: а почему бы не развернуть её по-человечески, с живыми примерами из нашей ежедневной практики? Хочу честно разобрать, когда такой подход реально приносит результат, а когда, увы, нет.

Главная ошибка: вы задаёте вопрос, а надо ставить задачу

Как большинство из нас пишет нейросетям? Ну, примерно так же, как мы спрашиваем что-то у коллеги в чате: «сделай красиво», «напиши текст про нас», «проверь договор». И что в ответ? Модель, как правило, выдаёт усреднённую «воду», после чего человек тут же делает вывод: «Да этот ваш ИИ переоценён!». Но, на самом деле, проблема кроется в самой постановке задачи. Хороший промпт — это ведь не какой-то вопрос в никуда, это полноценное техническое задание. И да, у него есть своя, вполне конкретная структура.

Фреймворк CRF: пять блоков нормального промпта

Самый простой каркас, который я даю своим сотрудникам, умещается всего в пять пунктов. Запомнить его можно буквально за минуту, а качество ответов он поднимает в разы, это я вам гарантирую:

Давайте сравним. Было, например, так: «проверь этот договор». А теперь посмотрите, как это выглядит с правильным подходом: «Ты — юрист, который защищает интересы заказчика [Role]. Мы — IT-аутсорсер, подписываем договор с новым клиентом на 1,2 млн в год [Context]. Найди пункты, которые невыгодны нам или несут риск штрафов [Task]. Не предлагай переписать весь документ, только реально опасные места [Constraints]. Выведи таблицей: пункт — риск — что предложить [Format]». Чувствуете разницу? Второй промпт выдаёт результат уровня платной юридической вычитки, а первый — по сути, просто отписку.

Не лепите монолит — думайте шагами

Вторая частая проблема, с которой я сталкиваюсь, — это гигантский промпт на пол-страницы, где смешаны пять задач сразу. Модель от такого просто «расплывается» и в итоге делает всё среднеплохо. Гораздо лучше работает декомпозиция: сначала попросите её составить план, затем — выполнить первый пункт, потом второй. Такой подход мы называем пошаговым мышлением (step-by-step), и для действительно сложных задач он даёт принципиально другое качество. Кстати, современные модели и сами начинают «рассуждать вслух», если их прямо попросить: «думай пошагово, прежде чем ответить».

Few-shot: покажите пример вместо тысячи слов

Если вам позарез нужен ответ в конкретном стиле или формате, не пытайтесь описывать его словами. Просто покажите один-два готовых примера. Это такой приём, называется few-shot. Хотите, чтобы ИИ писал коммерческие предложения именно в вашем тоне? Отлично! Дайте ему два ваших лучших КП как образец — и он подхватит вашу интонацию гораздо точнее, чем по любому, даже самому подробному текстовому описанию. Мы вот так настраивали генерацию типовых ответов на запросы клиентов: три примера «как надо» экономят целый абзац объяснений и дают очень стабильный результат.

Ограничения — это не придирки, а руль

Блок Constraints многие люди чаще всего пропускают, и очень зря — ведь именно он отсекает всю «воду». Вот вам примеры: «Не больше 1500 знаков», «без вводных вроде „в современном мире“», «только факты из приложенного файла, ничего не придумывай», «пиши на языке бухгалтера, а не айтишника». Чем жёстче вы задаёте рамки, тем меньше у модели соблазна сгенерировать какую-то правдоподобную, но полную чушь. Кстати, насчёт «ничего не придумывай»: галлюцинации никуда не делись, и явное ограничение «опирайся только на предоставленные данные» заметно их снижает.

Итерации и язык

Не ждите, что получите идеал с первого раза. Промпт — это, по сути, диалог: вы получили черновик, уточнили («слишком формально, добавь конкретики и убери канцелярит»), докрутили. Две-три итерации почти всегда дают лучший результат, чем одна попытка собрать гигантский «идеальный» запрос. И ещё одно наблюдение из нашей практики: на по-настоящему сложных, логических задачах англоязычный промпт нередко срабатывает точнее русского — всё-таки модели обучены в основном на английском корпусе. Для рутины разница незаметна, но если вы бьётесь над хитрой задачей и результат совсем не радует — попробуйте сформулировать её по-английски.

Где это реально помогает бизнесу — и где нет

Правильно составленный, структурный промпт превращает нейросеть из интересной игрушки в по-настоящему рабочий инструмент. Подумайте сами: аудит договоров и КП, разбор регламентов, черновики писем и текстов, выжимки из длинных документов, анализ отзывов — везде, где раньше уходили часы рутины, грамотный промпт теперь экономит кучу времени.

Но давайте честно поговорим и про границы. Во-первых, ИИ уверенно ошибается — всё, что касается цифр, юридических формулировок и фактов, обязательно должен проверять человек. Во-вторых, учтите, что в облачные модели никак нельзя загружать персональные данные клиентов и коммерческую тайну: что ушло в чужой сервис, то, увы, уже не вернуть. В-третьих, промпт никогда не заменит настоящей экспертизы — он лишь усиливает того, кто и так прекрасно понимает задачу. Глупый вопрос, даже в самой идеальной обёртке, так и останется глупым.

Вывод тут, на мой взгляд, простой: научите свою команду этим пяти буквам — Role, Context, Task, Constraints, Format — и половина всех претензий к «бесполезному ИИ» отпадёт сама собой. А если хотите внедрить ИИ в процессы системно, с чёткими регламентами и без каких-либо утечек данных, — что ж, это уже наша работа.