Техники промптинга
Что такое промпт?
Промпт (с англ. подсказка, запрос) — это подробное описание задания или действия, которые должна выполнить нейросеть. Он может быть представлен в виде текста, голоса или документа (по отдельности или вместе).
Нейросети не поймут вас, если вы не сформулируете свой вопрос корректно и четко. Чем лучше вы дадите ей понять, что именно вам нужно, тем качественнее получите результат. Для лучшего понимания можно использовать структуру промпта, состоящую из нескольких элементов — готовый шаблон.
Системный промпт — фундамент эффективной работы с нейросетью
Системный промпт — это «скрытая инструкция», которую вы можете задать нейросети в начале диалога. Эта инструкция задаёт «правила игры»: тон общения, формат ответов, роль, уровень глубины, стиль рассуждений, ограничения и любые предпочтения. По сути, системный промпт — это рамка, внутри которой ИИ будет работать в каждом новом чате.
Если настроить системный промпт заранее, вам не придётся копировать инструкцию перед каждым вопросом.
Что важно указать в системном промпте:
• кто вы (роль, профессиональный контекст, уровень знаний);
• с кем работаете или кого обучаете;
• какой стиль, формат и глубина ответов вам нужны;
• критерии качества — структура, новизна, примеры, логика, уровень детализации;
• любые пожелания к тону, скорости, аргументации или способу рассуждений.
Как включить системный промпт:
Промпт (с англ. подсказка, запрос) — это подробное описание задания или действия, которые должна выполнить нейросеть. Он может быть представлен в виде текста, голоса или документа (по отдельности или вместе).
Нейросети не поймут вас, если вы не сформулируете свой вопрос корректно и четко. Чем лучше вы дадите ей понять, что именно вам нужно, тем качественнее получите результат. Для лучшего понимания можно использовать структуру промпта, состоящую из нескольких элементов — готовый шаблон.
Системный промпт — фундамент эффективной работы с нейросетью
Системный промпт — это «скрытая инструкция», которую вы можете задать нейросети в начале диалога. Эта инструкция задаёт «правила игры»: тон общения, формат ответов, роль, уровень глубины, стиль рассуждений, ограничения и любые предпочтения. По сути, системный промпт — это рамка, внутри которой ИИ будет работать в каждом новом чате.
Если настроить системный промпт заранее, вам не придётся копировать инструкцию перед каждым вопросом.
Что важно указать в системном промпте:
• кто вы (роль, профессиональный контекст, уровень знаний);
• с кем работаете или кого обучаете;
• какой стиль, формат и глубина ответов вам нужны;
• критерии качества — структура, новизна, примеры, логика, уровень детализации;
• любые пожелания к тону, скорости, аргументации или способу рассуждений.
Как включить системный промпт:
- В ChatGPT откройте левое меню → значок профиля → «Настройки» → «Персонализация» → «Пользовательские инструкции».
- Внизу активируйте ползунок «Включить для новых чатов».
- В поле «Какими характеристиками должен обладать ChatGPT?» вставьте свой системный промпт и нажмите «Сохранить».
(англ. zero-shot prompting)
Это техника, при которой модели ИИ дается задача без каких-либо примеров или предварительного обучения на похожей инструкции. Модель должна выполнить задание, опираясь исключительно на свои общие знания и понимание контекста. Zero-shot полезен для проверки того, насколько модель способна обобщать информацию и справляться с новыми типами задач.
Примеры:
Это техника, при которой модели ИИ дается задача без каких-либо примеров или предварительного обучения на похожей инструкции. Модель должна выполнить задание, опираясь исключительно на свои общие знания и понимание контекста. Zero-shot полезен для проверки того, насколько модель способна обобщать информацию и справляться с новыми типами задач.
Примеры:
- «Объясни концепцию квантовой запутанности простыми словами»
- «Напиши короткое стихотворение о весне»
- «Предложи три способа улучшить производительность в офисе»
- «Опиши процесс фотосинтеза в растениях»
- «Сравни преимущества и недостатки электромобилей и автомобилей с двигателем внутреннего сгорания»
(англ. few-shot prompting)
Метод, при котором модели ИИ дают несколько примеров выполнения задачи перед тем, как она должна выполнить основное задание. Примеры служат ориентиром: помогают модели уловить формат, стиль, структуру и уровень детализации, который требуется в ответе.
Пример:
Тема: «Ученые обнаружили новую планету за пределами Солнечной системы»
Заголовок: «Новая планета: открытие за пределами Солнечной системы»
Тема: «Технологии будущего: как искусственный интеллект изменит мир»
Заголовок: «Искусственный интеллект: технологии, меняющие будущее»
Тема: «Советы по здоровому питанию от диетологов»
Заголовок: «Здоровое питание: рекомендации от экспертов»
Тема: «Экологические инициативы для спасения планеты»
Заголовок: [здесь модель должна сгенерировать продолжение]
Метод, при котором модели ИИ дают несколько примеров выполнения задачи перед тем, как она должна выполнить основное задание. Примеры служат ориентиром: помогают модели уловить формат, стиль, структуру и уровень детализации, который требуется в ответе.
Пример:
Тема: «Ученые обнаружили новую планету за пределами Солнечной системы»
Заголовок: «Новая планета: открытие за пределами Солнечной системы»
Тема: «Технологии будущего: как искусственный интеллект изменит мир»
Заголовок: «Искусственный интеллект: технологии, меняющие будущее»
Тема: «Советы по здоровому питанию от диетологов»
Заголовок: «Здоровое питание: рекомендации от экспертов»
Тема: «Экологические инициативы для спасения планеты»
Заголовок: [здесь модель должна сгенерировать продолжение]
(англ. chain-of-thought prompting)
Техника, в которой модель намеренно проговаривает ход решения пошагово. Вместо того чтобы сразу выдать короткий вывод, ИИ раскладывает задачу на этапы, объясняет каждый шаг, показывает логику и промежуточные рассуждения. Такой подход помогает избежать ошибок, связанных с «угадыванием», делает процесс более прозрачным и позволяет проверять корректность рассуждений. Chain-of-thought особенно эффективен для задач, где важны логика, причинно-следственные связи, анализ и многошаговые вычисления.
Пример:
Объясни идею машинного обучения, следуя шагам:
1) приведи аналогию с тем, как учится человек;
2) сформулируй основную идею;
3) приведи простой пример;
4) укажи отличие от классического программирования;
5) подчеркни роль данных.
Техника, в которой модель намеренно проговаривает ход решения пошагово. Вместо того чтобы сразу выдать короткий вывод, ИИ раскладывает задачу на этапы, объясняет каждый шаг, показывает логику и промежуточные рассуждения. Такой подход помогает избежать ошибок, связанных с «угадыванием», делает процесс более прозрачным и позволяет проверять корректность рассуждений. Chain-of-thought особенно эффективен для задач, где важны логика, причинно-следственные связи, анализ и многошаговые вычисления.
Пример:
Объясни идею машинного обучения, следуя шагам:
1) приведи аналогию с тем, как учится человек;
2) сформулируй основную идею;
3) приведи простой пример;
4) укажи отличие от классического программирования;
5) подчеркни роль данных.
(англ. self-consistency)
Метод, при котором модель генерирует несколько независимых решений одной и той же задачи, а затем выбирается наиболее часто встречающийся или наиболее логичный итог. Это снижает вероятность случайной ошибки, так как ИИ рассматривает задачу сразу под разными углами. В результате мы получаем ответ, который «выдержал проверку» несколькими попытками. Подход хорошо подходит для задач, где высок риск логической ошибки или требуется строгий расчёт.
Пример:
Попроси модель пять раз решить задачу: «8 рабочих строят дом за 10 дней. Сколько дней потребуется 12 рабочим?» Получи пять полных объяснений, выбери итог, который повторяется чаще всего, и объясни, почему его можно считать корректным.
Метод, при котором модель генерирует несколько независимых решений одной и той же задачи, а затем выбирается наиболее часто встречающийся или наиболее логичный итог. Это снижает вероятность случайной ошибки, так как ИИ рассматривает задачу сразу под разными углами. В результате мы получаем ответ, который «выдержал проверку» несколькими попытками. Подход хорошо подходит для задач, где высок риск логической ошибки или требуется строгий расчёт.
Пример:
Попроси модель пять раз решить задачу: «8 рабочих строят дом за 10 дней. Сколько дней потребуется 12 рабочим?» Получи пять полных объяснений, выбери итог, который повторяется чаще всего, и объясни, почему его можно считать корректным.
(англ. generate knowledge prompting)
В этой технике модель не сразу отвечает на конечный вопрос. Сначала она самостоятельно формирует набор фактов, тезисов или знаний, которые помогут глубже раскрыть тему. Затем эти знания используются как база для окончательного ответа. Такой подход повышает качество результата: ИИ опирается на более широкую и структурированную картину, а значит — даёт более точные, связные и аргументированные ответы.
Пример:
Сначала сгенерируй 5 ключевых фактов о влиянии социальных сетей на подростков. Затем на основе этих фактов напиши краткое эссе (200–250 слов) о том, как можно уменьшить негативные эффекты.
В этой технике модель не сразу отвечает на конечный вопрос. Сначала она самостоятельно формирует набор фактов, тезисов или знаний, которые помогут глубже раскрыть тему. Затем эти знания используются как база для окончательного ответа. Такой подход повышает качество результата: ИИ опирается на более широкую и структурированную картину, а значит — даёт более точные, связные и аргументированные ответы.
Пример:
Сначала сгенерируй 5 ключевых фактов о влиянии социальных сетей на подростков. Затем на основе этих фактов напиши краткое эссе (200–250 слов) о том, как можно уменьшить негативные эффекты.
(англ. tree of thoughts)
Метод, расширяющий цепочку рассуждений: вместо линейного решения модель генерирует несколько альтернативных вариантов на каждом шаге, создавая «дерево» возможных путей. Затем ИИ оценивает перспективность каждого пути и выбирает те ветви, которые ведут к лучшему решению. Это делает рассуждение более гибким, позволяет сравнивать разные стратегии и лучше подходит для задач с неопределённостью или несколькими возможными решениями.
Пример:
Тебе нужно распределить бюджет между тремя проектами. На первом шаге предложи 2–3 стратегии распределения (например, равномерное распределение, приоритет проектов с высокой окупаемостью, усиление стратегического направления). На следующем шаге раскрой возможные плюсы и риски каждой стратегии и выбери наиболее перспективный путь.
Метод, расширяющий цепочку рассуждений: вместо линейного решения модель генерирует несколько альтернативных вариантов на каждом шаге, создавая «дерево» возможных путей. Затем ИИ оценивает перспективность каждого пути и выбирает те ветви, которые ведут к лучшему решению. Это делает рассуждение более гибким, позволяет сравнивать разные стратегии и лучше подходит для задач с неопределённостью или несколькими возможными решениями.
Пример:
Тебе нужно распределить бюджет между тремя проектами. На первом шаге предложи 2–3 стратегии распределения (например, равномерное распределение, приоритет проектов с высокой окупаемостью, усиление стратегического направления). На следующем шаге раскрой возможные плюсы и риски каждой стратегии и выбери наиболее перспективный путь.
(англ. retrieval augmented generation)
RAG сочетает две способности модели: поиск информации и генерацию текста. Сначала ИИ извлекает точные данные из внешних источников (баз знаний, документов, статей), а затем на основе найденной информации формирует ответ. Такой подход снижает риск выдумывания фактов и делает ответы более надёжными. Особенно полезно, когда важна актуальность или когда задание требует конкретных данных.
Пример:
Используя базу данных научных публикаций, опиши три значимых открытия в области квантовых вычислений за последний год, указав исследовательские группы, результаты и потенциальное влияние.
RAG сочетает две способности модели: поиск информации и генерацию текста. Сначала ИИ извлекает точные данные из внешних источников (баз знаний, документов, статей), а затем на основе найденной информации формирует ответ. Такой подход снижает риск выдумывания фактов и делает ответы более надёжными. Особенно полезно, когда важна актуальность или когда задание требует конкретных данных.
Пример:
Используя базу данных научных публикаций, опиши три значимых открытия в области квантовых вычислений за последний год, указав исследовательские группы, результаты и потенциальное влияние.
(англ. automatic reasoning and tool-use)
Техника, при которой модель сама выбирает, какие инструменты применить для решения задачи: калькулятор, базы данных, поиск, функции анализа или генерации. ИИ может последовательно комбинировать несколько инструментов, объясняя, почему он выбрал именно их. Это повышает точность и делает результат более проверяемым. Метод особенно полезен там, где модель должна не просто рассуждать, но и выполнять вычисления, искать информацию или анализировать массивы данных.
Пример:
Имея доступ к калькулятору и базе данных с оценками студентов, посчитай средний балл группы, построй гистограмму распределения и предложи три шага для повышения успеваемости. Объясни, какие инструменты использовал и почему
Техника, при которой модель сама выбирает, какие инструменты применить для решения задачи: калькулятор, базы данных, поиск, функции анализа или генерации. ИИ может последовательно комбинировать несколько инструментов, объясняя, почему он выбрал именно их. Это повышает точность и делает результат более проверяемым. Метод особенно полезен там, где модель должна не просто рассуждать, но и выполнять вычисления, искать информацию или анализировать массивы данных.
Пример:
Имея доступ к калькулятору и базе данных с оценками студентов, посчитай средний балл группы, построй гистограмму распределения и предложи три шага для повышения успеваемости. Объясни, какие инструменты использовал и почему
(англ. active prompt)
Техника, в которой модель ведёт диалог не пассивно, а активно: задаёт уточняющие вопросы, предлагает варианты, проверяет свои предположения и запрашивает недостающие данные. Такой формат улучшает качество результата, потому что модель не действует «вслепую», а стремится получить полную картину задачи. Active-Prompt подходит там, где нужен персонализированный, гибкий и живой формат взаимодействия.
Пример:
Ты — ИИ-ассистент, помогающий составить план занятия. Начни с вопросов о цели, аудитории и формате. Если данных недостаточно — попроси уточнить. Предложи несколько вариантов структуры занятия и попроси подтвердить, какой подходит лучше.
Техника, в которой модель ведёт диалог не пассивно, а активно: задаёт уточняющие вопросы, предлагает варианты, проверяет свои предположения и запрашивает недостающие данные. Такой формат улучшает качество результата, потому что модель не действует «вслепую», а стремится получить полную картину задачи. Active-Prompt подходит там, где нужен персонализированный, гибкий и живой формат взаимодействия.
Пример:
Ты — ИИ-ассистент, помогающий составить план занятия. Начни с вопросов о цели, аудитории и формате. Если данных недостаточно — попроси уточнить. Предложи несколько вариантов структуры занятия и попроси подтвердить, какой подходит лучше.
(англ. directional stimulus prompting)
Техника, в которой модель получает набор направляющих стимулов — атмосферу, тон, стиль, ключевые элементы — и на их основе формирует ответ, движущийся в нужную сторону. Это не прямое указание «сделай вот так», а скорее рамки, внутри которых ИИ создаёт текст или решение. Такой подход помогает управлять стилем, настроением, структурой или логикой ответа, сохраняя свободу генерации. Особенно полезен, когда важен единый стиль, тон повествования или эмоциональный эффект.
Пример:
Напиши короткий рассказ о путешественнике, который внезапно оказался в параллельной реальности. Используй такие направляющие стимулы:
Техника, в которой модель получает набор направляющих стимулов — атмосферу, тон, стиль, ключевые элементы — и на их основе формирует ответ, движущийся в нужную сторону. Это не прямое указание «сделай вот так», а скорее рамки, внутри которых ИИ создаёт текст или решение. Такой подход помогает управлять стилем, настроением, структурой или логикой ответа, сохраняя свободу генерации. Особенно полезен, когда важен единый стиль, тон повествования или эмоциональный эффект.
Пример:
Напиши короткий рассказ о путешественнике, который внезапно оказался в параллельной реальности. Используй такие направляющие стимулы:
- атмосфера: лёгкая тревога и ощущение растущего напряжения
- стиль: короткие, обрывистые фразы
- ключевые элементы: смещение реальности, неожиданная находка, скрытая угроза
- эмоциональный тон: смесь любопытства и осторожности
(англ. program-aided language models)
Метод, при котором работа ИИ сочетает языковые способности и выполнение кода. Модель сначала генерирует алгоритм или фрагмент кода, затем (при наличии инструмента) выполняет его, анализирует результаты и использует их для формирования ответа. Такой подход делает решение более точным, снижает вероятность арифметических и логических ошибок и позволяет решать задачи, которые требуют формальных вычислений.
Пример:
Реши задачу: «Найди сумму всех простых чисел меньше 500, которые дают остаток 2 при делении на 5»
Порядок работы:
Метод, при котором работа ИИ сочетает языковые способности и выполнение кода. Модель сначала генерирует алгоритм или фрагмент кода, затем (при наличии инструмента) выполняет его, анализирует результаты и использует их для формирования ответа. Такой подход делает решение более точным, снижает вероятность арифметических и логических ошибок и позволяет решать задачи, которые требуют формальных вычислений.
Пример:
Реши задачу: «Найди сумму всех простых чисел меньше 500, которые дают остаток 2 при делении на 5»
Порядок работы:
- Напиши код на Python, который выполняет вычисление;
- Выполни код;
- Объясни, как получился итоговый результат.
(англ. reAct)
Подход к промптингу, в котором ИИ взаимодействует с задачей итеративно: делает шаг рассуждения, затем совершает действие, затем оценивает результат. Этот цикл повторяется до достижения цели. ReAct позволяет модели избегать поспешных выводов, корректировать курс по ходу работы, уточнять неполные данные и строить план постепенно. Техника особенно эффективна в задачах, где требуется диалоговое решение, планирование, сбор данных или взаимодействие с пользователем.
Пример:
Ты — ИИ-помощник, который помогает составить персональный план путешествия. Используй ReAct-подход:
Подход к промптингу, в котором ИИ взаимодействует с задачей итеративно: делает шаг рассуждения, затем совершает действие, затем оценивает результат. Этот цикл повторяется до достижения цели. ReAct позволяет модели избегать поспешных выводов, корректировать курс по ходу работы, уточнять неполные данные и строить план постепенно. Техника особенно эффективна в задачах, где требуется диалоговое решение, планирование, сбор данных или взаимодействие с пользователем.
Пример:
Ты — ИИ-помощник, который помогает составить персональный план путешествия. Используй ReAct-подход:
- Размышление: оцени, какую информацию ты уже имеешь и чего не хватает;
- Действие: предложи следующий шаг (например, задать вопрос о бюджете, предпочтениях или времени поездки);
- Наблюдение: оцени ответ и скорректируй план.
- Продолжай до тех пор, пока не сформируешь полный маршрут.
(англ. reflexion)
Техника, в которой ИИ не просто выдаёт ответ, но и анализирует его качество. Сначала модель создаёт первый вариант, затем проводит самооценку — проверяет полноту, точность, логичность и стиль — и после этого улучшает свой ответ. Такой подход помогает создавать более качественные решения, снижает риск пропусков и неточностей, а также делает итог более выверенным и аргументированным.
Пример:
Ответь на вопрос: «Какие процессы влияют на изменение климата?»
После первичного ответа оцени его по критериям:
Техника, в которой ИИ не просто выдаёт ответ, но и анализирует его качество. Сначала модель создаёт первый вариант, затем проводит самооценку — проверяет полноту, точность, логичность и стиль — и после этого улучшает свой ответ. Такой подход помогает создавать более качественные решения, снижает риск пропусков и неточностей, а также делает итог более выверенным и аргументированным.
Пример:
Ответь на вопрос: «Какие процессы влияют на изменение климата?»
После первичного ответа оцени его по критериям:
- полнота;
- научная корректность;
- ясность и структура.
- Затем перепиши ответ, учитывая выявленные недостатки.
(англ. meta-prompting)
Способ, при котором модель формирует, оценивает и улучшает сами промпты. ИИ генерирует несколько возможных вариантов запроса, анализирует их сильные и слабые стороны и создаёт оптимизированный итоговый промпт. Это помогает улучшать качество взаимодействия с моделью, повышать точность задачи и адаптировать запросы под конкретные результаты.
Пример:
Сформируй эффективный промпт для автоматического создания кратких выжимок из исследовательских текстов.
Шаги:
Способ, при котором модель формирует, оценивает и улучшает сами промпты. ИИ генерирует несколько возможных вариантов запроса, анализирует их сильные и слабые стороны и создаёт оптимизированный итоговый промпт. Это помогает улучшать качество взаимодействия с моделью, повышать точность задачи и адаптировать запросы под конкретные результаты.
Пример:
Сформируй эффективный промпт для автоматического создания кратких выжимок из исследовательских текстов.
Шаги:
- предложи три разных варианта промпта;
- проанализируй каждый (эффективность, точность, возможные слабости);
- создай улучшенный, финальный вариант;
- объясни, почему именно он будет наиболее результативным.
(англ. one-shot prompting)
Метод, при котором модели задаётся только один демонстрационный пример. На его основе ИИ должен адаптировать стиль, логику или формат для выполнения нового задания. Такой подход помогает быстро задать образец и получить результат в том же стиле, без необходимости в большом количестве примеров.
Пример:
Перефразируй предложение, сохранив смысл.
Пример:
Оригинал: «Ветер раскачивал ветви старого дерева»
Перефразировано: «Порывы ветра заставляли покачиваться ветви древнего дерева»
Теперь перефразируй:
Оригинал: «Студенты усердно готовились к экзамену»
Перефразировано: …
Метод, при котором модели задаётся только один демонстрационный пример. На его основе ИИ должен адаптировать стиль, логику или формат для выполнения нового задания. Такой подход помогает быстро задать образец и получить результат в том же стиле, без необходимости в большом количестве примеров.
Пример:
Перефразируй предложение, сохранив смысл.
Пример:
Оригинал: «Ветер раскачивал ветви старого дерева»
Перефразировано: «Порывы ветра заставляли покачиваться ветви древнего дерева»
Теперь перефразируй:
Оригинал: «Студенты усердно готовились к экзамену»
Перефразировано: …
(англ. instruction prompting)
Техника, при которой модель получает прямые, пошаговые указания о том, что именно необходимо сделать. В центре подхода — ясность и однозначность формулировок: пользователь заранее задаёт структуру, объём и формат ответа. Такой метод помогает получить точный и контролируемый результат, особенно когда важны конкретные требования к содержанию или форме.
Пример:
Выполни следующие инструкции:
Техника, при которой модель получает прямые, пошаговые указания о том, что именно необходимо сделать. В центре подхода — ясность и однозначность формулировок: пользователь заранее задаёт структуру, объём и формат ответа. Такой метод помогает получить точный и контролируемый результат, особенно когда важны конкретные требования к содержанию или форме.
Пример:
Выполни следующие инструкции:
- Дай определение термина «обратная связь в обучении» одним предложением.
- Перечисли три примера эффективной обратной связи, которую преподаватель может использовать в аудитории.
- Объясни, почему своевременность — критически важная характеристика обратной связи.
- Предложи один риск, который возникает при чрезмерной автоматизации обратной связи с помощью ИИ.
(англ. role prompting)
Метод, в котором модели назначается определённая роль — профессия, экспертная позиция, точка зрения или даже персонаж. Это позволяет получать ответы, сформированные через призму выбранной роли: с профессиональными комментариями, нужной терминологией, стилем мышления и компетенциями.
Пример:
Представь, что ты опытный методист, который консультирует преподавателей. Твоя задача:
Метод, в котором модели назначается определённая роль — профессия, экспертная позиция, точка зрения или даже персонаж. Это позволяет получать ответы, сформированные через призму выбранной роли: с профессиональными комментариями, нужной терминологией, стилем мышления и компетенциями.
Пример:
Представь, что ты опытный методист, который консультирует преподавателей. Твоя задача:
- Предложи структуру учебного занятия по теме «Визуализация данных».
- Объясни, какие ключевые навыки студенты должны развить на этом занятии.
- Дай совет, как разнообразить активность, если группа слишком пассивна.
- Кратко опиши, как эта тема стала важной в современном образовательном контексте.
(англ. constrained prompting)
Метод, при котором для модели задаются чёткие рамки: ограничения по длине, структуре, формату, словарю, типу аргументов, количеству элементов или стилю. Ограничения помогают получать ответы более предсказуемого качества и точной формы — особенно тогда, когда контент должен строго соответствовать критериям задания.
Пример:
Напиши краткое описание преимуществ формативного оценивания. Соблюдай следующие ограничения:
Метод, при котором для модели задаются чёткие рамки: ограничения по длине, структуре, формату, словарю, типу аргументов, количеству элементов или стилю. Ограничения помогают получать ответы более предсказуемого качества и точной формы — особенно тогда, когда контент должен строго соответствовать критериям задания.
Пример:
Напиши краткое описание преимуществ формативного оценивания. Соблюдай следующие ограничения:
- Текст должен состоять ровно из трёх предложений.
- Каждое предложение должно начинаться с глагола.
- Используй минимум два статистических факта.
- Заверши текст призывом к действию.
- Общая длина — не более 50 слов.
(англ. iterative prompting)
Техника, основанная на последовательном уточнении задачи. Каждый следующий запрос строится на основе ответа модели — это позволяет постепенно улучшать качество результата, добавлять детали, раскрывать тему глубже. Итеративный подход напоминает процесс редактуры текста или совместного проектного обсуждения: шаг за шагом происходит приближение к идеальному результату.
Пример:
Шаг 1: Напиши абзац о влиянии ИИ-инструментов на работу преподавателя.
Ответ:
Шаг 2: На основе твоего текста выдели три ключевых эффекта этих инструментов.
Ответ:
Шаг 3: Выбери один эффект и подробно раскрой его на примерах из университетской практики.
Ответ:
Шаг 4: Предложи способ снизить возможные риски, связанные с этим эффектом.
Ответ:
Шаг 5: Обобщи всё в короткое эссе из трёх абзацев: введение, основная часть, вывод.
Ответ:
Техника, основанная на последовательном уточнении задачи. Каждый следующий запрос строится на основе ответа модели — это позволяет постепенно улучшать качество результата, добавлять детали, раскрывать тему глубже. Итеративный подход напоминает процесс редактуры текста или совместного проектного обсуждения: шаг за шагом происходит приближение к идеальному результату.
Пример:
Шаг 1: Напиши абзац о влиянии ИИ-инструментов на работу преподавателя.
Ответ:
Шаг 2: На основе твоего текста выдели три ключевых эффекта этих инструментов.
Ответ:
Шаг 3: Выбери один эффект и подробно раскрой его на примерах из университетской практики.
Ответ:
Шаг 4: Предложи способ снизить возможные риски, связанные с этим эффектом.
Ответ:
Шаг 5: Обобщи всё в короткое эссе из трёх абзацев: введение, основная часть, вывод.
Ответ:
(англ. interactive prompting)
Метод, который строится на активном диалоге между пользователем и моделью. Модель уточняет входные данные, задаёт дополнительные вопросы, просит разъяснить детали — и на основе полученной информации формирует более точный, персонализированный ответ. Такой подход особенно полезен, когда задача требует индивидуализации или адаптации под пользователя.
Пример:
При создании персонализированного плана обучения задавай пользователю следующие вопросы:
Метод, который строится на активном диалоге между пользователем и моделью. Модель уточняет входные данные, задаёт дополнительные вопросы, просит разъяснить детали — и на основе полученной информации формирует более точный, персонализированный ответ. Такой подход особенно полезен, когда задача требует индивидуализации или адаптации под пользователя.
Пример:
При создании персонализированного плана обучения задавай пользователю следующие вопросы:
- Какие цели вы хотите достичь в этом курсе?
- Каков ваш текущий уровень знаний по теме?
- Сколько времени вы готовы уделять обучению каждую неделю?
- Предпочитаете ли вы практические задания, теорию или смешанный формат?
(англ. contextual prompting)
Метод, который использует предоставленный контекст — факты, историю, описание ситуации или данные — для улучшения качества ответа. Контекст даёт модели ориентиры и позволяет генерировать более точные, логически выстроенные и осмысленные ответы.
Пример:
Контекст: В 2020–2023 годах online-обучение стало массовым, а цифровые инструменты — обязательной частью учебного процесса. Преподаватели столкнулись с ростом академической нечестности, необходимостью адаптации курсов и потребностью в новых методах вовлечения студентов.
Учитывая этот контекст, ответь на вопросы:
Метод, который использует предоставленный контекст — факты, историю, описание ситуации или данные — для улучшения качества ответа. Контекст даёт модели ориентиры и позволяет генерировать более точные, логически выстроенные и осмысленные ответы.
Пример:
Контекст: В 2020–2023 годах online-обучение стало массовым, а цифровые инструменты — обязательной частью учебного процесса. Преподаватели столкнулись с ростом академической нечестности, необходимостью адаптации курсов и потребностью в новых методах вовлечения студентов.
Учитывая этот контекст, ответь на вопросы:
- Как массовый переход в онлайн изменил роль преподавателя?
- Какие вызовы стали самыми значимыми для университетов?
- Какие долгосрочные последствия этого этапа сейчас наблюдаются в образовательной сфере?
(англ. reframing-prompting)
Техника, в которой модель преобразует запрос, изменяя угол зрения, рамку анализа или уровень абстракции. Помогает рассматривать одну и ту же задачу с разных точек зрения.
Пример:
Объясни концепцию устойчивого развития:
Техника, в которой модель преобразует запрос, изменяя угол зрения, рамку анализа или уровень абстракции. Помогает рассматривать одну и ту же задачу с разных точек зрения.
Пример:
Объясни концепцию устойчивого развития:
- как студенту экономического факультета;
- как исследователю, готовящему публикацию в научный журнал;
- через метафору, объясняющую сложные взаимосвязи между экологией, экономикой и обществом.
(англ. prompting through criticism)
Сначала модель создаёт черновой ответ, затем выполняет самокритику, оценивая качество, полноту и ясность, после чего улучшает свой текст.
Пример:
Напиши черновик аналитической записки о влиянии цифровизации на высшее образование. Затем проанализируй текст: выяви слабые аргументы, пробелы в логике или неполные ссылки на источники, и предложи улучшенную версию.
Сначала модель создаёт черновой ответ, затем выполняет самокритику, оценивая качество, полноту и ясность, после чего улучшает свой текст.
Пример:
Напиши черновик аналитической записки о влиянии цифровизации на высшее образование. Затем проанализируй текст: выяви слабые аргументы, пробелы в логике или неполные ссылки на источники, и предложи улучшенную версию.
(англ. double-check prompting)
Модель сначала генерирует ответ, а затем проверяет его повторно, указывая возможные ошибки и уточняя информацию. Подходит для снижения риска неточностей без отдельного этапа Reflexion.
Пример:
Напиши обзор научной статьи по когнитивной психологии. После этого проверь текст ещё раз: укажи потенциальные ошибки интерпретации данных, уточни формулировки и предложи исправленную версию для включения в академическую работу.
Модель сначала генерирует ответ, а затем проверяет его повторно, указывая возможные ошибки и уточняя информацию. Подходит для снижения риска неточностей без отдельного этапа Reflexion.
Пример:
Напиши обзор научной статьи по когнитивной психологии. После этого проверь текст ещё раз: укажи потенциальные ошибки интерпретации данных, уточни формулировки и предложи исправленную версию для включения в академическую работу.