Промпт

Происхождение и история термина

В этой статье история прослеживается только по документированным этапам работы с текстовым входом.

Работа Language Models are Few-Shot Learners была впервые представлена 28 мая 2020 года. Brown и соавторы описали GPT-3 и выполнение задач по текстовым инструкциям и нескольким демонстрациям без обновления градиентов и дополнительного обучения для каждой задачи. Обновление градиентов — технический шаг, которым при обучении меняют внутренние числовые параметры модели; в описанном режиме таких изменений для отдельной задачи не делали. Это исторический результат для конкретной модели и испытаний, а не правило для всех современных систем. ^[4]

Официальные руководства разработчиков закрепили практический взгляд на промпт как на проектируемый вход. Microsoft различает инструкцию, основной материал, примеры и вспомогательный контекст. Google описывает инструкции, ограничения, формат и примеры. Anthropic рекомендует ясно задавать желаемый результат и ограничения и отдельно предупреждает, что модельно-зависимые приёмы нужно перепроверять на собственных оценках. ^{[1, 2, 3]}

Промпт и промпт-инжиниринг — соседние, но не одинаковые понятия. Промпт — конкретный вход. Промпт-инжиниринг — процесс проектирования, испытания и изменения таких входов под задачу. ^{[2, 3]} Один удачный запрос ещё не показывает, что решение устойчиво на других данных.

Суть и механизм

Удобно разбирать промпт на пять частей. Это учебная схема редакции, а не обязательный синтаксис любого сервиса.

Задача отвечает на вопрос, что нужно сделать. Фраза «улучши текст» допускает много толкований: сократить ли его, исправить факты или изменить тон? Формулировка «сократи текст до 120 слов, сохранив даты и имена» задаёт результат, который легче проверить.

Исходный материал — данные, с которыми модель должна работать. Microsoft называет такой материал primary content: это текст или иное содержание, которое требуется обработать. ^[1] Инструкция «найди даты» и приложенное расписание выполняют разные роли, даже если технически отправлены одним сообщением.

Контекст и ограничения объясняют адресата, цель и границы допустимого ответа. Например: «Ответ предназначен первокурснику», «используй только приложенный фрагмент», «если даты нет, так и напиши». Ограничение полезно, когда можно заметить его нарушение. Требование «не выдумывай» само по себе слабее, чем правило сравнить каждую дату с конкретным исходником.

Формат определяет вид результата: абзац, список, таблица или структура данных. Google прямо показывает, что формат можно задавать инструкцией. ^[2] Но аккуратная таблица может содержать неверные значения. Проверка формы и проверка содержания поэтому должны быть раздельными.

Критерий проверки задаёт, как будет оценён ответ. Для извлечения дат можно сравнить каждую строку с исходником. Для пересказа понадобится проверить сохранение существенных фактов и отсутствие добавленных утверждений. Универсального критерия «качества промпта» для любых задач нет: критерий зависит от цели. Это методическое решение редакции, а не стандарт одной платформы.

Модель формирует ответ с учётом входа и своей конфигурации. Промпт может уменьшить неоднозначность задания, но не обеспечивает безошибочное выполнение. Microsoft отмечает различия между моделями, а Anthropic советует перепроверять модельно-зависимые приёмы на собственных наборах оценки. ^{[1, 3]}

Виды и классификации

Документация Google различает запросы без демонстраций и запросы с несколькими примерами. В первом случае модель получает инструкцию без образца (zero-shot), во втором — несколько фрагментов, показывающих ожидаемый способ ответа (few-shot). ^[2] Примеры могут задавать формат или закономерность, но сами по себе не гарантируют правильный перенос на новый случай.

Для практической работы полезна и учебная классификация по задаче:

Эта таблица не описывает внутреннее устройство модели. Один промпт может сочетать несколько задач: сначала извлечь факты, затем составить из них краткое сообщение. В таком случае полезно проверять каждый этап отдельно.

Промпт также нужно отличать от параметров генерации. В документации Gemini API пользовательский вход, системная инструкция и generation_config представлены как разные поля запроса; через конфигурацию, например, задают max_output_tokens, верхний предел числа токенов ответа. ^[5] Конкретный набор параметров зависит от интерфейса и модели, поэтому название настройки нельзя без проверки переносить на любой сервис.

Как применяется на практике

Учебный пример. Редакции нужно извлечь события из расписания:

12 ноября — лекция «Город и река», 18:00. 14 ноября — мастерская плаката, время уточняется.

Вариант промпта: «Составь таблицу с колонками “Дата”, “Событие”, “Время”. Используй только расписание ниже. Если время не указано, напиши “не указано”; не подставляй предполагаемое значение».

Здесь задача — извлечение, материал — два предложения, ограничение — не добавлять сведения, формат — таблица. Ожидаемый ответ содержит две строки. Во второй строке время должно быть помечено как отсутствующее, а не восстановлено по аналогии с первой.

Если правило для пропуска не задано, ожидаемый способ заполнения остаётся неоднозначным. Если правило задано, проверяющий может заметить нарушение. Но даже хорошо сформулированное правило не гарантирует соблюдения; оно лишь делает ожидаемое поведение и ошибку наблюдаемыми.

Пример также показывает, зачем отделять исходный материал от образца. Если демонстрационная таблица содержит другие названия событий, модель может использовать их как контекст. Поэтому в сложном задании полезно обозначать границы блоков: где инструкция, где пример, а где новый материал. Microsoft подчёркивает, что деление на компоненты — способ рассуждать о промпте, а не единственно верная схема для всех интерфейсов. ^[1]

В программной системе видимый пользователю текст может быть не всем запросом к модели. Например, Gemini API позволяет передать отдельную системную инструкцию, которая задаёт поведение модели, наряду с пользовательским входом. ^[5] Поэтому результат корректнее связывать со всей проверенной конфигурацией, а не только с одной строкой, введённой пользователем.

Как измерить или проверить

Ниже приведена редакционная процедура сравнения, а не универсальный отраслевой стандарт. До запуска сохраняют версию промпта, тестовые материалы, модель, доступные настройки и критерий правильности. Если одновременно поменять несколько условий, по результату нельзя установить, какое изменение связано с разницей.

Учебный расчёт. Пусть один и тот же промпт проверили на 20 расписаниях. В 18 ответах все строки и поля совпали с исходником, а два ответа содержали хотя бы одну ошибку. Доля полностью корректных случаев равна:

18 / 20 × 100% = 90%.

Числитель — количество полностью корректных ответов, знаменатель — все проверенные документы. Полученные 90% характеризуют только этот учебный набор, эту версию задания и выбранный критерий. Это не вероятность безошибочного ответа на любом будущем документе.

Формат считают отдельно. Если таблица появилась во всех 20 случаях, соблюдение формата равно 100%, хотя содержательная корректность остаётся 90%. Такое разделение помогает различить правильную структуру и правильные значения.

Для сравнения версий A и B нужен один набор примеров и одинаковые условия. Если A дала 16 полностью корректных ответов, а B — 18, разница составляет два случая, или 10 процентных пунктов. На малом учебном наборе это наблюдение, а не доказательство общего превосходства B.

Полезно включать трудные случаи: отсутствующее поле, противоречивые сведения, относительную дату вроде «завтра» и постороннюю инструкцию внутри цитируемого документа. Ожидаемый результат для каждого случая фиксируют заранее, чтобы не подгонять критерий под уже полученный ответ.

Ошибки, ограничения и спорные вопросы

Первая ошибка — заменять задачу ролью: «ты лучший эксперт» не сообщает, какие факты использовать и как проверить ответ. Роль может задать тон, но не заменяет предмет, исходные материалы и критерий.

Вторая — считать длинный промпт автоматически лучшим. Дополнительная деталь полезна, если снимает неоднозначность. Повторы и противоречия, напротив, усложняют проверку.

Третья — путать текущий контекст с обучением модели. Brown и соавторы описывали выполнение GPT-3 без обновления внутренних параметров для каждой задачи; Microsoft объясняет, что few-shot-примеры передаются как часть промпта для дополнительного контекста. ^{[1, 4]} Это узкое различие не описывает все способы настройки моделей.

Четвёртая — судить по одному удачному ответу. Один пример подтверждает только один случай. Для более широкого вывода нужны заранее выбранный набор, одинаковые условия и сохранённые неудачные результаты.

Пятая — смешивать убедительность и достоверность. Связный ответ может содержать добавленные сведения. Если задача требует фактов, их сверяют с первоисточником независимо от качества формулировки промпта.

Наконец, инструкции могут конфликтовать. В системах, где кроме пользовательского входа есть отдельная системная инструкция, итог зависит и от неё; наличие такого поля прямо показано в документации Gemini API. ^[5] Это не доказывает одинаковую иерархию инструкций у всех платформ.

Правовой аспект

Если в промпт включены персональные данные, формат задания сам по себе не отвечает на вопрос о допустимости их обработки. В Федеральном законе № 152-ФЗ, действующем в редакции от 26.07.2026, часть 2 статьи 5 ограничивает обработку конкретными, заранее определёнными и законными целями и запрещает обработку, несовместимую с целями сбора. Часть 3 запрещает объединять базы данных, обрабатываемые в несовместимых целях. Часть 4 требует, чтобы обрабатывались только данные, отвечающие целям, а часть 5 — чтобы содержание и объём данных соответствовали заявленным целям и не были избыточными. ^[6]

Условия, при которых обработка допускается, перечислены отдельно в части 1 статьи 6. Среди них есть согласие субъекта персональных данных, но статья содержит и другие случаи. ^[6] Из текста статьи нельзя определить подходящее условие для абстрактного «ИИ-сервиса»: это зависит от участников, цели, состава данных и конкретного процесса.

Частые вопросы

Связанные термины

• Промпт-инжиниринг
• Большая языковая модель (LLM)
• ИИ-контент
• Галлюцинации ИИ
• RAG (поиск с генерацией)
• GEO (оптимизация под генеративный поиск)