Промт (от англ. prompt — подсказка) — это текстовый запрос, который вы отправляете нейросети. Именно промт определяет, что модель сделает: напишет код, ответит на вопрос, переведёт текст или сгенерирует изображение. Качество промта напрямую влияет на качество результата — это главное, что нужно понять в начале.
Что такое промт: точное определение
В контексте языковых моделей промт — это входные данные, которые модель получает перед генерацией ответа. Технически это последовательность токенов (фрагментов текста), которую нейросеть обрабатывает и на основе которой предсказывает следующий наиболее вероятный токен.
Важно различать два смысла слова:
- Промт как запрос пользователя — то, что вы вводите в чат-интерфейс.
- Промт как полный контекст модели — системная инструкция + история диалога + ваш запрос + возможные данные (файлы, результаты инструментов). Это то, что модель реально «видит».
Когда говорят «написать хороший промт», имеют в виду умение формулировать запрос так, чтобы нейросеть поняла задачу максимально точно.
Как нейросеть читает ваш промт
Языковая модель не «понимает» текст в человеческом смысле — она вычисляет вероятности. Процесс обработки промта проходит несколько этапов:
Токенизация промта
Текст разбивается на токены — единицы длиной от одного символа до нескольких букв. Слово «нейросеть» может стать одним или двумя токенами в зависимости от модели. Это важно: редкие слова, технические термины и слова на нескольких языках занимают больше токенов, что влияет на стоимость и лимиты.
Построение эмбеддингов промта
Каждый токен преобразуется в числовой вектор — эмбеддинг. Вектора похожих по смыслу слов расположены близко в многомерном пространстве. Именно здесь «живёт» семантика: модель работает не со словами, а с математическими представлениями.
Механизм внимания (attention) в промте
Трансформерная архитектура, лежащая в основе современных LLM, вычисляет, насколько каждый токен промта «важен» для предсказания следующего. Именно поэтому порядок слов и акценты в промте меняют ответ: модель буквально уделяет разное внимание разным частям запроса.
Генерация ответа на промт
Модель последовательно генерирует токены, каждый раз выбирая наиболее вероятный следующий токен с учётом всего предыдущего контекста. Параметр температуры (temperature) регулирует «случайность»: при низкой температуре ответы детерминированы и предсказуемы, при высокой — разнообразны и творческие.
Из чего состоит промт
Структура промта зависит от задачи, но есть универсальные компоненты, которые присутствуют в большинстве эффективных запросов:
| Компонент | Что задаёт | Пример |
|---|---|---|
| Роль / персона | Стиль и экспертизу модели | «Ты — опытный копирайтер с фокусом на B2B» |
| Задача | Что конкретно нужно сделать | «Напиши заголовок для лендинга» |
| Контекст | Фон и ограничения | «Продукт — CRM для малого бизнеса, аудитория — владельцы магазинов» |
| Формат вывода | Структуру и объём ответа | «5 вариантов заголовка, каждый до 10 слов» |
| Примеры (few-shot) | Тон и стиль через образцы | «Вот три заголовка, которые нам нравятся: …» |
| Ограничения | Что нельзя делать | «Не используй слова "инновационный" и "революционный"» |
Не все компоненты нужны в каждом запросе. Для простых задач достаточно чёткой задачи и контекста. Сложные задачи — генерация кода, аналитика, многошаговые инструкции — требуют полной структуры.
Контекст и роль промта: почему они меняют всё
Роль (системный промт)
Большинство современных интерфейсов позволяют задать системный промт — инструкцию, которая стоит перед всем диалогом и задаёт «личность» модели. Это мощный инструмент: нейросеть, которой сказали «ты — строгий редактор и режешь лишнее», будет вести себя иначе, чем та же модель с ролью «ты — мягкий ментор».
Механизм работает, потому что системный промт получает максимальное внимание модели на протяжении всего диалога — он всегда в начале контекстного окна.
Контекстное окно промта
Нейросеть обрабатывает всё, что находится в контекстном окне, — и не помнит ничего за его пределами. Если диалог длинный, ранние сообщения могут «вытесниться» или получить меньший вес. Именно поэтому в длинных сессиях модель иногда «забывает» детали, упомянутые в начале.
Практический вывод: для длинных задач периодически напоминайте ключевые ограничения или выносите их в системный промт.
Контекст промта как данные
Часть контекста — это данные, которые вы передаёте модели: текст документа, результаты поиска, код, таблицы. Чем точнее и структурированнее переданные данные, тем точнее ответ. Мусор на входе — мусор на выходе: это работает для нейросетей так же, как для любого аналитического инструмента.
Почему одинаковые вопросы дают разные ответы
Пользователи часто удивляются: задали один и тот же вопрос дважды — получили разные ответы. Причин несколько:
- Температура генерации. По умолчанию большинство моделей работают с ненулевой температурой, добавляя случайность на каждом шаге генерации. Это сделано намеренно — для разнообразия ответов.
- Формулировка меняет вероятности. «Объясни просто» и «объясни детально» — разные токены, разное распределение вероятностей, разный ответ, даже если суть вопроса одна.
- История диалога. Один и тот же вопрос после разных предыдущих реплик получает разный ответ — контекст диалога влияет на интерпретацию.
- Обновления модели. Провайдеры регулярно обновляют модели, что может менять поведение даже при идентичных промтах.
Для воспроизводимых результатов (например, в пайплайнах и автоматизациях) устанавливайте температуру в 0 и фиксируйте версию модели через API.
Первые примеры промтов: от простого к сложному
Плохой промт и его улучшение
Слабо: «Напиши текст про маркетинг»
Модель не знает аудиторию, объём, тон, цель. Результат будет общим и бесполезным.
Лучше: «Напиши вводный абзац (60–80 слов) для статьи блога на тему "зачем малому бизнесу email-маркетинг". Аудитория — владельцы интернет-магазинов без опыта в digital. Тон — практичный, без жаргона. Избегай клише вроде "в современном мире".»
Промт с ролью и few-shot
Ты — технический редактор, который упрощает сложные объяснения без потери точности.
Задача: перепиши фрагмент ниже так, чтобы его понял старшеклассник.
Примеры правильного стиля:
— Было: «Алгоритм итеративно минимизирует функцию потерь». Стало: «Алгоритм снова и снова подбирает параметры, чтобы ошибка становилась меньше».
— Было: «Система обеспечивает горизонтальное масштабирование». Стало: «Если нагрузка растёт, можно просто добавить серверы».
Текст для переработки:
[вставьте текст]Цепочка промтов для сложной задачи
Один длинный промт хуже, чем цепочка коротких. Для анализа документа эффективнее:
- Промт 1: «Выдели 5 ключевых тезисов из текста ниже.»
- Промт 2: «На основе этих тезисов определи, какие из них противоречат друг другу.»
- Промт 3: «Сформулируй итоговый вывод в 2–3 предложениях.»
Разбивка на шаги снижает когнитивную нагрузку на модель и повышает точность каждого этапа — это принцип chain-of-thought в упрощённом виде.