Промпт — это спецификация. Промпт-инжиниринг — умение хорошо её написать и проверить, что модель ей следует.
Как это работает
Руководство OpenAI определяет промпт-инжиниринг как “the process of writing effective instructions for a model” (перевод: «процесс написания эффективных инструкций для модели»), чтобы она “consistently generates content that meets your requirements” (перевод: «стабильно генерировала контент, отвечающий вашим требованиям»). Основные приёмы у разных компаний во многом совпадают:
| Приём | Что делать |
|---|---|
| Роли | Правила — в системный промпт (или сообщение developer), запрос — в сообщение пользователя |
| Структура | Стройте системный промпт в порядке «роль, инструкции, примеры, контекст»; отмечайте разделы заголовками Markdown и XML-тегами |
| Примеры | Добавьте несколько пар «вход — выход» (few-shot prompting), которые покрывают разные случаи |
| Рассуждения | Попросите рассуждать по шагам (chain of thought) или используйте модель с рассуждениями |
| Формат вывода | Попросите фиксированный формат или используйте структурированный вывод, если API его поддерживает |
| Стабильность | Закрепите версию модели, чтобы её поведение не менялось без вашего ведома |
В обзоре Anthropic советуют начать с трёх вещей: ясных критериев успеха, способа проверки по ним и первого черновика промпта. На практике это значит набор для оценки (eval).
Короткий пример «до и после». Было: «Кратко изложи этот тикет». Стало: роль («ты кратко излагаешь тикеты поддержки для команды инженеров»), формат (3 пункта: проблема, влияние на клиента, следующий шаг) и правила (сообщения об ошибках приводить словами клиента, причины не угадывать):
Before: Summarize this ticket.
After: You summarize support tickets for an engineering team.
Write 3 bullet points: the problem, the customer impact, the next step.
Use the customer's words for error messages. Do not guess at causes.
<ticket>...</ticket>
У агентов промпт — лишь часть более широкого контекста. Статья Anthropic о контекст-инжиниринге отделяет промпт-инжиниринг, “methods for writing and organizing LLM instructions” (перевод: «методы написания и организации инструкций для LLM»), от контекст-инжиниринга, который управляет всем остальным, что видит модель.
Почему это важно
- Качество без обучения. Улучшить промпт — самое дешёвое, что можно попробовать до дообучения или более крупной модели.
- Стоимость. Системный промпт отправляется заново в каждом запросе. Убирайте то, что не влияет на результат; см. как сократить токены промпта.
- Миграция. Промпт, настроенный под одну модель, может вести себя иначе на другой. При переходе заново прогоняйте свой набор для оценки.
В BroadNet Inference
Чат-модели BroadNet принимают стандартный список messages из Chat Completions, поэтому роли system, user и assistant и few-shot-примеры работают как обычно. Промпты можно опробовать в песочнице (playground) ещё до написания кода. Для ответов на арабском статья о промпт-инжиниринге для арабского разбирает стиль, диалекты, цифры и форматирование справа налево.
Структурированный вывод документирован для GLM 5.3 и Qwen3.8 27B. У DeepSeek V4.1 Flash, GLM 5.3 и Qwen3.8 27B рассуждения учитываются в max_tokens, поэтому промпту в духе «думай по шагам» тоже нужен запас в бюджете.