Лучшие практики подсказывания
Тема дорожной карты · Большие языковые модели (LLM)
Эффективный промпт явно описывает роль, задачу, формат входа, формат выхода и ограничения; длинный стабильный контекст (system-промпт, документы) кладите в начало, чтобы он попадал в prefix cache, а пользовательский запрос — ближе к концу. Используйте few-shot примеры для тона и пограничных случаев, XML- или markdown-разделители для секционирования, chain-of-thought или «think step by step» только там, где это окупается. Итеративность измеряйте на эвал-сете, а не на ощущениях: мелкие правки формулировок дают измеримый сдвиг качества.
Как это работает
Лучшие практики подсказывания — ремесло написания промптов, стабильно дающих желаемый output. Основные техники: чёткое определение роли + задачи, пошаговая декомпозиция, явный output-формат (JSON/XML), few-shot-примеры, chain-of-thought, ограничения (длина, тон, формат). System-промпт задаёт постоянный контекст; user/assistant-ходы определяют разговор. Разные семейства моделей по-разному реагируют — что работает на Claude, может требовать тюнинга для GPT или локальных моделей.
Когда применять
Тратьте время на промпты до fine-tuning — хорошо инженерный промпт часто бьёт fine-tuned модель + ничего не стоит итерировать. Явно указывайте output-формат. Для сложных задач — few-shot примеры (3-5) с желаемым паттерном. Для multi-step рассуждения — "думай шаг за шагом". Тестируйте на edge cases. Поддерживайте prompt-библиотеку + версионируйте промпты как код.
Типичные ошибки
Ловушки Лучшие практики подсказывания: расплывчатые промпты (никто не знает, что значит "хороший output"); не тестируют на разнообразных input (работает на любимом примере, падает на реальных); prompt injection (недоверенный input перебивает инструкции — sanitization + чёткие разделители); over-engineering (5000-словный промпт с конфликтующими правилами — проще обычно лучше).