Большинство объяснений того, как работает ИИ, застревают между двумя крайностями: «это как человек» (что ошибочно и на этом легко обжечься) и «он просто предсказывает следующее слово» (что технически верно, но слишком расплывчато для практики). Золотая середина — рабочая ментальная модель, которую можно усвоить за десять минут и которая сразу меняет то, как вы пишете промпты.
Математика не нужна. Не нужно знать, что такое трансформер. Нужна одна идея и четыре следствия.
Одна идея
Когда вы отправляете сообщение в ChatGPT, Claude или любой современный ИИ-ассистент, он делает примерно следующее:
С учётом обучающих паттернов и разговора, который вы только что отправили, какое продолжение наиболее правдоподобно?
Затем модель генерирует ответ маленькими кусочками — несколькими символами или словом — и подаёт каждый кусочек обратно в себя, чтобы предсказать следующий. Так продолжается, пока не сработает условие остановки. Это не упрощение для новичков: предсказание вероятных продолжений текста — и есть цель обучения, которую описывает ставшая вехой статья о GPT-3 (Brown et al., 2020).
Это базовый цикл. Здесь нет внутреннего поиска «ответа», нет обращения к базе данных (если не подключён внешний инструмент) и нет модуля рассуждения в человеческом смысле. Есть гигантский статистический механизм сопоставления паттернов, который выдаёт продолжение, похожее на текст, который в такой ситуации написал бы знающий человек.
Это кажется проявлением интеллекта, потому что паттерны, усвоенные во время обучения, пришли из написанного людьми текста: грамматика, факты, шутки, код, договоры, рецепты, аргументы, извинения, разница между вежливым ответом и саркастичным. Поэтому наиболее правдоподобное продолжение часто оказывается правильным ответом. Часто. Но не всегда.
Из этого вытекают четыре следствия. Каждое делает очевидной целую категорию «советов по промптингу».
Следствие 1: модель не проверяет, что истинно
Модель не оптимизирована на проверку истины. Она оптимизирована на создание правдоподобного текста. Чаще всего эти вещи совпадают, потому что в обучающих данных была корректная информация о распространённых темах. Но когда вы задаёте вопрос, по которому модель не видела надёжной информации — узкое юридическое дело, конкретное недавнее событие, малоизвестная цитата, — она не останавливается. Она всё равно выдаёт правдоподобный ответ.
Так возникают галлюцинации. Не потому, что модель сломана, а потому, что она делает ровно то, для чего была создана: выдаёт правдоподобное продолжение — исследования связывают галлюцинации именно с этим статистическим давлением, усиленным методиками оценки, которые вознаграждают уверенное угадывание, а не признание неопределённости (Kalai et al., 2025). Правдоподобие и истина связаны, но это не одно и то же. (Где этот сбой бьёт больнее всего и какой процесс проверки его ловит, разбирает статья почему ИИ уверенно ошибается — здесь мы остаёмся на уровне механизма.)
Вывод: любое конкретное фактическое утверждение ИИ — имя, дата, число, ссылка — требует привычки проверять. Модель может выразить неуверенность, но полагаться на это как на систему защиты не стоит. Встройте проверку в свой рабочий процесс.
Следствие 2: контекст решает всё
Если модель предсказывает наиболее правдоподобное следующее предложение с учётом вашего промпта, то промпт и есть то, что определяет результат. Добавьте больше полезного контекста — кто вы, что уже пробовали, чего хотите, — и у модели будет более богатый паттерн для сопоставления.
Поэтому «дать больше контекста» — самый надёжный способ улучшить любой ответ.
«Напиши мне письмо» выдаёт такое же шаблонное письмо, какое написал бы человек, не имея никакой информации.
«Напиши письмо давнему клиенту, которому мы сорвали срок; тон прямой, но тёплый; до 100 слов; в конце — понятный следующий шаг» выдаёт результат гораздо ближе к тому, что вам нужно.
Модель не стала умнее между этими двумя промптами. Она получила более насыщенный промпт, и он сузил пространство «правдоподобных продолжений» до гораздо более полезной зоны.
Когда опытные пользователи ИИ говорят, что промптинг — это «просто быть конкретнее», они имеют в виду именно это. Это не трюк, а всего лишь модель, которая выполняет свою единственную работу точнее, потому что вы дали ей больше материала.
Следствие 3: разговор — тоже часть контекста
Каждый современный ИИ-ассистент держит весь разговор в рабочей памяти, которую называют контекстным окном. Когда вы отвечаете «сделай второй абзац короче», модель не начинает с нуля. Она выдаёт наиболее правдоподобный следующий ответ с учётом всего разговора: исходное письмо, свой черновик, вашу критику и новую просьбу сократить второй абзац.
Поэтому второй черновик почти всегда лучше первого. У модели больше материала: исходный промпт, её собственная попытка и ваша реакция.
Отсюда следуют практические правила:
- Длинные, содержательные разговоры — это преимущество, а не недостаток. Оставайтесь в одной ветке, а не начинайте каждый раз заново.
- Вставить критику обратно лучше, чем переписывать промпт с нуля. Модели нужно меньше нового контекста, если он у неё уже есть.
- Когда разговор становится очень длинным, модель начинает терять ранние части. У лучших продуктов 2026 года контекстные окна могут быть очень большими — иногда миллион токенов и больше; документация Anthropic о контекстном окне описывает механику этой рабочей памяти и текущий потолок в миллион токенов, — но ваш конкретный тариф часто меньше, а качество падает по мере заполнения окна. Для по-настоящему длинных проектов периодически подводите итог и начинайте новую ветку.
Следствие 4: форма вопроса задаёт форму ответа
Поскольку модель выдаёт правдоподобное продолжение, тип этого продолжения сильно зависит от тона и формы промпта.
Спросите небрежно и расплывчато — получите небрежный и расплывчатый ответ. Спросите тот же вопрос структурированно и конкретно — получите более строгий ответ.
Попросите модель разложить задачу на части, прежде чем давать финальный ответ, — и она сгенерирует промежуточный анализ, который часто улучшает результат. Это не магия. Вы просто направляете большую часть ответа в сторону разбора по шагам, проверок и сравнения до итогового вывода, а это может сделать ответ надёжнее на сложных задачах.
Задайте модели роль — «ты старший налоговый консультант в Эстонии» — и она будет опираться на паттерны того, как писал бы такой специалист. На самом деле модель не становится налоговым консультантом. Она лишь воспроизводит стиль и плотность содержания, характерные для текста настоящего эксперта.
Попросите модель поспорить с вашей идеей — и она выдаст наиболее правдоподобный контраргумент. Попросите сыграть скептически настроенного клиента — получите скепсис. Попросите отвечать кратко — и она сожмёт ответ.
Каждый приём промптинга, который вы когда-либо видели, — вариант этого следствия. Назначение роли, примеры с разбором, запросы на критику, «поспорь со мной», «будь краток», «сохрани такой же тон» — всё это работает, потому что направляет предсказание модели к другому типу правдоподобного продолжения.
Для рабочих задач самый безопасный промпт редко бывает самым хитроумным. Обычно это ясный пакет: контекст, ограничения, исходный материал, формат вывода и явное правило работы с неопределённостью.
Собираем всё вместе
Держите эти четыре следствия в голове, когда в следующий раз будете отправлять промпт:
- Модель не проверяет истинность — она выдаёт правдоподобное.
- Больше контекста сужает пространство правдоподобных ответов до того, что вам действительно нужно.
- Весь разговор — это контекст, поэтому пользуйтесь обменом репликами.
- Форма и тон промпта формируют форму и тон ответа.
Все четыре сводятся к одному наблюдению: промпт — это мост между обучающими паттернами модели и нужным вам результатом. Чем короче вы сделаете этот мост — не теряя информации, — тем лучше.
Практический пакет промпта
Для реальной работы хороший промпт обычно содержит шесть частей:
| Часть | Что это даёт модели |
|---|---|
| Роль или перспектива | Тип паттерна ответа |
| Контекст | Ситуация, аудитория и ограничения |
| Исходный материал | Текст, данные или примеры для работы |
| Задача | Конкретная работа, которую нужно выполнить |
| Формат вывода | Форма ответа |
| Правило неопределённости | Что помечать, проверять или отказываться делать |
Поэтому расплывчатые промпты дают расплывчатые ответы. Они оставляют открытым слишком много правдоподобных продолжений. Упражнение, связанное с этой статьёй, помогает превратить слабый промпт в такой пакет из шести частей.
Небольшой тест
Возьмите недавний промпт, который дал посредственный ответ. Посмотрите на него. Затем спросите себя:
- Дал ли я модели достаточно контекста о том, кто я и чего хочу?
- Были ли ограничения — длина, тон, формат?
- Показал ли я пример хорошего результата?
- Попросил ли я разложить задачу, возразить или отметить неопределённость?
Почти всегда найдётся хотя бы один недостающий элемент. Добавьте его и отправьте промпт снова. Ответ обычно станет лучше, потому что вы сузили пространство правдоподобных продолжений до той работы, которая вам действительно нужна.
