Продвинутые запросы

Многоразовые библиотеки промптов: от сниппетов к общим шаблонам

Когда одна и та же задача с поддержкой ИИ повторяется, библиотека промптов может упростить воспроизведение и оценку процесса. Практическая система фиксации, тестирования, версионирования и совместного использования шаблонов.

10 мин чтения

Выбор и промптинг рассуждающих моделей

Настройки рассуждений влияют на качество, задержку, стоимость и иногда на подход к промптингу. Практическое руководство по их выбору на основе оценок, а не общепринятых представлений.

12 мин чтения

Инженерия контекста: как работать с окнами на 1M токенов без деградации

Контекстные окна на 1M токенов существуют, но качество просаживается задолго до этого предела. Инженерия контекста — дисциплина эффективного использования контекстного окна: что включать, что суммировать, что подгружать на лету и какие паттерны удерживают качество, пока контекст растёт.

Еще по этой теме

10 мин чтения

Chain-of-thought, self-critique, tree-of-thoughts — когда что использовать

Три способа организовать рассуждение модели на сложных задачах и компромиссы между качеством, стоимостью и задержкой. Конкретные промпты, сравнения и ограничения современных моделей с углублённым рассуждением.

12 мин чтения

Выбор между промптингом, RAG и файнтюнингом (и когда их сочетать)

Промптинг, RAG и дообучение — три основных способа адаптировать LLM к задаче. Каждый решает свой тип проблем. В статье — схема выбора, полная стоимость и условия, при которых сочетание методов оправдано.

12 мин чтения

Проектирование промптов для продакшена: системный слой, слой разработчика и пользовательский слой

Схема управления для разделения доверенных инструкций, данных времени выполнения и пользовательского ввода, а затем версионирования, оценки, выпуска и наблюдения промптов соразмерно риску.

7 мин чтения

Выбор модели под задачу: шпаргалка на 2026 год

Какую модель выбирать для разных типов задач. GPT, Claude, Gemini, режимы рассуждения и модели с открытыми весами: правила выбора и примеры середины 2026 года вместо вечного рейтинга.

Начинающий

13 мин чтения

Структурированный вывод и вызов функций: надёжные схемы для эксплуатации

Структурированный вывод и вызов функций переводят систему от генерации текста к выполнению задач. В эксплуатации важны схемы, обработка ошибок, идемпотентность и корректная деградация, а не только режим JSON.

29 мин

Tree of Thoughts: обдуманное решение задач с большими языковыми моделями (разбор статьи)

Yannic Kilcher. Янник проходится по оригинальной статье Tree-of-Thoughts из Princeton/DeepMind — циклу «генерация — оценка — отсечение — откат», почему он поднимает точность на Game of 24 с 4% до 74% и где техника перестаёт быть оправданной при её 10-кратной стоимости в токенах. Полезно ровно тем, что заставляет увидеть ToT как алгоритм поиска, а не как магический префикс к промпту.

25 мин

Основы промптинга

Anthropic. Два человека из команды Applied AI в Anthropic вживую собирают реальный промпт, послойно добавляя роль, структурированные секции и явные шаги размышления. Это самая авторитетная демонстрация на YouTube «как использовать chain-of-thought, не превращая его в ритуал», и она делает тезис статьи «перестаньте вставлять во всё “Let's think step by step”» конкретным.

22 мин

Контекст-инжиниринг для агентов

LangChain. Фреймворк Лэнса Мартина — write, select, compress, isolate — с конкретными примерами того, когда нужно суммировать историю действий, когда выгружать состояние в файлы, а когда запускать суб-агентов исключительно ради защиты контекста родителя. Ложится почти напрямую на раздел статьи про управление окнами в 1M токенов на практике.

8 мин

Context Rot: как рост входных токенов влияет на качество работы LLM

Chroma. Келли Хонг проходит по исследованию Chroma на 18 моделях — почему оценки needle-in-haystack обманчивы, как качество деградирует при неоднозначности и отвлекающих факторах, почему даже простые задачи на повторение строк деградируют после 500 токенов. Кратко, доказательно и ровно та позиция, к которой статья хочет, чтобы вы отнеслись всерьёз, прежде чем переходить к инженерным ходам.

3 мин

Создание OpenAI o1

OpenAI. Это трёхминутное видео из первичного источника фиксирует, как команда OpenAI представляла o1 при запуске. Оно помогает понять историю категории, но не устанавливает внутреннее устройство текущих моделей или лучший паттерн промптинга для другого поставщика либо задачи.

28 мин

o1: что происходит? Почему o1 — третья парадигма моделей и десять малоизвестных фактов

AI Explained. Видео предлагает независимое объяснение раннего представления o1 и его последствий для промптинга. Это полезный исторический контекст, но утверждения об o1 нельзя автоматически переносить на более поздние модели OpenAI, R1, режимы мышления Claude или других поставщиков.

9 мин

RAG или fine-tuning

IBM Technology. Более плотный фокус на тех двух техниках, которые команды чаще всего путают. Глубже заходит в свежесть данных, атрибуцию источников и аргумент про скорость на инференсе в пользу дообучения. Стоит посмотреть, если вы именно пытаетесь привести доводы против ненужного проекта по дообучению.

13 мин

RAG, fine-tuning или промпт-инжиниринг: оптимизация ИИ-моделей

IBM Technology. Ясный проход по всем трём техникам на доске с соответствующими издержками — латентность извлечения, вычислительные ресурсы на обучение и катастрофическое забывание, ограничения решений только на промптах — и с комбинациями, которые действительно имеют смысл в продакшене. Заключительный пример с юридической ИИ-системой, использующей все три, — это почти в точности аргумент статьи про «когда сочетать».

77 мин

Промпт-инжиниринг для ИИ: глубокое погружение

Anthropic. Четыре промпт-инженера Anthropic (research, alignment, applied, developer relations) подробно говорят о том, что они реально делают изо дня в день: как редактируют промпты под давлением, как думают о «честности» в инструкциях, когда помогают XML-каркасы, а когда нет. Слоистая модель статьи аккуратно ложится на то, как они описывают работу; это лучший способ услышать эту ментальную модель вслух.

25 мин

Основы промптинга | Code w/ Claude

Anthropic. Живая сессия сборки промпта для страховых заявок от команды Applied AI в Anthropic — они начинают с расплывчатой инструкции и итеративно доводят её до состояния, которое разработчик реально отправил бы в продакшен, демонстрируя ровно те правки, которые описывает статья для слоёв system и developer. Посмотрите её перед перечитыванием чек-листа статьи про примеры, структуру вывода и обработку отказов.

10 мин

Лучший промпт ChatGPT, который я создал: два месяца на промпт для написания промптов

Lawton Learns. Видео демонстрирует метапромпт C.R.A.F.T. (Context, Role, Action, Format, Target audience). Это полезный кандидат для проверки поведения промпта, создающего другие промпты, но последовательность, правильность и пригодность его ответов для команды не гарантированы.

20 мин

Девятичасовой курс Google по промпт-инжинирингу за 20 минут

Tina Huang. Тина показывает пятичастную схему задача/контекст/примеры/оценка/итерация и четыре названных приёма итерации. Они могут помочь составить схему-кандидат, но примеры агентов и цепочки рассуждений отражают время и контекст курса. Протестируйте каждый извлечённый паттерн на репрезентативных случаях до добавления в одобренную библиотеку.

41 мин

OpenAI DevDay 2024 | Структурированный вывод для надёжных приложений

OpenAI. Проходит по `strict: true`, отличиям от старого JSON-режима, обработке отказов и тому, как сочетаются вызов функций и схемы response-format. Полезно ровно тем, что описывает контракт, который вам даёт API, — а именно на нём построены продакшн-паттерны статьи.

18 мин

Pydantic — всё, что вам нужно: Jason Liu

AI Engineer. Выступление, кристаллизовавшее современный паттерн «опиши модель Pydantic, отдай её LLM, пусть валидация делает остальное», с конкретными примерами вложенных объектов, валидаторов, ловящих галлюцинированные URL, и Chain-of-Thought как типизированного поля. Посмотрите его перед перечитыванием раздела статьи про валидаторы — и узнаете, откуда взялись её правила повторных попыток и отказов.