Запросы к ИИ

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

Продакшен-промпты — это не «скажите ИИ, чего вы хотите». Это многослойная система: стабильные инструкции, динамический контекст, переменные конкретного вызова — управляемая как код. Архитектура, паттерны и дисциплина, отделяющие продакшен от прототипа.

Reasoning-модели — это не быстрые модели с лишними шагами. Они вознаграждают другое промптование, игнорируют часть привычных паттернов и имеют свои подвохи. Практическое руководство по работе с ними.

Три техники рассуждений, которые действительно улучшают результаты AI на сложных задачах, — и арифметика их издержек и выгод. С конкретными промптами, сравнениями бок-о-бок и подвохами, которые приносят современные reasoning-модели.

Когда вы начинаете использовать ИИ всерьёз, вы пишете одни и те же типы промптов снова и снова. Практическая система для создания, организации и распространения библиотеки промптов — что фиксировать, как версионировать и какую инфраструктуру использовать.

Десять многоразовых шаблонов — не разовые промпты, а именно повторяемые формы — покрывают подавляющее большинство практических задач с ИИ на работе. Запомните их, и в вашем распоряжении окажется полный набор инструментов для проектирования промптов.

Потратьте десять минут один раз и перестаньте заново представляться ChatGPT в каждом разговоре. Практический гид по пользовательским инструкциям, памяти и проектам в основных ИИ-инструментах.

Когда не получается описать желаемое — покажите. Few-shot prompting — давать модели 2–3 примера стиля вывода — самый быстрый способ получить консистентный, бренд-выдержанный результат.

Главный разрыв между посредственным и хорошим выводом ИИ — то, что происходит после первого ответа. Рабочий процесс, который превращает первый черновик в настоящий результат через итерации, а не через переписывание промпта с нуля.

Шаблон из пяти частей, который поднимает качество ответа с «так себе» до «полезно» — в любом промпте и любом ИИ-инструменте. С разобранными примерами, типичными ошибками и порядком, который имеет значение.

Пять реальных промптов в слабой и улучшенной версиях, с коротким разбором того, что изменилось. Самый быстрый способ повысить качество ответов ИИ, не разучивая никакого жаргона.

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.

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.

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

Anthropic. Четыре prompt-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 чисто ложится на то, как они описывают работу; это лучший способ услышать эту ментальную модель вслух.

OpenAI. Три минуты с командой o1, которая описывает момент, когда модель начала ставить под сомнение собственные рассуждения во время RL-обучения. Полезно как первоисточник к утверждению статьи, что chain-of-thought теперь происходит внутри модели, а не в вашем промпте.

AI Explained. Самое ясное объяснение без хайпа того, почему o1 (и по аналогии o3, R1, Claude extended thinking) обучен на корректность, а не на предсказание следующего токена, и что это значит для того, как с ним разговаривать. Посмотрите это, и совет статьи «перестаньте говорить think step by step, начните писать спецификацию» перестанет казаться произвольным.

Yannic Kilcher. Янник проходится по оригинальной статье Tree-of-Thoughts из Princeton/DeepMind — циклу generate-score-prune-backtrack, 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.

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.

Lawton Learns. Конкретный, готовый к копированию C.R.A.F.T. мета-промпт (Context, Role, Action, Format, Target audience), о котором статья говорит по духу. Полезно как первая запись в новой библиотеке — промпт, чья задача — генерировать хорошо структурированные промпты для всех остальных.

Tina Huang. Тина сжимает полный курс Google по промптингу до двух вещей, которые библиотека на самом деле и хранит: фреймворк из пяти частей task/context/references/evaluate/iterate и четыре именованных хода итерации для дальнейшего ужатия промпта. Она также проходится по агентским паттернам и chain-of-thought, так что то же видео работает и как точка входа в более продвинутые шаблоны, которые вы позже добавите в библиотеку.

Tina Huang. Глава про промптинг (02:30–09:20) выкладывает две стыкуемые мнемоники — «tiny crabs ride enormous iguanas» (task, context, references, evaluate, iterate) и «ramen saves tragic idiots» (revisit, separate, try analogous, introduce constraints) — которые чисто ложатся на паттерны итерации и доработки из статьи. Полезно, когда одной формулы за один заход недостаточно.

Jeff Su. Формула из шести частей — задача, контекст, примеры, персона, формат, тон — объяснённая на тех же офисных примерах, что и в статье (планы тренировок, резюме, внутренние письма). Посмотрите это первым; почти каждый паттерн в статье — это сфокусированное применение одного из этих шести компонентов.

Andrej Karpathy. Перематывайте к главе «ChatGPT memory, custom instructions» на 1:53:29. Карпатый показывает, что у него реально стоит в его собственных custom instructions, говорит о том, когда он явно просит ChatGPT запомнить факт, а когда отдаёт это на автозахват, и упоминает компромиссы — ближе к рамке статьи «настройте один раз с намерением», чем большинство туториалов для новичков.

Tina Huang. Панели персонализации, памяти и custom instructions разбираются внутри более широкого обзора по всем функциям ChatGPT — и это правильная рамка: эти настройки окупаются только тогда, когда вы заодно знаете, что они конфигурируют (проекты, GPT, запланированные задачи, голос и так далее). Используйте видео как гид-экскурсию, пока сами держите открытой Settings → Personalization в соседней вкладке.

Anthropic. Примеры — один из десяти ингредиентов, которые Anthropic здесь разбирает, и вы можете посмотреть, как они добавляются к реальному клиентскому промпту и меняют вывод модели. Полезно, если хочется увидеть few-shot внутри более полного промпта, а не как изолированный трюк.

freeCodeCamp.org. Перематывайте к главе «Zero shot and few shot prompts» на 31:20 — там аккуратное демо-сравнение одной и той же задачи без примеров и с несколькими: ровно тот контраст, на котором держится глава в статье. Более ранние секции про правильный настрой к промптингу и лучшие практики — полезный фон, если вы пришли прямо из статьи без более широкого контекста.

Andrej Karpathy. Карпатый проходит по своему реальному ежедневному использованию ChatGPT, Claude, Gemini, Grok и Perplexity, показывая на экране живые диалоги, а не отглаженные одношаговые промпты. Вы видите, когда он берётся за уточнение, когда переключает модель в середине треда и когда бросает линию и начинает заново — ровно тот итеративный цикл, который описывает статья, в исполнении человека, который этим зарабатывает на жизнь.

Tina Huang. Сжатый прогон по курсу промпт-инжиниринга от Google, покрывающий фреймворки для ясности, методы итерации и проработанные примеры для писем, пересказов и анализа. Полезно, если хочется второго прохода, который натягивает те же структурные идеи на задачи, которые вам реально встречаются за рабочий день.

Anthropic. Двое из команды Applied AI в Anthropic собирают один промпт для реального клиентского сценария (анализ шведских отчётов о ДТП), начиная с однострочника, который не работает, и добавляя роль, контекст задачи, динамический контент, примеры и финальный акцент слой за слоем. Это самое чистое демо на YouTube ровно того стека «роль + контекст + задача + ограничения + формат», который описывает статья, с показанными по пути режимами отказа.

freeCodeCamp.org. Более длинный, более терпеливый курс, который оправдывает свою продолжительность. Главы про лучшие практики, zero-shot против few-shot и про то, как выглядят галлюцинации в выводе по промпту, — это ровно то углубление, которое нужно, когда пять примеров из статьи уже щёлкнули.

Tina Huang. Тина сжимает официальный курс Google Prompting Essentials до пятичастной структуры TCREI (Task, Context, References, Evaluate, Iterate) с проработанными примерами на каждую часть. После того как статья показала вам пять переписываний, это видео даёт рецепт, которому Google сама учит своих сотрудников, — и вы сможете применить переписывание к собственным промптам, не копируя наши.