Промпты для нейросетей: библиотека шаблонов и анатомия запроса

Редакция Neurounit

7 декабря 2025

Обновлено 22 августа 2026

Промпт-инжиниринг это процесс составления инструкций, направляющих генеративный ИИ на нужный результат. Для качественного вывода модели требуются точные формулировки, форматы и слова, подобранные методом проб и ошибок. Статья объясняет, что такое промпт и как выстраивать эффективное взаимодействие с ИИ.

Промпты для нейросетей это текстовые инструкции, по которым генеративная модель собирает ответ: текст, таблицу, код или изображение. Модель не хранит задачу между запросами, поэтому весь смысл переносится в одно сообщение. Ниже разобрано, из каких блоков собран рабочий промпт, чем запрос к текстовой модели отличается от запроса к генератору изображений, где брать готовые шаблоны и как хранить свою библиотеку.

Промпты для нейросетей измеряются в токенах, а не в словах

Модель видит не буквы, а токены: куски слов, на которые текст режет токенизатор. В документации GigaChat сказано, что один токен в среднем составляет 3-4 символа, а посчитать точное число можно запросом к эндпоинту POST /tokens/count. У Anthropic окно контекста Claude Opus 5 в 1 млн токенов приравнено примерно к 2,5 млн символов Unicode и 555 тыс. слов, ответ ограничен 128 тыс. токенов. У Claude Haiku 4.5 это 200 тыс. контекста и 64 тыс. на вывод.

У соседей порядок величин тот же: OpenAI для линейки GPT-5.6 (Sol, Terra, Luna) указывает 1,05 млн токенов контекста и до 128 тыс. вывода, Google в руководстве по Gemini 3 заявляет 1 млн на вход и до 64 тыс. на выход. Разница сегодня не в объёме окна, а в цене за него: вход Claude Opus 5 стоит 5 долларов за млн токенов, выход 25, у Claude Sonnet 5 сейчас действует вводная цена 2 и 10 долларов, она заявлена до 31 августа 2026 года, дальше базовые 3 и 15. Длина промпта не бесплатна, поэтому выверенный один раз шаблон выгоднее импровизации.

Анатомия промпта: шесть блоков, из которых он собран

Любой рабочий промпт раскладывается на повторяющиеся блоки. OpenAI в руководстве по промптингу предлагает фиксированный порядок: Identity (кто отвечает и каким тоном), Instructions (правила и запреты), Examples (образцы входа и выхода), Context (данные и справка). Там же задана иерархия ролей: developer несёт инструкции с наивысшим приоритетом, user пользовательский ввод с более низким, assistant ответы модели.

Блок	Что в нём	Признак того, что блок не заполнен
Роль и тон	Кем выступает модель, для кого пишет, какой регистр речи	Ответ звучит как справка из энциклопедии
Задача	Один глагол действия: сократить, классифицировать, переписать, сравнить	Модель делает всё сразу и ничего до конца
Данные	Исходный текст, таблица, лог, транскрипт встречи	Модель придумывает факты вместо работы с вашими
Формат вывода	Структура ответа: число пунктов, поля таблицы, схема JSON	Каждый прогон даёт разную форму, автоматизировать нечего
Ограничения	Длина, запрещённые формулировки, что делать при нехватке данных	Ответ распухает и содержит домыслы
Примеры	Одна-две пары «вход, правильный выход»	Тон и разметка плавают от запроса к запросу

Здесь проходит граница между справочником и методикой. Эта страница описывает, из чего промпт состоит и как его хранить. Приёмы написания с нуля (постановка роли, few-shot, цепочка рассуждений, самопроверка) разобраны отдельно в материале промпт-инжиниринг: как писать промпты.

Разметка блоков: XML-теги и порядок частей внутри запроса

Когда в одном сообщении смешаны инструкция, данные и примеры, модель путает, что команда, а что материал. Anthropic рекомендует оборачивать каждый тип содержимого в свой тег и называет конкретные имена: <instructions>, <context>, <input>. Для нескольких документов предписана вложенная схема: каждый документ в теге <document>, внутри него <document_content> и <source>.

Порядок блоков тоже задан цифрой: при работе с данными объёмом от 20 тыс. токенов длинные материалы размещают в начале промпта, выше запроса, инструкций и примеров, и это повышает качество на всех моделях линейки. Обратный порядок (сначала вопрос, потом простыня текста) стоит вам точности незаметно.

Из-за смены рекомендаций старые шаблоны перестают работать. Приём с предзаполнением ответа модели (prefill), которым годами добивались строгого JSON, на моделях Claude 4.6 и новее просто перестал работать: запрос с предзаполненным ответом возвращает ошибку 400. Вместо него документация предлагает механизм Structured Outputs, задающий схему ответа явно.

Пример промпта для нейросети: разбор одного шаблона по строкам

Ниже пример промпта для нейросети под частую офисную задачу: превратить транскрипт созвона в список решений и задач. Каждая строка соответствует блоку из таблицы выше.

Роль: «Ты редактор протоколов. Пишешь сухо, без оценок и без вводных слов».
Задача: «Из транскрипта ниже выдели принятые решения и поставленные задачи».
Данные: «<input> сюда подставляется текст транскрипта </input>».
Формат: «Верни таблицу с колонками: формулировка, тип (решение или задача), ответственный, срок».
Ограничения: «Ответственного и срок бери только из текста. Если их нет, ставь прочерк. Не добавляй пункты, которых нет в транскрипте».
Пример: одна строка правильно заполненной таблицы, чтобы зафиксировать формулировки и разметку.

Пятый пункт делает основную работу. Без правила «если данных нет, ставь прочерк» модель заполняет пустые ячейки правдоподобными догадками, и протокол приходится перечитывать целиком. Строка про пропуски занимает в шаблоне одно предложение, а экономит проверку каждого прогона.

Чем промпт для нейросети текстовой отличается от промпта к генератору изображений

Это разные жанры. Текстовый промпт может занимать десятки тысяч токенов и уточняться в диалоге. Промпт к генератору изображений жёстко ограничен текстовым энкодером: в моделях Stable Diffusion на CLIP ViT-L/14 длина последовательности равна 77 токенам, полезных из них 75, два служебных отведены под начало и конец. Всё, что не влезло, отсекается молча. У FLUX мягче за счёт второго энкодера T5, принимающего до 512 токенов.

Отсюда три следствия. В изобразительном промпте нет места вежливым конструкциям, работают назывные перечисления. То, что стоит ближе к началу, весит больше, поэтому главный объект идёт первым. Исключения задаются не словом «без», а отдельным механизмом: в Stable Diffusion это негативный промпт отдельным полем, в Midjourney параметр —no в конце строки. Написанное в основном промпте «без текста на картинке» модель воспринимает как упоминание текста и часто его рисует.

Библиотека промптов по типам задач: каркасы под восемь сценариев

Готовый шаблон это не абзац, который копируют целиком, а каркас с обязательными блоками. Таблица ниже показывает, какие блоки нельзя опускать в конкретном сценарии и что проверять в ответе.

Сценарий	Обязательные блоки сверх задачи	Что проверять в выводе
Протокол встречи	Данные в теге, правило пропусков, схема таблицы	Нет пунктов, которых не было в транскрипте
Ответ клиенту в поддержке	Роль, тон, стоп-слова, лимит символов	Нет обещаний сроков и компенсаций от себя
Разбор выгрузки из таблицы	Описание колонок, единицы измерения, период	Совпадение итоговых сумм с исходником
Ревью кода	Язык, версия, стандарт оформления, что игнорировать	Замечания привязаны к номерам строк
Классификация обращений	Закрытый список меток, действие при неоднозначности	Ни одной метки вне списка
Выжимка из документа	Документ в начале промпта, лимит пунктов	Каждый пункт находится в исходнике
Перевод и локализация	Глоссарий терминов, что не переводить	Термины из глоссария не заменены синонимами
Генерация вариантов	Число вариантов, критерий различия между ними	Варианты отличаются по сути, а не по порядку слов

Колонка «что проверять» важнее остальных двух: пока для шаблона не сформулирован признак негодного ответа, оценивать его вы будете на глаз и каждый раз по-разному.

Библиотека промптов есть, а результата нет

Шаблоны дают эффект, когда встроены в процесс: подтягивают данные из вашей CRM, запускаются по событию и отдают результат туда, где его читают. Собираем такой контур под отдел и передаём с регламентом.

Обсудить задачу

Готовые промпты для нейросетей: где их брать и почему они устаревают

Готовые промпты для нейросетей удобнее собирать из открытых каталогов, чем изобретать заново. Самый известный англоязычный каталог, репозиторий f/awesome-chatgpt-prompts (сейчас f/prompts.chat), на 22 августа 2026 года набрал 167 713 звёзд на GitHub, а его файл prompts.csv содержит 2124 записи с полями act, prompt, for_devs, type и contributor: каждый шаблон подписан ролью, признаком «для разработчиков» и типом задачи. Формат CSV позволяет выгрузить каталог целиком, а поля type и for_devs отобрать нужные шаблоны, не читая файл на пять с лишним мегабайт.

Проблема каталогов в датировке: шаблоны пишутся под конкретное поколение моделей и стареют вместе с ним. В документации Anthropic прямо сказано, что Claude Opus 4.5 и 4.6 сильнее реагируют на системный промпт, поэтому агрессивные формулировки вида «КРИТИЧЕСКИ ВАЖНО, ты ОБЯЗАН» нужно смягчать до обычного «используй этот инструмент, когда…», иначе модель начинает срабатывать лишний раз.

Лучшие промпты для нейросетей определяются замером, а не голосованием

Лучшие промпты для нейросетей в вашем контуре и в чужой подборке это разные тексты: у вас другие данные и другой критерий приёмки. Минимальная процедура отбора такая: соберите 20-30 реальных входов из своей работы, включая заведомо трудные, зафиксируйте признак негодного ответа из третьей колонки таблицы выше, прогоните каждый шаблон по всему набору и посчитайте долю прогонов без брака. Шаблон с 27 годными ответами из 30 лучше того, у которого их 21, сколько бы лайков он ни собрал.

Вторая метрика это стоимость прогона. Один и тот же результат можно получить пятью тысячами токенов и восемьюстами. На десяти тысячах прогонов в месяц это 42 млн лишних входных токенов: по вводной цене Claude Sonnet 5 в 2 доллара за млн около 84 долларов, по базовой в 3 доллара около 126. Замер делается один раз и отсекает шаблоны, тянущие в контекст лишнее.

Хранение и версионирование шаблонов промптов

Как только шаблонов становится больше десятка, их приходится хранить как код, а не как заметки. Базовый механизм это переменные: в Langfuse подстановка записывается двойными фигурными скобками, например «As a {{criticlevel}} movie critic, do you like {{movie}}?», а у каждого промпта есть идентификатор версии и произвольные метки. Две метки зарезервированы: production подставляется по умолчанию, когда версия в запросе не указана, latest указывает на самую свежую. Откат делается переносом метки production на более раннюю запись, а защищённые метки запрещают участникам с ролями viewer и member трогать production.

Второй путь это хранить промпты прямо в коде приложения, и его сейчас рекомендует OpenAI: создание переиспользуемых объектов-промптов деприоритизируется с 3 июня 2026 года, а эндпоинт v1/prompts отключается 30 ноября 2026 года. Аргументы в пользу кода перечислены там же: типизированные аргументы для подстановок, код-ревью, тесты и включение новой версии через фиче-флаг.

Проверьте свою библиотеку промптов за пять вопросов

Есть ли у каждого шаблона признак негодного ответа, записанный текстом?
Хранятся ли шаблоны в системе с историей версий или в личных заметках сотрудников?
Знаете ли вы, сколько токенов стоит один прогон самого частого шаблона?
Что будет с процессом, если автор шаблона уйдёт из компании?
Когда шаблоны последний раз проверяли после смены версии модели?

Три ответа «нет» означают, что библиотека уже стала точкой отказа.

Кэширование промпта: когда длинный шаблон дешевле короткого

Если стабильная часть промпта повторяется от запроса к запросу, её можно кэшировать, и тогда длина перестаёт быть проблемой. У Anthropic минимальная длина кэшируемого префикса зависит от модели: 512 токенов для Claude Opus 5 и Claude Fable 5, 1024 токена для Claude Sonnet 5 и Claude Opus 4.8, 2048 токенов для Claude Haiku 3.5, 4096 токенов для Claude Haiku 4.5 и Claude Opus 4.5. Если префикс короче минимума, кэш просто не создаётся, и ошибки при этом не возвращается.

Экономика такая. Запись в кэш со сроком жизни 5 минут стоит 1,25 от базовой цены входных токенов, запись с часовым сроком жизни вдвое дороже базовой, а чтение из кэша обходится в 0,1 базовой цены, то есть в десять раз дешевле. Для Claude Opus 5 при базовом входе 5 долларов за млн токенов это 6,25 доллара за запись на 5 минут, 10 долларов за часовую запись и 0,5 доллара за чтение. Важная деталь из документации: отсчёт срока жизни начинается с начала запроса, а не с конца ответа, поэтому при генерации длиной четыре минуты следующий запрос должен уйти примерно в течение минуты.

Отсюда правило компоновки: неизменяемые блоки (роль, инструкции, глоссарий, примеры) идут в начало и кэшируются, переменные данные подставляются после них.

Что ломает промпт помимо формулировок

Часть отказов лечится не редактурой текста, а знанием ограничений платформы. Первое: смена токенизатора. В документации Anthropic отмечено, что Claude Opus 4.7 и Claude Fable 5 используют новый токенизатор, и по сравнению с моделями до Opus 4.7 тот же текст даёт примерно на 30% больше токенов. Шаблон, годами укладывавшийся в бюджет, после перехода может выйти за него без единой правки.

Второе: параллельные потоки. В ограничениях GigaChat указано, что физическим лицам доступен один поток независимо от платного или бесплатного доступа, а юридическим лицам и ИП по умолчанию десять. Пакетная обработка тысячи документов упирается тогда не в качество промпта, а в очередь.

Третье: контентные фильтры. Там же описано, что при попадании запроса в запрещённые темы ответ возвращается с признаком «choices.finish_reason»: «blacklist». Переписывание промпта тут не помогает, обрабатывать такой ответ нужно кодом интеграции. Актуальные лимиты контекста и квоты по российским моделям сверяйте в документации Yandex AI Studio и в разделе ограничений GigaChat: они меняются чаще, чем публикуются обзоры.

Частые вопросы про промпты для нейросетей

Насколько длинным может быть промпт

Для текстовых моделей предел задаёт окно контекста: 1 млн токенов у Claude Opus 5 (около 2,5 млн символов), 1,05 млн у GPT-5.6, 1 млн у Gemini 3. Для генераторов изображений на CLIP жёстче: 77 токенов, из них 75 полезных, остальное отсекается без предупреждения.

Чем отличается системный промпт от обычного

Приоритетом. В схеме ролей OpenAI сообщение developer имеет наивысший приоритет и задаёт правила, сообщение user считается вводом более низкого приоритета. В документации это описано аналогией: developer это определение функции, user это переданные в неё аргументы.

Как хранить промпты, чтобы не потерять версии

Либо в системе управления промптами с метками, как в Langfuse, где метка production подставляется по умолчанию, а откат делается переносом метки на прежнюю версию. Либо в коде репозитория: OpenAI отключает хранилище v1/prompts 30 ноября 2026 года и рекомендует держать промпты в коде ради код-ревью, тестов и фиче-флагов.

Стоит ли брать готовые промпты из открытых каталогов

Как заготовку да: в prompts.csv репозитория f/prompts.chat лежит 2124 шаблона с разметкой по ролям и типам задач. Но перед использованием шаблон прогоняют на 20-30 своих входах и проверяют, не опирается ли он на приёмы вроде предзаполнения ответа: на моделях Claude 4.6 и новее оно возвращает ошибку 400, и Anthropic предлагает заменить его на Structured Outputs.

Почему один и тот же промпт даёт разный результат

Причин обычно три: несовпадение версии модели (новый токенизатор в Claude Opus 4.7 меняет и длину входа, и поведение), отсутствие блока с форматом вывода и отсутствие правила на случай нехватки данных. Первое лечится фиксацией идентификатора модели, два других строкой в шаблоне.