Как написать промпт для нейросети, если он не сработал

Вопрос «как написать промпт для нейросети» почти никогда не задают с чистого листа. Его задают, когда запрос отправлен, ответ получен и он не годится: слишком общий, не в том формате, с выдуманными фактами или оборванный на середине фразы. Эта статья про работу с уже написанным промптом: как разобрать его по симптомам ответа, что менять первым, как заставить модель переписать промпт за вас и как убедиться, что новая версия работает не один раз.

Отправная точка: промпт есть, ответ не тот

Базовая структура запроса и готовые шаблоны разобраны отдельно: что такое промпт-инжиниринг и как писать промпты. Здесь первое, что нужно сделать, это перестать переписывать промпт целиком. Типичная ошибка: ответ не понравился, пользователь стирает всё и сочиняет запрос заново. Меняется десяток вещей сразу, результат опять не тот, и понять, какая правка помогла, а какая испортила, невозможно.

Рабочая последовательность из четырёх шагов: определить по характеру плохого ответа, чего не хватило; внести одно изменение; прогнать промпт на пяти-десяти реальных входах; зафиксировать прошедшую проверку версию с датой и моделью. Документация Anthropic добавляет золотое правило: покажите промпт коллеге с минимумом контекста и попросите выполнить инструкцию. Если он растеряется, растеряется и модель.

Диагностика: читаем ответ, а не промпт

Симптом плохого ответа почти однозначно указывает на дыру в запросе. Идти от результата быстрее, чем перечитывать свой текст в надежде заметить неточность.

Число примеров не произвольное: Anthropic рекомендует от трёх до пяти и просит делать их разнообразными, иначе модель подхватывает не тот признак. Там же предлагается приём: попросить модель оценить ваши примеры на релевантность и разнообразие и дописать недостающие.

Отдельно про запреты: документация Anthropic советует формулировать, что делать, вместо того что не делать. «Не используй многоточия» работает хуже, чем «ответ прочитает синтезатор речи, а он не знает, как произносить многоточия». Объяснение модель обобщает на соседние случаи, голый запрет не обобщает ничего.

Ответ обрывается: это лимит вывода, а не плохой промпт

Оборванный ответ чаще всего означает, что генерация упёрлась в потолок длины. Переписывать промпт бессмысленно: потолок задаёте не вы, а модель и интерфейс.

По документации Anthropic, у Claude Opus 5, Claude Sonnet 5 и Claude Fable 5 максимальный вывод составляет 128 тысяч токенов при контекстном окне в 1 миллион, у Claude Haiku 4.5 это 64 тысячи токенов вывода и 200 тысяч контекста.

Цифры API не переносятся на веб-интерфейсы: там лимиты на порядки жёстче. В документации Yandex AI Studio указано прямо: максимальное количество токенов в ответе в Playground равно 1000, а максимальная длина промпта для генерации изображений составляет 500 символов. Курс токена даёт документация GigaChat: в среднем один токен состоит из 3-4 символов, точное количество считается запросом POST /tokens/count. То есть тысяча токенов в песочнице Yandex это порядка трёх-четырёх тысяч знаков, никак не десять.

Практически: если ответ обрывается стабильно, дробите задачу. Не «напиши двадцать описаний товаров», а пять запросов по четыре. Через API поднимайте параметр максимальной длины ответа и смотрите поле причины завершения. У GigaChat отдельно документирован случай, когда генерация прервана не длиной, а темой: ответ содержит «choices.finish_reason»: «blacklist», и это не лечится ни лимитом, ни формулировками.

Правило одного изменения за итерацию

После диагностики возникает соблазн внести сразу пять правок. Не вносите: иначе вы не узнаете, какая сработала, и потащите в следующие промпты балласт, который ничего не даёт, но занимает контекст и деньги. Порядок правок по убыванию отдачи:

1. Добавить недостающие данные. Модель не видит вашу переписку, прайс и регламент. Просите переписать письмо клиенту, вкладывайте письмо, а не пересказ.
2. Добавить критерии приёмки. Абзац «результат считается годным, если» меняет ответ сильнее вежливых оборотов.
3. Добавить образец вывода. Один заполненный пример заменяет абзац описаний формата.
4. Переписать запреты в указания. «Не пиши длинно» превратить в «до 200 слов, три абзаца».
5. Убрать лишнее. Инструкции, которые за три итерации ни разу не повлияли на результат, вырезаются.

Пятый пункт пропускают чаще всего, а промпты растут накоплением: через месяц системный промпт весит две страницы, половина которых противоречит второй половине.

Нейросеть для создания промпта: мета-промптинг

Промпт не обязательно писать руками. Модель составляет промпты для себя лучше большинства пользователей: она знает, в каком виде инструкция ей удобна. Приём называется мета-промптинг, и Anthropic выпустила его готовым рецептом: ноутбук metaprompt.ipynb в наборе Claude Cookbook, запускается в Google Colab.

Вы описываете задачу обычными словами («ответить на жалобу клиента»), перечисляете переменные для подстановки («ПИСЬМО_КЛИЕНТА», «НАЗВАНИЕ_КОМПАНИИ») и получаете шаблон. Внутри мета-промпта лежат пять развёрнутых примеров инструкций (ответ по базе знаний, сверка двух формулировок, ответ по документу со ссылками, разбор задачи по шагам, работа с функциями) и несколько жёстких правил: переменные с длинными значениями идут до указаний по работе с ними, для сложных задач предписано сначала подумать в отдельном служебном блоке, а при запросе оценки обоснование требуется раньше самой оценки.

Тот же приём работает в чате. Плохо: «напиши мне промпт для описаний товаров». Хорошо, четырьмя строками:

• «Ниже задача, пример входных данных и пример хорошего результата. Составь промпт, который заставит модель выдавать такой результат стабильно.»
• «Верни только текст промпта, без пояснений и без выполнения задачи.»
• «Отметь места подстановки переменных и назови их.»
• «Перечисли отдельным списком, какой информации тебе не хватило, чтобы промпт был точнее.»

Последний пункт даёт больше всего пользы: модель называет пробелы, о которых вы не подумали. Не задана аудитория, не указано, что делать при пустом входе, не оговорён язык ответа. Второй режим мета-промптинга это разбор неудачного запроса: вложите в чат промпт, ответ и объяснение, чем ответ плох, и попросите не переписать его, а перечислить причины расхождения.

Где создать промпт для нейросети готовыми генераторами

Кроме мета-промптинга есть инструменты у самих вендоров. Знать их стоит хотя бы затем, чтобы не платить внешнему сервису за то же самое.

• Anthropic. Документированный генератор ровно один, и это тот самый метапромпт-ноутбук из Claude Cookbook. Отдельной страницы про кнопку улучшения промпта в документации нет. Зато там названы три условия, без которых доработку начинать бессмысленно: критерии успеха, способ проверить их эмпирически и черновик промпта, который вы улучшаете.
• OpenAI Playground. В руководстве по промптингу описан как место, где промпты разрабатывают и итеративно дорабатывают. Обратите внимание, на что документация делает ставку: не на кнопку автоулучшения, а на наборы тестов.
• Yandex AI Studio. Песочница годится для быстрой проверки формулировки, но помните про лимит в 1000 токенов ответа: длинный результат обрежется, и это примут за проблему промпта.
• GigaChat. Здесь важнее не генератор, а квоты: физлицам для работы с API доступен один поток независимо от того, платный это пакет или freemium-режим, юрлицам и ИП по умолчанию десять.

Состав и названия таких инструментов меняются от релиза к релизу: сверяйтесь с документацией вендора, а не со статьями годичной давности, включая эту.

Внешние улучшатели промптов: что проверить до вставки

Сервисов, обещающих превратить кривой запрос в идеальный, много. Перед тем как отдавать им текст, проверьте четыре вещи.

• Что уходит на сторону. В промпте на отладке лежат реальные данные: письмо клиента, прайс, кусок договора. Подставляйте обезличенные примеры.
• Под какую модель сделан шаблон. Улучшатели выдают разметку под конкретное семейство моделей. На другой модели такой промпт может работать хуже исходного.
• Что изменилось. Если сервис вернул текст втрое длиннее, но не объяснил, какая правка чинит какой симптом, вы получили не улучшение, а объём.
• Проверяется ли результат. Улучшенный промпт прогоняется по той же процедуре, что и свой: на нескольких реальных входах.

Отдельная ловушка это библиотеки готовых промптов: чужой промпт написан под чужие данные и критерии приёмки, забирать из него имеет смысл структуру, а не текст.

Как сделать промпт для нейросети, который работает не один раз

Главная причина, по которой отлаженный промпт разваливается в работе: его проверили на одном входе. На нём он и работает. На втором, где данные короче или содержат пустое поле, начинается разнобой.

Минимальная процедура: соберите от пяти до десяти реальных входов, обязательно включив крайние случаи. Самый короткий, самый длинный, вход с пропущенными полями, вход на другом языке, заведомо мусорный. Прогоните промпт по всему набору без правок между запусками, отметьте негодные результаты и правьте по симптомам из таблицы выше. После каждой правки прогоняйте набор целиком, а не только сломанный вход, иначе почините одно и незаметно сломаете другое.

Это не самодеятельность: документация OpenAI советует строить тесты и наборы проверок, измеряющие поведение промпта, чтобы отслеживать качество при доработке и при смене версии модели. Для нетехнической команды это обычная таблица: вход, ожидаемый результат, фактический, отметка «годно или нет», дата и версия модели.

Куда положить промпт, который наконец заработал

Прошедшая проверку версия не должна жить в истории чата. Варианты по возрастанию надёжности: системный промпт или пользовательская инструкция в чате, если промпт нужен вам одному; сохранённый проект с прикреплёнными файлами, если есть постоянный контекст вроде регламента или гайда по тону; файл в репозитории, если промптом пользуется команда, и это единственный вариант с историей правок.

Рядом с текстом записываются дата проверки, модель с точным идентификатором версии, набор входов и ответственный за обновление. Про идентификатор: в документации Anthropic указано, что каждый идентификатор модели это закреплённый снапшот, а с поколения 4.6 они стали бездатными, но остались снапшотами, а не указателями на «самую свежую» модель. Запись «проверено на Claude» без версии бесполезна до первого обновления.

Почему промпт, работавший год назад, ломается сегодня

У промпта нет обратной совместимости. Вендоры меняют поведение моделей, и часть обязательных когда-то приёмов становится вредной или перестаёт работать. Примеры из документации Anthropic по миграции:

• Предзаполнение ответа больше не поддерживается. Начиная с моделей Claude 4.6, запрос с частично заполненным последним сообщением ассистента возвращает ошибку 400. Приёмом годами убирали вступительные фразы и фиксировали формат. Замена: прямая инструкция отвечать без преамбулы, структурированный вывод или вызов инструмента.
• Ручное управление бюджетом рассуждений отключено. Параметр budget_tokens помечен устаревшим на Opus 4.6 и Sonnet 4.6, а на моделях Claude 4.7 и новее его установка возвращает ошибку 400.
• Дожимающие формулировки стали вредить. Документация советует убрать инструкции, которые раньше заставляли модель работать тщательнее и активнее применять инструменты: модели поколения 4.6 и новее инициативнее сами и на таких указаниях перестараются.
• Многословность изменилась в обе стороны. Актуальные модели лаконичнее и пропускают сводки после действий, а Claude Opus 5 отвечает развёрнутее предшественников, причём уровень усилий длину видимого ответа не меняет.
• Сменился токенизатор. Модели начиная с Claude Opus 4.7 используют новый токенизатор: тот же текст даёт примерно на 30% больше токенов. Промпт с ручной подгонкой под лимит может перестать помещаться, а счёт за токены вырасти на ровном месте.

Вывод практический: смена версии модели это повод прогнать набор проверочных входов целиком. Тесты нужны не в момент написания промпта, а в момент, когда под вами меняют модель.

Когда переписывать промпт бесполезно

Часть времени тратится впустую потому, что диагноз поставлен неверно. Переделка запроса не поможет в четырёх случаях. Первый: модели неоткуда взять ответ, данные о прайсе, остатках и клиентах внутри неё не лежат. Второй: ответ упирается в лимит длины, лечится архитектура задачи, а не текст. Третий: задача требует действий, а не текста, то есть сходить в CRM, создать задачу, отправить письмо. Четвёртый: нужна стабильность на тысячах однотипных запросов, тут кроме промпта нужны проверки на выходе, обработка отказов и мониторинг.

Частые вопросы

Почему ответ нейросети обрывается на середине предложения

Почти всегда это лимит длины вывода. У Claude Opus 5 и Claude Sonnet 5 предел составляет 128 тысяч токенов, у Claude Haiku 4.5 это 64 тысячи, а в песочнице Yandex AI Studio максимум ответа равен 1000 токенов, то есть около 3-4 тысяч знаков при среднем токене в 3-4 символа.

Можно ли попросить нейросеть написать промпт за меня

Да, это мета-промптинг. У Anthropic есть готовый рецепт: ноутбук metaprompt.ipynb из Claude Cookbook, который по описанию задачи и списку переменных возвращает шаблон промпта. В чате приём работает так же, если попросить вернуть только текст промпта.

Ответ не в том стиле: сколько примеров добавить при доработке

Документация Anthropic рекомендует от трёх до пяти и подчёркивает, что примеры должны быть разнообразными и покрывать крайние случаи, иначе модель подхватит не тот признак.

Почему промпт перестал работать после обновления модели

Меняется поведение моделей, а не только качество. Предзаполнение ответа ассистента перестало поддерживаться с моделей Claude 4.6 и возвращает ошибку 400, параметр budget_tokens на моделях 4.7 и новее тоже отдаёт 400, а с Claude Opus 4.7 сменился токенизатор.

Сколько входов нужно, чтобы считать промпт проверенным

Минимум пять, лучше десять, и это должны быть реальные данные. В набор включаются самый короткий вход, самый длинный, вход с пустыми полями и заведомо мусорный. После каждой правки набор прогоняется целиком.