Меня зовут Максим Никитин, я основатель студии ITSalt, которая специализируется на нестандартных проектах. Весь прошлый год мы внедряли ИИ-агентов в разработку, параллельно создавая собственный фреймворк NaCl. Когда погружаешься в такие процессы с головой, понимаешь: грамотный промпт — это не вопрос вдохновения, а строгий свод правил. Роль, контекст, критерии качества, формат, ограничения и защита от галлюцинаций — всё это должно быть вшито в структуру запроса.
Мы применяем такой подход везде: от планирования рациона и тренировок до организации мероприятий. Любая задача, выходящая за рамки простого вопроса, требует серьезной подготовки. Проблема в том, что ручное создание идеального промпта занимает минут двадцать. К концу дня наступаешь на горло собственной песне, чтобы сэкономить время, а потом удивляешься, почему нейросеть «разрешила» тебе съесть торт посреди диеты.
Чтобы автоматизировать эту рутину, я создал инструмент pepper-prompt-engineer. Это Anthropic Agent Skill: папка с инструкциями, которую Claude «читает» при получении соответствующего запроса. Вы описываете свою цель обычным языком, а модель превращает её в профессионально оформленный промпт.
За что отвечает этот инструмент
Скилл не выполняет задачу за вас — он проектирует идеальную инструкцию для того, чтобы кто-то (или что-то) её выполнил. Если попросить его «написать парсер», он выдаст не код, а мастер-промпт, который гарантирует получение качественного кода от другой модели.
Типичные ошибки «быстрых» промптов
Я выделил пять главных «болезней» запросов, написанных на бегу.
|
Проблема |
Последствия |
|---|---|
|
Размытая цель («сделай хорошо») |
Отсутствие четких критериев готовности ведет к посредственному результату. |
|
Игнорирование специфики модели |
Промпт для Claude может неэффективно работать на Gemini, и наоборот. |
|
Отсутствие контроля фактов |
Модель ошибается в расчетах или данных, если ее об этом не попросить. |
|
Отсутствие защиты от галлюцинаций |
В случае нехватки данных модель будет придумывать ответы, а не задавать вопросы. |
|
Отсутствие самопроверки |
Модель не сверяет итоговый результат с исходными требованиями. |
Мой инструмент купирует эти проблемы на системном уровне.
Структура промпта: десять ключевых блоков
Я взял за основу фреймворк CRAFT (Context, Role, Action, Format, Target), расширив его до десяти обязательных блоков для современных LLM.
|
№ |
Блок |
Описание |
|---|---|---|
|
1 |
Роль |
Личность модели и целевая аудитория. |
|
2 |
Задача |
Краткая формулировка цели. |
|
3 |
Контекст |
Исходные данные и область знаний. |
|
4 |
Критерии готовности |
Чеклист для проверки результата. |
|
5 |
Шаги |
Пошаговый план выполнения. |
|
6 |
Ограничения |
Запрещенные действия и алгоритм при нехватке данных. |
|
7 |
Способ мышления |
Вектор рассуждений модели. |
|
8 |
Формат ответа |
Структура, объем и стилистика. |
|
9 |
Примеры |
Образцы идеального результата. |
|
10 |
Самопроверка |
Финальный ревью-чек перед выдачей. |
Критерии готовности должны быть проверяемыми (как тесты в коде). Не «напиши интересно», а «не более 280 символов, без хэштегов, с одним вопросом в конце». Самопроверка — это зеркальное отражение критериев: нейросеть обязана сама оценить свою работу по этому списку до того, как покажет её вам.
Алгоритм работы скилла
Инструмент не спешит с выводом. Если задача глобальна (например, «собери CRM»), он предложит разбить её на этапы или упростить. Вопросы задаются лишь тогда, когда данных объективно не хватает. Итоговый промпт проходит через Python-скрипт с 18 автоматическими тестами: от проверки наличия всех блоков до защиты от клише вроде «сделай качественно».
Наглядные примеры
Скилл создает инструкции на английском, так как современные LLM лучше следуют логике именно на этом языке, но по первой же команде переключается на русский в диалоге с пользователем.
Примеры промптов (Claude и GPT)
(См. оригинальный код промптов в источнике)Разница в оформлении критична: для Claude скилл использует XML-теги, для GPT — заголовки Markdown и секцию настойчивости, чтобы модель не прерывала генерацию раньше времени.
Почему это эффективно
Мы используем рекомендации вендоров (Anthropic, OpenAI, Google) в сочетании с нашими инженерными находками. Например, мы внедрили «протокол разнообразия»: чтобы модель не выдавала однотипные ответы, она генерирует случайную строку в начале процесса. Это сбивает «усредненность» и заставляет нейросеть мыслить более креативно (эффект описан в исследовании arXiv:2510.21150).
Инструмент не делает вид, что он умнее модели, и не использует устаревшие «заклинания» вроде «бабушка будет плакать». Он просто создает правильную архитектуру запроса, которая позволяет модели раскрыть потенциал на полную мощность. Попробуйте сами — ссылка на репозиторий есть выше. Буду рад обратной связи!
