Read the book: «Работа с нейросетями. ChatGPT, Claude, Gemini и другие AI-инструменты без лишней теории»

Глава 1. Не разговаривайте с нейросетью как с оракулом

Самая дорогая ошибка при работе с нейросетями выглядит безобидно. Человек открывает ChatGPT, Claude или Gemini, пишет вопрос так, как написал бы знакомому в мессенджере, получает складный ответ и принимает его за результат. Иногда это работает. Именно поэтому привычка закрепляется. Модель вежлива, текст гладкий, аргументы связаны, а уверенный тон создаёт впечатление, что где-то внутри действительно сидит специалист, который понял задачу, проверил факты и только после этого сформулировал вывод.

Проблема в том, что языковая модель устроена иначе. Она не обязана сначала установить истину, а потом подобрать слова. Её основная работа состоит в построении наиболее подходящего продолжения с учётом вашего запроса, доступного контекста, внутренних инструкций и подключённых инструментов. Современные системы умеют искать в интернете, анализировать файлы, запускать код, работать с изображениями и действовать в приложениях. Это резко расширяет их возможности, но не отменяет фундаментального ограничения: хороший ответ и истинный ответ не являются одним и тем же.

Поэтому полезнее думать о нейросети не как об электронном мудреце, а как о необычной рабочей среде. В ней есть несколько компонентов. Первый компонент — модель, то есть механизм, который понимает инструкции, строит рассуждение и генерирует результат. Второй — контекст: всё, что системе известно именно в этой беседе или проекте. Третий — инструменты: поиск, вычисления, код, файлы, подключённые сервисы. Четвёртый — ваши критерии качества. Если хотя бы одного элемента не хватает, нейросеть часто восполняет пустоты правдоподобными догадками.

Представьте, что вы наняли очень способного сотрудника в первый рабочий день. Он быстро читает, хорошо пишет, не устаёт от однообразных операций и может за минуту предложить десять вариантов. Но он не знает, что именно в вашей компании считается хорошим результатом. Он не видел прошлые документы, не знает, какие цифры актуальны, не понимает, что директор ненавидит длинные презентации, а юридический отдел требует ссылку на первоисточник у каждого спорного утверждения. Если просто сказать такому сотруднику «сделай коммерческое предложение», он заполнит пробелы сам. Возможно, красиво. Возможно, совершенно не так, как вам нужно.

Эта аналогия полезна ещё по одной причине. С новым сотрудником никто не пытается найти магическую фразу, после которой тот навсегда станет идеальным. Ему дают контекст, показывают образцы, объясняют ограничения, проверяют первую версию и уточняют стандарт. С нейросетью стоит работать так же.

У промпта нет волшебной формулы

Вокруг нейросетей выросла целая индустрия магических заклинаний. «Начни запрос словами “ты эксперт мирового уровня”». «Обязательно скажи, что за хороший ответ заплатишь чаевые». «Напиши “это вопрос жизни и смерти”». «Попроси думать как десять специалистов одновременно». Иногда подобные фразы действительно меняют ответ, потому что любая дополнительная инструкция меняет контекст. Но это не делает их универсальной технологией.

Современные рекомендации OpenAI, Anthropic и Google сходятся в более скучном, зато практичном принципе: ясная задача, релевантный контекст, понятные ограничения и требуемый формат обычно важнее театральной роли. Anthropic прямо предлагает мысленно показать инструкцию коллеге, который почти ничего не знает о задаче: если коллега не поймёт, чего вы хотите, модель тоже будет вынуждена додумывать. OpenAI подчёркивает конкретность и итеративное уточнение. Google рекомендует разделять сложный запрос на компоненты и последовательно связывать этапы.

Это хороший ориентир. Не нужно становиться «промпт-инженером», который час шлифует одну фразу. Нужно научиться проектировать работу.

Вместо:

«Ты лучший маркетолог мира. Придумай крутую рекламу нашей школы»

полезнее написать:

«Мы продаём индивидуальные онлайн-занятия по русскому языку для родителей учеников 1–4 классов. Родитель уже прошёл с ребёнком пробное занятие и получил обратную связь учителя. Нужны пять рекламных сообщений для переписки после пробного урока. Цель — не давить на покупку, а перевести родителя к обсуждению подходящего пакета. Частые сомнения: “хочу посоветоваться” и “сначала пройдём пробные в других школах”. Не обещай гарантированный результат и не используй фразы “уникальная методика”, “лучшие преподаватели”, “места заканчиваются”. Каждое сообщение до 500 знаков. Сделай пять разных подходов и после каждого в одной строке объясни, на каком мотиве он построен».

Во втором случае нет ни одного мистического слова. Зато модели не приходится угадывать аудиторию, этап воронки, цель, ограничения и желаемый объём.

Что нейросеть действительно «видит»

Человек нередко переоценивает общий интеллект модели и недооценивает значение контекста. В голове пользователя задача существует целиком. Он помнит переписку с клиентом, видел таблицу цен, знает, что прошлую рекламную кампанию забраковали, и автоматически учитывает это в каждой новой просьбе. Модель учитывает только то, что ей доступно.

Если вы открыли новый чат, часть старого контекста может отсутствовать. Если сервис поддерживает память или проектные пространства, какие-то сведения могут переноситься, но это не повод считать, что система «помнит всё». Даже в одном длинном диалоге полезные детали конкурируют за внимание с десятками предыдущих сообщений. Чем больше мусора, тем труднее модели понять, что критично сейчас.

Практическое следствие простое: важные ограничения должны находиться рядом с задачей либо храниться в устойчивых инструкциях проекта. Не прячьте ключевое условие в двадцатом сообщении недельной давности и не рассчитывайте, что нейросеть сама догадается, какое из старых требований всё ещё действует.

Хороший контекст не равен большому контексту. Сотня страниц документов может быть хуже двух страниц, если в них нет нужной информации или если документы противоречат друг другу. Умение отбирать входные данные часто важнее умения писать эффектные промпты.