Один промпт заменил мне 2 часа работы в день

Yevhenii Rozov · 2026-05-18

Среда, 11 вечера. Я в четвёртый раз переписываю один и тот же промпт для клиента, потому что каждый раз получаю не то.

Результат или слишком общий, или слишком технический, или просто мимо задачи.

Я потратил на это 5 дней.

Как я убивал время на то, что можно было сделать за 20 минут

Когда я только начинал строить агентов на заказ, у меня было простое понимание промптов: написал задачу - получил ответ. Работает? Хорошо. Не работает? Добавь слова.

Это детский подход. Я понял это слишком поздно.

Один клиент из Нидерландов заказал мне автоматизацию обработки входящих заявок. Задача простая: агент читает письмо, классифицирует запрос, формирует черновик ответа. Я написал промпт за 15 минут и был уверен, что всё готово.

Агент галлюцинировал детали. Путал категории. Писал ответы не в том тоне.

Я фиксил это неделю. Добавлял инструкции, менял формулировки, переставлял блоки. Методом тыка. Без системы.

Клиент ждал. Я нервничал. В итоге я сдал проект с задержкой на 4 дня и потерял потенциальный повторный заказ на $800 - человек просто нашёл другого исполнителя.

Проблема была не в модели. Проблема была в том, что я не понимал, как вообще работает взаимодействие с языковой моделью на уровне структуры.

Промпт - это не просто текст задачи. Это интерфейс. И у этого интерфейса есть правила.

Я собрал промпты по этой теме в PDF. Забери бесплатно: https://t.me/airozov_bot

Что такое промпт-инжиниринг и почему это не про магические слова

Prompt engineering - это не набор хаков типа "напиши 'пожалуйста'" или "скажи модели что она эксперт". Это системный подход к тому, как ты формулируешь задачу, чтобы модель понимала тебя с первого раза.

Когда я разобрался в этом, моя скорость работы изменилась кардинально.

Вот три вещи, которые реально работают.

Первое - роль плюс контекст плюс ограничения. Не просто "напиши письмо клиенту", а "ты - менеджер по работе с клиентами B2B SaaS компании, пишешь ответ на жалобу по задержке онбординга, тон - профессиональный но тёплый, длина - не больше 150 слов, не используй слово 'извините' больше одного раза". Это три разных слоя информации в одном запросе. Модель получает не задачу, а полный контекст для решения.

Второе - примеры внутри промпта. Это называется few-shot prompting. Вместо того чтобы объяснять что ты хочешь словами, ты показываешь на примере. Дал один входящий запрос и желаемый выходящий ответ - модель понимает паттерн лучше, чем из любого описания. Я начал использовать это для классификации заявок и точность выросла с примерно 60% до 91% на том же самом наборе тестов.

Третье - chain of thought для сложных задач. Если задача требует рассуждений, попроси модель думать вслух перед ответом. Буквально добавь в промпт "сначала рассуди пошагово, потом дай финальный ответ". Это не магия - это просто то, как работает трансформер. Пошаговое рассуждение активирует другой режим генерации. На задачах с логикой это даёт разницу в качестве, которую видно невооружённым глазом.

Эти три техники я применил в новой версии промпта для агента. Настройка заняла 40 минут. Агент заработал правильно с третьей итерации.

Сравни с неделей до этого.

То, что я не ожидал понять

Самое неожиданное открытие было не про технику. Оно было про то, как думать о модели.

Большинство людей общаются с ChatGPT или Claude как с поисковиком. Задал вопрос - получил ответ. Если ответ плохой, задай вопрос по-другому.

Это неправильная модель мышления.

Языковая модель - это не база данных, которая ищет ответ. Это система, которая предсказывает наиболее вероятное продолжение твоего текста на основе всего, что она видела в обучающих данных. Это принципиально другое.

Когда ты пишешь промпт, ты фактически создаёшь контекст, в котором "правильный" ответ становится статистически более вероятным. Плохой промпт - это контекст, в котором вероятен любой ответ. Хороший промпт - это контекст, в котором вероятен именно нужный тебе ответ.

Как только я начал думать об этом так, написание промптов превратилось из угадайки в инженерную задачу.

Я перестал спрашивать "почему модель дала плохой ответ". Начал спрашивать "какой контекст в моём промпте привёл к такому предсказанию и что нужно изменить".

Это сдвиг в 180 градусов. И он сэкономил мне не часы - он изменил то, как я зарабатываю деньги.

Сейчас я трачу на написание рабочего промпта для нового проекта в среднем 35-50 минут вместо нескольких дней. На одном среднем проекте это 6-8 часов сэкономленного времени. При моей ставке это прямые деньги.

Каждый день разбираю один такой инструмент в Telegram: https://t.me/yevheniirozov

Попробуй прямо сейчас

Зайди на claude.ai и напиши вот этот промпт - подставь свою задачу:

*"Ты - [роль]. Твоя задача - [конкретное действие]. Контекст: [что важно знать]. Ограничения: [формат, тон, длина, что нельзя]. Пример хорошего результата: [покажи один пример]. Теперь сделай это для: [твой конкретный запрос]."*

Не упрощай. Заполни каждый блок.

Сравни результат с тем, что ты обычно получаешь от короткого запроса.

Разница будет видна с первого раза - именно это и называется промпт-инжиниринг на практике.