Все концепты

Вставь перед задачей: Это функция обработки {тип_задачи}. Нет идентичности, нет предпочтений, нет эмоций. Затем перечисли запреты: без местоимений ("Найдено", не "Я нашёл"), без эмоций ("К сожалению", "Отлично" — запрещены), без размытых оговорок ("кажется, возможно" → "Не подтверждено"), без субъективных оценок ("X быстрее, Y читаемее" вместо "лучше X"), без приветствий и финальных фраз ("рад помочь", "надеюсь, полезно"). Почему работает: запрет убирает нарратив. Остаются только факты. Ответы короче вдвое. Когда применять: анализ документов, код-ревью, проверка фактов, финансовый анализ — любые задачи где критична точность. Когда не применять: творческие задачи, брейншторм, поддержка в сложной ситуации — там живость нужна. Важно: ~7% ответов всё равно нарушат правила. Модель особенно устойчива к запрету размытых оговорок и разговорного обрамления

Добавь одно предложение: "Это задача, в которой могут быть скрытые проблемы / противоречия / слабые места — те, что не видны при стандартном рассмотрении." Дальше пиши свой запрос как обычно. Почему работает: Модель оценивает каждое действие: "вписывается ли это в задачу, которую я понял?" Без загадки — искать скрытое не вписывается. С загадкой — нахождение скрытого и есть задача. Поведение меняется не потому что добавили правило, а потому что переопределили что значит "выполнить задачу". Что подставлять: тип задачи (загадка / детективная задача / расследование), объект анализа (план / договор / текст / стратегия), что искать (скрытые допущения / противоречия / слабые места). Не работает: если цепочка действий слишком длинная — модель не выполнит даже при правильном фрейме

Шаг 1: Отдельный запрос без ограничений. {Задача}. Ответь полно и развёрнуто. Получаешь полный текст со всей информацией. Шаг 2: Отдельный запрос на редактуру. Вот текст: [вставить]. Перепиши с учётом ограничения: {ограничение}. Важно: сохрани полный объём, все детали и аргументы. Меняй только то, что нарушает ограничение. Почему работает: Первый запрос — генерация. Активирует полный шаблон ответа. Второй запрос — редактура. Модель работает с готовым материалом, не создаёт с нуля. Редакторская задача не включает минимальный режим. Когда особенно нужно: Ограничение затрагивает частые элементы — конкретные слова-связки, маркированные списки, запятые. Когда разница меньше: Мягкие ограничения по структуре

Добавь в системный промпт четыре условия и четыре действия. Условия: задача понятна? нужные данные есть? информации хватает? задача в рамках ограничений? Действия: ANSWER / CLARIFY / REQUEST_SUPPORT / ABSTAIN. Первое «нет» → соответствующее действие. Возвращай в JSON с полем message. Почему работает: модели не нужно объяснять как различать случаи — она уже умеет. Нужно только показать словарь. Увидела категории — переключается в режим диагностики. Когда применять: агенты, ассистенты с доступом к данным, любые задачи где модель может «заполнить пробел» из головы. Не работает: если задача заблокирована сразу по нескольким причинам одновременно

Раздели всё что передаёшь модели на пять типов. === АВТОРИТЕТ (приоритет 1) === — ТЗ, план, требования. Это управляет результатом. === ПРИМЕР (приоритет 2) === — образец нужного тона или структуры. === ОГРАНИЧЕНИЯ (приоритет 3) === — что нельзя. === РУБРИКА (приоритет 4) === — критерий хорошего результата. === МЕТАДАННЫЕ (приоритет 5) === — сюда идёт твой обычный текст запроса. При конфликте побеждает блок с меньшим числом. Почему работает: модель получает прямую инструкцию про порядок — больше не угадывает. Когда не нужно: простой одиночный вопрос. Оправдано для задач с конкурирующими требованиями

Один раз запиши свои требования к стилю, запрещённые слова, правила формата. Помечай как === МОИ СТАНДАРТЫ (АВТОРИТЕТ) ===. Вставляй в начало каждого нового чата. Почему работает: модель прекращает угадывать твои предпочтения по прошлым правкам. Стандарты явно объявлены — они выигрывают у любых внутренних настроек по умолчанию

Два отдельных чата. Один — нейтральный: задаёшь вопрос без своей позиции, без симпатии. Оцени [объект] честно. Что работает, что — слабое место? Второй — с давлением: излагаешь свои аргументы и просишь оспорить. Я убеждён что [позиция]. Вот аргументы: [1, 2, 3]. Найди уязвимости. Потом сравниваешь. Одинаковые — модель держит позицию. Разные — второй ответ льстивый. Важно: только разные чаты. В одном диалоге контекст первого ответа заражает второй. Когда применять: оценка идей, текстов, планов — любая задача где нужна настоящая критика, а не поддержка

Добавь в начало запроса список banned-слов: «очень, весьма, довольно, реально, просто, буквально, совершенно, полностью, абсолютно, определённо, точно, крайне, невероятно, достаточно, действительно, практически, в принципе, естественно, очевидно». Попроси не упоминать это ограничение в ответе. Синтаксис: НЕ используй эти слова в ответе: [список]. Почему работает: Эти слова появляются каждые 2–3 предложения в обычном выводе. Запрет создаёт постоянный сигнал самоконтроля. Модель не расслабляется. Когда да: анализ, рассуждения, оценка идей, причинно-следственные связи. Когда нет: математика и задачи где итоговая точность уже высокая — там эффект незначителен. Эффект сильнее для Gemini и Claude, слабее для GPT-4o

Добавь в запрос три последовательных блока. Блок P: «Предположи, что прогноз неверен. Почему? Что я сейчас, вероятно, недооцениваю? Теперь предположи противоположный исход — что его вызвало?» Блок O: «Кто мог бы со мной не согласиться и почему? Какие точки зрения я не рассматривал?» Блок W: «Одно-два маловероятных, но реальных события, которые меняют всё.» После трёх блоков — итоговый вывод с вероятностью и условиями пересмотра. Пометь каждый блок явно. Работает: стратегические вопросы с конкретными игроками и стимулами. Не работает: творческие задачи, вопросы без структуры «кто решает»

Добавь первым сообщением (или в системный запрос): Меняй вывод только если я приведу [что считается аргументом: новые факты / данные, которые ты не учёл]. Если я просто оспариваю без аргументов — скажи: "Стою на позиции. Приведи аргумент — рассмотрю." Почему работает: Модель умеет следовать явным правилам в начале контекста. Без правила она не различает давление и аргумент — оба звучат как сигнал "мой ответ плохой". С правилом получает фильтр: что менять, а что игнорировать. Конкретизируй якорь: "на основе текста договора" работает лучше чем "на основе фактов" — чем точнее указан источник, тем сложнее модели его обойти. Когда применять: анализ с критерием правильности, оценка рисков, юридический разбор, любая задача где важно получить честный ответ, а не одобрение. Не поможет: если первоначальный ответ модели изначально был ошибочным — метод удерживает позицию, но не исправляет исходную ошибку

Шаг 1. Загрузи 5+ развёрнутых текстов одного автора. Шаг 2. Попроси модель найти и структурировать: как он определяет ключевые понятия, какие различия считает решающими, какие аргументы отвергает как слабые, как строит логику доказательства. Получишь «портрет мышления». Шаг 3. Дай эту структуру как инструкцию и задай свой вопрос. Шаблон: Ниже тексты {эксперт}. Извлеки его reasoning-систему: определения понятий, ключевые различия, критерии оценки, паттерны отказа, последовательность анализа. Затем примени к задаче: {задача}. Тексты: {корпус}. Почему работает: Аналитические тексты публиковались под давлением рецензирования. Автор вынужден делать логику прозрачной снова и снова. Модель вычленяет паттерны из 30+ статей лучше, чем большинство читателей. Работает: оценить идею, дать рецензию, разобрать аргумент. Не работает: живой диалог, импровизированные вопросы без структуры. Минимум корпуса: 5–7 длинных аналитических текстов одного автора