Написал промпт — получил мусор.

Это исследование представляет собой систематический обзор и классификацию существующих техник промпт-инжиниринга. Авторы проанализировали 35 научных работ и создали гибридную таксономию, которая организует различные подходы к написанию промптов в логическую структуру, от ориентированных на технику (например, пошаговое мышление) до ориентированных на задачу (например, генерация кода). Для каждой категории приводятся понятные примеры, иллюстрирующие ее применение.

Ключевой результат: Создана универсальная и практичная классификация техник промптинга, которая помогает пользователям понять, какой тип запроса использовать для достижения конкретной цели, и как комбинировать разные подходы для получения качественных ответов от LLM.

Суть исследования заключается в том, чтобы перейти от случайного, интуитивного написания промптов к осознанному и структурированному подходу. Авторы предлагают пользователю перед написанием запроса задуматься: "А что я хочу получить в итоге?" и выбрать соответствующую категорию промпта из их классификации.

Методика для пользователя выглядит так:

1. Определите свою цель. Вы хотите получить креативные идеи, проанализировать сложную проблему, извлечь данные из текста или что-то еще?
2. Выберите подходящую технику из таксономии:
   • Creative Generation: Для мозгового штурма, поиска нестандартных решений, генерации слоганов или названий. Промпт должен поощрять "воображение" модели.
   • Contextualization & Personalization: Когда нужно, чтобы модель учла конкретные примеры, действовала от лица определенной роли (например, "Ты — опытный маркетолог") или адаптировала ответ для разной аудитории. Это делается через ролевые инструкции и few-shot примеры.
   • Reasoning & Step-wise Thinking: Для решения сложных задач, требующих логики и последовательных рассуждений. Здесь используется знаменитый подход "Думай шаг за шагом" (Chain-of-Thought), который заставляет модель прописывать свою логику.
   • Knowledge Augmentation: Когда модели нужны внешние, актуальные или специфические знания, которых нет в ее обучающих данных. Вы просто предоставляете нужный текст (статью, документ, отчет) прямо в промпте (это основа техники RAG).
   • Meta-cognition & Self-reflection: Для повышения качества и надежности ответа. После того как модель дала первоначальный ответ, вы просите ее саму себя проверить, покритиковать и исправить ошибки. Например: "Проверь свой ответ на наличие логических несостыковок".
   • Information Extraction & Classification: Для извлечения и структурирования информации из текста. Вы просите модель найти в тексте определенные сущности и представить их в нужном формате (таблица, JSON, CSV).

Практическое применение заключается в комбинировании этих техник в одном промпте для достижения наилучшего результата.

• Прямая применимость: Максимальная. Пользователь может немедленно начать использовать предложенные подходы. Например, добавить в свой промпт фразу "Действуй как..." (Contextualization), "Разберем задачу по шагам" (Reasoning) или "Проверь свой предыдущий ответ и улучши его" (Self-reflection). Примеры в статье (Listings 1-8) служат отличными шаблонами.

• Концептуальная ценность: Очень высокая. Исследование дает пользователю "карту местности" в мире промптинга. Вместо запоминания отдельных трюков, пользователь начинает понимать категории запросов и их назначение. Ключевая концептуальная идея: промпт — это не просто вопрос, а программа для LLM, состоящая из разных инструкций (роль, контекст, логика, формат вывода, самопроверка).

• Потенциал для адаптации: Огромный. Хотя примеры даны для сферы IT (термостат), их структура универсальна. Пользователю нужно лишь заменить предметную область. Например, вместо анализа требований к термостату можно анализировать отзывы на отель, вместо генерации кода — генерировать план питания, а вместо технических требований — извлекать ключевые тезисы из научной статьи. Механизм адаптации прост: взять структуру промпта из примера и подставить свою тему и данные.

Вот пример промпта для составления контент-плана для блога о здоровом питании, который комбинирует несколько техник из исследования.

**Роль:**
Ты — опытный SMM-менеджер и диетолог с 10-летним стажем, специализирующийся на создании вовлекающего контента о здоровом образе жизни.

**Контекст:**
Моя целевая аудитория — занятые офисные работники 25-40 лет, которые хотят питаться правильно, но не имеют много времени на готовку. Они ценят быстрые рецепты, научные факты в простой подаче и лайфхаки по экономии времени.

**Задача:**
Создай контент-план на одну неделю (5 постов) для моего блога в Instagram.

**Инструкция по выполнению (Пошаговое мышление):**
1.  **Шаг 1: Мозговой штурм.** Сгенерируй 10 идей для постов, учитывая интересы целевой аудитории.
2.  **Шаг 2: Отбор и структурирование.** Выбери 5 лучших идей и распредели их по дням недели (с понедельника по пятницу). Для каждой идеи подробно распиши:
    *   **Тема поста:** Яркий, цепляющий заголовок.
    *   **Формат:** (напр., карусель, рилс, сторис с опросом).
    *   **Ключевые тезисы:** 3-4 основных пункта, которые нужно раскрыть.
    *   **Призыв к действию (CTA):** Что должен сделать подписчик.
3.  **Шаг 3: Форматирование.** Представь итоговый контент-план в виде Markdown-таблицы.

**Самопроверка (Метапознание):**
После того как таблица будет готова, критически оцени свою работу. Ответь на вопрос: "Достаточно ли разнообразен этот контент-план, чтобы удерживать внимание аудитории всю неделю? Если нет, предложи одно улучшение".

Этот промпт эффективен, потому что он использует комбинацию из четырех мощных техник, описанных в исследовании:

1. Контекстуализация и Персонализация: Инструкция **Роль:** Ты — опытный SMM-менеджер и диетолог... и описание **Контекст:** Моя целевая аудитория... задают модели четкие рамки. Она не просто генерирует текст, а делает это с точки зрения эксперта и с учетом потребностей конкретных людей, что повышает релевантность ответа.
2. Reasoning & Step-wise Thinking: Указание **Инструкция по выполнению (Пошаговое мышление):** с четкими шагами (мозговой штурм, отбор, форматирование) заставляет LLM декомпозировать сложную задачу на простые подзадачи. Это предотвращает "срезание углов" и ведет к более полному и логичному результату.
3. Information Extraction and Classification: Требование Представь итоговый контент-план в виде Markdown-таблицы заставляет модель структурировать информацию в удобном для пользователя формате, а не выдавать ее сплошным текстом.
4. Meta-cognition & Self-reflection: Финальный запрос **Самопроверка (Метапознание):** активирует механизм самокритики. Модель вынуждена пересмотреть свой же результат и найти в нем слабые места, что часто приводит к ценным дополнениям и повышает общее качество ответа.

Пример для планирования личного путешествия.

**Роль:**
Ты — опытный тревел-блогер и организатор авторских туров по Европе. Твой стиль — находить баланс между популярными достопримечательностями и аутентичными, "не туристическими" местами.

**Контекст (Knowledge Augmentation):**
Я планирую 3-дневную поездку в Лиссабон в октябре.
*   **Бюджет:** Средний (не хостелы, но и не 5-звездочные отели).
*   **Интересы:** История, вкусная еда (особенно морепродукты), стрит-арт, красивые виды для фотографий.
*   **Темп:** Расслабленный, без спешки и беготни по 10 музеям в день.

**Задача:**
Составь для меня подробный план поездки на 3 дня.

**Инструкция по выполнению:**
1.  **День 1 (Знакомство с городом):** Предложи маршрут по историческому центру. Включи 1-2 главные достопримечательности и уютное место для ужина с морепродуктами.
2.  **День 2 (Искусство и виды):** Спланируй день, посвященный стрит-арту и панорамным видам. Посоветуй конкретные смотровые площадки (мирадору).
3.  **День 3 (Атмосфера и "скрытая жемчужина"):** Предложи более расслабленный маршрут по району Алфама или Белен. **Creative Generation:** Добавь одно "секретное" место, о котором не пишут в большинстве путеводителей (например, маленький дворик, необычный магазин или кафе с лучшими паштейш-де-ната).

**Формат вывода:**
Оформи план по дням, используя заголовки. Для каждого места указывай краткое описание (1-2 предложения), почему его стоит посетить.

Этот промпт эффективно решает задачу, так как он грамотно сочетает несколько техник из исследования:

1. Контекстуализация и Персонализация: Задание **Роли** тревел-блогера сразу настраивает модель на нужный стиль ответа — не сухой перечень фактов, а живые рекомендации.
2. Knowledge Augmentation: Блок **Контекст** работает как предоставление внешних знаний (в данном случае, личных предпочтений пользователя). Модель не гадает, что предложить, а "заземляет" свои рекомендации на конкретные данные: бюджет, интересы, темп. Это аналог RAG в миниатюре.
3. Reasoning & Step-wise Thinking: Структурирование задачи по дням (День 1, День 2, День 3) помогает модели организовать информацию логично и последовательно, создавая готовый к использованию маршрут.
4. Creative Generation: Прямая просьба Добавь одно "секретное" место... стимулирует творческие способности модели, подталкивая ее к поиску менее очевидных и более интересных вариантов, что является ключевой ценностью для пользователя, ищущего уникальный опыт.