Opus: Фреймворк намерений промтов для генерации сложных рабочих процессов

Исследование доказывает, что большие языковые модели (LLM) гораздо лучше справляются со сложными задачами, если запрос пользователя предварительно разложить на три четких компонента: Входные данные (Input), Процесс (Process) и Желаемый результат (Output). Вместо того чтобы давать модели один сплошной и запутанный текст с несколькими целями, этот структурированный подход позволяет LLM последовательно и точно выполнить задачу.

Ключевой результат: Декомпозиция сложного запроса на структуру "Input-Process-Output" радикально повышает качество, логичность и надежность генерируемых LLM ответов, особенно при увеличении сложности задачи.

Суть метода, который в статье назван "Opus Prompt Intention Framework", заключается в том, чтобы перестать относиться к LLM как к волшебной коробке, которая сама разберется в любом хаосе, и начать помогать ей, выполняя часть работы по структурированию задачи.

Авторы выяснили, что главная проблема сложных запросов — это "смешанные намерения" (Mixed Intentions). Это когда вы в одном предложении просите модель и проанализировать данные, и написать текст, и составить план, и учесть пять ограничений. Модель теряется, путает контексты и в итоге выдает некачественный или неполный ответ.

Предложенный метод решает эту проблему, заставляя пользователя (или автоматизированную систему, как в статье) выступить в роли "фильтра-организатора". Прежде чем отправить основной запрос, его нужно разложить на три части:

1. Input (Входные данные): Что у нас есть на старте? Какие данные, тексты, факты, ограничения мы даем модели. Это исходный материал.
2. Process (Процесс): Что именно нужно сделать с этими данными? Какие шаги предпринять, какую логику применить, какие действия выполнить. Это последовательность операций.
3. Output (Результат): Что мы хотим получить на выходе? В каком формате, с какой структурой, с какими ключевыми элементами. Это описание конечного продукта.

Когда пользователь явно разделяет свой запрос на эти три блока, он устраняет двусмысленность и снижает "когнитивную нагрузку" на модель. LLM больше не нужно угадывать, что является исходными данными, а что — инструкцией. Она получает четкий и однозначный "рабочий процесс", что, как показывают результаты исследования, приводит к драматическому улучшению качества.

• Прямая применимость: Абсолютно прямая. Любой пользователь может немедленно начать использовать этот метод в ChatGPT, Claude или любой другой LLM. Для этого достаточно в своем промпте создать разделы с заголовками ### Входные данные, ### Процесс и ### Результат и разнести по ним части своего запроса. Это не требует никаких технических навыков.

• Концептуальная ценность: Огромная. Исследование дает пользователю мощную ментальную модель: "LLM — это мощный, но последовательный исполнитель, а не читатель мыслей". Оно учит, что ключ к успеху в сложных задачах — это декомпозиция. Понимание того, что смешивание задач в одном потоке текста — это прямой путь к ошибкам, меняет подход к написанию промптов с "как бы мне хитрее спросить?" на "как бы мне понятнее объяснить?".

• Потенциал для адаптации: Метод легко адаптируется под любую задачу. Шаблон Input-Process-Output — это универсальная основа.

  • Для написания эссе это может быть: Тезис и аргументы (Input), Структура эссе (Process), Готовый текст (Output).
  • Для планирования путешествия: Данные о туристах и бюджет (Input), Этапы планирования (Process), Готовый маршрут (Output). Механизм адаптации прост: определите три ключевые сущности вашей задачи — что дано, что делать, что получить — и используйте их как каркас для вашего промпта.

Ты — опытный SMM-стратег. Твоя задача — разработать контент-план для нового продукта. Действуй строго по шагам, используя предоставленные данные.

### Входные данные (Input)

*   **Продукт:** "Эко-Байт" — линейка полезных снеков для офисных работников (ореховые миксы, фруктовые чипсы, протеиновые батончики).
*   **Целевая аудитория:** Мужчины и женщины 25-45 лет, работающие в офисе, ценящие здоровый образ жизни, но испытывающие нехватку времени.
*   **Ключевое сообщение:** "Здоровый перекус без отрыва от работы".
*   **Платформа:** Instagram.
*   **Срок кампании:** 1 месяц.

### Процесс (Process)

1.  **Определи 3-4 ключевые рубрики (контент-пиллара)**, которые будут интересны целевой аудитории. Например: польза ингредиентов, лайфхаки по питанию в офисе, ситуации потребления продукта.
2.  **Для каждой рубрики придумай 2-3 конкретные темы для постов.**
3.  **Распредели эти темы по неделям** на 1 месяц (всего 4 недели).
4.  **Для каждой темы предложи формат контента:** пост (статика), карусель, Reels, Stories.
5.  **Представь весь контент-план в виде таблицы.**

### Результат (Output)

Сгенерируй контент-план в формате таблицы Markdown со следующими столбцами:
| Неделя | День недели | Рубрика | Тема поста | Формат |
|---|---|---|---|---|

Убедись, что план логичен, разнообразен и полностью соответствует входным данным и процессу.

Этот промпт эффективен, потому что он в точности реализует принципы из исследования:

1. Устранение двусмысленности: Модель четко видит, где находятся исходные данные (### Input), а где — пошаговые инструкции (### Process). Она не будет пытаться "угадать", является ли "целевая аудитория" частью задания или просто контекстом.
2. Снижение когнитивной нагрузки: Вместо того чтобы обрабатывать один большой кусок текста, модель последовательно выполняет шаги из раздела Process, опираясь на информацию из Input. Это имитирует логический рабочий процесс человека.
3. Четкое определение цели: Раздел ### Output не оставляет модели пространства для фантазии о том, как должен выглядеть финальный результат. Он задает точную структуру (таблица Markdown с конкретными столбцами), что гарантирует получение ответа в нужном формате.

Ты — опытный диетолог и фитнес-тренер. Твоя задача — составить персонализированный план питания на неделю.

### Входные данные (Input)

*   **Клиент:** Анна, 32 года.
*   **Цель:** Снижение веса на 2-3 кг за месяц, повышение уровня энергии.
*   **Параметры:** Рост 168 см, вес 70 кг, офисная работа (низкая активность).
*   **Пищевые предпочтения:** Любит курицу, рыбу, овощи, гречку, творог.
*   **Ограничения:** Аллергия на арахис, не любит жирную свинину.
*   **Бюджет:** Средний, без экзотических и дорогих продуктов.

### Процесс (Process)

1.  **Рассчитай примерную суточную норму калорий** для Анны с учетом ее цели (небольшой дефицит). Кратко объясни расчет.
2.  **Составь сбалансированное меню на 3 дня (Понедельник, Вторник, Среда)**, чтобы показать принцип.
3.  **Для каждого дня распиши 4 приема пищи:** Завтрак, Обед, Перекус, Ужин.
4.  **Для каждого приема пищи предложи конкретное блюдо** с указанием примерного веса порции (например, "Куриная грудка на гриле, 150г").
5.  **Убедись, что все блюда соответствуют предпочтениям и ограничениям** клиента.
6.  **Сформируй итоговый ответ в виде структурированного плана.**

### Результат (Output)

Представь план в следующем виде:

**1. Расчет калорийности:**
<Краткое объяснение и итоговая цифра>

**2. План питания:**

**Понедельник**
*   **Завтрак:** <название блюда, граммовка>
*   **Обед:** <название блюда, граммовка>
*   **Перекус:** <название блюда, граммовка>
*   **Ужин:** <название блюда, граммовка>

**Вторник**
*   **Завтрак:** <название блюда, граммовка>
*   ...и так далее.

Этот промпт работает по той же доказанной в исследовании механике, что и предыдущий:

1. Изоляция данных и инструкций: Модель получает все персональные данные клиента (рост, вес, аллергии) в изолированном блоке ### Input. Это гарантирует, что она будет использовать их как факты, а не как часть инструкций. Критически важное ограничение (аллергия на арахис) не потеряется в общем потоке текста.
2. Направляемая логика: Раздел ### Process ведет модель по логической цепочке, которую использовал бы реальный диетолог: сначала расчет калорий, затем составление меню на основе этого расчета. Это предотвращает "галлюцинации" и нелогичные предложения.
3. Форматирование как часть задания: Раздел ### Output задает точную иерархию и форматирование ответа. Модель не просто выдаст сплошной текст, а создаст четкую, читаемую структуру, которую легко использовать. Это прямое управление генерацией для получения предсказуемого и полезного результата.