TL;DR
Когда просишь LLM написать что-то сложное и получаешь мусор — причина не в модели. Исследователи систематически разобрали, какими шестью способами люди ломают свои промпты. Главная находка: большинство пользователей относятся к LLM как к кнопке "сгенерируй готовое решение" — особенно на сложных задачах. Именно это и убивает результат.
Для простых текстовых задач люди хотя бы иногда уточняют и итерируют. Но как только задача становится сложнее — структурный документ, техническое задание, детальный план — люди парадоксально итерируют меньше, не больше. Ждут готового ответа с первого промпта. И когда он не работает — бросают или переформулируют хаотично, не понимая что именно не так.
Решение — заставить себя заполнить 4 слоя контекста до того как начать генерацию: ситуация и среда → ограничения и требования → логика выполнения → критерии успеха. Это называют "stage-aware scaffold" — пошаговая рамка, которая переводит размытый запрос в структурированное техзадание для модели.
Схема метода
Один промпт, 4 обязательных блока (заполняешь последовательно перед финальным запросом):
СЛОЙ 1: Контекст и среда → кто, что, в каких условиях
СЛОЙ 2: Ограничения и требования → что нельзя, что обязательно, рамки
СЛОЙ 3: Логика и шаги → что должно происходить по порядку
СЛОЙ 4: Критерии успеха → как выглядит хороший результат
↓
ФИНАЛЬНЫЙ ЗАПРОС: Сгенерируй {сложный артефакт}
Все четыре слоя — в одном промпте. Итерация идёт внутри заполнения слоёв, не после.
Пример применения
Задача: Ты владелец небольшого бренда одежды и хочешь попросить Claude написать стратегию выхода на Wildberries. Раньше ты писал: "Напиши стратегию продвижения одежды на Wildberries" — и получал общую воду на 5 абзацев.
Промпт:
Мне нужна стратегия выхода на Wildberries для бренда женской одежды.
**Контекст и среда:**
- Бренд: базовая одежда оверсайз, ЦА — женщины 25–35 лет
- Уже есть Instagram с 8 000 подписчиков, своя небольшая база клиентов
- Бюджет на старт: 150 000 рублей
- Производство в России, отшив занимает 3 недели
**Ограничения и требования:**
- Нет возможности хранить товар на складе WB больше 2 месяцев
- Нельзя продавать ниже 2 500 рублей за единицу (себестоимость + маржа)
- Стараемся избегать агрессивных скидок — не хотим обесценивать бренд
**Логика и шаги:**
- Сначала нужно понять: с чего начинать технически (регистрация, документы)
- Потом: как отбирать первые SKU для теста
- Потом: как настроить карточки и SEO на WB
- Потом: что делать в первые 30 дней для набора рейтинга
**Критерии успеха:**
- Стратегия рабочая, если через 3 месяца выходим в плюс от продаж
- Хороший результат — 50+ заказов в месяц без полного слива бюджета на рекламу
Напиши пошаговую стратегию выхода, учитывая все эти параметры.
Результат: Модель выдаст конкретный план с реальными шагами, а не абстрактные советы. Ты увидишь: приоритизацию SKU по логике (а не "начните с популярных товаров"), конкретные действия под твой бюджет, рекомендации по карточкам с учётом ценового сегмента. Главное — советы не будут противоречить твоим ограничениям, которые ты обозначил.
Почему это работает
LLM не знает что для тебя важно, пока ты не скажешь. Когда пишешь короткий запрос — модель заполняет пробелы сама, выбирая самые "среднепотолочные" допущения. Результат подходит для гипотетического среднего человека, но не для твоей конкретной ситуации.
При этом LLM хорошо умеет следовать явным структурам. Если ты задал рамку — контекст, ограничения, логику, критерии — модель работает внутри этой рамки. Исчезают "универсальные советы", появляются специфичные решения.
Ключевой рычаг — заполнение слоёв до генерации, а не правки после. Большинство людей делают наоборот: пишут короткий промпт → получают общий ответ → начинают уточнять хаотично. Scaffold переворачивает порядок: сначала думаешь сам, потом просишь модель. Это и есть причина, почему метод работает — ты сам проясняешь задачу через заполнение слоёв, прежде чем делегировать генерацию.
Рычаги управления: - Слой 4 (критерии успеха) — самый недооценённый. Чем конкретнее формулируешь "хороший результат", тем точнее модель старается попасть в него. Добавь количественные метрики если есть. - Слой 2 (ограничения) — перечисляй явно что нельзя, не только что нужно. "Не использовать X" работает лучше чем подразумевать это. - Если задача итерационная — сначала заполни слои, потом попроси модель уточнить их перед генерацией.
Шаблон промпта
Мне нужно: {что сделать — конкретный артефакт}
**Контекст и среда:**
- {кто ты / что за проект / кто аудитория}
- {ресурсы и возможности}
- {технические или организационные условия}
**Ограничения и требования:**
- {что нельзя делать}
- {что обязательно должно быть}
- {рамки по бюджету, времени, формату}
**Логика и последовательность:**
- {шаг 1 — что нужно разобрать сначала}
- {шаг 2 — что следует за ним}
- {шаг 3 — финальный этап}
**Критерии успеха:**
- {как выглядит хороший результат — конкретно}
- {что значит "не то" — чего хочешь избежать}
{Финальный запрос}: сгенерируй {артефакт}, учитывая всё выше.
Что подставлять:
- {что сделать} — конкретно: "стратегию", "скрипт для звонка", "структуру курса", "план запуска"
- Слои заполняй своими словами, не бойся писать много — это и есть суть метода
- {критерии успеха} — лучше с числами или конкретными примерами
🚀 Быстрый старт — вставь в чат:
Помоги мне заполнить stage-aware scaffold для моей задачи: {твоя задача}.
Задавай вопросы по каждому слою (контекст, ограничения, логика, критерии),
чтобы мы вместе заполнили шаблон перед генерацией.
[вставить шаблон выше]
LLM будет задавать вопросы по каждому слою — потому что без ответов на них она не сможет заполнить рамку правильно. Это не лишний шаг, это и есть механика метода: ты думаешь о задаче глубже, прежде чем делегировать генерацию.
Ограничения
⚠️ Простые задачи: Для коротких, однозначных запросов ("переведи этот текст", "объясни термин") scaffold избыточен. Метод для сложных многоступенчатых задач с неочевидными ограничениями.
⚠️ Требует честности с собой: Scaffold работает, если ты действительно знаешь свои ограничения и критерии. Если сам не понимаешь что нужно — заполнение слоёв покажет это, и это полезно, но нужно быть готов сначала разобраться в задаче.
⚠️ Не замена итерации: Scaffold снижает число итераций, но не устраняет их. Первый результат всё равно может потребовать 1–2 правки — просто они будут осмысленными, а не хаотичными.
Как исследовали
Команда из Нанкинского университета работала в двух фазах. Сначала — 15 студентов курса по тестированию ПО, которым дали полную свободу использовать LLM без каких-либо инструкций по промптингу. Исследователи собирали все промпты, итерации, ошибки и артефакты. Параллельно — опрос 337 студентов из нескольких университетов, участников национального соревнования по тестированию. Это дало картину и "в глубину" (что именно происходит в каждом взаимодействии), и "в ширину" (насколько паттерны универсальны).
Интересная деталь дизайна: студентов специально не учили промптингу перед наблюдением. Цель — увидеть естественное поведение, а не обученное. Это важно: выводы отражают то, как люди используют LLM "по умолчанию", без подготовки.
Самый контринтуитивный результат: на сложных задачах (генерация скриптов/кода) студенты итерировали меньше, чем на простых текстовых задачах. Казалось бы, должно быть наоборот — сложнее значит больше правок. Но нет: сложность задачи порождала пассивность. Студенты либо ожидали идеального результата с первого раза, либо сдавались. На это парадоксальное поведение и был направлен scaffold во второй фазе.
Вторая фаза — практическое занятие с шаблоном. Исследователи не мерили "правильность кода" до/после, а сравнивали типы ошибок: какие исчезли, какие остались. После введения scaffold пропали целые классы проблем, связанные с отсутствием контекста среды — студенты стали явно прописывать то, что раньше подразумевали молча.
Адаптации и экстраполяции
1. Scaffold как диагностика перед итерацией
Если получил плохой ответ от LLM — не переформулируй наугад. Пройди по четырём слоям и найди что пропустил:
🔧 Техника: аудит промпта через слои → точечное уточнение
"Посмотри на мой предыдущий промпт и скажи: какой из четырёх слоёв (контекст, ограничения, логика, критерии успеха) был заполнен хуже всего? Что мне нужно добавить?"
Модель укажет на слабое место — и следующая итерация будет целевой, а не случайной.
2. Scaffold для нетехнических задач
Принцип экстраполируется на любой сложный документ. Питч для инвестора, программа тренинга, сценарий вебинара — везде работают те же четыре слоя. Разница только в том, что "критерии успеха" меняются: для питча это "инвестор задаёт вопросы", для тренинга это "участник уходит с готовым инструментом".
Ресурсы
Название работы: Large Language Models for Software Testing Education: an Experience Report
Конференция: FSE SEET '26 (Foundations of Software Engineering, Software Engineering Education Track), Montreal, 2026
Авторы: Peng Yang (South China Normal University, Guangzhou Polytechnic University), Yunfeng Zhu, Shengcheng Yu, Zhenyu Chen (Nanjing University / Mooctest Inc.), Chao Chang, Yong Tang (South China Normal University)
Дополнительные материалы: https://anonymous.4open.science/r/B79E/README.md — протоколы, примеры промптов, приложение