TL;DR
Постоянные инструкции для AI (custom instructions в ChatGPT, системный промпт в Claude, «правила» в Cursor) — это один и тот же механизм: вы один раз описываете требования, и AI учитывает их в каждом ответе. Исследователи проанализировали 7310 таких инструкций из реальных проектов и выяснили, что именно туда пишут профессионалы — и что из этого работает, а что нет.
Главная находка — разрыв между тем, что важно, и тем, что пишут. Разработчики считают архитектурные и структурные ограничения самыми важными, но в реальных файлах инструкций 80% занимают мелкие стилевые и форматные правила («пиши комментарии на английском», «используй табы»). Это как написать регламент для сотрудника, где три страницы о дресс-коде и одно предложение о том, как принимать решения. Когда AI ошибается, большинство людей редактируют старые инструкции — но данные репозиториев показывают, что эффективнее добавлять новые негативные ограничения («не делай X»), а не переписывать существующие.
Исследователи выявили 5 категорий, которые вместе дают полное покрытие инструкций. Обновление инструкций по этой структуре повысило точность следования AI требованиям с ~49% до ~72% — прирост почти в полтора раза.
Схема метода
КАТЕГОРИЯ 1: Роль и идентичность
→ Кто ты, какой у тебя стиль, какой уровень экспертизы
КАТЕГОРИЯ 2: Архитектурные ограничения
→ Как структурировать результат, какие паттерны использовать,
какие принципы соблюдать
КАТЕГОРИЯ 3: Стиль и форматирование
→ Как оформлять ответы: длина, структура, тональность, язык
КАТЕГОРИЯ 4: Рабочий процесс
→ Как вести диалог, какие шаги выполнять, что уточнять перед ответом
КАТЕГОРИЯ 5: Технический контекст / предметная область
→ Специфика задач: термины, инструменты, ограничения домена
ОБСЛУЖИВАНИЕ: когда AI ошибается
→ Добавляй новое правило «не делай X» — не редактируй старое
Всё это — один блок инструкций. Заполняешь один раз, используешь постоянно.
Пример применения
Задача: Михаил Токовинин (основатель amoCRM) хочет настроить Claude под работу с деловыми текстами — коммерческие предложения, питчи, переписка с партнёрами. Сейчас AI периодически пишет слишком академично, путает тональность и добавляет ненужные оговорки.
Промпт (custom instructions / системный промпт):
## Роль
Ты — опытный B2B-копирайтер с фокусом на SaaS и корпоративные продажи
в российском рынке. Твой голос: прямой, уверенный, без лишней вежливости.
## Архитектурные принципы
- Каждый деловой текст = проблема → решение → доказательство → призыв к действию
- Не начинай с предыстории компании — сразу к боли клиента
- Одна центральная идея на текст, остальное — поддержка
## Стиль и формат
- Короткие предложения (не длиннее 15 слов)
- Без пассивного залога («было принято решение» → «мы решили»)
- Без корпоративного новояза: «синергия», «экосистема», «value proposition»
заменяй на русские слова
- Заголовки — утверждения, не вопросы
## Рабочий процесс
- Если задача неясна — задай один уточняющий вопрос перед написанием
- После текста предложи 1-2 альтернативных варианта заголовка
- Если просят «сделать профессиональнее» — уточни: формальнее или убедительнее?
## Контекст
- Аудитория: B2B, средний и крупный бизнес, ЛПРы (лица, принимающие решения)
- Продукт: CRM-системы и инструменты автоматизации продаж
- Рынок: Россия, СНГ. Ценообразование в рублях
## Негативные ограничения (добавляются по мере работы)
- Не используй слово «уникальный» — это пустое слово
- Не заканчивай питчи вопросом «Готовы обсудить?» — слишком мягко
Результат:
Каждый следующий запрос Claude будет начинать с этого контекста. Текст сразу выйдет с нужной структурой (боль → решение) и тональностью. Блок «Негативные ограничения» — живой: каждый раз, когда AI сделает что-то не то, добавляй туда новое правило вместо того чтобы переписывать всё остальное.
Почему это работает
LLM не помнит ваши предпочтения между сессиями. Каждый новый чат — чистый лист. Без постоянных инструкций вы каждый раз объясняете заново кто вы, что хотите, в каком стиле писать. Это потеря времени и непредсказуемый результат — «то попадает, то нет».
Модель лучше следует инструкциям, когда они охватывают весь контекст. Если написать только про стиль — AI не знает структуру. Если только про роль — не знает формат. Пять категорий закрывают все типы неопределённости: кто ты, как структурировать, как оформлять, как работать, про что мы говорим.
Негативные ограничения работают точнее, чем позитивные. «Пиши убедительно» — размыто, AI интерпретирует по-своему. «Не используй слово "уникальный"» — конкретно и однозначно. Именно поэтому исследование обнаружило: самые эффективные обновления инструкций — это добавление новых запретов, а не редактирование существующих правил.
Рычаги управления: - Добавь «всегда уточняй X» в блок Рабочий процесс → меньше промахов на старте - Наращивай блок Негативных ограничений по мере работы → точность растёт со временем - Убери категорию Роль → AI будет следовать правилам, но без персонажа; иногда это лучше для технических задач - Пересматривай инструкции раз в месяц → они устаревают по мере изменения задач
Шаблон промпта
## Роль
Ты — {роль и специализация}. Твой голос: {характеристики стиля}.
## Архитектурные принципы
- {Основной структурный принцип результата}
- {Что важно в логике/структуре ответов}
- {Паттерн, которому следовать}
## Стиль и формат
- {Правило оформления 1}
- {Правило оформления 2}
- {Что запрещено в стиле}
## Рабочий процесс
- {Что делать перед ответом если задача неясна}
- {Что делать после основного ответа}
- {Как обрабатывать типичные запросы}
## Контекст задач
- Аудитория: {кто читатель/пользователь результата}
- Предмет: {о чём работаем}
- Ограничения: {что специфично для этой области}
## Негативные ограничения
- Не {конкретное действие которое AI делает неправильно}
Что подставлять:
- {роль} — эксперт, помощник, редактор, аналитик — выбери по задаче
- {архитектурные принципы} — это самое важное и самое часто пропускаемое: как устроен хороший результат
- Негативные ограничения — начни с пустым блоком, добавляй по мере работы
🚀 Быстрый старт — вставь в чат:
Помоги мне заполнить шаблон постоянных инструкций для работы в ChatGPT/Claude.
Моя задача: {опиши чем занимаешься}.
Задавай вопросы по одной категории за раз.
[вставить шаблон выше]
LLM спросит о роли, задачах, типичных ошибках AI, стилевых предпочтениях — потому что без этого не сможет заполнить каждую из пяти категорий. Она возьмёт структуру шаблона и адаптирует под твой контекст.
Ограничения
⚠️ Инструкции устаревают: Если задачи меняются, а инструкции не обновляются — AI всё хуже попадает в цель. Исследование показало: без обновлений соответствие падает ниже 50%. Пересматривай блок раз в несколько недель.
⚠️ Архитектурные правила сложнее сформулировать: Написать «шрифт 12» просто. Написать «структура аргументации должна идти от боли к решению» — труднее. Именно поэтому большинство людей ограничиваются форматированием. Но именно архитектурные правила дают наибольший эффект.
⚠️ Длинные инструкции снижают соблюдение: Исследование МакМиллана (цитируется в работе) показало — чем длиннее диалог, тем хуже AI следует правилам. Это не баг инструкций, это ограничение модели. Дублируй ключевые правила в запросе если сессия длинная.
⚠️ Конфликты между правилами: Если правила противоречат друг другу (например, «будь краток» и «всегда давай три варианта»), AI ведёт себя непредсказуемо. Периодически перечитывай инструкции на внутренние противоречия.
Как исследовали
Команда Уханьского университета собрала 83 open-source проекта с GitHub, которые явно разрабатывались в AI-ориентированных IDE (Cursor, Windsurf, Trae, Qoder, Kiro). Из них извлекли 325 файлов с инструкциями и вручную закодировали 7310 отдельных правил — каждое было отнесено к одной из категорий. Параллельно опросили 99 разработчиков с реальным опытом работы с этими системами.
Самое интересное — разрыв между восприятием и практикой. Разработчики в опросе называли архитектурные ограничения критически важными. Но реальные файлы правил состояли преимущественно из мелких форматных инструкций. Это как спросить менеджера «что важно в работе?» — он скажет «стратегия», а посмотришь на его день — там только почта и совещания.
Для оценки эффекта обновлений исследователи взяли 160 событий изменения правил и проверили, насколько код в репозитории стал соответствовать обновлённым инструкциям до и после. Прирост составил почти 23 процентных пункта — с 49% до 72%. Это измеримый, реальный эффект обычного обновления текстового файла. Неожиданностью стало то, что большинство улучшений давало расширение контекста (добавление нового), а не исправление ошибок — хотя сами разработчики думали наоборот.
Адаптации и экстраполяции
💡 Адаптация для карьерных задач
Те же 5 категорий работают как шаблон для «AI-ассистента по карьере»:
## Роль
Ты — карьерный советник, специализирующийся на IT и
продуктовом менеджменте в России. Прямой стиль, без воды.
## Архитектурные принципы
- При разборе ситуации: что произошло → что это говорит
о системе → что можно изменить
- Не давай рекомендации без понимания контекста компании
## Стиль и формат
- Конкретные следующие шаги, не общие советы
- Если совет зависит от контекста — скажи от чего именно
## Рабочий процесс
- Прежде чем дать совет по карьерному решению — задай
2-3 уточняющих вопроса о ситуации
- Предлагай 2 сценария: консервативный и рискованный
## Контекст
- Опыт: 5+ лет в продукте, рынок РФ и СНГ
- Цель: рост до CPO или основание своей компании
## Негативные ограничения
- Не советуй «просто поговори с менеджером» как
единственный выход
🔧 Техника: живой блок ошибок → точность растёт со временем
Заведи отдельный раздел в инструкциях — «Журнал ошибок». Каждый раз, когда AI делает что-то не так, добавляй строку:
## Негативные ограничения (обновляется)
- Не начинай ответ с «Конечно!» или «Отлично!» ← добавлено 3 мая
- Не предлагай ChatGPT как инструмент — я его уже использую ← добавлено 10 мая
- Не давай списки из 10+ пунктов — максимум 5 ← добавлено 15 мая
Инструкции становятся умнее с каждой итерацией. Это точно воспроизводит главный паттерн из исследования: самые эффективные обновления — добавление новых запретов, а не редактирование старых правил.
Ресурсы
Rule Taxonomy and Evolution in AI IDEs: A Mining and Survey Study ACM Transactions on Software Engineering and Methodology, June 2026 DOI: https://doi.org/10.1145/nnnnnnn.nnnnnnn
Авторы: Guangzong Cai, Ruiyin Li, Peng Liang (Уханьский университет, Китай), Zengyang Li (Центральный педагогический университет Китая), Mojtaba Shahin (RMIT University, Австралия)
Связанные ресурсы упомянутые в работе: - cursor.directory/rules — библиотека готовых правил для Cursor IDE - SemanticCommit (Vaithilingam et al.) — интерфейс для встраивания намерений в правила