Разница между посредственным и отличным результатом от AI часто не в модели, а в том, как вы формулируете запрос. Prompt engineering — набор техник составления запросов, которые дают точные и предсказуемые ответы. Для бизнеса это навык с прямым финансовым эффектом: хороший промпт экономит тысячи рублей в месяц за счёт сокращения повторных запросов и ручной доработки.
Ниже — пять техник промпт-инжиниринга с бизнес-примерами. Каждая напрямую влияет на расходы и качество ответов.
Техника 1: Установка роли и контекста (Role Setting)
Самая простая техника — задать AI роль и контекст. Вместо абстрактного запроса «напиши текст о нашем продукте» вы говорите: «Ты — опытный маркетолог белорусской IT-компании, специализирующейся на B2B-решениях. Твоя аудитория — IT-директора компаний с оборотом от 5 млн BYN. Напиши текст о нашем продукте...». Модель мгновенно переключается на нужный стиль, уровень детализации и терминологию.
Для бизнес-применений всегда указывайте: кто говорит (роль), для кого (аудитория), в каком контексте (индустрия, рынок, ограничения). Промпт без роли — как задание для фрилансера без брифа: результат будет, но не тот. По нашему опыту, установка роли повышает релевантность ответа на 40–60% и сокращает количество итераций в 2–3 раза.
Техника 2: Few-Shot примеры — покажите, чего вы хотите
Few-shot prompting — это когда вы включаете в запрос 2–3 примера желаемого результата. Лучшая техника для задач, где важен формат и стиль. Вместо описания того, как должен выглядеть ответ, вы просто показываете образец, и модель повторяет паттерн с новыми данными.
Пример для генерации описаний товаров: «Входные данные: Ноутбук Lenovo ThinkPad X1, i7, 16GB, 512GB SSD. Описание: Lenovo ThinkPad X1 — рабочая лошадка для профессионалов, которым важна надёжность... Входные данные: Монитор Dell U2723QE, 27", 4K, USB-C. Описание: Dell U2723QE — идеальный монитор для тех, кто проводит за экраном 8+ часов... Теперь сгенерируй описание для: Клавиатура Logitech MX Keys S, беспроводная, подсветка.» Модель точно повторит стиль, длину и тональность ваших примеров.
Для бизнес-систем создавайте библиотеку few-shot примеров для каждого типа задач. Это одноразовая инвестиция, которая окупается многократно: новый сотрудник просто использует готовый промпт с примерами, и результат будет стабильно высокого качества.
Техника 3: Chain-of-Thought — пусть AI думает пошагово
Chain-of-Thought (CoT) — техника, при которой вы просите модель рассуждать пошагово перед тем, как дать финальный ответ. Особенно полезно для аналитических задач: финансовых расчётов, оценки рисков, принятия решений. Без CoT модель может «перескочить» к ответу, пропустив важные нюансы.
Пример для анализа коммерческого предложения: «Проанализируй это коммерческое предложение. Шаг 1: выдели ключевые условия (цена, сроки, гарантии). Шаг 2: сравни с рыночными условиями. Шаг 3: определи риски и скрытые затраты. Шаг 4: дай рекомендацию — принять, отклонить или запросить изменения. Объясни своё рассуждение на каждом шаге.» Такой промпт даёт значительно более глубокий и точный анализ, чем простой запрос «оцени предложение».
CoT особенно хорошо работает с GPT-5 и Claude Sonnet 4.5, которые обладают сильными способностями к рассуждению. Для бюджетных моделей эффект менее выражен, но всё равно заметен.
Техники 4 и 5: формат вывода и системные промпты
Техника 4 — спецификация формата вывода. Всегда явно указывайте, в каком формате нужен ответ: JSON, таблица, маркированный список, конкретная структура. Для API-интеграций это обязательно: «Верни результат в формате JSON с полями: summary (строка до 200 символов), sentiment (positive/negative/neutral), key_topics (массив строк, до 5 элементов), confidence (число от 0 до 1).» Без указания формата модель каждый раз будет отвечать по-разному, что сломает парсинг.
Техника 5 — системные промпты (system prompts). Системный промпт задаёт постоянные правила, которые действуют для всех сообщений в диалоге. Здесь размещайте: роль и контекст, правила и ограничения (что можно и нельзя), формат ответа по умолчанию, тон общения. Системный промпт — это «конституция» вашего AI-решения. Один раз настроили — и все ответы будут соответствовать стандартам.
Создайте шаблоны системных промптов для каждого бизнес-процесса. В AIAI.BY можно сохранять их как пресеты и переиспользовать через API. Результат: одинаково качественные ответы, кто бы ни отправлял запрос.
Типичные ошибки и как хорошие промпты экономят деньги
Ошибка 1: слишком общий запрос. «Напиши текст для сайта» — вы получите generic текст и потратите время на доработку. Ошибка 2: противоречивые инструкции. «Будь кратким, но подробно опиши все аспекты» — модель не сможет выполнить оба требования. Ошибка 3: отсутствие примеров. Для задач с определённым форматом 2–3 примера стоят тысячи слов описания. Ошибка 4: игнорирование системного промпта. Отправлять все инструкции в каждом сообщении — это дорого (повторные токены) и ненадёжно.
Про деньги: каждый повторный запрос — это оплата и входных, и выходных токенов заново. Плохой промпт требует 3 итерации — вы платите втрое. Для компании с 1 000 запросов в день разница между 1.2 и 3 итерации на запрос — тысячи рублей в месяц. Хорошие промпты окупают себя за дни.