Перевод с разбором · для Вани

Обзор промпт-инжиниринга

Зачем тебе это нужно

У тебя веб-система управления мини-производством лестниц на Kotlin + Ktor + Postgres + React. Если ты планируешь подпускать LLM хоть куда-нибудь — парсить заявки от клиентов, помогать с расчётами, формировать сметы или подсказывать мастеру — качество этой интеграции на 80% зависит не от модели, а от того, как ты её попросишь. Промпт-инжиниринг — это инженерная дисциплина про то, как формулировать запрос. Одинаково верно и для ChatGPT в браузере, и для API внутри твоего backend.

Прежде чем тюнить промпты

У Anthropic три предусловия. Все разумные:

1. Чёткие критерии успеха. Что значит «хорошо работает»? Для заявки: «распознала тип лестницы, этажность, материал, приблизительную длину марша в 95% случаев». Для сметы: «итоговые числа совпадают с ручным расчётом ±2%».
2. Способ эмпирически проверять. Набор из 20–50 реальных заявок, смет, типичных проблемных кейсов, на которых ты быстро говоришь: новый промпт лучше или хуже. Считай это test-фикстурой для LLM-фичи.
3. Первый набросок промпта. Не идеальный — достаточно «что-то работает». Дальше итерируешь.

Когда промпт-инжиниринг помогает

Чинит «как модель рассуждает и выдаёт»: формат, структура, удержание роли, тон, отказ от нерелевантных ответов. Не чинит «сколько стоит и как быстро» — эти задачи обычно решаются сменой модели (например, классификацию заявок пускать через Haiku 4.5 или GPT-5.4 mini, а сложную оценку прибыльности — через Opus или GPT-5.4).

Как заниматься промпт-инжинирингом

Базовые техники — ясные инструкции, примеры (few-shot), XML-теги для структурированных данных, назначение роли, chain-of-thought, цепочки промптов — разобраны Anthropic в одном большом документе. В этом справочнике каждая тема вынесена в отдельную статью. Порядок чтения — в твоём роадмэпе.

Как учиться

Кроме чтения — интерактивный tutorial Anthropic на GitHub (anthropic/prompt-eng-interactive-tutorial). Англоязычный, но Claude может переводить на лету.

Что это значит для твоей системы

• Каждый промпт, который ты используешь в проде, держи в отдельном файле (prompts/parse_order.prompt, prompts/generate_estimate.prompt). Коммить в git.
• Рядом с промптом — файл тест-кейсов: 10–30 реальных или похожих на реальные входов с ожидаемыми выходами.
• Заведи в Kotlin тонкую обёртку над LLM-вызовом, которая читает промпт из файла и валидирует выход (обычно JSON по схеме). Подробнее — в статье про XML-теги.
• Никогда не позволяй LLM принимать финансовые решения напрямую. LLM — это парсер и помощник; числа всегда должен считать твой Kotlin-код.

Полная версия — в docs/overview.html.