[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-prompt::ru":3,"gloss-cluster-prompt::ru":23,"gloss-next-prompt::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"prompt","core-ai","Промпт","Промпт (prompt) — это полный вход, передаваемый LLM для получения ответа — он может быть таким же простым, как единственный вопрос, или таким же продуманным, как многосоставной набор инструкций, объединяющий системный промпт (постоянные поведенческие инструкции), few-shot примеры (образцы пар вход\u002Fвыход, демонстрирующие желаемый формат), извлечённый контекст (из пайплайна RAG) и собственный вопрос пользователя. Промпты — основной интерфейс, который SaaS-разработчики используют для управления поведением LLM, не трогая веса модели, что делает дизайн промптов (часто называемый промпт-инжинирингом) одним из самых рычаговых навыков при создании AI-функций — хорошо структурированный промпт может превратить универсальную модель в надёжный, узко заточенный инструмент именно под ваш случай использования. Основные рычаги хорошего промпта: явное указание желаемого формата вывода (обычный текст, JSON или markdown), предоставление релевантного контекста, который нужен модели, но которого у неё нет (специфическая терминология вашего продукта, данные аккаунта пользователя, извлечённые документы), указание ограничений (лимиты по длине, тон, что делать НЕ надо) и — для сложных задач — предоставление модели пространства для рассуждения перед ответом (chain-of-thought). Конкретный пример: расплывчатый промпт вроде «Напиши о наших ценах» даст шаблонный, непредсказуемый результат. Хорошо продуманный промпт для той же задачи выглядит так: `\"Ты копирайтер страницы цен для SaaS-продукта управления проектами. Напиши резюме из 3 предложений о нашем плане Pro (29$\u002Fмес, неограниченные проекты, приоритетная поддержка, доступ к API), нацеленное на фрилансеров, выбирающих между Free и Pro. Тон: уверенный, без хайповых слов вроде 'революционный' или 'меняющий правила игры'. Выведи только обычный текст.\"` — это стабильно даёт пригодный к использованию, соответствующий бренду текст, потому что убирает неоднозначность в отношении аудитории, формата, содержания и тона. В продакшн-системах промпты обычно шаблонизируются (с переменными вроде `{{user_name}}`, `{{account_tier}}`, интерполируемыми во время запроса), версионируются и A\u002FB-тестируются, как любая другая поверхность продукта, поскольку небольшие изменения формулировок могут заметно сдвинуть качество вывода, соответствие формату и даже частоту галлюцинаций. Соглашения по структуре промптов стали довольно стандартизированными в индустрии: системный промпт задаёт постоянное поведение и ограничения (роль, тон, формат вывода, от чего отказываться); сообщения пользователя и ассистента несут собственно диалог; и всё чаще выделенная роль сообщения «tool» или «function» переносит модели результаты вызовов функций. Разработчикам также стоит относиться к промптам как к версионированным, протестированным артефактам, а не одноразовым строкам — небольшое изменение формулировки («суммируй» против «кратко суммируй в 2 предложениях») может измеримо сдвинуть длину вывода, соответствие формату и даже фактическую точность, поэтому зрелые AI-продукты ведут библиотеку промптов с историей изменений и запускают регрессионные оценки перед развёртыванием изменения промпта в продакшн.","Промпт — входной текст (инструкции, контекст, вопросы), отправляемый LLM для получения ответа; качество промпта определяет качество вывода.",null,[11,14,17,20],{"slug":12,"name":13},"few-shot-prompting","Few-shot-промптинг (промптинг с примерами)",{"slug":15,"name":16},"inference","Инференс",{"slug":18,"name":19},"system-prompt","Системный промпт",{"slug":21,"name":22},"temperature","Температура (Temperature)",[24,28,32,36,39,42,45,48,51,54,57,60],{"slug":25,"category":5,"name":26,"updated_at":27},"agentic","Агентный AI (Agentic AI)","2026-08-24T02:46:36+00:00",{"slug":29,"category":5,"name":30,"updated_at":31},"alignment-tax","Налог на выравнивание (Alignment Tax)","2026-08-24T02:46:37+00:00",{"slug":33,"category":5,"name":34,"updated_at":35},"artificial-intelligence","Искусственный интеллект (ИИ)","2026-08-24T02:46:38+00:00",{"slug":37,"category":5,"name":38,"updated_at":27},"attention","Внимание (Attention)",{"slug":40,"category":5,"name":41,"updated_at":35},"beam-search","Лучевой поиск",{"slug":43,"category":5,"name":44,"updated_at":31},"benchmark-contamination","Загрязнение бенчмарка (Benchmark Contamination)",{"slug":46,"category":5,"name":47,"updated_at":31},"catastrophic-forgetting","Катастрофическое забывание (Catastrophic Forgetting)",{"slug":49,"category":5,"name":50,"updated_at":35},"computer-vision","Компьютерное зрение",{"slug":52,"category":5,"name":53,"updated_at":31},"constitutional-ai","Конституционный ИИ (Constitutional AI)",{"slug":55,"category":5,"name":56,"updated_at":27},"context-window","Контекстное окно",{"slug":58,"category":5,"name":59,"updated_at":35},"deep-learning","Глубокое обучение",{"slug":61,"category":5,"name":62,"updated_at":27},"diffusion-model","Диффузионная модель (Diffusion Model)"]