[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-user-prompt::ru":3,"gloss-cluster-user-prompt::ru":20,"gloss-next-user-prompt::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"user-prompt","prompt-eng","Пользовательский промпт","Пользовательский промпт — это роль сообщения в вызове LLM API, представляющая ввод от конечного пользователя (или, в автоматизированном пайплайне, от вызывающего приложения от имени пользователя), в отличие от системного промпта (который задаёт постоянное поведение) и собственных ответов модели\u002Fассистента. В типичном вызове API для завершения чата массив сообщений чередуется система → пользователь → ассистент → пользователь → ассистент, и каждая запись «пользователь» является пользовательским промптом. Понимание этого различия важно для разработчиков SaaS, потому что эти два типа промптов имеют разный уровень доверия и разные цели проектирования: системный промпт создаётся и контролируется разработчиком и должен содержать стабильные правила продукта; пользовательский промпт часто частично или полностью получен из недоверенного внешнего ввода (сообщение клиента, спарсенная веб-страница, загруженный документ) и должен обрабатываться с большей осторожностью, особенно в отношении риска prompt injection. В многоходовых разговорах полная история пользовательских и ассистентских промптов («контекст») обычно повторно отправляется с каждым новым вызовом, поскольку большинство API LLM не сохраняют состояние между запросами — приложение отвечает за поддержание и усечение истории разговора в пределах контекстного окна. Хорошо спроектированные продукты часто формируют пользовательский промпт программно, а не берут сырой пользовательский ввод дословно, оборачивая его разделителями или лёгкими инструкциями (например, «Пользователь спросил: \u003C\u003C{{raw_input}}>>. Отвечай, используя только контекст FAQ выше»), чтобы удержать модель на её задаче, даже если исходный человеческий ввод беспорядочен, не по теме или враждебен. Конкретный пример: чат-бот документации получает сырой вопрос пользователя «как мне отменить подписку???» — приложение оборачивает его перед отправкой: системный промпт определяет охват и тон ассистента; пользовательский промпт становится таким: «Ответь на следующий вопрос пользователя, используя только предоставленный контекст документации. Если ответа нет в контексте, скажи, что не знаешь.\\n\\nКонтекст: {{retrieved_docs}}\\n\\nВопрос пользователя: как мне отменить подписку???» Сырой, неформально сформулированный пользовательский ввод встраивается как данные внутри структурированного пользовательского промпта — это распространённый паттерн RAG (retrieval-augmented generation, генерация с дополнением поиском). Такое оборачивание важно и для логирования с аналитикой: поскольку пользовательский промпт, реально отправленный модели, отличается от сырого текста, набранного человеком, зрелые ИИ-продукты логируют оба варианта — сырой человеческий ввод для UX и анализа поддержки, и полностью сформированный пользовательский промпт для отладки поведения модели и воспроизведения проблем — поскольку запутанный ответ модели часто можно объяснить тем, как шаблон обёртки в тот конкретный день скомпоновал определённый срез контекста и инструкций вокруг иначе идентичного пользовательского ввода.","Пользовательский промпт — конкретный ввод (вопрос, команда или контент), который человек или приложение отправляет модели в рамках хода диалога.",null,[11,14,17],{"slug":12,"name":13},"context-window","Контекстное окно",{"slug":15,"name":16},"delimiter","Разделитель (Delimiter)",{"slug":18,"name":19},"system-prompt","Системный промпт",[21,25,28,31,35,38,41,44,47,48,51,54],{"slug":22,"category":5,"name":23,"updated_at":24},"analogical-prompting","Analogical Prompting","2026-08-24T02:46:37+00:00",{"slug":26,"category":5,"name":27,"updated_at":24},"automatic-prompt-optimization","Автоматическая оптимизация промптов",{"slug":29,"category":5,"name":30,"updated_at":24},"chain-of-density","Цепочка плотности (CoD)",{"slug":32,"category":5,"name":33,"updated_at":34},"chain-of-thought-prompting","Chain-of-thought-промптинг (промптинг с цепочкой рассуждений)","2026-08-24T02:46:36+00:00",{"slug":36,"category":5,"name":37,"updated_at":24},"chain-of-verification","Chain-of-Verification",{"slug":39,"category":5,"name":40,"updated_at":34},"chunking","Чанкинг (Chunking)",{"slug":42,"category":5,"name":43,"updated_at":34},"constrained-decoding","Ограниченное декодирование (Constrained Decoding)",{"slug":45,"category":5,"name":46,"updated_at":34},"context-stuffing","Переполнение контекста (Context Stuffing)",{"slug":15,"category":5,"name":16,"updated_at":34},{"slug":49,"category":5,"name":50,"updated_at":24},"directional-stimulus-prompting","Directional Stimulus Prompting",{"slug":52,"category":5,"name":53,"updated_at":24},"emotion-prompting","Emotion Prompting",{"slug":55,"category":5,"name":56,"updated_at":34},"few-shot-prompting","Few-shot-промптинг (промптинг с примерами)"]