---
title: "Основные приёмы Prompt Engineering"
source: "https://systems-analysis.info/wiki/%D0%9E%D1%81%D0%BD%D0%BE%D0%B2%D0%BD%D1%8B%D0%B5_%D0%BF%D1%80%D0%B8%D1%91%D0%BC%D1%8B_Prompt_Engineering"
wiki: "systems-analysis.info/wiki"
article: "Основные_приёмы_Prompt_Engineering"
language: "ru"
categories:
- "Категория:Prompt инжиниринг"
- "Категория:Russian"
- "Категория:Большие языковые модели"
- "Категория:Машинное обучение"
revision_id: 327
wiki_created_at: 2026-09-06T22:07:11Z
wiki_modified_at: 2026-09-06T22:07:11Z
downloaded_at: 2026-09-07T22:19:07Z
---
# Основные приёмы Prompt Engineering
**Промпт-инжиниринг** включает в себя разнообразные техники и методики, направленные на оптимизацию взаимодействия с [большими языковыми моделями (LLM)](https://systems-analysis.info/wiki/%D0%91%D0%BE%D0%BB%D1%8C%D1%88%D0%B8%D0%B5_%D1%8F%D0%B7%D1%8B%D0%BA%D0%BE%D0%B2%D1%8B%D0%B5_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8 "Большие языковые модели") для получения желаемых результатов. Эти приёмы касаются структурирования запросов, предоставления контекста, управления стилем вывода и улучшения способности модели к рассуждению. Поскольку LLM генерируют ответ, предсказывая следующие [токены](https://systems-analysis.info/wiki/%D0%A2%D0%BE%D0%BA%D0%B5%D0%BD "Токен") на основе входного промпта, качество и структура этого промпта напрямую влияют на результат. Основные приёмы промпт-инжиниринга позволяют разработчикам и пользователям эффективно управлять поведением модели, снижать ошибки и адаптировать её к конкретным задачам без необходимости изменения внутренних параметров модели.
## Базовые принципы и структура промпта
Хотя конкретные реализации варьируются, эффективные промпты часто строятся с учетом общих принципов и структуры:
- **Эмпирические ориентиры:** В качестве одной из практических структур (но не отраслевого стандарта) предлагается придерживаться следующих принципов: Дать Направление, Указать Формат, Предоставить Примеры, Оценить Качество и Разделить Задачу.
- Эффективный промпт часто включает следующие компоненты:
- **Введение/Роль:** Задает контекст задачи или роль/персону модели.
- **Инструкции:** Четкие указания, что нужно сделать.
- **Контекст:** Необходимая информация (статическая или динамически извлеченная через RAG).
- **Примеры (Few-shot):** Демонстрация желаемого формата/стиля.
- **Запрос ответа:** Явное указание, что модель должна сгенерировать.
- **Системное сообщение (System Prompt):** В чат-интерфейсах API (например, у моделей OpenAI, Anthropic) позволяет задать глобальные инструкции и роль для всей сессии.
- **Форматирование:** Использование Markdown, JSON, XML или YAML помогает структурировать промпт и облегчает парсинг ответа. Разделители (\`\`\`, \`"""\`, XML-теги) важны для отделения инструкций от данных.
## Основные техники инструкций и примеров
- **Четкие и конкретные инструкции:** Максимально точно описать задачу, желаемый результат и ограничения. Избегать двусмысленности.
- **[Ролевое моделирование](https://systems-analysis.info/wiki/Role_Prompting "Role Prompting") (Role Prompting):** Назначение модели роли ("Ты - эксперт по...") для управления тоном, стилем и базой знаний.
- **Zero-shot Prompting:** Запрос без примеров. Эффективен для простых или хорошо знакомых модели задач.
- **Few-Shot Prompting:** Предоставление нескольких (обычно от 2 до 5) примеров "вопрос-ответ" для демонстрации задачи. Частным случаем является **One-shot Prompting** с одним примером. Особенно полезно для сложных форматов или стилей. Требует осторожности, чтобы избежать смещения (anchoring) или улавливания ложных паттернов из примеров.
## Техники управления контекстом
- **Retrieval-Augmented Generation (RAG):** Динамическое добавление релевантной информации из внешних баз знаний в промпт перед отправкой LLM. Впервые предложенный Meta AI в 2020 году, этот метод является ключевым для борьбы с галлюцинациями и обеспечения актуальности данных.
- **Чанкинг (Chunking):** Разбиение больших текстов на меньшие части (чанки), чтобы уложиться в [контекстное окно](https://systems-analysis.info/wiki/%D0%9A%D0%BE%D0%BD%D1%82%D0%B5%D0%BA%D1%81%D1%82%D0%BD%D0%BE%D0%B5_%D0%BE%D0%BA%D0%BD%D0%BE "Контекстное окно") модели. Стратегии включают разбиение по предложениям, параграфам, токенам (с перекрытием).
- **Суммаризация:** Сжатие длинных текстов или истории диалога для передачи основного смысла в ограниченном контексте.
## Техники улучшения рассуждений (Reasoning)
Эти техники направлены на то, чтобы заставить модель "думать" более тщательно и структурированно. Эффективность многих из них, особенно CoT, проявляется на моделях большого масштаба (как правило, более 100 млрд параметров).
- **[Chain-of-Thought (CoT)](https://systems-analysis.info/wiki/Chain-of-Thought_Prompting "Chain-of-Thought Prompting"):** Инструкция модели генерировать пошаговое рассуждение перед финальным ответом. Существенно улучшает результаты в математике, логике и многоэтапных задачах.
- **Zero-shot CoT:** Простейшая форма, не требующая примеров. Добавление в промпт фразы вроде «Давай рассуждать по шагам» (Let's think step by step) уже способно запустить цепочку рассуждений.
- **Вариации CoT:**
- **Auto-CoT:** Автоматическая генерация примеров рассуждений для few-shot промптинга.
- **[Self-Consistency](https://systems-analysis.info/wiki/Self-Consistency_prompting "Self-Consistency prompting"):** Генерация нескольких цепочек рассуждений и выбор наиболее частого ответа путем "голосования", что повышает надежность.
- **[Tree-of-Thoughts (ToT)](https://systems-analysis.info/wiki/Tree_of_Thoughts_(ToT) "Tree of Thoughts (ToT)"):** Исследование нескольких путей рассуждений в виде дерева, с возможностью возврата и оценки промежуточных шагов. Эта техника демонстрирует высокую эффективность в сложных задачах, например, повышая успешность решения "Game of 24" с ~4% до ~74%.
- **Graph-of-Thought (GoT), LogiCoT** и другие, направленные на более сложные или логически верифицированные рассуждения.
- **[ReAct](https://systems-analysis.info/wiki/ReAct_Prompting "ReAct Prompting") (Reason and Act):** Техника, развивающая [CoT](https://systems-analysis.info/wiki/Chain-of-Thought_Prompting "Chain-of-Thought Prompting"). Представляет собой итеративный цикл, где модель чередует шаги Рассуждения (Thought) и Действия с использованием Инструментов (Act), обновляя свое понимание на основе Наблюдений (Observation).
- **[Self-Refine](https://systems-analysis.info/wiki/Self%E2%80%91refine_prompting "Self‑refine prompting"):** Итеративный процесс, в котором модель сначала генерирует ответ, затем критикует его и, наконец, улучшает на основе собственной критики. Этот цикл "генерация-критика-улучшение" может повторяться несколько раз.
- **Take a Step Back Prompting:** Модель сначала формулирует общие принципы или абстракции, а затем применяет их к конкретной задаче.
## Продвинутые техники: агенты и инструменты
- **Использование инструментов (Tool Usage) / Функциональный вызов (Function Calling):** Предоставление LLM возможности вызывать внешние API (поиск, калькулятор, БД). Модель генерирует структурированный запрос на вызов инструмента, который выполняется приложением, а результат возвращается модели. Современные LLM (GPT-4, Claude 3) имеют встроенную поддержку этой функции.
- **[Агенты](https://systems-analysis.info/wiki/AI-%D0%B0%D0%B3%D0%B5%D0%BD%D1%82 "AI-агент") (Agents):** Системы на базе LLM, которые могут автономно планировать, использовать инструменты и действовать для достижения цели. Часто используют ReAct-подобные циклы. Фреймворки ([LangChain](https://systems-analysis.info/wiki/LangChain "LangChain"), AutoGen, CrewAI) упрощают их создание.
- **Многоагентные системы:** Взаимодействие нескольких специализированных агентов для решения комплексных задач.
## Техники снижения ошибок и галлюцинаций
- **RAG:** Привязка ответов к извлеченным фактическим данным.
- **Инструкции по ограничению ответа:** Требование отвечать только на основе предоставленного контекста или указывать на неуверенность ("Если ответ неизвестен, скажи 'Я не знаю'").
- **Запрос цитирования:** Требование модели указывать источники или цитировать части контекста, на которых основан ответ.
- **Верификация и самокритика:** Использование техник, таких как **Chain-of-Verification (CoVe)** (генерация ответа с последующей его проверкой и корректировкой), Self-Refine или прямой запрос к модели проверить свой ответ на ошибки.
- **CoT:** Пошаговое рассуждение само по себе может снизить логические ошибки.
## Техники оценки и итерации
Хотя оценка — это отдельный процесс, некоторые её аспекты являются частью промпт-инжиниринга:
- **A/B Тестирование промптов:** Сравнение эффективности разных версий промптов на одних и тех же задачах.
- **Использование LLM для оценки:** Применение мощной модели (например, GPT-4) для оценки качества ответов, сгенерированных другим промптом или моделью (LLM-as-a-Judge).
## Паттерны промптов
Распространенные переиспользуемые структуры:
- **Паттерн Персоны (Persona Pattern).**
- **Паттерн Кастомизации Вывода (Output Customization Pattern).**
- **Паттерн Запроса Уточнений (Question Refinement Pattern).**
- **Паттерн Когнитивной Верификации / Самокритики (Cognitive Verifier / Self-Critique Pattern).**
- **Паттерн Пошагового Рассуждения (Step-by-Step / Chain-of-Thought Pattern).**
- **Паттерн Шаблона (Template Pattern).**
## См. также
- [Большие языковые модели](https://systems-analysis.info/wiki/%D0%91%D0%BE%D0%BB%D1%8C%D1%88%D0%B8%D0%B5_%D1%8F%D0%B7%D1%8B%D0%BA%D0%BE%D0%B2%D1%8B%D0%B5_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8 "Большие языковые модели")
- [Chain-of-Thought Prompting](https://systems-analysis.info/wiki/Chain-of-Thought_Prompting "Chain-of-Thought Prompting")
- [Галлюцинации и некорректные ответы LLM](https://systems-analysis.info/wiki/%D0%93%D0%B0%D0%BB%D0%BB%D1%8E%D1%86%D0%B8%D0%BD%D0%B0%D1%86%D0%B8%D0%B8_%D0%B8_%D0%BD%D0%B5%D0%BA%D0%BE%D1%80%D1%80%D0%B5%D0%BA%D1%82%D0%BD%D1%8B%D0%B5_%D0%BE%D1%82%D0%B2%D0%B5%D1%82%D1%8B_LLM "Галлюцинации и некорректные ответы LLM")
## Литература
- Radford, A. et al. (2019). *Language Models are Unsupervised Multitask Learners*. PDF.
- Brown, T. B. et al. (2020). *Language Models are Few-Shot Learners*. arXiv:2005.14165.
- Lewis, P. et al. (2020). *Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks*. arXiv:2005.11401.
- Li, X. L.; Liang, P. (2021). *Prefix-Tuning: Optimizing Continuous Prompts for Generation*. arXiv:2101.00190.
- Liu, Y. et al. (2021). *Fantastically Ordered Prompts and Where to Find Them: Overcoming Few-Shot Prompt Order Sensitivity*. arXiv:2104.08786.
- Bai, Y. et al. (2022). *Constitutional AI: Harmlessness from AI Feedback*. arXiv:2212.08073.
- Wei, J. et al. (2022). *Chain-of-Thought Prompting Elicits Reasoning in Large Language Models*. arXiv:2201.11903.
- Wang, X. et al. (2022). *Self-Consistency Improves Chain of Thought Reasoning in Language Models*. arXiv:2203.11171.
- Kojima, T. et al. (2022). *Large Language Models are Zero-Shot Reasoners*. arXiv:2205.11916.
- Zhang, Z. et al. (2022). *Automatic Chain of Thought Prompting in Large Language Models*. arXiv:2210.03493.
- Zhou, D. et al. (2022). *Least-to-Most Prompting Enables Complex Reasoning in Large Language Models*. arXiv:2205.10625.
- Yao, S. et al. (2022). *ReAct: Synergizing Reasoning and Acting in Language Models*. arXiv:2210.03629.
- Besta, M. et al. (2023). *Graph of Thoughts: Solving Elaborate Problems with Large Language Models*. arXiv:2308.09687.
- Madaan, A. et al. (2023). *Self-Refine: Iterative Refinement with Self-Feedback*. arXiv:2303.17651.
- Schick, T. et al. (2023). *Toolformer: Language Models Can Teach Themselves to Use Tools*. arXiv:2302.04761.
- Rafailov, R. et al. (2023). *Direct Preference Optimization: Your Language Model is Secretly a Reward Model*. arXiv:2305.18290.
- Wang, Y. et al. (2023). *Self-Instruct: Aligning Language Models with Self-Generated Instructions*. arXiv:2212.10560.
- Yao, S. et al. (2023). *Tree of Thoughts: Deliberate Problem Solving with Large Language Models*. arXiv:2305.10601.
- Chen, S. Y. et al. (2023). *Extending Context Window of Large Language Models via Positional Interpolation*. arXiv:2306.15595.
- Chang, K. et al. (2024). *Efficient Prompting Methods for Large Language Models: A Survey*. arXiv:2404.01077.
- Genkina, D. (2024). *AI Prompt Engineering Is Dead*. *IEEE Spectrum*. [1].
- Li, Z. et al. (2024). *Prompt Compression for Large Language Models: A Survey*. arXiv:2410.12388.
- Liang, X. et al. (2024). *Internal Consistency and Self-Feedback in Large Language Models: A Survey*. arXiv:2407.14507.
- Han, H. et al. (2025). *Retrieval-Augmented Generation with Graphs (GraphRAG)*. arXiv:2501.00309.
- Li, W. et al. (2025). *A Survey of Automatic Prompt Engineering: An Optimization Perspective*. arXiv:2502.11560.
- Wu, Z. et al. (2025). *The Dark Side of Function Calling: Pathways to Jailbreaking Large Language Models*. *EMNLP 2025*. PDF.
- Yang, B. et al. (2025). *Hallucination Detection in Large Language Models with Metamorphic Relations*. arXiv:2502.15844.