Инженерия промптов выстроила небольшую индустрию на приёмах, и большинство из них теперь мертвы. Пообещать модели чаевые, пригрозить ей, начать с «действуй как эксперт мирового класса», прошептать «сделай глубокий вдох» — это поколение советов было настроено под модели эпохи 2023 года, и нынешнее поколение по большей части их игнорирует. Модели вроде Claude Opus, GPT-5.6 и Gemini 3.1 Pro следуют ясным, хорошо организованным инструкциям безо всяких церемоний.
Это не значит, что промптинг перестал иметь значение. Это значит, что умерла его неправильная половина. Заклинательная половина (хитрая формулировка, волшебные слова) ушла. А половина-бриф ценна как никогда, потому что модели теперь достаточно способны, чтобы действительно использовать каждое ограничение, каждый пример и каждый кусочек контекста, который вы им даёте. Разрыв между расплывчатым запросом и конкретным по-прежнему остаётся разрывом между шаблонным выводом и выводом, который можно сразу пускать в дело.
Вот версия этого ремесла образца 2026 года: что перестать делать, что всё ещё работает и почему, и промпты «до и после», которые можно скопировать.
Приёмы промптинга, которые тихо умерли
Ролевой театр — самая явная потеря. «Действуй как маркетолог мирового класса с 20-летним опытом» не добавляет ничего такого, что нынешняя модель и так не предполагает, когда вы задаёте ей вопрос по маркетингу. Роли по-прежнему помогают, когда несут информацию: «напиши это для налоговых бухгалтеров, которые ненавидят жаргон» меняет вывод, потому что это факт о читателе, а не комплимент модели. Роли-с-информацией живут; роли-лесть мертвы.
У чаевых и угроз был свой момент в конце 2023 года, когда неформальные эксперименты намекали, что обещание модели 200 долларов чуть подталкивало качество ответов на тогдашних моделях. Эти эффекты уже тогда были малыми и нестабильными, модели, на которых их измеряли, выведены из эксплуатации, и нет никаких свидетельств, что этот ритуал сейчас делает хоть что-то полезное. Приличное правило: если история происхождения приёма — это вирусный скриншот, перестаньте им пользоваться.
Волшебные фразы — случай интересный, потому что некоторые действительно работали. В 2023 году исследователи обнаружили, что «сделай глубокий вдох и реши эту задачу шаг за шагом» измеримо улучшало точность в математике на моделях той эпохи, а «думай шаг за шагом» годами было законным приёмом. Нынешние передовые модели выполняют это планирование внутри себя, прежде чем ответить, так что прикручивать фразу по большей части избыточно — хотя она всё ещё отрабатывает своё на маленьких локальных моделях, до которых мы ещё доберёмся.
Обратите внимание, что общего у всех мёртвых приёмов: они пытались изменить настрой модели. Всё, что выживает, меняет информацию модели.
Хороший промпт в 2026 году читается меньше как заклинание и больше как бриф, который вы вручили бы толковому фрилансеру.
Контекст и ограничения побеждают хитрую формулировку
Сравните эти два промпта для одной и той же задачи.
Act as an expert email marketer. Write the best possible launch email
for our new feature. Make it engaging and professional.Write a launch email for our invoicing app's new auto-reminder feature.
Audience: existing free-plan customers, mostly freelance designers.
Goal: get them to turn the feature on. This is not an upsell email.
Length: under 150 words, one CTA ("Turn on reminders").
Tone: plain and direct. No hype, no "exciting news," no emoji.
Do not mention pricing anywhere.Второй промпт побеждает по скучной причине: он принимает решения. Аудитория, цель, длина, тон, одно явное исключение. Ничего из этого не хитро, и всё это — информация, которую модель не может знать за вас. Оставьте эти решения без ответа, и модель заполнит их средними значениями — именно так и получается то взаимозаменяемое письмо с «ИИ-звучанием», которое теперь все узнают с первого взгляда.
Ограничения — это ещё и то место, где окупается длинный контекст. Модель вроде Claude Opus заявляет окно в 1 млн токенов, а значит, руководство по стилю, три прошлых письма, которые хорошо сработали, и документ по продукту — всё это можно положить в промпт как сырьё. Одна оговорка из практики: модели не взвешивают каждый токен одинаково, и свалка из двенадцати документов «для контекста» часто даёт меньше, чем два релевантных плюс фраза, объясняющая, зачем они там. Помечайте то, что вставляете, и говорите, что с этим делать.
Показывай, а не рассказывай: помещай примеры в промпт
Прилагательные — способ описания стиля с потерями. «Коротко и полезно» означает для вас не то же, что для модели. Два-три проработанных примера определяют формат лучше любого абзаца описания. Это few-shot-промптинг (подсказка на нескольких примерах), и он пережил каждое поколение моделей начиная с GPT-3.
Рассказ:
Summarize these customer reviews. Keep the summaries short and useful.Показ:
Summarize each review in exactly this style:
Review: "App keeps crashing when I export to PDF. Support hasn't
replied in 3 days."
Summary: BUG - PDF export crash. Support unresponsive 3 days. Churn risk.
Review: "Love the new dashboard, but I wish I could filter by client."
Summary: PRAISE - new dashboard. FEATURE REQUEST - filter by client.
Now summarize the reviews below:
[paste reviews]Примеры задают длину, метки, телеграфный тон и правило, что один отзыв может породить две метки, — ничего из этого версия «рассказа» не сообщает. Это работает одинаково и в окне чата, и в вызове API, так что одинаково полезно в ChatGPT или Claude, как и в конвейере.
Оговорка: примеры сильно якорят. Модель копирует их недостатки с той же точностью, что и достоинства, поэтому неряшливый пример порождает неряшливый вывод в масштабе. Держите примеры чистыми, держите их репрезентативными и включите один крайний случай, если он есть в реальных данных.
Проси структуру и говори, что делать с пробелами
Свободная проза — вывод по умолчанию, и для всего, что нужно сравнить, разложить по полкам или подать в другую систему, это неправильный вывод. Проси ту точную форму, какую хочешь.
Compare the three vendors described in the pasted documents.
Return a table with columns:
Vendor | Monthly cost | Contract terms | Data residency | Biggest risk
If a fact isn't stated in the documents, write "not stated" - do not guess.Две вещи в этом промпте делают работу. Именованные столбцы вынуждают модель определиться со значением для каждой ячейки, что выводит пробелы наружу, а не замазывает их прозой. А последняя строка обрабатывает эти пробелы явно.
Разработчики получают более строгие версии этого через режимы вывода, ограниченные схемой, в основных API моделей. Ориентированные на предприятия семейства, такие как Cohere Command Models, опираются именно на такую надёжность для автоматизации рабочих процессов. В интерфейсе чата именование столбцов даёт вам почти всю выгоду безо всякой настройки.
Относись к итерации как к разговору, а не к игровому автомату
Удивительно большая доля плохого промптинга — это на самом деле плохое редактирование. Первый вывод — черновик. Продуктивный ход — прицельная обратная связь, так, как вы правили бы работу коллеги: «убери второй абзац», «слишком формально — подгони под образец, который я дал», «сохрани структуру, ужми длину вдвое». Расплывчатые повторы («сделай лучше») выбирают случайно другой черновик. Конкретная обратная связь сходится к цели.
Но знай, когда перестать добавлять. После пяти раундов правок сама ветка становится шумом: модель теперь балансирует между вашим исходным запросом и каждой заплаткой, которую вы навалили сверху, и вывод начинает уплывать так, что это ощущается как одержимость.
Промпты, пережившие этот процесс, — маленькие активы. Сохраняйте их (как пользовательские инструкции, проектные промпты или простой текстовый файл), вместо того чтобы каждый раз собирать по памяти. Проверенный промпт для повторяющейся задачи — самое близкое к сложному проценту, что есть у инженерии промптов.
Когда нужен другой инструмент, а не промпт получше
Некоторые битвы не выиграть формулировкой, и умение их распознавать экономит больше времени, чем любой приём в этом руководстве. Симптомы устойчивы.
| Симптом | Что вам на самом деле нужно |
|---|---|
| Арифметика или расчёт дат раз за разом возвращаются слегка неверными | Исполнение кода или таблица, а не ещё один промпт |
| Ответы о ваших собственных документах содержат выдуманные детали | Документы внутри промпта или система извлечения (retrieval) |
| Одно изменение кода охватывает десятки файлов, а чат постоянно теряет нить | Кодинг-агент, а не окно чата |
| Вы вручную вставляете один и тот же промпт в 500 строк | Скрипт для API |
| Всё, где есть «последний» или «текущий» | Модель с живым веб-поиском |
Строка про кодинг — та, где большинство профессионалов упирается в эту стену первой. Для одной функции чата достаточно. Для изменений через всю кодовую базу агент вроде Claude Code или Cursor сам читает репозиторий, редактирует файлы и выполняет команды. Ни один промпт в окошке чата этого не воспроизведёт. У агентов свой налог: они быстро жгут токены, а их диффы всё равно нужно проверять — ровно так же, как всегда нужно было проверять подсказки GitHub Copilot. Для строки с живой информацией ассистент со встроенным веб-поиском вроде Grok превосходит попытки заставить статичную модель домысливать. Есть целая страница-каталог инструментов для генерации кода, если потолок окна чата — как раз тот, в который вы постоянно упираетесь.
Общая привычка: когда вы переписали промпт трижды, а характер сбоя не изменился, проблема в категории инструмента. ToolPotion отслеживает более 13 000 ИИ-инструментов, и десять минут листания текущего перечня ИИ-моделей часто оказываются лучшим вложением, чем четвёртая переписка.
Маленькие модели — там, где инженерия промптов всё ещё окупается больше всего
Всё вышесказанное предполагает передовую модель, прощающую неряшливость. Спуститесь к маленьким или локальным моделям — и старые приёмы снова заработают. Модель на 30 млрд параметров, сделанная под потребительское железо, вроде Muse Glimmer, или лёгкое открытое семейство вроде Gemma 4, не додумает шаги, которые вы пропустили: явные пошаговые инструкции, few-shot-примеры и жёсткие форматы вывода перестают быть опциональными и становятся разницей между пригодным и бесполезным.
Дообученные специалисты — крайний случай. Нечто вроде FFMPerative-7B (дообученная Llama 2, которая превращает команды на естественном языке в операции видеомонтажа) делает одну-единственную работу, и промптить её следует на собственном словаре её ниши. Не ждите от неё ничего за пределами этой ниши. Перечни открытых LLM полны таких компромиссов: меньше общей способности, больше чувствительности к тому, как вы спрашиваете.
Вот честное резюме инженерии промптов в 2026 году. Приёмы устарели; коммуникация — нет. Решите, чего вы на самом деле хотите, покажите этому пример, назовите форму вывода, редактируйте как коллегу и меняйте инструмент, когда проблема в инструменте. Ничто из этого не заклинание — именно поэтому оно всё ещё работает.
Часто задаваемые вопросы
Стоит ли учить инженерию промптов в 2026 году?
Да, но навык сменил форму. Заучивать волшебные фразы теперь бесполезно. Задавать контекст, ограничения, примеры и структуру вывода ценнее, чем когда-либо, потому что нынешние модели чтут всё это. Ближайший переносимый навык — умение написать хороший бриф для подрядчика.
Работают ли ещё ролевые промпты в духе «действуй как эксперт»?
Только когда роль несёт реальную информацию. «Ты писатель мирового класса» ничего не меняет на нынешней модели, тогда как «пиши для аудитории медсестёр первого года» меняет словарь, глубину и примеры. Оставляйте роли, которые описывают аудиторию или ракурс. Отбрасывайте те, что льстят модели.
Улучшают ли ответы ИИ-модели чаевые или угрозы?
Нет надёжных свидетельств, что это помогает на нынешних моделях. Вирусные эффекты 2023 года были малыми, непостоянными и измерялись на моделях, с тех пор выведенных из эксплуатации. Это тратит токены и добавляет шум в сохранённый промпт, так что не используйте это.
Писать один длинный идеальный промпт или итерировать через сообщения?
Итерируйте, но итерируйте обдуманно. Начните с конкретного промпта, охватывающего то, что вы уже знаете (аудитория, формат, длина), затем дайте прицельную обратную связь по черновику. Когда правки накапливаются за пределы четырёх-пяти ходов, вложите усвоенное обратно в исходный промпт и прогоните его начисто.
Почему один и тот же промпт ведёт себя по-разному на разных моделях?
Модели различаются данными обучения, тюнингом под инструкции и тем, сколько неявного планирования они делают, так что промпт, настроенный на одной, по умолчанию непереносим. Передовые модели терпят рыхлые промпты. Меньшим и открытым моделям нужны более явная структура и примеры. Меняя модель, прогоните сохранённые промпты заново и будьте готовы их подтянуть.