О. В. Кузьменко

ДИАЛОГА

С НЕЙРОСЕТЯМИ

7/ Инфра-Инженерия
О. В. Кузьменко

ПРОМПТО
логия

Искусство диалога
с нейросетями

Москва Вологда
«Инфра-Инженерия»
2025
УДК 004.8

ББК 32.818.1

К89

Кузьменко, О. В.

К89 Промптология. Искусство диалога с нейросетями / О. В. Кузьмен-
ко. — Москва ; Вологда : Инфра-Инженерия, 2025. — 224 с.

15ВЫ 978-5-9729-2715-9

Добро пожаловать в промптологию! Эта книга научит вас общаться
с нейросетями на понятном им языке: просто, эффективно и без лиш-
них терминов. Вы узнаете, как правильно задавать вопросы, грамотно
формулировать задачи и успешно использовать возможности ИИ в по-
вседневной жизни и работе.

Разнообразные примеры и доступные инструкции сделают ваше
знакомство с искусственным интеллектом лёгким и полезным, незави-
симо от уровня подготовки.

Книга адресована широкому кругу читателей, интересующихся
практическим применением современных нейросетевых технологий.

УДК 004.8
ББК 32.818.1

18ВЫ 978-5-9729-2715-9	© Кузьменко О. В., 2025

© Издательство «Инфра-Инженерия», 2025

© Оформление. Издательство «Инфра-Инженерия», 2025
[Введение]

Промптология — это область исследования и практики,
занимающаяся разработкой, анализом и применением
методов для эффективного взаимодействия с системами
искусственного интеллекта, особенно языковыми моде-
лями. Проще говоря, промптология учит нас «разговари-
вать» с ИИ так, чтобы он действительно понимал, чего мы
от него хотим. Сегодня к нейросетям и СРТ наблюдает-
ся особый интерес, растущий с каждым днем, но четко-
го научного фундамента и проработанной методологии
пока не хватает. Между тем, технологии ИИ быстро ста-
новятся частью нашей повседневной жизни, и вопрос,
как правильно формулировать запросы к «умным маши-
нам», встает все острее.

В этой книге предлагается структурированный и науч-
ный подход к новой и быстро развивающейся области.
Промптология объединяет элементы лингвистики, пси-
хологии и компьютерных наук, позволяя систематизиро-
вать знания о том, как эффективно взаимодействовать
с нейросетями.

Информация разделена на теорию и практику.

Первая часть охватывает основы искусственного интел-
лекта, нейросетей и языковых моделей. Она поможет по-
нять, как функционируют эти технологии и какие прин-
ципы лежат в их основе. Если вам интересно разобраться
в том, как «работает» ИИ, эта часть идеально подходит
для начала.
Вторая часть посвящена методам формирования пром-
птов. Здесь можно найти конкретные инструкции, сове-
ты, примеры и готовые промпты. Если требуется только
практика, можно сразу перейти к этой части, пропустив
теорию.

Эта книга предназначена для широкого круга читателей:
от новичков, желающих понять основы взаимодействия
с ИИ, до профессионалов, ищущих эффективные методы
и готовые решения. Независимо от уровня знаний, здесь
можно найти полезные инструменты и информацию для
более продуктивного взаимодействия с ИИ.

Промптология становится ключевым инструментом в
эпоху ИИ, поскольку грамотное формулирование запро-
сов позволяет получать от систем искусственного ин-
теллекта точные и полезные ответы. Подобно тому, как
правильные вопросы помогают получать нужную инфор-
мацию от человека, правильно составленные промпты
обеспечивают эффективное взаимодействие с искус-
ственным интеллектом.

Все теоретические и практические материалы представ-
лены на примерах языковой модели СЬаЮРТ, а также
графической нейросети ОА1_1_-Е 3, если не указано иное.
Запросы и ответы оформлены в формате цитирования и
картинками для наглядности. Независимо от используе-
мой модели, рассматриваемые принципы остаются уни-
версальными и применимы ко всем современным систе-
мам искусственного интеллекта.
ЧАСТЬ 1

ТЕОРИЯ

Искусственный интеллект —
самая фундаментальная технология,
над которой когда-либо работало
человечество, более значимая, чем
огонь или электричество.

Сундар Пичаи,
генеральный директор А1р11аЬе1:
[1]	Основы ИИ

1.1.	Знакомство с технологиями ИИ

Искусственный интеллект (ИИ) стал неотъемлемой ча-
стью повседневной жизни, часто оставаясь незаметным.
Например, при наборе текста на смартфоне система
предлагает следующее слово, используя алгоритмы ИИ,
которые анализируют предыдущие вводы (функция, из-
вестная как Т9 или автозамена). Поисковые системы, та-
кие как Соо§1е или Яндекс, применяют ИИ для персона-
лизации выдачи, исправления опечаток и предсказания
популярных запросов.

Сегодня ИИ проникает во все сферы жизни — от медици-
ны и транспорта до маркетинга и развлечений. Он спо-
собен обрабатывать огромные массивы данных, чтобы
выявлять закономерности, делать прогнозы и даже «об-
учаться» находить новые способы решения задач. В ос-
нове каждого такого процесса лежит сочетание алгорит-
мов и математических моделей, которые при достаточно
большом количестве данных становятся эффективнее и
точнее в своих предсказаниях.

Вот лишь несколько примеров, в которых ИИ уже неза-
метно помогает нам каждый день:

•	Автокоррекция и автодополнение (Т9). Смартфон
анализирует набранный текст, сравнивает с базой
слов и моделей, чтобы предложить наиболее под-
ходящее следующее слово.
•	Результаты поисковых систем основываются на
способности «понимать» контекст запроса, подби-
рать релевантные ответы и предсказывать, что име-
лось в виду, если в запросе допущена ошибка или
опечатка.

•	Персонализированная реклама. Социальные сети
и другие сервисы анализируют активность пользо-
вателя и показывают те объявления, которые, по их
мнению, заинтересуют больше всего.

•	Рекомендации контента. Видеохостинги и музы-
кальные платформы предлагают следующий трек
или фильм, похожий на тот, что был ранее прослу-
шан или просмотрен.

Центральная идея искусственного интеллекта заключа-
ется в обучении компьютеров выполнять задачи, ранее
доступные только человеку: понимать язык, распозна-
вать образы, выстраивать логические цепочки и прини-
мать решения. Современные системы ИИ используют
машинное обучение и нейронные сети, которые способ-
ны выявлять связи между данными, находить новые за-
кономерности и «учиться» на своих ошибках.

Несмотря на то, что во многих приложениях ИИ работа-
ет в фоновом режиме и остается «незаметным помощ-
ником», его влияние на нашу жизнь растет с каждым
днем. Важно понимать, как устроены эти системы, чтобы
эффективнее взаимодействовать с ними — будь то кор-
ректировка текста, запрос в поиске или формулировка
команды для продвинутой языковой модели. Промпто-
логия — это умение формулировать команды и запросы,
позволяющее ИИ давать полезные и точные результаты.
1.2.	Основные понятия и термины

В тексте встречаются различные термины и понятия, ко-
торые являются основой для понимания промптологии.
Важно ознакомиться с ключевыми понятиями, чтобы лег-
че ориентироваться в дальнейшем материале. В следую-
щих главах подробно разобрано каждое из этих понятий.

Искусственный интеллект (ИИ) (от англ. аг1|Лс1а1 1п1е1П§епсе, А1)	Сфера, охватывающая разработку систем и технологий, способных имитировать и применять человеческие когнитивные способности, такие как обучение, рассуждение и решение задач. ИИ включает в себя широкий спектр направлений, в том числе машинное обучение и нейросети, и находит применение в различных секторах от здравоохранения до автоматизации производства. Основная цель ИИ — создать системы, способные эффективно и самостоятельно решать задачи, адаптируясь к новым условиям и обучаясь на основе опыта.
Нейросеть (нейронная сеть, НС)	Метод машинного обучения, вдохновленный работой человеческого мозга. Она состоит из множества узлов (нейронов), которые обрабатывают информацию. Каждое «слово» или «предложение» превращается в числовое представление, и нейросеть «учится», как правильно реагировать на эти данные, улучшая свою работу на основе опыта.
Машинное  обучение (МО)	Способ обучения системы с использованием данных, без явного программирования.  Вместо того чтобы заранее прописывать все правила, мы даем системе примеры, на основе которых она учится делать выводы. Например, она может научиться распознавать фотографии котов и собак, если будет много таких изображений с метками.
Архитектура нейросети (АН)	Структура, определяющая, как данные проходят через сеть. Она включает несколько слоев нейронов, каждый из которых выполняет свою функцию. Например, один слой может выделять важные черты изображения, а другой — помогать классифицировать объект. Также важными являются параметры нейросети, такие как веса и смещения.
Параметры нейросети	Это значения, которые определяют, как нейрон реагирует на входные данные, включают веса (показывают важность входов для нейрона) и смещения (корректировка, которая помогает модели делать более точные предсказания). Количество параметров может варьироваться от тысяч в простых моделях до сотен миллиардов в более сложных.
Трансформеры	Это тип нейросети, который особенно эффективен для обработки текста и речи. Они могут понимать контекст в тексте и учитывать взаимосвязи между словами, даже если они далеко друг от друга. Одним из примеров таких систем является ОРТ, которая может генерировать текст, отвечать на вопросы или писать статьи.
Языковые модели (ЯМ)	Это системы ИИ, обученные понимать и генерировать текст. Например, они могут переводить тексты, отвечать на вопросы или помогать писать статьи. Языковые модели работают на основе огромных объемов текста, который они используют для обучения.
Обработка естественного языка (№1ига11_ап§иа§е Ргосез51П§, МкР)	Это область ИИ, которая занимается тем, чтобы машины могли понимать и обрабатывать человеческий язык. Задачи М1_Р включают перевод текстов, анализ эмоций в сообщениях, извлечение информации и другие.
Алгоритмы	Это четкие правила или инструкции для выполнения задач. В ИИ алгоритмы помогают моделям обрабатывать данные и учиться на них. Например, алгоритм может показывать нейросети, как изменять веса в ответ на ошибку, чтобы она улучшала свои прогнозы.
Данные	Это информация, на которой обучаются системы ИИ. Без данных ИИ не может функционировать. Например, чтобы нейросеть научилась распознавать фотографии кошек, ей нужно показать тысячи таких изображений, помеченных как «кошка». Чем больше данных, тем точнее будет модель.
АР1  (АррПса11Оп Рго§гатт1П§  1п1егТасе, дословно Интерфейс программирования приложений)	Это набор инструментов и правил, которые позволяют различным программам взаимодействовать между собой, предоставляя доступ к функционалу сторонних сервисов. Например, АР1 может позволить приложению получить доступ к внешней языковой модели (такой как ОРТ), чтобы использовать ее для генерации текста или ответа на вопросы.
Промпт  (от англ. Рготр! [рготр!] — «Запрос», «подсказка», «оперативный отклик»)	Это инструкция, запрос или вводные данные, которые даются языковой модели для получения нужного результата. Промпт может быть простым вопросом, например, «Какого цвета небо?» или более сложным запросом, требующим подробного объяснения. Это ключевой элемент в области промпт-инжиниринга, который напрямую влияет на точность, релевантность и креативность ответов модели, а также позволяет направлять ее работу в нужное русло.
Токен	Это минимальная единица текста, которая используется в процессе анализа. Это может быть слово, часть слова или даже символ. Языковая модель разбивает текст на токены, чтобы лучше его обработать.
Связь между понятиями

Чтобы понять, как эти понятия взаимодействуют, можно
представить следующую картину:

Данные (например, текст) подаются на вход нейросети.

Нейросеть использует машинное обучение и настраивает
свои параметры (веса и смещения) на основе этих данных.

Алгоритмы помогают нейросети обрабатывать данные и
принимать решения.

Трансформеры обеспечивают обработку текста, учитывая
контекст каждого слова в предложении.

Языковые модели используют эти технологии для выпол-
нения различных задач, таких как понимание текста или ге-
нерация новых фраз.

Для взаимодействия с этими моделями используются АР1,
а запросы и команды, которые отправляются системе, на-
зываются промптами.

Каждое из этих понятий играет важную роль в работе
с ИИ, все они взаимосвязаны и создают мощные инстру-
менты для обработки информации и принятия решений.
1.3.	Роль и развитие
искусственного интеллекта

Искусственный интеллект (ИИ) — это область науки,
направленная на создание систем, которые могут вы-
полнять задачи, требующие интеллекта, такие как вос-
приятие, понимание, обучение, рассуждение и принятие
решений. Иными словами, ИИ позволяет машинам ими-
тировать функции человеческого разума, такие как спо-
собность к обучению, решению проблем и взаимодей-
ствию с окружающим миром.

Когда речь идет об ИИ, можно рассматривать как про-
стые алгоритмы, например, системы рекомендаций на
стриминговых сервисах, так и сложные модели, способ-
ные самостоятельно анализировать большие объемы
данных и делать предсказания или выводы, как это про-
исходит в глубоком обучении.

Краткая история ИИ

Идея создания машин, которые могли бы обладать раз-
умом, не нова. Она имеет долгую историю, уходящую
корнями еще в древность, когда ученые и философы
размышляли о возможности имитации человеческого
интеллекта. Однако современное направление в разви-
тии искусственного интеллекта начало формироваться
в середине XX века, когда ученые стали разрабатывать
математические модели и алгоритмы, способные выпол-
нять интеллектуальные функции.

В 1943 году нейробиологи Уоррен Мак-Каллок и Уолтер
Питтс предложили первую модель нейрона как вычис-
лительный элемент, что вдохновило на создание первых
нейронных сетей — основного инструмента в разработке
ИИ. Эта модель открыла новые горизонты для понима-
ния того, как можно симулировать процесс обработки
информации в человеческом мозге с помощью машин.

Одной из отправных точек для развития ИИ стала рабо-
та британского математика Алана Тьюринга, основате-
ля теории вычислений. В 1950 году Тьюринг предложил
свой знаменитый тест Тьюринга — критерий для опре-
деления способности машины вести беседу с человеком
с такой же эффективностью, как и сам человек. Этот тест
стал важным этапом в формулировке задач для создания
«мыслящих» машин и оказал значительное влияние на
развитие теории ИИ.

Однако именно в 1956 году термин «искусственный ин-
теллект» был официально введен американским уче-
ным Джоном Маккарти на Дартмутской конференции,
где собрались ведущие ученые того времени. Маккарти,
вместе с другими исследователями, такими как Марвин
Минский, Аллен Ньюэлл и Герберт Саймон, предложил
использовать этот термин для описания машин, которые
могут «думать» и решать задачи, аналогичные тем, что
решает человек. Этот исторический момент стал офици-
альным началом области ИИ и ее развития как научной
дисциплины.

В течение следующего десятилетия исследования в обла-
сти ИИ фокусировались на создании экспертных систем,
которые использовали базы знаний и наборы правил для
принятия решений в узких областях. В 1980-х годах по-
явились первые коммерческие ИИ-программы, а также
более совершенные нейронные сети. В это время иссле-
дования стали более прагматичными, и ИИ стал исполь-
зоваться в реальных приложениях, таких как диагностика
в медицине и управление производственными процес-
сами.

К началу XXI века, благодаря развитию вычислитель-
ных мощностей, созданию новых алгоритмов и появле-
нию больших данных, ИИ стал доступен широкому кругу
пользователей. Он начал интегрироваться в повседнев-
ную жизнь, начиная от рекомендаций в интернете и за-
канчивая сложными системами для автономного вожде-
ния и анализа данных.

Основные этапы развития ИИ

•	Ранние попытки (1950-1960-е)

В первые десятилетия развитие ИИ было в основ-
ном теоретическим. Ученые пытались понять, как
можно запрограммировать машину, чтобы она мог-
ла решать логические задачи и выполнять простые
вычисления. Одним из первых примеров таких про-
грамм является 1_о§ю ТЬеопзТ (1955) Аллена Ньюэлла
и Герберта Саймона, которая могла решать задачи из
логики.

•	Эра экспертных систем (1970-1980-е)

В это время стали популярными экспертные системы,
которые использовали базы данных знаний и наборы
правил для принятия решений в узкоспециализиро-
ванных областях, таких как медицина, диагностика и
управление. Эти системы использовались для авто-
матизации процессов принятия решений на основе
заранее подготовленных знаний.

•	Проблемы с расширением (1990-2000-е)

На этом этапе исследователи столкнулись с рядом
проблем, таких как ограниченные вычислительные
мощности и трудности в создании машин, которые
могли бы решать задачи более сложного уровня. Од-
нако с развитием интернета и технологий сбора дан-
ных, ИИ начал использовать большие объемы инфор-
мации для решения задач.
•	Этап глубинного обучения и больших данных
(2010-е — настоящее время)

С появлением более мощных вычислительных систем
и алгоритмов глубокого обучения ИИ стал использо-
вать нейронные сети, способные обучаться на огром-
ных массивах данных. В последние годы ИИ совершил
значительные успехи, особенно в таких областях, как
распознавание изображений, обработка естествен-
ного языка и автономное вождение.

Что такое «интеллект» в контексте ИИ?

Вопрос «что такое интеллект?» является одним из цен-
тральных в философии и психологии. Его сложность
многократно возрастает, когда речь идет о создании ис-
кусственного интеллекта. Традиционно интеллект свя-
зывают с рядом человеческих способностей, таких как:

•	Обучение и адаптация

Способность учиться на основе опыта и адаптировать по-
ведение в новых условиях.

•	Решение проблем

Способность применять логические и креативные мето-
ды для поиска решений сложных задач.

•	Речь и общение

Способность взаимодействовать с окружающим миром
через язык.

Таким образом, искусственный интеллект можно вос-
принимать, как попытку воспроизвести эти способности
в машинах, хотя и с определенными ограничениями. На-
пример, ИИ в настоящее время не обладает полноцен-
ным пониманием мира или сознанием, как это делает
человек, а действует в рамках алгоритмов и предуста-
новленных правил.
Где применяются технологии ИИ?

Хотя на первый взгляд кажется, что ИИ ограничивается
только наукой и теорией, он уже нашел широкое приме-
нение в различных областях. Уже сегодня искусственный
интеллект активно используется в таких сферах, как:

•	Автономные системы

(например, самоуправляемые автомобили).

•	Медицина

(например, анализ снимков, помощь в диагностике).

•	Финансовые технологии

(например, автоматизация торговли, анализ рисков).

•	Робототехника и обслуживание

(например, умные помощники в производстве).

Это лишь малая часть тех областей, в которых ИИ уже
применяется, и с каждым годом его внедрение становит-
ся все более масштабным.

Искусственный интеллект — это не просто технология,
это ключевая часть научной и технической революции,
которая оказывает огромное влияние на различные
аспекты жизни. С момента своего появления, ИИ пре-
терпел значительную эволюцию, а его потенциал в бу-
дущем только растет. Основной вызов сейчас — это со-
здание таких систем, которые бы не только эффективно
решали задачи, но и учитывали этические, социальные
и технологические риски. Важно понимать, что хотя ис-
кусственный интеллект делает многое за нас, он все еще
не обладает полной автономией и осознанием мира, как
человек, и это открывает множество вопросов для даль-
нейшего развития.
1.4.	Нейронные сети

Нейронные сети (НС) — это вычислительные модели,
вдохновленные структурой и функционированием чело-
веческого мозга. Они состоят из взаимосвязанных узлов,
называемых нейронами, которые обмениваются инфор-
мацией и обрабатывают данные. Нейронные сети исполь-
зуются для решения сложных задач, таких как распозна-
вание изображений, обработка речи и прогнозирование.

Основные элементы нейронной сети

Нейроны — базовые единицы сети, которые принимают
входные данные, обрабатывают их и передают результат
дальше. Каждый нейрон получает несколько входов, ко-
торые умножаются на определенные веса, суммируются
и проходят через функцию активации, определяющую
выходное значение. Название «нейрон» происходит от
аналогии с биологическими нейронами человеческого
мозга, которые также принимают сигналы, обрабаты-
вают их и передают информацию, создавая нейронные
связи для решения сложных задач, таких как восприятие
и принятие решений.

Нейроны организованы в слои. Существует три основ-
ных типа слоев.

Входной слой
получает исходные данные

Скрытые слои
обрабатывают информацию,
извлекая из нее полезные признаки

Выходной слой
выдает конечный результат сети
Обучение нейросети

Обучение — процесс, при котором нейронная сеть
улучшает свои результаты через анализ данных. Сеть
настраивает свои параметры (веса и смещения) для ми-
нимизации ошибок в предсказаниях. Этот процесс осу-
ществляется с помощью алгоритмов оптимизации, таких
как градиентный спуск.

Каждый нейрон получает несколько входов, которые
умножаются на определенные веса (параметры, кото-
рые регулируют важность входных данных) и к ним до-
бавляются смещения (сдвиг, который помогает модели
корректно обрабатывать данные). Эти суммы проходят
через функцию активации, которая определяет выход-
ное значение. Вес и смещение настраиваются в процессе
обучения для оптимизации работы сети.

Типы нейросетей

Нейросети могут быть разных типов в зависимости от за-
дач, которые они решают. Некоторые из них включают:

•	Полносвязные нейросети
(ЕеесНопл/агс1 Ыеига1 МеЪлгогкз)

Классическая форма, где информация проходит в одном
направлении от входа к выходу.

•	Рекуррентные нейросети (РЫМ)

Предназначены для работы с последовательностями
данных, где информация может передаваться назад по
сети.

•	Сверточные нейросети (СМИ)

Оптимизированы для обработки изображений и других
данных с пространственной структурой.
Простой пример работы нейронной сети

Чтобы лучше понять, как нейронные сети работают на
практике, рассмотрим простой пример распознавания
рукописного числа. Пусть нейросеть получает изображе-
ние с нарисованной цифрой «5». Ее задача — правильно
распознать эту цифру. Вот как это происходит:

ВХОДНОЙ СЛОЙ: ОБРАБОТКА ДАННЫХ

Изображение цифры «5» разбивается на маленькие эле-
менты — пиксели. Каждый пиксель имеет свое числовое
значение, которое отражает его яркость. Например, значе-
ние пикселя может варьироваться от О (черный цвет) до 255
(белый). Все эти пиксели передаются в нейронную сеть как
длинный список чисел. Входной слой нейросети принимает
эту информацию и передает ее на следующие уровни. Важ-
но, что пиксели обрабатываются не по отдельности, а в со-
вокупности, что позволяет нейросети понять общую струк-
туру изображения.

СКРЫТЫЕ СЛОИ:

ПРЕОБРАЗОВАНИЕ И ФИЛЬТРАЦИЯ ДАННЫХ

Нейросеть состоит из нескольких слоев, и каждый слой вы-
полняет определенную задачу. Слои можно представить
как фильтры, которые ищут все более сложные формы.

•	Первый скрытый слой: ищет простые элементы, та-
кие как горизонтальные и вертикальные линии, углы и
контуры. Этот слой может обнаружить, что цифра «5»
включает прямую вертикальную черту и изогнутую
линию в нижней части.

•	Второй скрытый слой: комбинирует эти простые фор-
мы и начинает распознавать более сложные струк-
туры, такие как полуокружности или углы. Он может
заметить, что нижняя часть цифры «5» представляет
собой полукруг, а верхняя — прямую линию с углом.

•	Третий скрытый слой: объединяет все признаки, выяв-
ленные предыдущими слоями, и начинает выделять бо-
лее сложные комбинации, характерные для цифры «5».
ВЫХОДНОЙ СЛОЙ: ПРИНЯТИЕ РЕШЕНИЯ

На выходе нейросеть должна выбрать наиболее вероятную
цифру. В последнем слое происходит сравнение всех при-
знаков, собранных на предыдущих этапах. На основе этого
выходной слой присваивает вероятности каждой цифре:

«Это похоже на 5 с вероятностью 90 %».

«На 6 это похоже с вероятностью 5 %».

«На 3 — с вероятностью 3 %».

Исходя из этих вероятностей, выходной слой выбирает
цифру с наибольшей вероятностью, в данном случае — «5».

Как нейросеть учится?

Чтобы нейросеть правильно распознавала цифры, она
должна пройти этап обучения. В процессе обучения ней-
росети показывают огромное количество изображений
цифр, каждое с правильным ответом. Когда сеть ошиба-
ется, алгоритм корректирует веса и смещения. Эти пара-
метры отвечают за степень важности каждого признака
(например, угол или полукруг). После каждой ошибки
нейросеть меняет свои веса так, чтобы в следующий раз
распознавание было более точным.

Чем больше изображений нейросеть «видит», тем точ-
нее она становится. Постепенно она учится выделять те
признаки, которые отличают цифру «5» от других цифр,
например, «6» или «3». Этот процесс происходит посте-
пенно, с каждой ошибкой нейросеть становится более
уверенной в своих прогнозах.

Такой подход позволяет нейросети эффективно распоз-
навать даже сложные и искаженные изображения, потому
что она учится выявлять важные признаки на всех уровнях
обработки.
Таким образом, нейронные сети эффективно решают
задачи распознавания и принятия решений благодаря
многослойной структуре и способности адаптироваться
через обучение. Каждое из представленных звеньев —
от входных данных до окончательного решения — спо-
собствует точности и эффективности работы сети. Ней-
росети становятся мощным инструментом в области ИИ,
применяемым для решения сложнейших задач в различ-
ных областях.
[2]	Теория ИИ

2.1.	Машинное обучение (МО)

Машинное обучение (МО) — это область искусственно-
го интеллекта, которая занимается разработкой алгорит-
мов и моделей, позволяющих компьютерам извлекать
знания из данных и принимать решения без явного про-
граммирования. Основная идея МО заключается в том,
что система способна самостоятельно учиться и улуч-
шать свои показатели на основе опыта, полученного из
предоставленных данных.

Значение машинного обучения

В современном мире машинное обучение (МО) играет
ключевую роль во множестве сфер — от медицины и
финансов до развлечений и транспорта. Оно позволяет
автоматизировать процессы, анализировать большие
объемы данных и принимать более информированные
решения. МО существенно повышает эффективность ра-
боты систем, снижает вероятность человеческих ошибок
и ускоряет выполнение задач, которые ранее требовали
значительных временных и трудовых затрат.

Одним из главных преимуществ машинного обучения яв-
ляется его способность выявлять скрытые закономерно-
сти и связи в данных, которые могут быть неочевидны для
человека. Это открывает новые возможности для анализа
и интерпретации информации, позволяя организациям и
исследователям находить инновационные решения слож-
ных проблем. МО способствует развитию интеллектуаль-
ных систем, способных адаптироваться к изменяющимся
условиям и улучшать свои результаты с течением времени.

МО также является основой для создания персональных
технологий, которые подстраиваются под индивидуаль-
ные потребности пользователей, повышая их удовлетво-
ренность и улучшая пользовательский опыт. Вклад МО в
развитие искусственного интеллекта (ИИ) делает системы
более интеллектуальными и автономными, расширяя воз-
можности их применения в самых различных областях.

Применение машинного обучения

Машинное обучение находит применение в различных
областях благодаря своей способности адаптироваться к
новым данным и выявлять скрытые закономерности. Вот
несколько примеров:

•	Распознавание образов

Системы МО могут идентифицировать объекты на изо-
бражениях, такие как лица, транспортные средства или
продукты.

•	Обработка естественного языка (141_Р)

МО используется для понимания и генерации человече-
ского языка, что позволяет создавать чат-боты, перевод-
чики и системы автозаполнения.

•	Прогнозирование

МО помогает предсказывать будущие события, такие как
погодные условия, спрос на товары или поведение поль-
зователей.

•	Рекомендательные системы

Музыкальные и торговые платформы, такие как
Яндекс.Музыка или Огоп, используют МО для рекомен-
даций фильмов и товаров.
История и развитие МО

Машинное обучение зародилось как направление ис-
кусственного интеллекта в середине XX века. Первона-
чально акцент был сделан на создании алгоритмов, спо-
собных выполнять специфические задачи. С развитием
вычислительных мощностей и доступностью больших
объемов данных интерес к МО значительно возрос. Се-
годня МО включает в себя различные подходы и методы,
которые продолжают эволюционировать, открывая но-
вые возможности для применения в самых разнообраз-
ных областях.

Типы машинного обучения

Машинное обучение подразделяется на несколько ос-
новных типов, каждый из которых имеет свои особен-
ности и области применения. Понимание этих подвидов
позволяет выбрать наиболее подходящий метод для ре-
шения конкретной задачи.

1.	Обучение с учителем (Зиреплзес! Ьеагп1п§)

Это метод машинного обучения, при котором модель обу-
чается на размеченных данных. Это означает, что каждому
входному примеру соответствует правильный выход (целе-
вое значение). Целью является создание модели, способ-
ной точно предсказывать выходные значения для новых,
ранее не виденных входов.

Пример применения. Классификация изображений кошек
и собак. Модель обучается на большом наборе изображе-
ний, где каждое изображение помечено как «кошка» или
«собака». После обучения модель может точно определять,
показана на новом изображении кошка или собака.

Алгоритм. Логистическая регрессия, деревья решений, под-
держивающие векторные машины (5УМ), нейронные сети.
2.	Обучение без учителя (ипзиреплзес! 1_еагп1п§)

Это метод, при котором модель работает с неразмеченны-
ми данными и самостоятельно выявляет в них структуры
или связи. Здесь нет заранее заданных правильных отве-
тов, и задача модели — найти скрытые закономерности.

Пример применения. Группировка клиентов по покупа-
тельским привычкам. Модель анализирует данные о по-
купках клиентов и группирует их на основе схожих харак-
теристик, что помогает компаниям лучше понимать свою
аудиторию и настраивать маркетинговые стратегии.

Алгоритмы. Кластеризация К-средних, иерархическая кла-
стеризация, алгоритмы ассоциативных правил, автокоди-
ровщики.

3.	Обучение с подкреплением (Ре1п1огсетеп11_еагп1п§)

Это метод, при котором модель учится через взаимодей-
ствие с окружающей средой, получая награды или наказа-
ния за свои действия. Цель — максимизировать суммарную
награду за определенный период времени.

Пример применения. Обучение агента играть в видеоигры.
Агент принимает решения о действиях в игре, получая на-
грады за успешные ходы и штрафы за ошибки. Постепенно
агент учится играть все лучше, оптимизируя свои стратегии
для достижения высоких результатов.

Алгоритмы. О-обучение, методы градиентного подъе-
ма политик, глубокое обучение с подкреплением (Эеер
Ке1пТогсетеп1:1_еагп1п§).

4.	Полуавтоматическое обучение
(5егт-5ирепл5ес1 Ьеагп1п§)

Сочетает элементы обучения с учителем и без учителя.
Модель обучается на небольшом количестве размеченных
данных и большом количестве неразмеченных данных, что
позволяет улучшить ее точность и обобщающую способ-
ность.
Пример применения. Распознавание речи, где только часть
аудиозаписей имеет транскрипцию. Используя размечен-
ные данные для обучения и неразмеченные для выявления
общих закономерностей, модель может лучше распозна-
вать речь на новых записях.

Алгоритмы. Самообучение (5е1Т-1га1П1П§), методы на осно-
ве графов (СгарЬ-Ьазес! теИподз), регуляризация согласо-
ванности (Соп5151епсу Ре§и1ап2а1юп), генеративно-состяза-
тельные сети (САМ) для полуавтоматического обучения.

5.	Обучение с переносом (ТгапзТег 1_еагп1п§)

Это подход, при котором модель, обученная на одной за-
даче, используется для решения другой, связанной задачи.
Это позволяет сократить время обучения и улучшить ре-
зультаты за счет использования уже приобретенных знаний.

Пример применения. Использование модели, обученной
на распознавании общих объектов, для специфического
распознавания медицинских изображений, таких как рент-
геновские снимки.

Алгоритмы. Тонкая настройка (Т|пе-1ип1П§) предобучен-
ных моделей, использование слоев как признаков для но-
вых задач.

Пример применения МО

Описание. Использование машинного обучения для
классификации входящих писем как спам или не спам на
основе анализа содержимого и метаданных.

Обнаружение спама в электронной почте является од-
ной из наиболее распространенных задач машинного
обучения. Цель — автоматическая классификация писем
на «спам» и «не спам» для повышения удобства исполь-
зования почтовых систем.
1.	Сбор и подготовка данных.

Для обучения модели необходимо собрать большой набор
размеченных данных, включающий как спам-письма, так и
не спам. Данные могут содержать текстовое содержимое
писем и метаданные, такие как отправитель и тема.

2.	Предобработка данных

Перед обучением данные проходят несколько этапов под-
готовки:

•	Токенизация: разделение текста на слова или токены.

•	Удаление стоп-слов: исключение общих слов, не несу-
щих смысловой нагрузки.

•	Стемминг и лемматизация: приведение слов к базо-
вым формам.

•	Векторизация: преобразование текста в числовой фор-
мат с помощью методов, таких как ТЕ-ЮЕ.

•	Кодирование метаданных: преобразование категори-
альных данных в числовой формат.

3.	Выбор и обучение модели

Для классификации спама часто используют следующие
алгоритмы:

•	Наивный байесовский классификатор: эффективен
для текстовых данных.

•	Метод опорных векторов (5УМ): хорошо справляется
с высокоразмерными данными.

•	Деревья решений и ансамблевые методы: обрабаты-
вают сложные зависимости между признаками.

•	Глубокие нейронные сети: учитывают контекст и се-
мантику текста.

Процесс обучения включает:

•	Разделение данных: на обучающую и тестовую выборки.
•	Обучение модели: настройка параметров для миними-
зации ошибок.

•	Тестирование модели: оценка точности и других метрик.

4.	Оценка модели

После обучения модель оценивается по следующим мет-
рикам:

•	Точность (Ассигасу): доля правильно классифициро-
ванных писем.

•	Полнота (РесаН): способность выявлять все спам-письма.

•	Точность положительных прогнозов (Ргеазюп): доля
правильно классифицированных спам-писем среди
всех, помеченных как спам.

•	Р1-мера: гармоническое среднее точности и полноты.

Пример метрик:

Точность: 95 %.

Полнота: 90 %.

Ргес15юп: 93 %.

Р1-мера: 91 %.

5.	Внедрение и использование

Обученная модель интегрируется в почтовую систему для ав-
томатической классификации входящих писем. Спам-письма
перемещаются в соответствующую папку, а полезные сооб-
щения остаются в основном почтовом ящике.

Дополнительные шаги:

•	Обратная связь. Пользователи помечают письма как
спам или не спам, что помогает собирать дополнитель-
ные данные.

•	Мониторинг и обновление. Регулярное переобучение
модели на новых данных для поддержания высокой
точности.
6.	Постоянное обучение и обновление модели

Для поддержания эффективности модели необходимо пе-
риодически обновлять ее на новых данных, учитывая изме-
нения в тактиках спамеров. Это обеспечивает адаптивность
и повышение точности классификации.

Таким образом, машинное обучение является фундамен-
тальной технологией, трансформирующей современное
общество, повышающей эффективность и стимулирую-
щей инновации во многих областях.

2.2. Архитектура нейросетей (АН)

Архитектура нейросетей играет основную роль в эф-
фективности и применимости моделей машинного об-
учения. Различные архитектуры разработаны для ре-
шения специфических задач, обеспечивая высокую
точность и производительность в разнообразных обла-
стях применения. В этом разделе рассмотрены основные
архитектуры нейросетей, их особенности, преимущества
и области применения.

Разновидности АН

1 Перцептрон (Регсер1гоп)

Перцептрон — это простейшая форма искусственного ней-
рона, разработанная Фрэнком Розенблаттом в 1957 году. Он
представляет собой однослойную нейросеть, предназна-
ченную для бинарной классификации данных. Перцептрон
принимает несколько входных сигналов, каждый из кото-
рых умножается на соответствующий вес. Затем происхо-
дит суммирование этих взвешенных входов с добавлением
смещения. Полученная сумма проходит через функцию ак-
тивации (обычно ступенчатую функцию), определяющую
выходное значение нейрона (например, О или 1).

Основные характеристики перцептрона:

•	Вход и веса. Каждый входной сигнал умножается на вес,
который регулирует его важность.

•	Смещение. Дополнительный параметр, позволяющий
модели корректировать границу принятия решения.

•	Функция активации. Определяет выходное значение
нейрона на основе суммированных входов.

Применение. Перцептрон используется для простых задач
классификации, таких как различение яблок и апельсинов
по их размерам и цвету. Несмотря на свою простоту, пер-
цептрон заложил основу для разработки более сложных
нейронных сетей.

2.	Глубокие нейронные сети (Оеер Ыеига/ Ые1ууогкв, ОЫЫ)

Глубокие нейронные сети (ОНИ) представляют собой рас-
ширение классических нейросетей, состоящих из большого
числа скрытых слоев. Эта многоуровневая структура позво-
ляет моделям извлекать иерархические признаки из дан-
ных, начиная с простых характеристик на нижних уровнях и
переходя к более абстрактным на высших уровнях.

Ключевые особенности ЭЛ/Л/.*

•	Многоуровневая структура. Сеть состоит из несколь-
ких слоев, называемых «скрытыми». Каждый слой обра-
батывает данные и передает результаты следующему.
Это позволяет сети постепенно выделять более слож-
ные и абстрактные признаки.

•	Нелинейность. Для работы сети используются функ-
ции активации, такие как КеШ или сигмоида. Они до-
бавляют в модель способность обрабатывать сложные
зависимости между входными данными.
•	Регуляризация. Чтобы избежать ошибок из-за слиш-
ком точного запоминания данных (переобучения), при-
меняются методы вроде с1горои1, которые временно
«отключают» часть нейронов во время обучения.

Применение. ОЫЫ широко используются в задачах ком-
пьютерного зрения, обработки естественного языка, рас-
познавания речи и многих других областях, требующих вы-
сокой точности и эффективности.

3.	Сверточные нейронные сети (Сопуо1иИопа1 Ыеига/
Не1иуогкв, СЫЫ)

Сверточные нейронные сети (СМИ) оптимизированы для
обработки данных с пространственной структурой, таких
как изображения. Они используют сверточные слои, кото-
рые применяют фильтры для выявления локальных призна-
ков, таких как края, текстуры и формы.

Основные компоненты СЫ1Ч:

•	Сверточные слои применяют фильтры к входным дан-
ным для выявления локальных признаков.

•	Пулинг (Роо1|п§ Ьауегз) уменьшает размерность дан-
ных, сохраняя наиболее важные признаки и снижая вы-
числительные затраты.

•	Полносвязные слои (Ри11у Соппес1ес1 Ьауегз) связыва-
ют все нейроны предыдущих слоев, обеспечивая клас-
сификацию или регрессию на основе извлеченных при-
знаков.

Применение. СЫЫ активно используются в задачах распоз-
навания объектов, классификации изображений, анализе
медицинских снимков и других областях, требующих обра-
ботки визуальной информации.

4.	Рекуррентные нейронные сети (РесиггегтС Ыеига/
Ые^огкз, РЫМ)

Рекуррентные нейронные сети (РЫМ) предназначены для
обработки последовательных данных, таких как текст, вре-
менные ряды или аудиозаписи. В отличие от традиционных
нейросетей, КЫЫ обладают механизмом памяти, который
позволяет учитывать предыдущие элементы последова-
тельности при обработке текущего элемента.

Ключевые особенности КЫН:

•	Циклические связи позволяют информации переда-
ваться от одного шага к другому, обеспечивая контек-
стуальное понимание.

•	Долгосрочная память: способность помнить информа-
цию из более ранних шагов, что важно для задач, тре-
бующих понимания контекста.

Варианты /?Л/Л/.*

•	Ь8ТМ (1-Опд ЗНогС-Тегт Метогу): улучшенная версия
РЫМ, способная эффективно запоминать долгосрочные
зависимости.

•	С/?(/ (6а1ес1 Несиггеп1 С1пН): альтернативная архитек-
тура РЫМ, упрощающая структуру и уменьшающая вы-
числительные затраты.

Применение. КЫЫ широко используются в обработке есте-
ственного языка, машинном переводе, распознавании речи
и генерации текста.

5.	Трансформеры (ТгапвТогтегв)

Трансформеры — это современная архитектура нейросе-
тей, разработанная для обработки последовательностей
данных с использованием механизма внимания (аИеп1юп
тесЬап15т). В отличие от РЫМ, трансформеры обрабаты-
вают всю последовательность данных одновременно, что
значительно ускоряет обучение и улучшает качество обра-
ботки.

Основные компоненты трансформеров:

•	Механизм внимания (А11еп11оп МесЬатзт) позволяет
модели фокусироваться на различных частях входной
последовательности при генерации каждого элемента
выходной последовательности.
•	Энкодеры и декодеры. Архитектура трансформера со-
стоит из энкодеров, которые обрабатывают входные дан-
ные, и декодеров, которые генерируют выходные данные.

Применение. Трансформеры стали основой для совре-
менных языковых моделей, таких как ОРТ (СепегаНуе Рге-
1гсппес1 Тгапз/огтег, Генеративный предобученный транс-
формер) и ВЕРТ (В/сИгесИопа! Епсос/ег Рергезеп/аИопз /гот
Тгапз/огтегз, Двунаправленная модель для создания
представлений текста с использованием трансформеров),
и используются в задачах машинного перевода, генерации
текста, анализа тональности и других приложениях обра-
ботки естественного языка.

б.	Генеративные состязательные сети
(СепегаНуе Ас/уегзапа/ Ые/шогкз, СА№)

Генеративные состязательные сети ((ЗАИз) состоят из двух
нейросетей — генератора и дискриминатора, которые обу-
чаются совместно. Генератор создает новые данные, стре-
мясь сделать их как можно более похожими на реальные, а
дискриминатор оценивает подлинность этих данных, отли-
чая их от реальных.

Основные компоненты (ЗАЫз:

•	Генератор создает новые данные (например, изобра-
жения), пытаясь обмануть дискриминатор.

•	Дискриминатор оценивает данные и классифицирует
их как реальные или поддельные, предоставляя обрат-
ную связь генератору.

Применение. 6А№ используются для генерации реалистич-
ных изображений, улучшения качества данных, создания
контента, стилизации изображений и многих других творче-
ских задач.

7.	Автокодировщики (Аи1оепсос1ег8)

Автокодировщики — это нейросети, обучающиеся коди-
ровать входные данные в компактное представление (ла-
тентное пространство) и затем декодировать их обратно.
Цель автокодировщиков — научиться эффективно сжи-
мать данные, сохраняя при этом как можно больше инфор-
мации.

Основные компоненты автокодировщиков:

•	Энкодер преобразует входные данные в компактное
представление.

•	Декодер восстанавливает исходные данные из ком-
пактного представления.

•	Латентное пространство: промежуточное представле-
ние данных, содержащее основные признаки.

Применение. Автокодировщики используются для сни-
жения размерности данных, обнаружения аномалий, ге-
нерации новых данных, улучшения качества изображений
и других задач, требующих эффективного представления
данных.

Архитектура нейросетей определяет их возможности и
область применения. Понимание различных типов ней-
росетей, таких как перцептрон, глубокие нейронные
сети, сверточные и рекуррентные сети, трансформеры,
6А№ и автокодировщики, позволяет эффективно вы-
бирать и настраивать модели для решения конкретных
задач. Развитие архитектур нейросетей продолжает от-
крывать новые горизонты в области искусственного ин-
теллекта, делая возможными достижения, ранее казав-
шиеся недоступными. Освоение этих знаний является
фундаментом для дальнейшего изучения методов обу-
чения нейросетей и их оптимизации, что будет рассмо-
трено в следующих разделах книги.
2.3. Методы обучения нейросетей

Методы обучения нейросетей являются основой того,
как искусственные нейронные сети приобретают знания
и улучшают свои результаты. Эти методы позволяют мо-
делям адаптироваться к данным, находить закономерно-
сти и принимать более точные решения. В этом разделе
рассмотрены ключевые методы и алгоритмы, используе-
мые для обучения нейросетей.

Основные методы обучения нейросетей

Градиентный спуск	Это основной метод оптимизации, используемый для настройки параметров нейросети. Его цель — минимизировать ошибку модели, то есть разницу между предсказанными и реальными значениями.  Принцип работы. Градиентный спуск вычисляет направление и величину изменений параметров (весов и смещений), чтобы уменьшить ошибку. Он делает это путем вычисления градиента функции потерь — меры ошибки модели — и корректировки параметров в направлении, противоположном градиенту.  Варианты градиентного спуска:  •	Стохастический градиентный спуск (5С0) обновляет параметры после каждого отдельного примера из обучающего набора данных.  •	Мини-батч градиентный спуск обновляет параметры после обработки небольших групп примеров (батчей), что позволяет ускорить обучение и сделать его более стабильным.
Обратное	\ Это алгоритм, который используется для

распространение : эффективного вычисления градиентов,
ошибки	• необходимых для градиентного спуска.

Принцип работы. После того как модель
делает предсказание, вычисляется ошибка.
Затем эта ошибка распространяется
обратно через слои сети и рассчитываются
градиенты для каждого параметра. Эти
градиенты используются для обновления
весов и смещений, направленных на
уменьшение ошибки.

Роль в обучении. Обратное
распространение позволяет нейросети
точно корректировать свои параметры,
улучшая точность предсказаний с каждой
итерацией обучения.

Оптимизационные алгоритмы

Помимо градиентного спуска, существуют другие алго-
ритмы оптимизации, которые улучшают процесс обуче-
ния нейросетей:

•	Адат (Адар1|уе Мотеп! Ез11та11оп) объединяет преи-
мущества двух других методов — Адабгад и КМЗРгор.
Адат адаптирует скорость обучения для каждого пара-
метра, что ускоряет и стабилизирует обучение.

•	РМЗРгор регулирует скорость обучения для каждого
параметра, основываясь на среднем квадратичном гра-
диенте. Это помогает предотвратить слишком большие
обновления весов и ускоряет обучение.

•	АдаСгад увеличивает скорость обучения для редко об-
новляемых параметров и уменьшает для часто обновля-
емых, что помогает модели быстрее сходиться.
Функции потерь

Функции потерь (Ьозз РипсИопз) измеряют, насколько
точны предсказания модели. Они играют ключевую роль
в процессе обучения, так как именно на их основе вычис-
ляются градиенты для оптимизации параметров.

Варианты:

•	Кросс-энтропия (Сго55-Еп1гору)

Часто используется в задачах классификации. Она изме-
ряет разницу между предсказанным распределением
вероятностей и истинными метками классов.

•	Среднеквадратичная ошибка
(Меап 5диагес1 Еггог, М5Е)

Применяется в задачах регрессии. Она вычисляет сред-
нее значение квадратов разностей между предсказан-
ными и реальными значениями.

•	Другие функции потерь

Включают различные меры ошибок, адаптированные
под конкретные задачи и типы данных.

Регуляризация

Регуляризация — это методы, которые предотвращают
переобучение модели, улучшая ее способность обоб-
щать на новых данных.

Варианты:

•	Второй!

Во время обучения случайным образом отключает часть
нейронов, что помогает сети не полагаться слишком
сильно на отдельные нейроны и улучшает ее обобщаю-
щую способность.
•	Ь2 регуляризация (УУе1§Ы Оесау)

Добавляет штраф за большие значения весов, что спо-
собствует более простой и устойчивой модели.

•	Раннее прекращение (Еаг1у 51орр1п§)

Прекращает обучение, когда ошибка на проверочном
наборе данных начинает расти, предотвращая переобу-
чение на обучающем наборе.

Методы улучшения обучения

Существуют дополнительные методы, которые помога-
ют сделать процесс обучения более эффективным и ста-
бильным:

•	Ва1сЬ ЫогтаПгаИоп

Нормализует входы каждого слоя, ускоряя обучение и
стабилизируя его.

•	1_еагп1П§ Ра!е 5сЬес1и1|п§

Регулирует скорость обучения в процессе обучения, сни-
жая ее по мере приближения к оптимуму.

•	Инициализация весов

Правильная инициализация весов помогает избежать
проблем с градиентами и ускоряет процесс обучения.

Современные подходы

и инновации

Современные методы обучения нейросетей продолжа-
ют развиваться, внедряя новые подходы и улучшая су-
ществующие алгоритмы.
Варианты:

•	Перенос обучения (Тгапз1ег 1_еагп1п§)

Использование моделей, предварительно обученных на
больших наборах данных, для решения новых задач с
меньшим количеством данных.

•	Многозадачное обучение (МиШ-Тазк 1_еагп1п§)

Обучение модели одновременно выполнять несколько
задач, что позволяет ей лучше обобщать информацию и
улучшать производительность на каждой из задач.

•	Методы оптимизации второго порядка

Алгоритмы, учитывающие вторые производные функ-
ции потерь, что позволяет более точно и эффективно на-
ходить оптимальные параметры модели.

Методы обучения нейросетей являются основой для
создания эффективных и точных моделей искусствен-
ного интеллекта. Понимание различных алгоритмов оп-
тимизации, функций потерь и методов регуляризации
позволяет разработчикам настраивать модели для ре-
шения конкретных задач, обеспечивая их высокую про-
изводительность и способность к обобщению. Совре-
менные подходы и инновации продолжают расширять
возможности машинного обучения, делая нейросети
еще более мощными инструментами в различных обла-
стях применения.
[3]	Языковые модели

3.1.	Трансформеры

В последние годы архитектура трансформеров (Тгапз-
Гоггпег) стала революционным прорывом в области ис-
кусственного интеллекта, особенно в сфере обработки
естественного языка (М1_Р). В 2017 году ученые из Соо§1е
предложили новый подход к обработке последователь-
ных данных. Они представили трансформеры в своей ста-
тье «АМепИоп 1$ АН Уои Ыеес1». Этот метод стал прорывом
в сравнении с традиционными рекуррентными нейрон-
ными сетями (РЫМ) и моделями с долгосрочной памятью
(ЬВТМ). Трансформеры оказались более эффективными
и масштабируемыми. В этом разделе рассматривается,
что такое трансформеры, как они работают и почему они
стали основой современных языковых моделей.

История и возникновение трансформеров

До появления трансформеров основными архитектура-
ми для обработки последовательных данных были РЫЫ
и их усовершенствованные версии, такие как 1.5ТМ и СР11
(Са1ес1 Ресиггеп! ОпЮ. Эти модели эффективно обраба-
тывали последовательности, такие как текст или времен-
ные ряды, благодаря своей способности учитывать кон-
текст предыдущих элементов. Однако КИИ сталкивались
с рядом ограничений:
•	Последовательная обработка. КЫЫ обрабатывают дан-
ные по одному элементу за раз, что затрудняет парал-
лельное обучение и замедляет процесс обработки боль-
ших объемов данных.

•	Проблемы с долгосрочной зависимостью. Несмотря
на улучшения, такие как 1_5ТМ, КЫЫ все еще испытывали
трудности при обучении на длинных последовательно-
стях, теряя информацию о предыдущих элементах.

•	Высокие вычислительные затраты. Из-за своей струк-
туры КЫЫ требуют значительных вычислительных ресур-
сов, особенно при работе с длинными последовательно-
стями.

Трансформеры были разработаны как решение этих про-
блем, предлагая архитектуру, основанную на механизме
внимания, который позволяет модели фокусироваться
на различных частях входной последовательности одно-
временно.

Основные компоненты архитектуры
трансформеров

Архитектура трансформера состоит из двух основных ча-
стей: энкодера и декодера. Каждая из этих частей состо-
ит из нескольких идентичных слоев, которые включают
в себя механизмы внимания и полносвязные нейронные
сети.

Механизм внимания (АПепТюп МесЬап15т)	Является ключевым элементом трансформеров. Он позволяет модели определять, какие части входной последовательности наиболее важны для генерации каждого элемента выходной последовательности. Основные виды внимания в трансформерах:  • Самовнимание (5еИ-АНеп1юп) позволяет каждому элементу входной последовательности взаимодействовать
	с другими элементами, определяя, на какие из них следует обратить внимание при обработке текущего элемента.  • Многоголовочное внимание (Ми11|-Неас1 АНепИоп) расширяет возможность внимания, позволяя модели одновременно фокусироваться на различных аспектах данных. Это достигается за счет разделения внимания на несколько «голов», каждая из которых обучается выделять разные признаки.
Энкодеры и декодеры	Трансформер включает две ключевые компоненты: энкодер и декодер. Каждая из них включает несколько одинаковых слоев.  Энкодер принимает входные данные (например, текст) и преобразует их в понятное для модели внутреннее представление.  Каждый его слой состоит из двух частей: механизма многоголовочного внимания и полносвязной нейронной сети. Выход одного слоя передается в следующий.  Декодер создает итоговый результат, используя внутреннее представление, полученное от энкодера. Каждый слой декодера включает три элемента:  •	Самовнимание — для учета ранее сгенерированных данных.  •	Внимание к данным энкодера — для учета входной информации.  •	Полносвязная нейронная сеть — для обработки данных.  Эта структура позволяет трансформеру одновременно учитывать контекст исходных данных и уже созданных результатов.
Позиционное
кодирование
(РозгИопа!
ЕпсосПп§)

В отличие от рекуррентных нейронных сетей
(РЫМ), трансформеры обрабатывают данные
не по порядку, а параллельно. Из-за этого
становится важным учитывать позицию
каждого элемента в последовательности.
Для этого используется позиционное
кодирование: к входным данным добавляются
специальные векторы, которые содержат
информацию о порядке элементов. Это
помогает модели понимать последовательность
слов и сохранять их порядок при обработке.

Преимущества трансформеров

Архитектура трансформеров предлагает ряд преиму-
ществ по сравнению с традиционными КЫЫ и 1_2ТМ:

•	Параллельная обработка

Трансформеры способны обрабатывать все элементы
последовательности одновременно. Это существенно
увеличивает скорость обучения и выполнения модели по
сравнению с методами, которые обрабатывают данные
по одному элементу за раз.

•	Эффективное захватывание долгосрочных
зависимостей

Благодаря механизму внимания, трансформеры могут
учитывать контекст даже между словами или элемен-
тами, которые находятся далеко друг от друга в тексте.
Например, модель может связать слово из начала пред-
ложения с его значением или влиянием в конце, что по-
могает лучше понимать общий смысл.

•	Масштабируемость

Трансформеры отлично справляются с обработкой боль-
ших объемов данных и могут работать с моделями, име-
ющими огромное количество параметров. Это делает их
идеальным выбором для обучения на крупных наборах
данных.
Применение трансформеров
в языковых моделях

Трансформеры стали основой для создания современ-
ных языковых моделей, таких как СРТ и ВЕРТ. Эти модели
демонстрируют выдающиеся результаты в задачах гене-
рации текста, понимания языка и перевода, благодаря
их способности эффективно обрабатывать и анализиро-
вать большие объемы текстовых данных.

•	ОРТ

Специализируется на генерации связного и осмыслен-
ного текста, что делает его идеальным для создания кон-
тента, ведения диалогов и выполнения творческих задач.

•	ВЕРТ

Разработан для понимания контекста и значений слов в
тексте, что позволяет ему эффективно выполнять задачи
классификации, извлечения информации и ответов на
вопросы.

Пример работы

Для лучшего понимания работы трансформеров полезно
рассмотреть пример механизма внимания. Представьте
предложение: «Искусственный интеллект меняет мир».
При обработке слова «меняет» модель с помощью вни-
мания определяет, что оно связано с «искусственный ин-
теллект» и «мир», что позволяет правильно интерпрети-
ровать смысл предложения.

Трансформеры стали прорывом в области искусствен-
ного интеллекта, предоставив мощный инструмент для
работы с текстом и другими последовательными данны-
ми. Их ключевые преимущества — механизм внимания
и параллельная обработка, что обеспечивает высокую
скорость, эффективность и масштабируемость. Эта архи-
тектура лежит в основе современных языковых моделей,
способных глубже понимать и точно генерировать чело-
веческий язык. Трансформеры находят применение во
многих сферах: от автоматизации написания текстов до
улучшения взаимодействия между людьми и машинами.
Они стали важнейшей основой для дальнейшего разви-
тия технологий ИИ.

3.2. Принципы ЯМ

Языковые модели (ЯМ) стали одним из самых значимых
достижений в искусственном интеллекте, особенно в
сфере обработки естественного языка (МЬР). Они позво-
ляют машинам понимать, анализировать и генерировать
связный текст, что делает их незаменимыми в таких об-
ластях, как чат-боты, виртуальные ассистенты, автома-
тический перевод и создание контента. В этом разделе
рассказывается, как устроены языковые модели, какие
функции они выполняют и какую роль играют в совре-
менном искусственном интеллекте.

Языковая модель — это система искусственного интел-
лекта, которая обучается на больших объемах текстов,
чтобы понимать, анализировать и создавать текст на
человеческом языке. Ее основная задача заключается в
предсказании вероятности появления следующего сло-
ва или последовательности слов на основе уже имеюще-
гося контекста. Это позволяет модели учитывать смысл,
структуру и закономерности языка, что делает ее спо-
собной эффективно выполнять задачи, такие как пере-
вод, проверка грамматики, ответ на вопросы и создание
связных текстов.
Структура языковых моделей

Структура языковых моделей варьируется в зависимости
от их архитектуры и целей. Однако большинство совре-
менных ЯМ основаны на архитектуре трансформеров,
что обеспечивает им высокую эффективность и точность.
Основные компоненты языковой модели включают:

1.	Входные данные и их представление:

•	Токенизация: процесс разделения текста на отдельные
элементы (токены), такие как слова, части слов или символы.

•	Векторизация: преобразование токенов в числовые
представления (векторы), которые модель может обра-
ботать. Это достигается с помощью методов кодирова-
ния текста, основанных на трансформерах.

2.	Архитектурные особенности:

•	Слои внимания позволяют модели фокусироваться на
различных частях входного текста, учитывая контекст и
взаимосвязи между словами.

•	Полносвязные нейронные сети обрабатывают инфор-
мацию, полученную от слоев внимания, и генерируют
выходные данные.

3.	Выходные данные и их интерпретация:

•	Генерация текста: создание осмысленных и связных
предложений на основе входных данных.

•	Классификация и прогнозирование: определение кате-
гории текста или предсказание следующего слова в по-
следовательности.

Функции и возможности языковых моделей

Языковые модели обладают широким спектром функций
и возможностей, что делает их универсальными инстру-
ментами для обработки естественного языка. Основные
функции включают:
•	Генерацию текста

Создание связных и осмысленных текстов на основе за-
данных условий или контекста.

Применение в автоматическом написании статей, созда-
нии контента для социальных сетей и генерации ответов
в чат-ботах.

•	Понимание языка

Анализ текста для извлечения смысла, определения то-
нальности и классификации контента.

Применение в системах анализа настроений, мониторин-
га социальных медиа и обработке отзывов клиентов.

•	Перевод и транслитерацию

Автоматический перевод текста с одного языка на другой
с сохранением смысла и стиля.

Применение в сервисах перевода, таких как 6оо§1е Тгапз1а1:е
и других специализированных приложениях.

•	Ответы на вопросы

Предоставление точных и релевантных ответов на задан-
ные вопросы, основываясь на обработке и анализе боль-
шого объема информации.

Применяется в виртуальных ассистентах, таких как Алиса,
Маруся и 5|п.

•	Резюмирование

Создание кратких и информативных резюме длинных тек-
стов без потери ключевой информации.

Применение в новостных агрегаторах, образовательных
платформах и корпоративных системах.

Известные примеры языковых моделей

Современные языковые модели значительно отличают-
ся по своим возможностям и областям применения. Рас-
смотрим некоторые из наиболее известных моделей.
СРТ от ОрепА!	Эволюция. Начиная с ОРТ-1 до ОРТ-4 и далее, каждая новая версия демонстрирует значительное улучшение в генерации текста и понимании контекста.  Способности: генерация связного и осмысленного текста, ведение диалогов, создание контента, выполнение творческих задач.  Применение: создание статей, написание кода, генерация ответов в чат-ботах. Процесс обучения языковых моделей.
ЬаМЭА (1_ап§иа§е  Мос1е1 кэг 0|а1о§ие АррПсакопз) от 6оо§1е	Особенности: разработана специально для диалоговых приложений, обладает способностью поддерживать естественные и осмысленные беседы.  Способности: понимание и генерация диалогов, поддержание контекста в разговоре, адаптация к стилю общения пользователя.  Применение: виртуальные ассистенты, чат-боты, системы поддержки клиентов.
Сегтнгн (ранее известный как Вагс1) от 6оо§1е	Особенности: генеративный чат-бот, разработанный для поддержки диалогов и взаимодействия с пользователями на естественном языке.  Способности: генерация текста, ответы на вопросы, ведение бесед, предоставление рекомендаций.  Применение: виртуальные ассистенты, образовательные платформы, сервисы поддержки клиентов.
УаЬМ  (Уапс1ех 1_ап§иа§е Мос1е1)  от Яндекса	Особенности: разработана с учетом специфики русского языка и особенностей его лингвистической структуры, оптимизирована для работы с русскоязычными текстами.  Способности: генерация текста, ответы на вопросы, понимание контекста, перевод, анализ тональности.  Применение: поисковые системы Яндекса, виртуальные ассистенты, анализ текстовых данных, автоматизация создания контента.
ОеерЗеек : Особенности: разработана китайской компанией
от Н|§Ь-Р1уег • с открытым исходным кодом, ориентирована на
: высокую производительность в задачах генерации
: и анализа текста, способна обрабатывать длинный
: контекст. Конкурент крупных западных моделей,
: таких как ОРТ и вето.

• Способности: генерация текста, ведение

: диалогов, перевод, написание кода, логические
: рассуждения, поддержка многопоточности в
: ответах.

: Применение: автоматизация бизнес-процессов,
• разработка ИИ-ассистентов, программирование,
: генерация документации, анализ данных и
: обучение.

Процесс обучения языковых моделей

Обучение языковых моделей — это сложный и мно-
гогранный процесс, включающий несколько ключевых
этапов.

•	Предварительное обучение (Рге-1га1п1п§)

Модель обучается на огромных объемах неразмеченных
текстовых данных, чтобы освоить структуру, закономер-
ности и особенности языка.

Используются задачи, такие как предсказание следую-
щего слова или заполнение пропусков в тексте. Эти за-
дачи помогают модели освоить базовые языковые пат-
терны и закономерности, заложенные в данных.

•	Тонкая настройка (Е|пе-1итп§)

После предварительного обучения модель адаптируется
под конкретные задачи с использованием размеченных
данных.

Например, для задачи классификации текстов модель
дообучается на данных с метками категорий.
•	Использование больших данных
и вычислительных мощностей

Обучение современных языковых моделей требует огром-
ных объемов данных и значительных вычислительных ре-
сурсов.

Использование специализированных аппаратных средств,
таких как графические процессоры (6Р11) и тензорные
процессоры (ТР11), позволяет ускорить процесс обучения.

Применение языковых моделей

Языковые модели находят применение в самых разноо-
бразных сферах, значительно упрощая и автоматизируя
многие процессы:

•	Автоматизация создания контента

Генерация статей, новостей, маркетинговых материалов
и других текстов без участия человека.

Применение в СМИ, рекламных агентствах и контент-
маркетинге.

•	Улучшение пользовательского опыта

Виртуальные ассистенты и чат-боты, которые могут ве-
сти естественные диалоги, отвечать на вопросы и помо-
гать пользователям.

Применение в службах поддержки клиентов, онлайн-ма-
газинах и образовательных платформах.

•	Поддержка исследований и анализа данных

Автоматическое извлечение информации из больших
объемов текстов, помощь в исследовательской работе.

Применение в научных исследованиях, аналитике дан-
ных и бизнес-аналитике.

•	Машинный перевод и локализация

Автоматический перевод текстов на разные языки с со-
хранением смысла и стиля.
Применение в международных компаниях, туристиче-
ской индустрии и глобальных платформах.

Языковые модели играют ключевую роль в современном
искусственном интеллекте, предоставляя мощные ин-
струменты для работы с естественным языком. Они спо-
собны понимать контекст, генерировать осмысленный
текст и решать широкий спектр языковых задач, откры-
вая новые возможности для автоматизации и улучшения
взаимодействия человека с технологиями. Однако их ис-
пользование сопровождается этическими и социальны-
ми вызовами, которые требуют ответственного подхода
к разработке и применению. Глубокое понимание струк-
туры, функций и возможностей языковых моделей ста-
новится основой для их эффективного, безопасного и от-
ветственного использования в различных сферах жизни.

3.3. Обработка естественного языка

Обработка естественного языка (Ыа1ига1 Ьап^иа^е
Ргосе551п§, ЫЬР) занимает особое место в развитии ис-
кусственного интеллекта. Эта область сосредоточена на
том, чтобы наладить взаимодействие между машинами и
человеческим языком, делая его понятным и естествен-
ным. Благодаря М1_Р компьютеры способны понимать,
интерпретировать и создавать текст или речь, что делает
взаимодействие с ними удобным и приближенным к об-
щению с человеком. Сегодня М1_Р охватывает широкий
круг задач и методов, которые позволяют машинам ра-
ботать с языком: от анализа текста до его генерации. Эта
область тесно связана с языковыми моделями, которые
лежат в основе многих современных технологий. В этом
разделе рассматриваются ключевые задачи, методы и
технологии М1_Р, а также роль языковых моделей в рас-
крытии ее потенциала.

Обработка естественного языка — это междисципли-
нарная область, сочетающая в себе элементы лингви-
стики, компьютерных наук и искусственного интеллекта.
Основная задача Ы1_Р заключается в разработке алгорит-
мов и моделей, которые позволяют компьютерам пони-
мать и обрабатывать человеческий язык, будь то текст
или речь. Это включает в себя широкий спектр задач,
от простых операций, таких как токенизация и леммати-
зация, до сложных процессов, таких как машинный пере-
вод и генерация осмысленного текста.

Основные задачи ЫЬР

Обработка естественного языка включает в себя множе-
ство задач, каждая из которых направлена на решение
специфических аспектов взаимодействия человека и ма-
шины. Вот некоторые из них.

Токенизация	Описание: процесс разделения текста на отдельные элементы (токены), такие как слова, предложения или символы.  Пример: разделение предложения «ИИ меняет мир» на токены [«ИИ», «меняет», «мир»].
Лемматизация и стемминг	Лемматизация: приведение слова к его базовой или словарной форме (лемме).  Стемминг: удаление суффиксов и окончаний для получения основы слова.  Пример: «бегают» лемма «бегать»; «бегают» стемм «бег».
Определение частей речи (РО5-теггинг)	Описание: определение грамматической категории каждого слова в тексте (существительное, глагол, прилагательное и т. д.). Пример: «ИИ (существительное) меняет (глагол) мир (существительное)».
Синтаксический и семантический	Синтаксический анализ: определение грамматической структуры предложения,
анализ	установление зависимостей между словами.  Семантический анализ: понимание смысла и значений слов и фраз в контексте.  Пример: в предложении «ИИ помогает людям» синтаксический анализ определяет «ИИ» как субъект, «помогает» как глагол, «людям» как объект; семантический анализ понимает, что «ИИ» оказывает помощь людям.
Распознавание	Описание: выделение и классификация
именованных  сущностей (МЕР)	именованных объектов в тексте (люди, организации, места и т. д.).  Пример: в предложении «Илон Маск основал ЗрасеХ», модель выделяет «Илон Маск» как персону и «ЗрасеХ» как организацию.
Анализ тональности	Описание: определение эмоциональной окраски текста (позитивной, негативной, нейтральной).  Пример: «этот продукт просто потрясающий!» — позитивная тональность.
Машинный	Описание: автоматический перевод текста
перевод	с одного языка на другой.  Пример: перевод «ИИ меняет мир» на английский как «А1 15 сИап§1П§ 1Ие \л/ог1с1».
Резюмирование	Описание: создание краткой версии длинного текста без потери ключевой информации.  Пример: сокращение длинной статьи до нескольких предложений, сохраняющих основные идеи.

Методы и технологии в ЫЬР

Обработка естественного языка опирается на различные
методы и технологии, которые эволюционировали с раз-
витием искусственного интеллекта и машинного обуче-
ния. Основные подходы включают:
Правила и лингвистические подходы	Описание: ранние методы, основанные на грамматиках, лексиконах и ручных правилах.  Преимущества: высокая точность в узких задачах.  Недостатки: трудоемкость создания правил, низкая гибкость и масштабируемость.
Статистические методы	Описание: использование вероятностных моделей и статистических данных для анализа языка.  Примеры: определение тональности текста (положительная или отрицательная) с помощью наивного байесовского классификатора или предсказание следующего слова в предложении на основе модели скрытых марковских цепей (НММ).  Преимущества: автоматическое обучение на основе данных, высокая эффективность в некоторых задачах.  Недостатки: ограниченная способность учитывать сложные зависимости в языке.
Машинное обучение и глубокое обучение	Описание: применение алгоритмов машинного обучения и нейронных сетей для обработки и анализа языка.  Примеры: логистическая регрессия, решающие деревья, сверточные и рекуррентные нейронные сети.  Преимущества: высокая точность, способность обучаться на больших объемах данных, гибкость.  Недостатки: требуют больших вычислительных ресурсов и объемов данных для обучения.
Трансформеры
и языковые модели

Описание: современные методы,
основанные на архитектуре
трансформеров, такие как ОРТ и ВЕРТ.

Преимущества: высокая
производительность в задачах генерации
и понимания текста, масштабируемость.

Недостатки: высокие вычислительные
затраты и необходимость больших
объемов данных для обучения.

Языковые модели в М1_Р

Языковые модели занимают центральное место в совре-
менных методах обработки естественного языка (Г\11_Р).
Их способность понимать контекст и создавать осмыс-
ленный текст делает их незаменимыми для выполнения
многих задач 1\11_Р. Основные аспекты, связывающие 1\11_Р
и языковые модели, включают:

•	Решение задач КНР с помощью
языковых моделей

Языковые модели используются для выполнения различ-
ных задач М1_Р, таких как классификация текста, извлече-
ние информации, машинный перевод и генерация текста.

Примеры: ОРТ используется для генерации текстов и
ответов на вопросы, ВЕРТ — для понимания контекста и
классификации.

•	Интеграция языковых моделей
в инструменты КНР

Современные инструменты и библиотеки М1_Р, такие как
ТгапзТогтегз и другие, интегрируют языковые модели
для повышения точности и эффективности.

Примеры: использование ВЕРТ для улучшения качества
ответов в чат-ботах, применение ОРТ для автоматиче-
ского написания текстов.
Применение ЫЬР
в различных сферах

Обработка естественного языка находит применение в
самых разнообразных областях, значительно упрощая и
автоматизируя многие процессы:

Бизнес и маркетинг	Анализ отзывов: автоматическое извлечение мнений и настроений из отзывов клиентов для улучшения продуктов и услуг.  Чат-боты и виртуальные ассистенты: автоматизация общения с клиентами, предоставление информации и решение проблем в режиме реального времени.
Медицина	Обработка медицинских текстов:  автоматическое извлечение информации из медицинских записей, помощь в диагностике и планировании лечения.  Виртуальные ассистенты для пациентов:  предоставление медицинских советов и напоминаний о приемах лекарств.
Образование	Автоматизация оценки: использование М1_Р для анализа и оценки письменных работ студентов.  Создание обучающих материалов: генерация контента для учебных курсов и материалов на основе заданных тем.
Развлечения	Генерация сценариев: автоматическое создание текстов для фильмов, сериалов и видеоигр.  Создание контента для социальных медиа: автоматизация публикаций, создание постов и ответов на комментарии.
Юриспруденция

Анализ юридических документов:
автоматическое извлечение ключевой
информации из контрактов, законов и
судебных решений.

Поддержка принятия решений: помощь
юристам в анализе случаев и подготовке
аргументов.

Текущие вызовы и перспективы
развития КНР

Несмотря на значительные достижения, область обра-
ботки естественного языка сталкивается с рядом вызо-
вов, которые необходимо преодолеть для дальнейшего
развития:

•	Обработка многозначности и контекста

Понимание смысла слов и фраз в зависимости от контек-
ста остается сложной задачей.

Разработка моделей, способных учитывать тонкие нюан-
сы языка и межъязыковые различия.

•	Улучшение понимания нюансов языка
и культурных особенностей

Языковые модели должны учитывать культурные контек-
сты и различия в использовании языка.

Создание моделей, способных адаптироваться к различ-
ным диалектам и стилям общения.

•	Снижение предвзятости и обеспечение
этичного использования

Устранение предвзятостей, заложенных в обучающих
данных, для предотвращения дискриминации и неспра-
ведливости.

Разработка этических стандартов и регуляций для ис-
пользования М1_Р-технологий.
•	Обеспечение приватности и безопасности
данных

Защита личной информации и предотвращение утечек
данных при обработке текстов.

Разработка методов анонимизации и защиты данных в
М1_Р-приложениях.

•	Объяснимость и прозрачность моделей

Создание моделей, которые могут объяснить свои реше-
ния и выводы, повышая доверие пользователей.

Разработка методов для интерпретации внутренней ра-
боты языковых моделей.

Обработка естественного языка является важной частью
искусственного интеллекта, преобразующей взаимодей-
ствие между людьми и машинами. Языковые модели, как
ключевой элемент М1_Р, обеспечивают высокую точность
и эффективность при решении таких задач, как генера-
ция текста, анализ данных и обработка информации. Тем
не менее, для полного раскрытия возможностей М1_Р не-
обходимо преодолевать такие вызовы, как понимание
сложного контекста и устранение неоднозначностей, ко-
торые всё ещё остаются проблемой. Постоянное разви-
тие методов и подходов в этой области открывает новые
перспективы, делая взаимодействие с машинами все бо-
лее естественным и удобным.
[4]	Этика и общество

4.1.	Вызовы технологического прогресса

В последние годы развитие нейросетей идёт настолько
стремительно, что появляется ощущение, будто обще-
ство не поспевает за этими изменениями. Новые модели
и алгоритмы выходят столь регулярно и в таком много-
образии, что начинают решать задачи, которые недав-
но ещё казались научной фантастикой. Кажется, догнать
стремительное развитие технологий уже невозможно.

Если автоматическая генерация текста ещё несколько
лет назад была экспериментальной, то сегодня такие си-
стемы, как СЬа1СРТ меняют бизнес-процессы, маркетинг
и творческие индустрии. Такой быстрый рост вызывает
не только восхищение, но и тревогу, поскольку каждый
технологический прорыв влечёт за собой новые вызовы
и требует постоянного обучения, чтобы идти в ногу со
временем.

Такой темп изменений ставит перед обществом се-
рьёзные вызовы: требуется не только осваивать новые
технологии, но и пересматривать подходы к обучению,
адаптировать традиционные методы работы и интегри-
ровать инновации в повседневную практику. Гибкость и
готовность к постоянному обновлению знаний становят-
ся важнейшими условиями профессионального успеха.
Страх отставания, несмотря на его обоснованность, ста-
новится двигателем прогресса, побуждая к развитию и
переобучению.
Бурный рост нейросетевых технологий размывает гра-
ницы между человеком и машиной, открывая новые го-
ризонты. Ощущение запаздывания одновременно тре-
вожит и подталкивает к переменам, стимулируя поиск
способов эффективной интеграции ИИ в жизнь и рабо-
ту. Этот вызов, каким бы сложным он ни казался, даёт
уникальные возможности для построения адаптивного,
осмысленного будущего, где технологии и люди взаимо-
действуют в гармонии.

Промптология выступает связующим звеном между
стремительным развитием нейросетей и их практиче-
ским применением: она учит формулировать точные
запросы и направлять потенциал ИИ на решение кон-
кретных задач. Этот подход делает взаимодействие с
искусственным интеллектом более осознанным и ре-
зультативным, помогая извлекать максимальную пользу
из его потенциала.

Стремительное развитие нейросетей меняет привычные
подходы к работе и обучению, требуя гибкости и посто-
янного обновления знаний. Ощущение того, что не успе-
ваешь за быстрыми технологическими изменениями,
может вызывать тревогу, но одновременно становится
стимулом для адаптации и переобучения. В этом кон-
тексте промптология играет ключевую роль, превращая
искусственный интеллект из непредсказуемого инстру-
мента в управляемый ресурс, позволяющий человеку не
просто следовать за прогрессом, а направлять его в нуж-
ное русло.
4.2.	Технологическая сингулярность

Технологическая сингулярность рассматривается как
точка невозврата, после которой развитие ИИ выходит
за пределы человеческого контроля. Одни видят в этом
эволюционный скачок, ведущий к беспрецедентному
прогрессу, другие — угрозу, способную кардинально из-
менить общество, экономику и саму природу человече-
ского существования.

Основные страхи, связанные с сингулярностью, включа-
ют потерю контроля над автономными системами, спо-
собными принимать решения вне рамок человеческих
ценностей. При этом существует опасение, что весь на-
копленный до наступления сингулярности опыт и до-
стижения могут оказаться бессмысленными, поскольку
новая эра радикально изменит природу нашего суще-
ствования и взаимоотношений с технологиями.

Однако сингулярность может привести и к новому уров-
ню сотрудничества между человеком и машиной. ИИ бе-
рет на себя рутинные задачи, освобождая пространство
для творчества и инноваций. В таком сценарии его раз-
витие станет инструментом для решения глобальных
проблем — от совершенствования медицины до борьбы
с экологическими кризисами.

Ключевой задачей остаётся обеспечение безопасно-
сти и соответствия ИИ человеческим ценностям. Для
этого необходимы механизмы согласования, которые
направят его развитие в этическое русло. Только так
технологический прогресс станет хорошим фундамен-
том для гармоничного сосуществования, где человек и
машина будут действуют как партнёры в построении
будущего.
Согласование ИИ

Согласование (аП^птепХ) — это комплекс подходов, на-
правленных на то, чтобы поведение ИИ соответствовало
человеческим ценностям и этическим нормам. В основе
этой задачи лежит разработка специальных алгорит-
мов и систем вознаграждения, которые корректируют
действия ИИ так, чтобы его цели гармонично интегри-
ровались с интересами общества. Это включает в себя
не только формирование правильной функции возна-
граждения, но и обеспечение прозрачности и предска-
зуемости решений, принимаемых ИИ, а также внедрение
механизмов контроля и обратной связи, позволяющих
оперативно корректировать поведение системы.

Одной из главных сложностей является то, что челове-
ческие ценности — это сложная, многослойная система,
часто противоречивая сама себе, и её сложно формали-
зовать в виде строгих правил. Поэтому исследователи ак-
тивно разрабатывают методы, позволяющие ИИ учиться
на разнообразных данных и адаптироваться к меняюще-
муся контексту, не отклоняясь от принципов безопасно-
сти и этики. Такой подход требует постоянного диалога
между разработчиками, специалистами в области этики
и обществом, чтобы гарантировать, что технологическая
сингулярность станет не угрозой, а шагом к гармонично-
му сосуществованию человека и машины.

Регулирование ИИ

Адаптация общества, государственных институтов и биз-
неса к грядущим изменениям требует не только техно-
логических решений, но и пересмотра образовательных,
корпоративных и правовых стратегий. Создание про-
зрачных и гибких механизмов регулирования ИИ должно
обеспечивать баланс между инновациями и обществен-
ными интересами, формируя этические стандарты и си-
стемы контроля.

Философский аспект сингулярности затрагивает вопро-
сы человеческой идентичности и переосмысления места
человека в мире. Если технологии способны обесцени-
вать прежние достижения, то они же открывают новые
горизонты самопознания. Важно сохранять ключевые
ценности, превращая вызовы в возможности для лич-
ностного и общественного развития.

Технологическая сингулярность несёт в себе как вызовы,
так и новые возможности. С одной стороны, существует
риск потери контроля над ИИ и радикального измене-
ния привычного уклада жизни. С другой — это шанс на
эффективное сотрудничество человека и машины, если
развитие технологий будет сопровождаться продуман-
ным регулированием, этическим согласованием и актив-
ным общественным диалогом.

4.3.	Место человека в эпоху ИИ

В экономике усиливаются опасения по поводу влияния
нейросетей на рынок труда. Возникают опасения, что ав-
томатизация приведёт к массовому вытеснению работ-
ников, однако реальная тенденция указывает скорее на
изменение структуры занятости и требований к компе-
тенциям. Всё больше ценятся «гибридные» специалисты,
которые не только обладают профессиональными зна-
ниями, но и умеют эффективно взаимодействовать с ИИ.
При этом успех работы с нейросетями полностью зави-
сит от уровня компетенции пользователя: без глубокого
понимания предметной области сложно формулировать
корректные задачи и объективно оценивать результаты,
что приводит к разнице в качестве решений у опытных
специалистов и новичков.

Компетенции пользователя

Эффективность работы с нейросетями напрямую зави-
сит от компетенции пользователя. Искусственный интел-
лект — это инструмент, который усиливает имеющиеся
знания, навыки и опыт, но не заменяет их полностью.
Если пользователь не способен самостоятельно сформу-
лировать задачу или понять её решение, никакая нейро-
сеть не сможет полностью восполнить этот пробел.

Нейросети ускоряют процесс решения задач и расширя-
ют творческие возможности, но фундаментом успеха оста-
ётся собственная компетентность пользователя. Другими
словами, ИИ помогает тем, кто уже владеет предметом,
улучшая и оптимизируя результаты, однако не является
универсальным средством решения задач для тех, кто не
обладает необходимыми знаниями и навыками.

Образование и переобучение

Развитие и распространение ИИ требуют принципиально
иного подхода к системе образования и профессиональ-
ной подготовки кадров. Сегодня недостаточно только те-
оретических знаний или узконаправленных навыков ра-
боты с конкретными технологиями: ключевым становится
умение правильно формулировать задачи для нейросе-
тей, критически оценивать результаты их работы и эффек-
тивно интегрировать их в реальные бизнес-процессы.

Это подразумевает не только обновление образователь-
ных программ, но и развитие гибких навыков у специа-
листов, способных взаимодействовать с нейросетями как
партнёрами. Важно готовить не просто пользователей тех-
нологии, а профессионалов, способных видеть шире тех-
нической реализации, творчески подходить к постановке
задач и оценке решений, что позволит обществу успешно
адаптироваться к быстрым технологическим изменениям.

Конкурентоспособность

Использование нейросетей ставит перед обществом и
бизнесом задачу непрерывного обучения и переобуче-
ния, поскольку взаимодействие с ИИ становится не про-
сто полезным навыком, а необходимостью для сохра-
нения конкурентоспособности. Вместо страха потерять
рабочие места важно понять, что будущее за теми, кто
умеет интегрировать возможности ИИ в повседневную
практику, эффективно направляя его потенциал на ре-
шение конкретных задач.

Сегодня успешный сотрудник — это не тот, кто избегает
использования нейросетей из страха быть заменённым,
а тот, кто умеет грамотно ставить задачи, корректировать
полученные результаты и превращать взаимодействие с
искусственным интеллектом в эффективный инструмент
повышения собственной продуктивности и креативности.

Внедрение и управление ИИ

В эпоху стремительного внедрения ИИ становится всё бо-
лее очевидным, что важны не только технические знания
о нейросетях, но и умение эффективно управлять ими.
Многие компании уже сталкиваются с ситуацией, когда
ИИ активно используется, но результаты не приносят ожи-
даемого эффекта. Причина этого в том, что акцент ставит-
ся на технические аспекты нейросетей, а не на развитие
управленческих навыков сотрудников, которые должны
уметь формулировать задачи, контролировать процесс и
критически оценивать полученные результаты.

Развитие навыков управления ИИ становится ключевым
условием эффективности гибридных специалистов. В бу-
дущем успешным будет не тот, кто лучше других разбира-
ется в нейросетевых алгоритмах, а тот, кто понимает, как
ставить задачу ИИ, как использовать его возможности мак-
симально эффективно и как интегрировать его в повсед-
невную практику компании. Именно умение управлять ИИ,
а не только понимать, как он устроен, становится ключевым
фактором успеха в новой технологической реальности.

Психология адаптации к ИИ

Внедрение искусственного интеллекта требует от людей
не только технических навыков, но и психологической
готовности к изменениям. Сотрудники сталкиваются со
страхами потери работы, неопределённостью и необхо-
димостью постоянного переобучения, что нередко вызы-
вает стресс и сопротивление переменам. Поэтому важным
аспектом становится развитие навыков психологической
адаптации: умения преодолевать страх перед техноло-
гиями, сохранять открытость новому опыту и видеть в ИИ
инструмент личного и профессионального роста.

Компании должны создавать условия для поддержки
сотрудников в процессе адаптации, обучать их не толь-
ко взаимодействию с нейросетями, но и формировать
позитивное отношение к технологическим изменениям.
Это включает программы психологической поддержки,
формирование культуры непрерывного обучения и по-
ощрение экспериментов с ИИ. В таком подходе сотруд-
ники видят в искусственном интеллекте союзника, а не
угрозу, что повышает их уверенность, мотивацию и, как
следствие, продуктивность.
Компетенции будущего

Эффективная интеграция ИИ в рабочие процессы требует
развития новых компетенций и навыков, среди которых
важнейшими становятся способность формулировать
точные задачи, умение критически оценивать получен-
ные результаты и адаптивность к новым технологиям.
Специалистам необходимо фокусироваться не столько
на изучении тонкостей работы нейросетей, сколько на
понимании того, как максимально использовать их воз-
можности в решении конкретных задач и оптимизации
собственного труда.

Чтобы успешно адаптироваться к переменам, вызванным
ИИ, важно стимулировать культуру непрерывного обуче-
ния, экспериментирования и психологической гибкости.
Обучение работе с нейросетями следует интегрировать
в профессиональную подготовку сотрудников всех уров-
ней, создавая условия для того, чтобы взаимодействие
с ИИ воспринималось не как вынужденная необходи-
мость, а как важный инструмент личностного и профес-
сионального роста.

Таким образом, эпоха искусственного интеллекта тре-
бует от человека не просто освоения новых технологий,
но и внутренней готовности к изменениям. Необходимо
преодолеть психологические барьеры, научиться видеть
в ИИ союзника, а непрерывное обучение превратить в
повседневную практику. Лишь в таком случае человек
сможет использовать искусственный интеллект как мощ-
ный инструмент для повышения собственной эффектив-
ности, сохраняя своё ключевое место в стремительно
меняющемся мире.
[5]	Логика

5.1.	Основы логики

Логика является основой любого формального процесса
мышления, особенно в тех областях, где требуется систе-
матизация, анализ и точность. В промптологии логика игра-
ет ключевую роль, обеспечивая ясность и структуриро-
ванность запросов, которые мы передаем искусственному
интеллекту. Эта глава объясняет, как логические принципы
влияют на формирование промптов и как их можно исполь-
зовать для улучшения качества взаимодействия с ИИ.

Понятие и функции

Логика — это наука о законах правильного мышления,
которая изучает методы и законы, по которым строятся
выводы и аргументы. Она помогает вырабатывать систе-
матический подход к решению задач, избегая ошибок,
двусмысленности и неточности.

В промптологии логика выполняет следующие функции:

•	Формирование структурированных запросов

Она помогает правильно выражать свои мысли так, чтобы
языковая модель понимала их с наибольшей точностью.

•	Устранение двусмысленности

Четкие логические конструкции уменьшают вероятность
неправильной интерпретации запроса.
•	Создание гибкости

Используя логические операторы, вы можете задавать
условия, которые охватывают широкий спектр возмож-
ных ответов.

•	Оптимизация выдачи

Логика позволяет задавать условия так, чтобы ответы
модели были не только точными, но и релевантными ва-
шей цели.

История и развитие логики

Логика как наука зародилась в Древней Греции. Ее осно-
вателем считается Аристотель, который разработал по-
нятие силлогизма — способа рассуждения, при котором
из двух утверждений делается логический вывод. Это
был первый шаг к систематизации мышления и вывода
заключений на основе заданных предпосылок. Впослед-
ствии логика развивалась в различных направлениях, и с
течением времени стала важнейшим инструментом для
упорядочивания мышления и анализа.

С развитием математики логика приобрела новые фор-
мы. В XIX веке Джордж Буль создал булеву алгебру, кото-
рая позволила представить логические операции в виде
математических формул. Этот подход оказался крайне
полезным для анализа и построения алгоритмов. В свою
очередь, работы Готлоба Фреге в области математиче-
ской логики заложили основы для формализации поня-
тий и вывода теорем с использованием строгих логиче-
ских правил.

В XX веке логика стала неотъемлемой частью вычисли-
тельных наук. Современные компьютерные алгоритмы
активно используют основные логические принципы.
К ним относятся высказывания, операции и правила вы-
вода. Эти принципы лежат в основе таких систем, какязы-
ковые модели. Логика играет ключевую роль в создании
четких и последовательных механизмов для обработки
информации. Это особенно важно в области искусствен-
ного интеллекта и машинного обучения, где точность и
корректность обработки данных критически важны.

Роль логики в промптологии

Когда мы взаимодействуем с ИИ, мы фактически созда-
ем логические структуры. Каждый запрос (промпт) — это
цепочка высказываний и условий, которые языковая мо-
дель должна интерпретировать и обработать. Знание ло-
гики помогает строить такие запросы, которые:

•	точно отражают задачу;

•	учитывают все необходимые условия;

•	исключают ненужные элементы, которые могут за-
путать модель.

Пример.

Неоптимальный запрос:

Пзег

Расскажи что-нибудь интересное про науку.

СЪаЪОРТ

Знаешь, что микроскопические организмы, та-
кие как бактерии, могут быть гораздо стар-
ше, чем думали ученые? Недавно нашли следы
жизни возрастом 3,5 миллиарда лет в Австра-
лии — это самые древние свидетельства жизни
на Земле!

Здесь запрос слишком общий, и модель выдает нереле-
вантный ответ.
Оптимальный запрос с логической структурой:

Пзег

Расскажи об открытиях в квантовой физике,
которые произошли в 2024 году.

СЪаЪСРТ

В 2024 году ученые продвинулись в создании
стабильных квантовых процессоров, которые
могут работать при высоких температурах,
что приблизит квантовые технологии к реаль-
ному применению.

Здесь добавлены конкретные условия, что улучшает ре-
зультат.

Основные принципы логики в промптологии

Структура запроса

Логика помогает выделять ключевые элементы и выстра-
ивать их в четкой последовательности. Она требует ясно
формулировать идеи, чтобы избежать неправильного по-
нимания. Важно придерживаться одной темы и упорядо-
чивать мысли так, чтобы каждая новая часть опиралась
на предыдущую. Такой подход уменьшает двусмыслен-
ность и помогает модели давать более точные ответы.

Ясность

При составлении запроса важно исключить лишние дета-
ли, которые могут запутать ИИ. Логика позволяет сосре-
доточиться на главных аспектах задачи, избегая сложных
и громоздких формулировок. Четкое разделение мыс-
лей помогает выделить ключевую информацию и умень-
шить необходимость уточнений. Чем проще и понятнее
запрос, тем точнее будет ответ.
Последовательность

В промптах важно выстраивать понятную логику пере-
ходов между мыслями. Каждый шаг запроса должен ло-
гически вытекать из предыдущего, что улучшает связан-
ность аргументов. Это помогает модели лучше следовать
цепочке рассуждений и формировать структурирован-
ный ответ. Такой подход особенно полезен для сложных
задач, требующих анализа нескольких взаимосвязанных
факторов.

Выявление скрытых допущений

Логика помогает находить и устранять ошибки, связан-
ные с ложными или непроверенными предположениями
в запросах. Если такие предположения остаются незаме-
ченными, это может привести к неверным результатам от
модели. Проверка допущений делает запрос более точ-
ным и понятным для ИИ. В результате модель получает
ясное представление о задаче и дает более корректные
ответы.

Взаимодействие с языковыми моделями

Логические операции

Операции «и», «или», «не» позволяют уточнять условия
запроса, делая его более гибким и точным. Например,
с их помощью можно задавать конкретные требования
или исключать ненужные элементы. Такие операции по-
могают модели лучше понимать задачу и предоставлять
более релевантные ответы.

Создание условий

Логика позволяет формулировать запросы с условными
конструкциями, такими как «если..., то...». Это упрощает
постановку сложных задач, где выполнение одного усло-
вия зависит от другого. Такой подход помогает уточнять
запросы и получать от модели более точные и структури-
рованные ответы.

Понимание контекста

Языковая модель анализирует запросы, опираясь на их
логическую структуру. Четкое и последовательное фор-
мирование контекста помогает избежать двусмыслен-
ности и недоразумений, позволяя модели давать более
точные и осмысленные ответы.

Логика в промптах

•	Повышение точности

Логические конструкции помогают моделям точнее ин-
терпретировать запросы, выделяя ключевые элементы и
избегая недоразумений. Это особенно важно для слож-
ных задач, где ошибки в интерпретации могут суще-
ственно повлиять на результат.

•	Экономия времени

Четко сформулированные запросы сокращают количе-
ство итераций, необходимых для уточнения задачи. Та-
кой подход позволяет быстрее получать нужный резуль-
тат без дополнительных уточнений.

•	Улучшение взаимодействия

Логика делает запросы к ИИ понятными и структури-
рованными, что облегчает общение. Это способствует
более комфортному и эффективному взаимодействию,
где запросы и ответы максимально соответствуют ожи-
даниям.
Логика в промптологии — это фундаментальный ин-
струмент, который помогает достигать ясности и точно-
сти в формулировке запросов. Она позволяет избегать
двусмысленности, улучшать качество ответов и опти-
мизировать взаимодействие с искусственным интел-
лектом. Знание основ логики открывает новые гори-
зонты в эффективной работе с языковыми моделями и
закладывает основу для создания сложных и полезных
промптов.

5.2.	Основные понятия логики
в промптологии

Логика является основой промптологии, помогая соз-
давать эффективные и точные промпты для взаимодей-
ствия с искусственным интеллектом. Понимание базовых
логических понятий, таких как высказывания, перемен-
ные и операции, позволяет формулировать запросы,
которые ИИ может интерпретировать максимально кор-
ректно. Благодаря этим инструментам можем избежать
двусмысленности, уточнить условия и структурировать
информацию так, чтобы результат был максимально по-
лезным и релевантным.

Высказывания

В контексте промптологии высказывание — это утверж-
дение или запрос, имеющий определенное истинност-
ное значение (истина или ложь). Такое утверждение
выражает законченную мысль, на которую можно дать
конкретный ответ.
Применение:

•	Помогает разделять сложные вопросы на отдельные
однозначные утверждения, повышая точность итогово-
го ответа.

•	Устраняет двусмысленность: если каждое высказыва-
ние сформулировано ясно, ИИ лучше понимает, чего от
него ожидают.

•	Улучшает структуру запроса: каждое высказывание
можно воспринимать как «блок» информации, упроща-
ющий взаимодействие с моделью.

Примеры:

Конкретный вопрос, ожидающий однозначного ответа.

Пзег

Сколько континентов на Земле?

СЪаЪОРТ

Семь: Азия, Африка, Северная Америка, Южная
Америка, Антарктида, Европа и Австралия.

Запрос на предоставление конкретной информации.

Пзег

Объясни принцип работы электромотора.

СЪаЪОРТ

Электромотор работает за счет взаимодей-
ствия магнитного поля и электрическо-
го тока: ток в обмотках создает магнитное
поле, которое взаимодействует с постоянным
магнитом, вызывая вращение ротора.

Переменные

Переменные в логике представляют собой символы или
элементы, которые могут принимать различные значе-
ния. В промптологии переменные обозначают параме-
тры или условия в запросах, меняющиеся в зависимости
от потребностей пользователя.

Применение:

•	Позволяет создавать шаблоны запросов, которые легко
адаптируются под разные сценарии.

•	Дает возможность уточнять условия максимально бы-
стро: пользователь может подставлять новые значения
вместо переменных, не меняя структуру всего запроса.

•	Упрощает составление многоступенчатых запросов: од-
нажды сформулированный промпт можно быстро «пе-
реконфигурировать» под другую задачу.

Примеры:

Переменная [технология] может быть заменена на лю-
бую интересующую технологию.

Пзег

Расскажи о преимуществах [технология].

Переменные позволяют провести анализ, заменяя их
на любые значения для сравнения.

Пзег

Сравни [продукт А] и [продукт В] по харак-
теристикам.

Операции

Логические операции — такие как «и», «или», «не», ис-
пользуются для соединения или модификации выска-
зываний и переменных. Они позволяют строить более
сложные запросы, уточнять условия и формировать точ-
ные логические выражения.

Применение:

•	Уточнение поиска: «и» сужает область, а «или» ее расши-
ряет, добавляя гибкость при фильтрации информации.
•	Исключение лишнего: «не» отсекает ненужные резуль-
таты, помогая сосредоточиться на релевантных фактах.

•	Комбинированные условия: сочетание разных опера-
ций дает возможность формулировать более детализи-
рованные вопросы и исключать потенциальные ошибки.

Примеры:

Использование «и» для объединения тем.

Пзег

Найди информацию о здоровом питании и фи-
зической активности.

СЪаЪОРТ

Здоровое питание включает больше овощей,
меньше сахара и соли, а физическая актив-
ность улучшает здоровье и снижает риск бо-
лезней .

Применение «или» и «не» для уточнения кулинарных
параметров.

Пзег

Дай рецепт итальянской или французской
кухни, не содержащий глютена.

СЪаЪОРТ

Ризотто с грибами — это блюдо итальянской
кухни. Рис тушат с овощным бульоном, гри-
бами и пармезаном до кремовой консистен-
ции .

Понимание высказываний, переменных и логических
операций — отправная точка для эффективного при-
менения логики в промптологии. Умение формировать
четкие вопросы, использовать гибкие шаблоны и ком-
бинировать разные условия делает взаимодействие с
искусственным интеллектом более точным и продуктив-
ным. Именно эти основы помогут вам в дальнейшем при-
менять продвинутые приемы, о которых пойдет речь в
следующих разделах книги.

5.3.	Логические операции

Логические операции — важный инструмент для соз-
дания структурированных и точных запросов в промпто-
логии. Они помогают задать четкие условия, влияя на
качество взаимодействия с языковыми моделями. От ло-
гической структуры запроса зависит, насколько коррек-
тно и полно модель сможет интерпретировать задачу.

В этом разделе рассмотрены основные логические опе-
рации: «И», «ИЛИ», «НЕ», условные операторы и другие.
Разобрано, как применять их для уточнения и оптимиза-
ции промптов. С их помощью можно объединять усло-
вия, исключать нежелательные варианты и формировать
сложные многоступенчатые запросы. Это повышает точ-
ность модели и делает ответы более точными и соответ-
ствующими запросу. Приведены примеры и обсуждения,
которые помогут освоить эти инструменты и применять
их в работе с искусственным интеллектом.

Виды операций

И (АЫй)

Операция «И» объединяет два или более условия, тре-
буя, чтобы все они были выполнены для получения
результата. Она используется для уточнения запроса,
когда необходимо, чтобы все указанные критерии од-
новременно присутствовали в ответе.

Пзег

Какие упражнения развивают силу И гибкость?

СЪаЪОРТ

Силу развивают приседания, становая тяга,
жимы и подтягивания. Гибкость улучшают
йога, растяжка и динамические упражнения,
например, махи ногами.

Запрос включает два условия: упражнения для силы и
гибкости. Модель учитывает оба критерия, давая со-
ответствующие варианты. Так, оператор «И» помогает
учесть сразу несколько аспектов.

«И» объединяет условия, требуя выполнения всех за-
данных критериев. Это повышает точность ответов,
исключая результаты, не удовлетворяющие всем па-
раметрам.

ИЛИ (ОК)

Операция «ИЛИ» (ОР) объединяет условия так, что
достаточно выполнения хотя бы одного из них для по-
лучения результата. Она подходит, когда нужно рас-
ширить выбор и получить информацию по любому из
заданных критериев.

Пзег

Какие продукты богаты белком ИЛИ сложными
углеводами?

СЪаЪОРТ

Белком богаты мясо птицы, рыба, яйца и бо-
бовые, а сложные углеводы содержатся в ов-
сянке, коричневом рисе и цельнозерновом
хлебе.
В этом примере запрос содержит два условия: «богаты
белком» и «богаты сложными углеводами». Операция
«ИЛИ» говорит модели, что достаточно удовлетворять
хотя бы одному условию, чтобы попасть в ответ.

«ИЛИ» расширяет поиск, возвращая результаты, удов-
летворяющие одному или нескольким критериям из
списка. Это полезно, когда допустимо несколько вари-
антов ответа.

НЕ (НОТ)

Операция «НЕ» (МОТ) исключает определенное усло-
вие, отсекая результаты, которые ему соответствуют.
Она подходит, когда нужно убрать из ответа нежела-
тельные элементы или признаки.

Пзег

Какие страны находятся в Европе, но НЕ вхо-
дят в Евросоюз?

СИаЪСРТ

В Европе, но вне ЕС находятся такие страны,
как Норвегия, Швейцария, Великобритания и
другие.

Запрос требует найти страны, расположенные в Евро-
пе, но при этом исключить те, что входят в Евросоюз.
Оператор «НЕ» позволяет удалить из ответа государ-
ства, являющиеся членами ЕС, оставляя только удов-
летворяющие остальным критериям.

«НЕ» отсекает нежелательные элементы, помогая сфо-
кусировать результаты и получить более точный спи-
сок соответствий.
ЕСЛИ..., ТО (условные операторы)

Операция «ЕСЛИ..., ТО...» уточняет условие, при ко-
тором выполняется определенное действие или пре-
доставляется конкретная информация. Она полезна,
когда требуются разные ответы в зависимости от того,
выполнено условие или нет.

Пзег

Перечисли, какого цвета может быть небо:
ЕСЛИ синим, ТО объясни почему?

СЪаЪСРТ

Небо может быть синим, серым, красным,
оранжевым, розовым, фиолетовым и даже зе-
леным в редких случаях. Оно кажется синим
днем из-за рассеяния солнечного света в
атмосфере — короткие синие волны рассеива-
ются сильнее, чем длинные красные.

Запрос содержит условие: при перечислении возмож-
ных цветов неба требуется уточнить причину именно
для синего. Оператор «ЕСЛИ..., ТО...» позволяет за-
дать модели различные действия, зависящие от кон-
кретного условия.

«ЕСЛИ..., ТО...» дает возможность формировать аль-
тернативные ветви ответа под разные сценарии. Это
помогает адаптировать содержание ответа к разным
условиям, делая промпт более гибким и точным.

«Исключающее ИЛИ» (ХОР)

Операция ХОР предполагает выполнение строго од-
ного условия из нескольких, исключая возможность их
одновременного выполнения. Этот подход полезен в
ситуациях, когда необходимо чёткое разграничение
между двумя альтернативами.
Пзег

Порекомендуй книгу строго в одном жанре:
ЛИБО фантастику, ЛИБО фэнтези, но не сме-
шение обоих.

СЪаЪОРТ

Если рассматривается исключительно фанта-
стика, подойдёт «Гиперион» Дэна Симмонса,
поскольку в нём чётко выражены элементы
научной фантастики. Для чистого фэнтези
оптимально подойдёт «Хоббит» Джона Толки-
на. При этом книги, совмещающие оба жанра,
не удовлетворяют заданным условиям.

Здесь чётко показано, что выбор должен быть сделан
в пользу одного варианта, исключая пересечение или
комбинацию условий.

Диапазон

Данная операция задает интервал для числовых зна-
чений или дат, отсекая все, что выходит за указанные
границы. Она полезна, когда необходимо ограничить
результат конкретным временным или числовым от-
резком.

Пзег

Какие фильмы вышли между 2010 и 2015 годами
и получили «Оскар»?

СЪаЪОРТ

«Король говорит!» (2010), «Артист» (2011),
«Операция «Арго»» (2012) — примеры филь-
мов, вышедших в указанный период и полу-
чивших «Оскар».

В этом запросе установлен временной диапазон (2010-
2015), который ограничивает список фильмов только
этим периодом. Использование диапазона помогает
задать четкие границы, отсекая все, что не соответ-
ствует условиям. Кроме того, добавлен дополнитель-
ный критерий — наличие премии «Оскар», что делает
результат еще более точным.

Ограничение диапазона упрощает фильтрацию дан-
ных, исключая информацию, выходящую за установ-
ленные пределы. Это позволяет модели выдавать чет-
ко ограниченные ответы, будь то временные рамки,
числовые значения или другие интервалы.

Группировка

Эта операция объединяет несколько условий в одном
запросе, упрощая его структуру. Это полезно, когда
нужно собрать информацию по нескольким параме-
трам в рамках одного запроса.

Пзег

Перечисли книги, которые относятся к жан-
рам фантастики, фэнтези и исторического
романа.

СЬаЪСРТ

В жанре фантастики можно порекомендовать
«Дюну» Фрэнка Герберта, для фэнтези — «Вла-
стелин колец» Дж. Р. Р. Толкина, а в исто-
рическом романе — «Война и мир» Льва Тол-
стого .

Запрос объединяет несколько жанров в одном запро-
се, что делает его более эффективным и компактным.
Данная операция позволяет включить несколько ус-
ловий, чтобы модель могла предоставить более широ-
кий, но структурированный ответ.

«Группировка» помогает объединять несколько усло-
вий, упрощая запросы и улучшая точность ответа. Это
позволяет создавать более компактные и разнообраз-
ные запросы, которые одновременно охватывают не-
сколько аспектов.

Сравнение

Операции сравнения («больше», «меньше», «равно»,
«не равно» и т. д.) помогают уточнять запросы, когда
нужно получить более точные данные, соответствую-
щие заданным критериям. Они позволяют фильтро-
вать информацию на основе конкретных сравнитель-
ных показателей — например, цены, даты или числовых
параметров.

Пзег

Назови страны, которые имеют население
больше 100 миллионов человек.

СЬаЪСРТ

Страны с населением более 100 миллионов
человек включают Китай, Индию, США, Рос-
сию, Бразилию и другие.

Запрос требует сравнивать численность населения
стран с порогом в 100 миллионов. Операция сравне-
ния («больше 100 млн») отсекает все страны, которые
не дотягивают до указанного показателя, и оставляет
только соответствующие условию.

Операции сравнения упрощают фильтрацию резуль-
татов по конкретным критериям (числовым или иным
измеримым). Это помогает точнее формулировать за-
просы и получать актуальные, строго соответствую-
щие условиям данные.

Не содержит

Операция «не содержит» позволяет исключить из отве-
та любые элементы, которые содержат определенное
слово или фразу. Это помогает убрать нежелательную
информацию и сфокусироваться на нужном аспекте.

Пзег

Посоветуй научно-популярные книги, которые
не содержат упоминания о физике.

СЪаЪОРТ

Рекомендую «Краткая история почти всего
на свете» Билла Брайсона (освещает геоло-
гию, биологию и астрономию), а также «Ген»
Сиддхартхи Мукерджи (посвящена генетике и
истории ее открытия) — они не затрагивают
физику подробно.

В запросе используется критерий «не содержит» для
исключения книг с упоминанием физики. Это снижа-
ет вероятность получения неактуальной информации,
оставляя лишь те варианты, где физические темы не
затронуты.

Данный оператор помогает отсеять ненужные элемен-
ты, повышая релевантность и точность ответа. Это осо-
бенно полезно, когда нужно исключить конкретные
ключевые слова или темы из результатов.

Положительные и отрицательные примеры

Использование положительных и отрицательных при-
меров в запросе помогает не только уточнить, что
именно нужно получить, но и показать, чего следует
избегать или что не подходит под критерии. Это дает
модели более полное представление о контексте.

Пзег

Сравни удачные рецепты, которые стали попу-
лярными, и те, которые не прижились, чтобы
понять предпочтения людей.
СкаЪСРТ

Популярные рецепты обычно просты в при-
готовлении, вкусны и используют доступные
ингредиенты. Неудачные рецепты часто слож-
ны, требуют редких продуктов или не соот-
ветствуют вкусовым привычкам большинства
людей.

В этом запросе сразу указаны «удачные рецепты» (по-
ложительные примеры) и «неудачные рецепты» (отри-
цательные примеры). Такой подход помогает модели
понять, какие аспекты сделать акцентом в ответе (что
делает рецепт успешным) и какие нюансы избежать
(почему он может не прижиться).

Положительные и отрицательные примеры расширя-
ют контекст запроса, позволяя модели одновременно
показать успешные варианты и проиллюстрировать,
почему некоторые решения или концепции оказыва-
ются неэффективными. Это способствует более глубо-
кому пониманию темы и выделению ключевых факто-
ров успеха или провала.

Эти инструменты представляют собой лишь основные
логические приемы, которые помогают сделать взаимо-
действие с искусственным интеллектом более точным
и глубоким. Однако они не исчерпывают всех возмож-
ностей промптологии. С опытом промпт-инженеры на-
ходят новые способы работы с ИИ, экспериментируя с
различными структурами запросов и адаптируя их для
более точного управления генерацией и интерпретаци-
ей ответов.
ЧАСТЬ 2

ПРАКТИКА

Искусственный интеллект — это
инструмент. Выбор того, как он будет
использоваться, зависит от нас.

Орен Этциони,
генеральный директор Института
искусственного интеллекта Аллена
[б] Промпт-инжиниринг

6.1.	Основы промптинга

После изучения теоретических основ искусственно-
го интеллекта и архитектуры современных языко-
вых моделей возникает естественный вопрос: как
применять эти знания на практике? Понимания вну-
треннего устройства нейросетей и механизмов вни-
мания недостаточно для эффективного использова-
ния таких мощных систем.

Чаще всего взаимодействие с языковой моделью
происходит через программный интерфейс — будь
то специализированное АР1 или чат-платформа.
Наглядным примером служит СЬаЮРТ, где запрос
(промпт) формулируется в виде сообщения, а мо-
дель отвечает, опираясь на обученный контекст и
встроенную логику.

Чтобы такое взаимодействие приносило пользу,
необходимо освоить дисциплину, известную как
промпт-инжиниринг. Она включает в себя точную
формулировку запросов, структурирование контек-
ста и указание требований к ответу так, чтобы мо-
дель правильно понимала запрос и давала точный
ответ. В этой части книги рассматриваются базовые
принципы промптинга, логику построения запросов
и различные виды промптов, а также влияние архи-
тектуры трансформеров на формирование эффек-
тивных команд.

Что такое промпт

Промпт представляет собой формализованный запрос
к языковой модели, на основе которого формируется
ответ. По сути, это инструкция или набор условий, опре-
деляющих, какую именно информацию или действие
требуется получить от системы. Точность формулировки
промпта напрямую влияет на итоговый результат. Если
запрос не содержит конкретики или сформулирован
расплывчато, модель может дать неполный или невер-
ный ответ.

Типы промптов по сложности

Существуют различные уровни сложности при составле-
нии запроса.

Простые промпты могут состоять из одного-двух пред-
ложений и не содержат дополнительных условий. Такой
формат подходит для кратких вопросов или быстрых
уточнений.

Расширенные промпты включают дополнительный кон-
текст, примеры желаемого формата ответа или пошаго-
вые инструкции. В таких случаях модель получает больше
ориентиров и способна более точно удовлетворить по-
требность пользователя.
Структура и формат

При создании запроса полезно придерживаться опре-
деленной структуры. В простейшем случае достаточно
краткого описания задачи. Однако при сложных запро-
сах стоит указывать:

•	Цель

Указывается, что именно требуется получить от модели:
вывести список, найти решение проблемы или предоста-
вить совет. Чем четче указана цель, тем проще модели
понять задачу и тем точнее будет ответ.

•	Контекст

Предоставляются важные детали или условия, которые
могут повлиять на ответ. Это могут быть факты, предше-
ствующие события или ограничения, которые модель
должна учесть при формировании ответа. Чем больше
нужной информации, тем более точным и полезным бу-
дет результат.

•	Формат ответа

Указывается желаемый формат ответа: список, текст от
первого лица, пошаговая инструкция и т. д. Указание
формата помогает модели структурировать ответ в нуж-
ном виде.

Взаимосвязь с архитектурой трансформеров

Современные языковые модели используют механизм
внимания, позволяющий «выделять» важные детали в
сообщении. Каждый элемент Промпта — будь то клю-
чевое слово, уточняющая фраза или пример — может
повлиять на то, куда будет направлен фокус при форми-
ровании ответа. Поэтому четкость и логичная структура
текста важны не только для восприятия человеком, но и
для оптимального использования внимания моделей.
Правила точных запросов

•	Ясность

Запросы должны быть сформулированы так, чтобы не
возникало двусмысленностей. Например, если в вопросе
присутствуют термины с несколькими значениями, важно
уточнить, о каком именно значении идет речь. Это помо-
жет избежать ошибок при интерпретации запроса.

•	Конкретность

Необходимо четко указывать, что требуется от модели.
Чем точнее будет сформулирована цель запроса (напри-
мер, найти информацию, дать рекомендацию, создать
список), тем более точным и соответствующим будет от-
вет. Излишне общие или неопределенные вопросы ча-
сто приводят к неясным результатам.

•	Логичность

Указание шагов, этапов или условий для каждого эле-
мента задачи позволяет модели правильно интерпрети-
ровать запрос и корректно реагировать на каждый его
аспект. Это также снижает вероятность недоразумений и
повышает качество результата.

Четкая и продуманная структура запроса значительно
повышает вероятность того, что языковая модель предо-
ставит точный и релевантный ответ.

Промптинг — это навык точной формулировки запро-
сов, определяющий качество ответов языковых моде-
лей. Четкость, логика и структура запроса, а также его
соответствие принципам работы трансформеров напря-
мую влияют на результат. Простые промпты подходят
для кратких вопросов, тогда как расширенные помогают
решать сложные задачи, добавляя контекст и уточняю-
щие детали. Следование принципам ясности, конкрет-
ности и логичности позволяет получать точные и полез-
ные ответы.
6.2.	Промпт-инженер

Промпт-инжиниринг — это не отдельная профессия,
а важный навык, который значительно повышает эффек-
тивность работы в различных областях. Это умение точно
взаимодействовать с языковыми моделями, адаптируя
запросы для получения точных и релевантных ответов.
Этот навык становится особенно ценным, когда ИИ и
языковые модели используются для решения конкрет-
ных задач в рамках профессиональной деятельности.

Можно провести аналогию с ситуацией, когда дается
подробный и точный ответ на сложный вопрос пятилет-
нему ребенку. Ответ может быть правильным, но из-за
ограниченности его знаний и опыта он может не понять
всех нюансов. То же самое происходит и с языковыми мо-
делями. Несмотря на то, что модели могут генерировать
точные и информативные ответы, их восприятие и ин-
терпретация зависят от того, насколько четко и грамот-
но сформулирован запрос. Важно не только, как модель
воспринимает запрос, но и как человек, получающий
ответ, может понять и интерпретировать его в контексте
своих знаний.

Модель «понимает» запрос только настолько, насколько
он был четко направлен. Это требует профессионализма
в формулировке, понимания того, что важно для модели
и в какой форме эта информация должна быть представ-
лена.

Навыки и их влияние на результат

Для того чтобы эффективно использовать языковые мо-
дели, важно развивать навык промпт-инжиниринга. Этот
навык помогает формулировать запросы, которые:
•	четко и точно отвечают на заданный вопрос;

•	ориентированы на конкретный контекст;

•	структурированы так, чтобы модель могла дать наи-
более правильный ответ.

Промпт-инжиниринг позволяет задавать точные и струк-
турированные запросы, что дает возможность извлекать
максимум из возможностей языковых моделей.

Рынок труда

Несмотря на то, что промпт-инженер как отдельная
должность пока не встречается в вакансиях, данный на-
вык все больше появляется как дополнительная специа-
лизация в разных профессиях. Например, все больше ра-
ботодателей ищут специалистов, обладающих навыками
промпт-инжиниринга для работы с языковыми моделя-
ми, например, для создания маркетинговых текстов, ав-
томатизации анализа данных или даже разработки алго-
ритмов. Промпт-инжиниринг уже часто встречается как
дополнительный навык в резюме, а в некоторых сферах
это становится неотъемлемой частью профессиональной
деятельности.

Профессия

Промпт-инжиниринг может быть ключевым навыком для
многих профессионалов, но промпт-инженер — это тот,
кто использует этот навык в своей повседневной работе
на профессиональном уровне. Промпт-инженер — это
специалист, который не просто задает вопросы, а гра-
мотно адаптирует запросы, чтобы извлечь максималь-
ную пользу от языковой модели, учитывая все ограниче-
ния и возможности ИИ.
Навыки и компетенции промпт-инженера включают
в себя:

•	Техническое понимание работы модели

Знание принципов работы языковых моделей и их архи-
тектуры (например, трансформеры) помогает лучше по-
нимать, как модель обрабатывает запросы и какие нюан-
сы могут повлиять на результат.

•	Четкость и логичность формулировки запросов

Промпт-инженер должен уметь четко и точно сформу-
лировать запрос, определить цель, структуру и формат
ответа. Прежде чем задать вопрос, важно понимать, что
именно от модели требуется.

•	Аналитическое мышление

Способность анализировать, как модель реагирует на
запросы и где требуется корректировка для улучшения
качества ответа. Важно уметь выявить, какие элементы
запроса требуют изменений для получения более точ-
ных или более релевантных результатов.

•	Итеративный процесс работы с запросами

Умение адаптировать запросы на основе результатов и
выводов из предыдущих ответов. Это позволяет посто-
янно улучшать качество взаимодействия с моделью, по-
вышая ее точность и релевантность.

•	Понимание специфики задачи

Промпт-инженер должен понимать контекст задачи и
быть знаком с профессиональной терминологией, чтобы
задавать максимально точные и специфичные запросы.
Это особенно важно для работы с узкоспециализирован-
ными темами, где даже малые неточности могут повли-
ять на результат.

•	Использование шаблонов и ролевых моделей

Опыт создания стандартных запросов и использования
конкретных инструкций для модели помогает ускорить
процесс и уменьшить количество ошибок. Шаблоны и
ролевые модели дают направление запросам и упроща-
ют их создание.
• Компетенция ответа модели ограничена
компетенцией оператора

Несмотря на мощность языковых моделей, качество их
ответов всегда зависит от того, как правильно и четко
сформулирован запрос. Чем выше уровень знаний и на-
выков промпт-инженера, тем более точные и релевант-
ные ответы будет выдавать модель. Модель может гене-
рировать информацию только на основе того, что ей дано
в запросе, и качество этого запроса полностью зависит от
компетенции оператора.

Востребованность

Промпт-инженер может работать в самых разных об-
ластях. Например, в маркетинге это может быть созда-
ние рекламных текстов или генерация идей для кон-
тента. В программировании промпт-инженер может
использовать модели для автоматического написания
кода, генерации документации или тестов. В юриспру-
денции это будет создание юридических документов,
анализ правовых ситуаций и решение специализиро-
ванных задач.

В каждой из этих сфер промпт-инженер применяет свои
навыки для оптимизации работы с ИИ, что помогает зна-
чительно ускорить процессы, повысить точность и сни-
зить затраты на выполнение задач.

Промпт-инжиниринг становится неотъемлемой частью
работы с современными языковыми моделями. Хотя эта
дисциплина еще не всегда воспринимается как отдель-
ная профессия, ее значение растет с каждым годом. Спо-
собность грамотно формулировать запросы и извлекать
точные ответы от ИИ не только увеличивает эффектив-
ность работы в любой сфере, но и открывает новые го-
ризонты для профессионалов, которые осваивают этот
важный навык.
Важно понимать, что промпт-инженер — это не просто
«тот, кто задает вопросы». Это специалист, который спо-
собен адаптировать запросы, чтобы извлечь максималь-
ную пользу от языковых моделей. В его руках не только
искусство формулировки запроса, но и аналитическое
восприятие того, как модель работает с предоставлен-
ной информацией.

Промпт-инженер, обладая знаниями о функциониро-
вании языковых моделей и имея практический опыт,
играет ключевую роль в процессе оптимизации взаимо-
действия с ИИ через принципы промптологии. Таким об-
разом, способность четко и грамотно задавать вопросы
становится важнейшим навыком, востребованным в са-
мых различных сферах.

6.3. СНаЮРТ

В предыдущих разделах рассмотрены теоретические
основы промпт-инжиниринга и ключевые компетенции
специалистов, позволяющие формулировать точные
запросы к языковым моделям. Для практической реали-
зации этих принципов разработаны специализирован-
ные инструменты, обеспечивающие взаимодействие
с ИИ посредством диалоговых интерфейсов. В данном
разделе рассматривается интерфейс СЬаТСРТ, кото-
рый стал стандартом в данной области, а также дается
обзор технологий, лежащих в его основе. Другие ком-
пании используют похожие интерфейсы, опираясь на
опыт СЬаТСРТ.
Краткая история СНаЮРТ и моделей под ним

История СЬаЮРТ ведет свой отсчет с серии прорывных
разработок в области языковых моделей, начавшихся с
первых версий СРТ. Первая модель СРТ, представленная
ОрепА1 в 2018 году, заложила основу для генерации тек-
ста с помощью архитектуры трансформеров. Эта модель
уже демонстрировала потенциал создания связного и
контекстуально релевантного текста, но ее возможности
оставляли желать лучшего.

В 2019 году была выпущена СРТ-2, которая значительно
расширила масштабы и качество генерируемого текста,
привлекая внимание как исследователей, так и широ-
кой публики. Следующим важным шагом стала модель
СРТ-3 в 2020 году, продемонстрировавшая еще более
впечатляющие возможности по генерации текста, что
позволило использовать ее в самых разнообразных за-
дачах — от написания кода до создания литературных
произведений. Именно успех СРТ-3 стал отправной точ-
кой для разработки специализированного чат-интер-
фейса, способного сделать общение с ИИ максимально
удобным и доступным.

В конце 2022 года ОрепА! представила СЬа1СРТ на базе
улучшенной версии СРТ-3.5, что стало настоящим проры-
вом для массового использования технологий ИИ. Чат-ин-
терфейс позволил пользователям вести диалоге моделью
в режиме реального времени, получая ответы на широ-
кий спектр вопросов. С появлением СЬаЮРТ акцент сме-
стился на интерактивность и возможность быстрой кор-
ректировки запросов, что сделало промпт-инжиниринг
неотъемлемой частью эффективного взаимодействия с
ИИ. Сегодня СЬа^СРТ продолжает развиваться. На мо-
мент написания книги были выпущены следующие мо-
дели: СРТ-4о, СРТ-4.5, СРТ-4.1, о1 и оЗ-тюк Принципы
СЬаЮРТ легли в основу многих современных приложе-
ний, демонстрируя, как теоретические знания превра-
щаются в практический инструмент, изменяющий пред-
ставление о взаимодействии человека с машиной.

Интерфейс СЬаЮРТ

Интерфейс СЬа1СРТ представляет собой удобную и ин-
туитивно понятную платформу для взаимодействия с
языковыми моделями. Он позволяет пользователям за-
давать вопросы и получать ответы в реальном времени,
используя простой текстовый чат.

Общий вид:

I.	Панель инструментов

Это область, где размещены основные элементы управ-
ления интерфейсом: кнопки доступа к настройкам, со-
хранению запросов, переключению режимов и другим
дополнительным функциям. Здесь пользователь может
быстро получить доступ к функциям, которые помогают
оптимизировать работу с моделью.
II.	Рабочая область

Это основное пространство, где происходит обмен со-
общениями между пользователем и СЬаЮРТ. Здесь
отображаются введенные запросы и сгенерированные
ответы, обеспечивая удобный и наглядный диалоговый
формат взаимодействия с искусственным интеллектом.

Панель инструментов

1.	Управление боковой панелью

В верхней части интерфейса СЬаЮРТ расположен пе-
реключатель, позволяющий управлять отображением
боковой панели. При нажатии на него боковая панель
скрывается, освобождая больше пространства для
основного содержимого. Повторное нажатие возвра-
щает панель на место, предоставляя доступ к допол-
нительным функциям и настройкам. Это позволяет
пользователям настраивать рабочее пространство в
соответствии с их текущими потребностями, обеспе-
чивая баланс между функциональностью и удобством
использования.

2.	Поиск в чатах

Функция поиска в чатах СЬаКЗРТ позволяет быстро на-
ходить нужные сообщения с помощью ключевых слов.
Для удобства можно использовать горячее сочетание
клавиш С1г1 + К, которое открывает строку поиска. Вве-
дя нужные слова, вы сможете легко найти необходимые
беседы среди сохраненных чатов. Это упрощает нави-
гацию и экономит время при работе с большим количе-
ством диалогов.

3.	Новый чат

Кнопка «Новый чат» расположена в левом верхнем углу.
Нажатие на нее возвращает пользователя на главную
страницу СЬаЮРТ, где можно начать новый диалог. При
вводе нового запроса открывается чистый чат без пре-
дыдущей истории, что позволяет начать беседу с нуля.
Это особенно удобно, когда нужно обсудить новую тему
или начать разговор без учета прошлых сообщений.
6РТ-4о с запланированными задачами

Попросит* СЬатСРТ ответит» погж*

о1

Использует продвинутые рассуждения

Ча<4

Чат 3

Чат 2

оЗ-ГТНП1

Быстрый в продвинутом рассуждении

оЗ-тш1-ЫдН

Отлично рат&ирается  кодировании и логике

Больше моделей

Временный чат

4.	5ога

Бога (?Ё, что в переводе с японского означает «небо») —
это генеративная модель искусственного интеллекта,
предназначенная для создания ЕиП НО-видео на основе
короткого текстового описания. Кнопка позволяет пере-
йти на сайт модели, где можно ознакомиться с ее воз-
можностями, примерами сгенерированных видео, а так-
же создать собственное видео в рамках действующей
подписки.

5.	Установленные плагины

Плагины для СЬаКЗРТ — это сторонние расширения,
которые расширяют возможности чат-бота и дополня-
ют его функциональность. Этот раздел отображает все
плагины, которые уже установлены. Здесь пользователь
может увидеть список активных расширений, управлять
ими, включая или отключая при необходимости. Для
каждого плагина обычно доступна краткая информация:
название, описание и настройки. Это удобно для быстро-
го доступа и контроля над функциональностью.

6.	Обзор ОРТ

При нажатии пользователь переходит в меню, где откры-
вается каталог доступных плагинов. В этом меню можно
просматривать, сортировать их по категориям или попу-
лярности, а также устанавливать нужные. Это упрощает
процесс персонализации СЬаЮРТ под индивидуальные
задачи. Также в этом разделе доступна возможность
создания собственных плагинов, что позволяет адапти-
ровать функциональность под конкретные потребности
пользователя.

7.	Проекты

Раздел «Проекты» в СЬаЮРТ помогает пользователям
систематизировать работу, объединяя связанные чаты,
файлы и персональные инструкции в одном месте. Это
особенно полезно для управления сложными задачами,
требующими многозадачности. Пользователи могут соз-
давать новые проекты, присваивать им названия, настра-
ивать цветовые обозначения и добавлять необходимые
файлы. Кроме того, можно перемещать существующие
чаты в соответствующие проекты для лучшей структури-
зации информации.

8.	Список чатов

Список чатов отображает все текущие беседы пользова-
теля. Каждый чат автоматически получает название, отра-
жающее его содержание, что помогает быстро ориенти-
роваться среди множества диалогов. Для удобства чаты
можно переименовывать, архивировать или удалять не-
нужные. Они группируются по временным меткам с под-
заголовками, такими как «Сегодня», «Вчера», «Последние
7 дней» и т. д. Такая структура позволяет поддерживать
порядок и эффективно управлять информацией.

9.	План подписки

В нижней части интерфейса СЬаЮРТ находится раздел,
отображающий текущий план подписки пользователя
и предоставляющий доступ к управлению подписками.
Здесь можно просмотреть информацию о текущем та-
рифном плане, сроках действия подписки, а также обно-
вить или изменить план при необходимости.

10.	Текущая модель

Текущая выбранная модель — это та, которая использу-
ется в активной сессии для обработки запросов пользо-
вателя. В рамках одного чата можно свободно переклю-
чаться между доступными моделями.

11.	Перечень моделей

Список доступных моделей включает все варианты, ко-
торые можно использовать в СЬаЮРТ, сопровождаемые
кратким описанием их возможностей. В зависимости от
выбранного тарифного плана и текущих ограничений,
некоторые модели могут быть временно недоступны.
При достижении лимита использования определенной
модели она становится неактивной и отображается се-
рым цветом. Это указывает на необходимость дождаться
сброса лимита или обновить подписку для дальнейшего
доступа. Если включена функция веб-поиска, но выбран-
ная модель ее не поддерживает, она также будет отобра-
жаться неактивной.

12.	Временный чат

Функция «Временный чат» в СЬаЮРТ позволяет вести
беседу без сохранения истории: после завершения сеан-
са данные не сохраняются и не используются для обуче-
ния модели. При этом, если настроены индивидуальные
инструкции, они будут учитываться. Для обеспечения
безопасности копии временных чатов могут храниться
до 30 дней.

Рабочая область

13.	Строка ввода

Поле ввода запроса расположено в центральной части
экрана и предназначено для ввода текстовых команд
или вопросов для взаимодействия с моделью. После
ввода текста промпт отправляется с помощью клавиши
«Еп1ег» или кнопки отправки. Поле поддерживает как
короткие, так и развернутые запросы, позволяя форму-
лировать сложные инструкции.

14.	Загрузка файлов

Иконка для прикрепления файлов, расположенная ря-
дом с полем ввода текста, предназначена для загрузки
их в чат. При нажатии открывается меню, позволяющее
выбрать файл как с компьютера, так и из облачных хра-
нилищ. Эта функция используется для отправки доку-
ментов, изображений и других данных, которые требуют
анализа или обсуждения. Поддерживаются различные
форматы файлов, включая РОЕ, изображения и тексто-
вые документы. Возможность прикрепления файлов за-
висит от выбранного тарифного плана, используемой
модели и активных функций.

15.	Искать в сети

Рядом с полем ввода текста расположена иконка «Поиск»
в виде глобуса. Нажатие на нее позволяет СЬаКЗРТ полу-
чать актуальную информацию из интернета для более
точных и свежих ответов. Эта функция полезна при запро-
сах, связанных с последними новостями, текущими собы-
тиями или другой информацией, которая может изменять-
ся со временем. Возможность использования веб-поиска
зависит от выбранного тарифного плана, выбранной мо-
дели, включенных функций и настроек аккаунта. В рамках
одной беседы функцию поиска можно включать и отклю-
чать для разных промптов, что позволяет гибко управлять
доступом к интернет-ресурсам в зависимости от задачи.

16.	Просмотр инструментов

Иконка «Просмотр инструментов» изображена в виде
трех точек. Нажатие на нее открывает меню с доступны-
ми инструментами, которые можно использовать в теку-
щем чате. Здесь можно активировать такие инструмен-
ты, как генерация изображений с помощью ЭА1_1_-Е или
работа на холсте для совместной работы над написани-
ем текстов и кодированием. Эта функция позволяет рас-
ширить возможности СЬаЮРТ для выполнения специа-
лизированных задач. Доступность инструментов зависит
Чем я могу помочь?

Е5 Создать изображение	Помоги мне мацисать С1* Получить совет (3 Напиши код

@

0 Кратко изложи текст (§) Анализировать изображения Составь план

Анализировать данные

СнатСРТ может допускать ошибки. Рекомендуем проверять важную информацию.

от выбранного тарифного плана, используемой модели и
настроек аккаунта.

17.	Голосовой режим

В интерфейсе СЬаЮРТ доступен голосовой режим, по-
зволяющий взаимодействовать с моделью с помощью
голоса. Для его активации нужно нажать на иконку с изо-
бражением эквалайзера, расположенную рядом с полем
ввода текста. После активации можно задавать вопросы
и получать ответы в аудиоформате, что делает общение
более естественным и удобным. Все голосовые сообще-
ния автоматически дублируются в чате в виде текста для
удобства восприятия и дальнейшего использования. До-
ступность голосового режима зависит от используемого
устройства и настроек аккаунта.

18.	Быстрые команды

Под панелью ввода текста в интерфейсе СЬаЮРТ рас-
положены иконки с предустановленными действиями,
такими как «Создать изображение», «Получить совет»,
«Написать код», «Анализировать данные» и другие. На-
жатие на любую из этих иконок автоматически форми-
рует соответствующий запрос в поле ввода, облегчая
начало работы с конкретной задачей. Например, вы-
брав «Создать изображение», можно быстро перейти
к генерации изображения с помощью модели ЭА1_1_-Е.
Эти ярлыки предназначены для ускорения работы и
упрощения взаимодействия с различными функциями
СЬаКЗРТ.

19.	Панель пользователя

В правом верхнем углу интерфейса СЬаЮРТ находится
иконка с инициалами или аватаром пользователя. Нажа-
тие на нее открывает меню аккаунта, где доступны сле-
дующие опции:

Задачи — доступ к функции планирования, где можно
устанавливать напоминания и повторяющиеся задачи.
Мои ОРТ — переход к разделу с созданными вами мо-
делями ОРТ.

Настроить СЬаЮРТ — раздел для настройки специ-
альных инструкций, позволяющих персонализировать
ответы в чатах.

Настройки — параметры для изменения темы интер-
фейса, языка, управления конфиденциальностью и
другими настройками аккаунта.

Выйти — опция для выхода из аккаунта.

Это меню предоставляет быстрый доступ к основным
настройкам и функциям аккаунта, позволяя эффективно
управлять взаимодействием с СЬаЮРТ.

20.	Помощь и руководство

В правом нижнем углу экрана расположена иконка в виде
круга с вопросительным знаком. Нажатие на нее откры-
вает раздел справки и поддержки, где можно найти от-
веты на часто задаваемые вопросы, ознакомиться с руко-
водствами по использованию сервиса, а также получить
помощь по настройке и функционалу СЬаЮРТ. Этот раз-
дел предназначен для быстрого доступа к информации,
которая поможет эффективно использовать возможно-
сти платформы и решить возникающие вопросы.

21.	Предупреждение о возможных ошибках

В нижней части интерфейса СЬаЮРТ размещено уведом-
ление: «СЬаКЗРТ может допускать ошибки. Рекоменду-
ем проверять важную информацию». Это напоминание
о том, что, несмотря на высокий уровень точности мо-
дели, ее ответы могут содержать неточности или ошиб-
ки. Рекомендуется всегда перепроверять критически
важные данные, особенно если они используются для
принятия серьезных решений. Это способствует более
ответственному использованию искусственного интел-
лекта в различных сферах.
[7]	Управление чатом

7.1.	Основные операции в чате

В данном разделе рассматриваются ключевые операции,
которые пользователь выполняет при общении с языковой
моделью, такие как отправка запроса, редактирование со-
общений, управление контекстом и использование команд
для оптимизации диалога. Подробное описание элементов
интерфейса и кнопок представлено в разделе 6.3, поэтому
здесь внимание сосредоточено на действиях, непосред-
ственно влияющих на процесс взаимодействия с ИИ.

Этапы взаимодействия с моделью

Перед переходом к детальному описанию отдельных
инструментов важно отметить, что процесс общения
с языковой моделью включает ряд последовательных
действий. На каждом этапе — от отправки запроса до
обработки ответа — пользователь может вносить изме-
нения и оптимизировать диалог, что повышает точность
и полезность получаемых результатов. Далее рассматри-
ваются ключевые этапы взаимодействия, каждый из ко-
торых играет важную роль в промптинге.

1	Подготовка и планирование запроса

Этот этап играет важную роль перед отправкой, когда
пользователь формулирует цель, собирает ключевые
идеи и определяет требования для получения точного
ответа. Важно структурировать мысли, выбрать нуж-
ные ключевые слова и решить, какой формат ввода
наиболее подходит для поставленной задачи. Такой
предварительный анализ помогает минимизировать
неоднозначности и обеспечить точность полученной
информации.

Здесь пользователь четко определяет, какую именно
информацию нужно получить, и устанавливает при-
оритеты. Это позволяет адаптировать диалог к кон-
кретной задаче, повысить эффективность ответа мо-
дели и обеспечить более удобное взаимодействие с
искусственным интеллектом.

2.	Отправка запроса

После определения цели и ключевых идей следует
формирование промпта. На этом этапе запросы к мо-
дели могут быть отправлены различными способами,
что позволяет адаптировать процесс общения под кон-
кретные задачи. Основные форматы отправки запроса:

•	Текст. Это наиболее распространенный и универ-
сальный способ взаимодействия. Текстовый ввод
позволяет точно сформулировать вопрос или за-
дание.

•	Изображение. Некоторые модели поддерживают
загрузку изображений. Это полезно для ситуаций,
когда требуется анализ визуальной информации
или генерация ответов на основе графических
данных.

•	Голос. Голосовой ввод становится особенно удоб-
ным для мобильных пользователей или в услови-
ях, когда набор текста затруднен. Голосовые за-
просы могут автоматически преобразовываться в
текст, позволяя модели работать с ними так же, как
с обычным текстом.
Дополнительные форматы, например, видео или дру-
гие мультимедийные файлы, могут использоваться в
зависимости от возможностей сервисов, но текст оста-
ется основным форматом.

3.	Форматы выдачи

Выдача модели может быть представлена в различ-
ных форматах, что позволяет адаптировать ответы
под конкретные задачи и предпочтения пользователя.
Основные форматы выдачи включают:

•	Текст. Основной и наиболее распространенный
формат, позволяющий передавать информацию в
виде связных предложений или структурирован-
ных данных.

•	Изображение. Модель может генерировать гра-
фические элементы или визуализации, если за-
прос подразумевает визуальное представление
информации.

•	Голос. Ответ может быть воспроизведен голосом,
что удобно для пользователей, предпочитающих
аудиоформат или работающих в условиях, когда
чтение текста затруднено.

•	Ссылка на созданный файл. В некоторых случа-
ях модель может сгенерировать отдельный файл
(например, документ или график) и предоставить
ссылку для его скачивания или просмотра.

4.	Ответ с цитированием

Одной из полезных функций при работе с языковой
моделью является возможность отвечать с цитирова-
нием. Это не просто инструмент для ссылки на преды-
дущие сообщения, а эффективный способ управления
контекстом, позволяющий:
•	Уточнять детали. Цитирование помогает выделить
конкретный фрагмент текста, на который нужно
сослаться, чтобы задать уточняющий вопрос или
прояснить спорный момент. Это позволяет модели
сфокусироваться на нужной части диалога.

•	Развивать обсуждение. Использование цитат по-
могает создавать логическую цепочку рассужде-
ний. Опираясь на ранее выделенные мысли, можно
углубить анализ темы и выстроить последователь-
ное обсуждение.

•	Избегать потери контекста. В длинных диалогах
цитирование позволяет сохранять ключевые мо-
менты на виду, снижая риск упущения важных дета-
лей. Это особенно полезно при работе с большими
текстовыми массивами или сложными задачами.

Функция цитирования доступна в любой точке диало-
га, что позволяет поддерживать структуру обсужде-
ния, делая его более логичным и удобным для даль-
нейшего анализа.

5.	Редактирование сообщений

Одной из важных возможностей при общении в чате
является возможность редактирования отправленных
сообщений. Это не просто инструмент, а естественная
часть диалога, позволяющая:

•	Уточнять запрос. Если первый ответ оказался не-
достаточно точным, вы можете изменить форму-
лировку запроса, добавить новые детали или ус-
ловия для получения более релевантного ответа.

•	Изменять направление обсуждения. Редактиро-
вание сообщения может привести к образованию
новой ветки диалога. Без возможности корректи-
ровки запроса возникает необходимость начинать
диалог заново, тогда как внесение изменений по-
зволяет быстро уточнить детали и переключить
внимание модели на иной аспект задачи.

•	Адаптироваться к промежуточным результатам.
В ходе диалога можно корректировать запросы,
основываясь на полученных ответах, что позволяет
динамично улучшать качество взаимодействия.

Редактирование сообщений осуществляется в любой
точке диалога, что позволяет строить гибкий и много-
слойный процесс обсуждения.

6.	Применение функций и режимов

В процессе общения с языковой моделью пользова-
тель может применять ряд функций и режимов, ко-
торые позволяют гибко настраивать ввод, обработку
и вывод информации. Эти инструменты помогают
оптимизировать диалог, улучшить точность ответа и
адаптировать процесс взаимодействия под конкрет-
ные задачи.

•	Смена формата ввода и вывода. Пользователь мо-
жет менять способ отправки запроса и формат по-
лучения ответа. Основной формат ввода — текст, но
при необходимости можно прикреплять изображе-
ние, адаптируя запрос под конкретную задачу.

•	Функция поиска. Для каждого отдельного Пром-
пта пользователь может включать или отключать
функцию поиска, что позволяет определить, нуж-
на ли дополнительная информация из внешних
источников или из истории диалога. Однако вклю-
чение поиска обычно увеличивает время обра-
ботки запроса и требует дополнительных вычис-
лительных ресурсов, что следует учитывать при
выборе этой опции.

•	Смена модели. Пользователь имеет возможность
переключаться между различными версиями или
типами языковых моделей для очередного запро-
са, при этом новая выбранная модель сохраняет
всю историю текущего диалога.

•	Продвинутые рассуждения. Режим продвинутых
рассуждений можно активировать для получения
детального анализа и логической цепочки обосно-
вания запроса или отключить для ускорения обра-
ботки и получения быстрого ответа.

7.	Обработка ошибок и уточнение запроса

В процессе общения с языковой моделью даже хоро-
шо составленный запрос может привести к неполным
или неточным ответам. Для повышения качества диа-
лога важно гибко управлять запросом.

•	Задавать уточняющие вопросы. Если ответ ока-
зывается неполным или содержит неточности,
можно задать дополнительные вопросы для про-
яснения недостающих деталей.

•	Коррекция исходного запроса. При выявлении
ошибок в ответе полезно внести изменения в ис-
ходную формулировку, уточнив требования и кон-
текст задачи.

•	Анализ промежуточных результатов. Регулярный
анализ полученных ответов помогает определить
слабые места в запросе, что позволяет корректи-
ровать диалог и повышать точность итогового ре-
зультата.

Эффективное общение с языковой моделью основы-
вается на гибкости и адаптивности операций. К ним
относятся отправка запросов различными способами,
редактирование сообщений для уточнения, а также ис-
пользование функций для ускорения диалога и обработ-
ки ошибок. Разнообразие форматов выдачи позволяет
адаптировать ответы модели под конкретные задачи.
Эти операции создают удобное и структурированное
взаимодействие, формируя основу для более сложных
техник промптинга, которые рассматриваются далее.

7.2.	Организация работы с чатами

Эффективная работа с чатами помогает упорядочить ди-
алоги, особенно при выполнении нескольких задач или
длительных обсуждениях. В этом разделе рассматрива-
ются приемы, которые упрощают управление чатами: от
сохранения и поиска информации до структурирования
диалогов для удобства работы. Такой подход позволя-
ет быстрее находить нужные данные и сосредоточиться
на решении задач, не отвлекаясь на организационные
детали.

Сохранение истории

Ведение и сохранение диалогов с искусственным интел-
лектом упрощает работу над долгосрочными или многоза-
дачными проектами. Это помогает зафиксировать важные
результаты, промежуточные решения и ход рассуждений,
чтобы при необходимости можно было вернуться к нуж-
ной информации, проверить детали или доработать ра-
нее обсужденные вопросы без повторного начала.

Для удобства многие сервисы позволяют экспортиро-
вать историю переписки в такие форматы, как РЭЕ, ТХТ
и другие. Это облегчает дальнейший анализ, обмен ин-
формацией с коллегами, использование данных в отче-
тах, презентациях или документации. Такой подход де-
лает коллективную работу более эффективной, позволяя
быстро ознакомиться с текущим прогрессом и вносить
правки.

Перенос контекста между чатами

Перенос контекста между чатами позволяет продолжать
обсуждение или анализ темы без повторного ввода ис-
ходных данных. Это упрощает работу с разными аспек-
тами одной задачи, обеспечивая сохранение ключевой
информации и промежуточных выводов. Для этого мож-
но перенести ключевые фрагменты или всю историю из
исходного чата, чтобы новая ветка диалога унаследовала
накопленный контекст.

Такой подход удобен для параллельного рассмотрения
связанных тем, что помогает поддерживать целостное
представление о задаче и эффективно координировать
процесс. Формирование и управление контекстом рас-
сматриваются в следующих разделах.

Архивация чатов

Скрытие неактуальных диалогов помогает поддержи-
вать порядок в рабочем пространстве и предотвраща-
ет перегруженность списков чатов. Когда завершается
работа над темой, беседу можно удалить из основного
списка, освободив место для текущих задач. При этом
данные не удаляются, а сохраняются в архиве, откуда их
легко восстановить при необходимости.

Этот способ удобен при работе с множеством проектов,
позволяя быстро отличать активные чаты от завершен-
ных. Архивированные диалоги остаются доступными для
анализа, уточнения деталей или возобновления работы.
Такой подход помогает структурировать информацию и
упрощает поиск нужных данных.

Поиск по чатам

Навигация по сохраненным диалогам позволяет быстро
находить нужную информацию среди большого коли-
чества бесед. Использование ключевых слов, дат или
других фильтров, таких как название проекта, помогает
легко вернуться к конкретным моментам диалога без
необходимости пролистывать всю историю. Это особен-
но полезно при работе с несколькими проектами, когда
важно регулярно обращаться к ранее полученным отве-
там или уточнениям.

Функция поиска способствует поддержанию порядка в
рабочем пространстве и экономии времени, избавляя
от необходимости создавать дублирующие запросы или
повторно обсуждать уже рассмотренные вопросы. Такой
подход повышает эффективность и удобство при работе
со сложными задачами, где переписка может быть об-
ширной и многоуровневой.

Переименование чатов

Изменение названий чатов позволяет легко различать
диалоги и быстро находить нужные беседы. Вместо стан-
дартных заголовков, таких как «Новый чат», или автома-
тически сгенерированных названий, можно задать более
осмысленное имя. Оно будет отражать содержание или
цель обсуждения, делая навигацию проще. Это особен-
но удобно при работе с несколькими проектами, где важ-
но быстро ориентироваться в списке и не тратить время
на поиск нужной темы.
Четкие и лаконичные названия также упрощают исполь-
зование фильтров при сортировке по категориям или
дате. Такой подход делает работу с языковой моделью
более структурированной, помогая избежать путаницы и
дублирования обсуждений.

Группировка чатов

Объединение диалогов в группы помогает организовать
рабочее пространство и упростить управление связан-
ными задачами. Такой метод особенно удобен для ком-
плексных проектов, где необходимо координировать
разные аспекты — от стратегии и анализа данных до
разработки решений. Вместо разрозненных бесед темы
структурируются в одном пространстве, что облегчает
навигацию и работу с информацией.

В рамках проекта можно создавать отдельные чаты для
разных задач, сохраняя их связь с общим контекстом. Это
позволяет легко переключаться между направлениями
работы, не теряя целостного представления о процессе.
Также доступна настройка общих правил для группы ча-
тов, таких как использование шаблонов, единых инструк-
ций или специальных параметров взаимодействия с моде-
лью. Такой подход делает рабочий процесс более гибким
и упорядоченным, особенно в условиях многозадачности.

Параллельные чаты

Ведение нескольких чатов одновременно подразумева-
ет разделение одной комплексной задачи на независи-
мые ветки диалога без их группировки в единый проект.
Например, можно создать стратегический чат для обще-
го видения проекта, тактический — для детальных шагов
реализации, а аналитический — для проверки результа-
тов и анализа ошибок. Каждый чат сосредоточен на от-
дельном аспекте задачи, избегая пересечения контекста
с другими направлениями.

Преимуществом такого подхода является четкое разгра-
ничение тем: информация не смешивается, каждая ветка
диалога обслуживает только свою задачу, а управление
контекстом остается в полном распоряжении пользо-
вателя. Если потребуется перенести какие-то детали из
одного чата в другой, это делается осознанно, без риска
случайных дублирований. Такой метод организации спо-
собствует более эффективному взаимодействию с моде-
лью, ведь каждая ветка остается максимально точной по
отношению к своему вопросу, а риск информационного
шума значительно снижается.

Грамотная организация чатов упрощает систематизацию
информации и доступ к важным данным при работе с
языковой моделью. Сохранение истории, поиск, переи-
менование, архивация и параллельное ведение диалогов
помогают управлять задачами более эффективно, избегая
дублирования и потери информации. Такой подход созда-
ет основу для точного и продуктивного взаимодействия с
ИИ и подготовки к более сложным стратегиям промптинга.

7.3.	Настройка диалога

Настройка диалога позволяет адаптировать общение с
ИИ под конкретные задачи и индивидуальные особенно-
сти, создавая условия для получения более точных, по-
следовательных и осмысленных ответов. Такой подход
помогает сделать взаимодействие с моделью эффектив-
ным и удобным.
Личные данные

Персонализация диалога с моделью достигается за счет
указания информации, которая позволяет адаптировать
ответы под конкретный контекст и потребности. Личные
данные — это информация, предоставляемая для повы-
шения точности и уместности ответов.

К таким данным могут относиться возраст, пол, профес-
сиональная сфера, местоположение, интересы и другие
детали. Их использование помогает модели учитывать
индивидуальные особенности при формировании отве-
тов, создавая более точный и адаптированный контекст.

Пзег

Я 30-летний маркетолог из Москвы, интере-
суюсь новыми трендами в сНд1Са1-маркетинге.
В этом чате будем обсуждать как современные
технологии меняют сферу рекламы.

СИаЪСРТ

Отлично, обсудим! Сейчас на пике трендов ИИ
для персонализации, нейросети для генера-
ции контента и аналитика больших данных для
точного таргетинга. Что из этого тебе инте-
ресно глубже разобрать?

Указание возраста, профессии и местоположения по-
зволяет модели ориентироваться на актуальные тренды
в сфере сП§На1-маркетинга и давать советы, релевантные
для специалиста из Москвы.

Предоставление личных данных в запросе является эф-
фективным методом для персонализации диалога. Это
помогает модели учитывать контекст и выдавать более
точные, адаптированные ответы, соответствующие ва-
шему профилю и целям.
Нумерация сообщений

Использование нумерации сообщений помогает струк-
турировать диалог с языковой моделью. Такой подход
обеспечивает четкость, упорядоченность и упрощает
навигацию в длинных цепочках обмена информацией.
Нумерация представляет собой метод, при котором ка-
ждое сообщение получает уникальный номер, а внутри
сообщений можно выделять отдельные пункты.

Суть метода в постановке нейросети посредством промпт-
запроса правила нумеровать все свои сообщения.

Пзег

1

В этом чате будут определенные правила:
Нумеруй все свои ответы, начиная с 1, уве-
личивая на 1 с каждым новым. Мои запросы
не учитывай в нумерации. Сам ответ с новой
строки.

СИаЬСРТ

1

Понял, буду следовать вашей инструкции.
Какой вопрос у вас?

Пзег

2

Хочу проверить, как работает правило. Сей-
час твой ответ будет под номером 2.

СИаЬСРТ

2

Верно, это ответ номер 2. Чем могу помочь
далее?
Пзег

3

Проверка.

СЪаЪОРТ

3

Проверка пройдена успешно. Ваш следующий
вопрос или комментарий?

Этот метод подойдет для более структурированного
взаимодействия с ИИ. Нумерация помогает не только в
упорядочивании диалога, но и в анализе ответов, позво-
ляя быстрее находить закономерности и оптимизиро-
вать запросы.

Нумерация запросов и ответов от языковой модели мо-
жет иметь несколько преимуществ:

•	Улучшение организации

Нумерация помогает удерживать структуру диалога,
делая его более читабельным и понятным, особенно в
длинных цепочках сообщений.

•	Легкость отслеживания

В сложных разговорах ил и при анализе данных нумерация
упрощает отслеживание конкретных ответов и вопросов.

•	Отладка и анализ

При разработке и тестировании промптов нумерация
может помочь быстро выявлять и исправлять ошибки
или недочеты в вопросах и ответах.

Возможность ссылаться на конкретные номера сообще-
ний является значительным преимуществом в общении
с ИИ. Это позволяет:

•	Возвращаться к предыдущим тезисам

Если нужно обсудить или повторно рассмотреть что-то,
что было сказано ранее, можно просто запросить сооб-
щение под определенным номером.
•	Уточнять контекст

В случае неясности или двусмысленности в ответе язы-
ковой модели, можно ссылаться на конкретные номера
сообщений для уточнения контекста.

• Эффективное поисковое взаимодействие

В длинных диалогах можно быстро найти интересую-
щую информацию, запросив номера сообщений, где об-
суждалась определенная тема.

Пзег

4

О чем я указывал в своем 2 сообщении?

СЪаЪОРТ

4

В вашем втором сообщении вы указали, что
мой следующий ответ должен быть под номе-
ром 2, чтобы проверить, как работает пра-
вило нумерации ответов.

Пзег

5

Найди номера своих ответов, где ты согла-
шаешься с правилами и утверждаешь, что
проверка пройдена.

СЪаЪОРТ

5

Я согласился с правилами в ответе под номе-
ром 1 и подтвердил, что проверка пройдена,
в ответе под номером 3.

Таким образом, нумерация сообщений в промптинге зна-
чительно повышает эффективность взаимодействия с ИИ.
Это не только упрощает отслеживание и анализ диалога,
но и предоставляет легкий доступ к истории общения.
Метка сообщений

Присвоение уникальных обозначений отдельным со-
общениям позволяет легко структурировать диалог и
выделять ключевые моменты. Такой подход упрощает
навигацию в длинных цепочках общения и помогает бы-
стро находить важную информацию.

Метка представляет собой специальную инструкцию,
с помощью которой можно задать имя или обозначение
для выбранного сообщения. После ее установки ссылки
на эту метку помогают быстро идентифицировать и из-
влекать нужные данные без необходимости просматри-
вать весь диалог.

Примеры.

Пзег

Запомни свой ответ как план действия. Вер-
немся к нему позже.

СИаЪСРТ

Готово! План действий сохранен. Когда бу-
дете готовы, вернемся к нему.

Промпт установки метки «план действия» фиксирует
важный ответ, обеспечивая легкую навигацию и даль-
нейшее обращение к нему.

Пзег

Отвечай строго в одно предложение. Это глав-
ное правило чата.

СИаЪСРТ

Понял, буду отвечать в одно предложение.

Пзег

Какое главное правило чата?
СИаЬСРТ

Отвечать строго в одно предложение.

Пример демонстрирует, как пользователь задает опре-
деленной фразе метку, обозначающую главное правило
чата.

Использование меток сообщений и отдельных фраз
структурирует диалог, облегчает навигацию в длинных
переписках и обеспечивает быстрый доступ к ключе-
вым моментам, повышая эффективность коммуника-
ции с ИИ.

Установка правил общения

Метод установки правил позволяет в начале диалога
задать четкие инструкции для модели, которые затем
можно дополнять и изменять по ходу общения. Это про-
цесс создания начального набора правил и инструкций,
которые определяют стиль, формат и порядок ответов,
с возможностью их последующей модификации в ходе
диалога.

Сами инструменты для задания контекста, формулиро-
вания правил и настройки поведения модели будут под-
робно рассмотрены в следующих главах.

Пзег

Отвечай строго по методичке, которую я за-
гружу дальше.

СИаЬСРТ

Хорошо. Ожидаю загрузку методички.

Пример демонстрирует, как пользователь задает модели
инструкцию следовать конкретной методичке, форми-
руя правило для дальнейшего диалога.
Пзег

Запомни, что с этого момента нужно соблю-
дать правила:

Согласие пишем ОК.

Слово «предложение» сокращаем до «п».

СЪаЪСРТ

ОК.

Пример показывает, как пользователь задает набор пра-
вил для дальнейшего диалога, а модель подтверждает
их выполнение.

Установка стартовых правил в начале чата создает фун-
дамент для структурированного и предсказуемого ди-
алога с ИИ, позволяя в процессе обсуждения вносить
изменения и уточнения, чтобы адаптировать ответы под
конкретные задачи.

Правильная настройка диалога с языковой моделью игра-
ет важную роль в повышении эффективности промптинга.
Представленные методы помогают адаптировать модель
под конкретные задачи, упрощают доступ к важной ин-
формации и анализ диалогов. Гибкость настроек позволя-
ет легко корректировать правила в процессе работы, де-
лая общение с ИИ более продуктивным и результативным.

Эффективное взаимодействие с ИИ — это не просто ис-
кусство формулирования запросов, но и управление са-
мим процессом общения. Важно уметь структурировать
диалог, задавать правила, управлять контекстом и адапти-
ровать поведение модели под конкретные задачи. Это не
только работа с текстом, но и создание среды, в которой
запросы становятся более точными, а ответы — осмыс-
ленными. Такой подход формирует практическую основу
промптологии, где технические детали переплетаются с
логикой, стратегией и системным мышлением, открывая
путь к более сложным и интеллектуально насыщенным
техникам работы с искусственным интеллектом.
[8]	Структура запроса

8.1.	Постановка цели

Прежде чем приступить к составлению промпта, важно
четко определить задачу, которую нужно решить с помо-
щью искусственного интеллекта, и собрать необходимую
информацию. Постановка цели помогает сфокусировать-
ся на конечном результате и сформулировать запрос так,
чтобы получить максимально точный и полезный ответ.

Цель — это основа любого запроса к ИИ. Четко сформу-
лированная цель помогает избежать неясностей и полу-
чить результат, соответствующий вашим ожиданиям.

Для определения цели необходимо ответить на несколь-
ко ключевых вопросов:

•	Что я хочу получить? (Например, отчет, текст, план, ре-
комендации.)

•	Для чего мне это нужно? (Для принятия решения, изуче-
ния новой темы, подготовки проекта.)

•	Какой результат будет для меня полезным? (Краткая
сводка фактов, подробный анализ, творческая идея.)

После того как цель определена, важно собрать всю необ-
ходимую информацию, которая может быть полезна для
составления запроса. Это помогает сделать промпт более
точным и избежать лишних уточнений в дальнейшем.

•	Исходные данные: факты, статистика, ссылки, примеры.

•	Контекст: описание ситуации, проекта или задачи.
•	Ограничения: требования к результату (например, «не ис-
пользовать сложные термины», «сделать краткий обзор»).

Определите, на каком уровне вы разбираетесь в теме.
Это поможет понять, насколько глубоко нужно погру-
жаться в детали при формулировании промпта.

•	Если вы новичок. Цель может заключаться в получении
базовых знаний и объяснений простым языком.

•	Если вы эксперт. Цель — углубиться в сложные аспекты
или получить новые идеи.

Чтобы сделать запрос более эффективным, заранее по-
думайте, каким должен быть конечный результат. Это по-
может вам четче сфокусировать промпт.

•	Какой формат будет полезен (список, краткая инструк-
ция, аналитический отчет)?

•	Какую информацию важно получить (ключевые фак-
ты, конкретные рекомендации, примеры)?

Постановка цели — это основа для создания эффектив-
ного промпта. Четко понимая, что вы хотите получить, вы
сможете формулировать запросы так, чтобы ИИ давал
точные, полезные и релевантные ответы. Это экономит
время и упрощает процесс взаимодействия с моделью.

8.2.	Задание формата

Формирование промпта начинается с указания формата
ответа. Важно сразу определить, в каком виде должна
быть представлена информация. Четкое задание фор-
мата помогает модели лучше понять структуру ответа и
представить его в нужной форме.
Варианты формата

Ниже представлены основные формы, в которых модель
может предоставить ответ в зависимости от задачи.

Текст

По умолчанию языковая модель выдает ответ в виде
простого непрерывного текста. Однако, при необходи-
мости, можно уточнить формат текстового ответа, раз-
бив его по следующим критериям:

•	Тип/Жанр

Статья (обзорная, научно-популярная, аналитическая
и т. д.).

Рассказ (художественный стиль, персонажи, сюжет).
Эссе (личностное изложение, субъективный взгляд).
Доклад/Отчет (формальный стиль, факты и цифры).
Сценарий (описание сцен и диалогов).

Инструкция (пошаговое руководство).

•	Стиль изложения

Формальный (деловой тон, точная терминология).

Неформальный (дружеский тон, разговорные обороты).
Креативный/Литературный (метафоры, художественные
приемы).

Технический (термины, характерные для узкой области).

•	Объем (размер текста)

Короткий (1-2 абзаца).

Средний (несколько абзацев).

Развернутый (полноценная статья или эссе).

•	Уровень детализации

Поверхностный (базовые факты, беглый обзор).

Умеренный (основные детали, несколько примеров).
Глубокий (подробный анализ, примеры, ссылки на источ-
ники).

•	Форматирование

Простой непрерывный текст.

Структурированный (заголовки, списки, подзаголовки).

•	Уровень формальности

Официально-деловой.

Полуформальный.

Разговорный.

Шуточный.

•	Дополнительные требования

Указание целевой аудитории (новички, эксперты, уни-
версальный).

Рекомендации по стилистике (обязательно использовать
примеры, избегать узкой терминологии и т. д.).

Пзег

Напиши аналитическую статью на тему «Вли-
яние искусственного интеллекта на рынок
труда» длиной примерно 5-6 абзацев, в по-
луформальном стиле со структурированным
форматированием — используй подзаголовки и
списки, где это уместно.

Сохраняй деловой, но понятный тон, избегай
излишне научных терминов, однако при необ-
ходимости кратко раскрывай основные поня-
тия .

Освети ключевые статистические данные или
прогнозы, но не углубляйся в детальные
модели машинного обучения. Дай несколько
ссылок на официальные источники или ис-
следования, чтобы читатель мог при жела-
нии ознакомиться подробнее.
Упомяни конкретные примеры из разных отраслей
(например, производство, финансы, медицина),
а в заключении предложи краткие рекомендации
для работодателей и специалистов, которые
хотят адаптироваться к новым условиям.

Задание формата текста помогает получать точные и
предсказуемые результаты.

Изображение

Языковые модели с интегрированными графическими
возможностями или специализированные графические
нейросети (например, ОА1_1_-Е) способны генерировать
иллюстрации на основе описательных запросов. Ответ
может быть представлен в виде изображения, но надо
определить его формат, стиль и размер.

•	Тип изображения

Иллюстрация (рисованная, схематическая).

Фотореалистичное изображение (пейзажи, предметы,
портреты).

График/Диаграмма (столбчатая, круговая, линейная ит. д.).
Инфографика (комбинация текста и графических эле-
ментов).

•	Размер и разрешение

Фиксированный размер (например, 800x600 пикселей,
1 к1).

Произвольный размер (приоритет на содержание, а не
на точные габариты).

Разрешение (72 с!рц 300 с!р! и т. д.).

•	Стиль и цветовая палитра

Реалистичный/Фотографический.
Мультяшный/Комиксовый.

Минималистичный/Плоский дизайн.

Черно-бел ый/Цветной/Пастельные тона.
•	Дополнительные элементы

Текстовые подписи, легенды.

Фон (прозрачный, однотонный, с узором).

Логотипы или дополнительные объекты.

•	Уровень детализации

Общее схематическое изображение.

Детализированная иллюстрация с проработанными эле-
ментами.

Пзег

Создай фотореалистичное изображение город-
ского пейзажа с современными зданиями на фоне
заката. Изображение должно быть в формате
1:2 с разрешением 300 с1р!. Стиль — минимали-
стичный с акцентом на чистые линии и яркие,
пастельные тона. Фон однотонный, светло-го-
лубой. Включи несколько деталей, таких как
зеленые насаждения и силуэты людей, чтобы
создать ощущение оживленного пространства.
Уровень детализации — средний, с проработ-
кой основных архитектурных элементов, но без
излишней перегруженности мелкими деталями.

СЪаЪСРТ
Когда в промпте указано, что ответ требуется в виде изо-
бражения, специализированные нейросети постараются
удовлетворить заданные параметры — от стиля и разме-
ра до формата файла.

При выборе формата важно заранее определить ключе-
вые параметры, чтобы получить точный и удобный для
дальнейшего использования результат.

8.3.	Постановка задачи

Одним из ключевых элементов при создании промпта
является ясность запроса. В терминах логики это значит,
что каждое утверждение и условие в запросе нужно сфор-
мулировать так, чтобы не оставалось места для догадок.
Модель должна однозначно понять, чего от нее ждут —
только в этом случае ответ будет максимально полезен.

Под ясностью понимается отсутствие двусмысленности
и неопределенности. Если в логике мы стремимся к точ-
ным высказываниям и условиям, то в промпте это отра-
жается в конкретной формулировке темы, требуемых
критериев и ограничений. Важно заранее определить,
какие аспекты задачи действительно важны, чтобы мо-
дель «не блуждала» и не выдавала обобщенные или слу-
чайные ответы.

Методы достижения ясности

Для достижения ясности в формулировке запроса ис-
пользуются различные методы и инструменты. Они
помогают устранить двусмысленность, задать точные
критерии и сделать промпт понятным для модели. Вот
основные способы, которые позволяют четко сформули-
ровать задачу.

Разделение на пункты

Разбивка запроса на несколько коротких предложе-
ний или пунктов помогает сделать его более понятным
и структурированным. Каждая часть формулирует от-
дельное требование или уточнение, что снижает риск
смешения тем и повышает точность ответа.

Пзег

Опиши план внедрения нового маркетингового
проекта.

1.	Определи ключевые этапы.

2.	Опиши ресурсы, которые потребуются на
каждом этапе.

3.	Укажи возможные риски и способы их ми-
нимизации .

4.	Дай рекомендации по мониторингу резуль-
татов .

СЪаЪОРТ

План внедрения нового маркетингового про-
екта :

Анализ и подготовка: исследование рынка,
определение целевой аудитории, формирование
концепции; ресурсы — маркетинговые исследо-
вания, аналитические инструменты, эксперты.
Разработка стратегии: выбор каналов про-
движения, бюджетирование, создание кон-
тент-плана; ресурсы — маркетологи, финан-
систы, контент-команда.
Запуск и реализация: создание рекламных
материалов, запуск кампаний, настройка ре-
кламных инструментов; ресурсы — дизайнеры,
копирайтеры, рекламные платформы.

Оценка эффективности: анализ метрик, А/В-
тестирование, корректировка стратегии; ре-
сурсы — аналитики, СВМ-системы, отчеты.

Риски и их минимизация: низкий отклик
(адаптация стратегии), перерасход бюдже-
та (гибкое планирование), изменение спроса
(мониторинг трендов).

Мониторинг результатов: еженедельный ана-
лиз КР1, сбор обратной связи, регулярные
корректировки стратегии.

Такой подход обеспечивает структурированное вос-
приятие задачи, упрощая генерацию точного, много-
аспектного ответа.

Указание ключевых слов и терминов

Использование точных формулировок и специали-
зированных терминов помогает направить модель в
нужную область знаний. Это снижает вероятность раз-
мытых или некорректных ответов, делая выдачу более
точной и релевантной.

Пзег

Объясни принципы работы нейронных сетей,
используя термины «градиентный спуск»,
«функция активации», «обучение с учителем»
и «слои перцептрона».

СЪаЪОРТ

Нейросеть передает данные через слои пер-
цептрона, применяя функцию активации, а гра-
диентный спуск корректирует веса в процессе
обучения с учителем.
Этот прием направляет модель к конкретным науч-
ным концепциям, обеспечивая краткость и точность
ответа.

Определение границ и приоритетов

Указание временных рамок, тематических ограниче-
ний и расстановки приоритетов помогает сфокусиро-
вать модель на ключевых аспектах задачи. Это позво-
ляет исключить ненужные детали и получить более
точный и структурированный ответ.

Пзег

Составь краткий обзор тенденций в искус-
ственном интеллекте за последние два года.
В первую очередь расскажи о развитии ге-
неративных моделей, затем — о прогрессе в
области компьютерного зрения. Не углубляй-
ся в технические детали, сосредоточься на
практическом применении.

СЪаЪОРТ

За последние два года искусственный интел-
лект (ИИ) значительно продвинулся в прак-
тическом применении генеративных моделей и
технологий компьютерного зрения.

Генеративные модели:

Генеративный ИИ, способный создавать но-
вые данные, такие как текст, изображения
и видео, получил широкое распространение.
Компании активно внедряют эти модели для
разработки программного обеспечения, соз-
дания контента и автоматизации процессов.
Например, около 20 % российских ИТ-компа-
ний используют генеративный ИИ при разра-
ботке ПО.
Компьютерное зрение:

Технологии компьютерного зрения нашли при-
менение в различных отраслях. В медицине
они помогают в анализе медицинских изо-
бражений для ранней диагностики заболева-
ний. В промышленности системы компьютерно-
го зрения используются для автоматического
контроля качества продукции и обнаружения
дефектов на производственных линиях.

Таким образом, ИИ продолжает интегриро-
ваться в различные сферы, повышая эффек-
тивность и открывая новые возможности для
бизнеса и общества.

Данный подход помогает сузить тему, выделить клю-
чевые аспекты и задать четкий порядок приоритетов,
что делает ответ более сфокусированным и полезным.

Применение примеров

Добавление конкретного образца помогает задать
модели нужный формат, особенно если задача слож-
на для однозначного толкования. Это позволяет полу-
чить ответ с аналогичной структурой или стилем.

Пзег

Составь краткое описание книги в стиле ан-
нотации. Например: «1984» — антиутопиче-
ский роман Джорджа Оруэлла, раскрывающий
тему тоталитарного контроля и манипуляции
сознанием. Теперь напиши аналогичную ан-
нотацию для книги «Преступление и наказа-
ние» .

СЪаЪОРТ

«Преступление и наказание» — психологиче-
ский роман Федора Достоевского, исследующий
моральные терзания и последствия престу-
пления через историю студента, решившего
преступить закон во имя высшей цели.

Использование примера задает модели четкий ша-
блон, по которому она формирует ответ, сохраняя
нужный стиль и форму изложения.

Указание цели использования

Определение назначения использования результата
помогает модели выбрать подходящий стиль, уровень
детализации и подачу информации. Это делает ответ
более соответствующим поставленной задаче.

Пзег

Составь краткое описание строительной ком-
пании для ее страницы на сайте. Текст дол-
жен быть лаконичным, но содержательным,
с упором на ключевые услуги.

СЪаЪОРТ

Наша строительная компания специализирует-
ся на возведении жилых и коммерческих объ-
ектов, ремонте и отделке, а также проекти-
ровании под ключ. Мы гарантируем качество,
надежность и соблюдение сроков на каждом
этапе строительства.

Четко заданное назначение текста помогает модели
выбрать подходящий стиль и формат, обеспечивая ла-
коничное и содержательное описание, соответствую-
щее целевой задаче.

Определение исходных условий

Если запрос содержит уже известные данные, их стоит
указать явно, чтобы модель ориентировалась на задан-
ную информацию, а не пыталась ее предполагать. Это
помогает получить более точный и логичный ответ.
Пзег

На основе исследования, в котором указано,
что средняя зарплата в сфере 1Т составля-
ет 120 000 рублей, расскажи, какие факторы
влияют на ее рост.

СЪаЪСРТ

Рост зарплат в 1Т зависит от опыта и навыков
(чем выше квалификация, тем выше доход) ,
спроса на специализацию (востребованные
направления, такие как ИИ и кибербезопас-
ность, оплачиваются выше), локации (в круп-
ных городах зарплаты выше), уровня компании
(крупные корпорации платят больше), а также
экономических факторов (инфляция и инвести-
ции в отрасль).

Четкое указание исходных данных позволяет моде-
ли сразу учитывать заданную информацию и строить
ответ без предположений, делая его более точным и
сфокусированным на анализе влияющих факторов.

Ясность в постановке задачи — это способность четко
обозначить все условия, приоритеты и вводные данные,
убирая двусмысленность и неопределенность. Чем точ-
нее сформулирован запрос, тем меньше потребуется
уточнений и корректировок, а итоговый ответ от ИИ бу-
дет максимально релевантным и полезным.

8.4.	Глубина погружения

Этот аспект определяет, насколько детально нужно рас-
смотреть проблему или дать ответ. Он задает уровень
сложности промпта и влияет на объем и степень прора-
ботанности итогового ответа.
Глубина погружения может варьироваться от краткого
обзора до детального анализа с примерами и обоснова-
ниями. Четкое указание уровня детализации помогает
задать рамки для генерации информации, чтобы ответ
не был ни слишком поверхностным, ни перегруженным
излишними деталями.

Методы задания сложности

Разные формулировки в промпте позволяют задать не-
обходимый уровень детализации ответа, определяя его
глубину и степень проработки.

Явное указание уровня детализации

Задает степень глубины ответа с помощью четких
формулировок. Это помогает модели сразу опреде-
лить необходимый уровень проработки информации
и сформулировать ответ в соответствии с запросом.

Пзег

Дай краткий обзор истории искусственного
интеллекта без технических деталей.

СЪаЪОРТ

Блокчейн появился в 2008 году вместе с бит-
койном, созданным Сатоши Накамото как спо-
соб децентрализованных финансовых транзак-
ций .

С 2015 года Ебйегеит расширил возможности
блокчейна, добавив смарт-контракты.

С 2020-х годов технология активно приме-
няется в финансах, логистике, медицине
и БЕТ, обеспечивая прозрачность и безопас-
ность данных.
Пзег

Развернуто объясни, как работает блокчейн,
с примерами и схемами.

СЪаЪСРТ

Блокчейн — это распределенная база данных,
хранящая записи транзакций в виде цепочки
блоков, где каждая запись защищена крипто-
графией .

Принцип работы блокчейна:

1.	Создание транзакции — пользователь ини-
циирует перевод средств или обмен дан-
ных .

2.	Валидация — сеть компьютеров (узлы) про-
веряет транзакцию на подлинность.

3.	Формирование блока — валидные транзак-
ции объединяются в блок.

4.	Шифрование и добавление блока — блок
получает уникальный хеш и добавляется в
цепочку.

5.	Цепочка неизменяема — данные нельзя из-
менить без изменения всех последующих
блоков.

Пример работы (Биткойн):

Пользователь А отправляет 1 ВТС пользова-
телю В.

Узлы сети проверяют баланс А и формируют
транзакцию.

Транзакция попадает в новый блок, который
шифруется и присоединяется к цепи.

Пользователь В получает 1 ВТС, а сеть хра-
нит запись о транзакции навсегда.

Сейчас подготовлю схему, чтобы наглядно
показать процесс.
Принцип работы блокчейна

Вот наглядная схема работы блокчейна: но-
вые блоки добавляются в цепочку, связыва-
ясь с предыдущими через криптографические
хеши, что делает их неизменяемыми и защи-
щенными от подделки.

Четкое указание уровня детализации задает рамки
для ответа, обеспечивая его соответствие поставлен-
ной задаче.

Определение глубины анализа

Указывается, требуется ли поверхностное изложение
основных фактов или детальный разбор с примерами и
обоснованиями. Это помогает задать рамки для ответа,
определяя степень проработки информации и уровень
детализации, необходимый для решения задачи.

Пзег

Опиши влияние социальных сетей на марке-
тинг. Сформулируй краткие тезисы, сосредо-
точившись на ключевых аспектах.

СЪаЪОРТ

Повышение охвата — бренды могут быстро рас-
пространять информацию среди широкой ауди-
тории .

Таргетированная реклама — соцсети позволя-
ют настраивать рекламу по интересам, воз-
расту и поведению пользователей.
Взаимодействие с аудиторией — компании на-
прямую общаются с клиентами, повышая ло-
яльность .

Влияние лидеров мнений — блогеры и инфлю-
енсеры помогают продвигать товары и услуги.

Аналитика и персонализация — соцсети пре-
доставляют данные для анализа поведения
клиентов и оптимизации маркетинговых стра-
тегий .

Пример демонстрирует, как четко заданная глубина
анализа с фокусом на ключевых аспектах помогает мо-
дели предоставить сжато структурированную инфор-
мацию, сосредоточенную на основных моментах без
излишних подробностей.

Запрос примеров и фактов

Использование конкретных данных делает ответ бо-
лее наглядным, структурированным и информатив-
ным. Это может быть статистика, реальные кейсы,
исследования или конкретные данные, которые помо-
гают модели сформулировать более обоснованный и
точный ответ.

Если важно, чтобы в ответе присутствовали такие эле-
менты, запрос следует формулировать с явным требо-
ванием, например: «приведи конкретные примеры»,
«укажи статистические данные» или «расскажи реаль-
ный кейс». Это ориентирует модель на добавление
иллюстративных деталей, повышая достоверность и
ценность полученной информации.

Пзег

Какие современные технологии применяются в
медицине? Приведи примеры разработок и их
реальных внедрений.
СкаЪСРТ

ИИ в медицине — анализирует снимки, про-
гнозирует заболевания и персонализирует
лечение.

Роботизированная хирургия — системы типа
Ва У1пс1 обеспечивают точность операций.

Носимые устройства — смарт-часы и фитнес-
трекеры помогают мониторить здоровье.

Геномная медицина — ДНК-анализ выявляет
предрасположенность к болезням.

Телемедицина — дистанционные консультации
расширяют доступ к врачам.

ЗВ-печать — создает имплантаты, протезы и
модели органов для операций.

Четко заданное требование о наличии конкретных
разработок и их внедрения направляет модель на
предоставление фактических данных. Это делает от-
вет более содержательным, структурированным и
ориентированным на реальные кейсы.

8.5.	Управление контекстом

Контекст — это вся информация, на которую опирается
языковая модель при обработке запроса. В промптинге
контекст включает все, что было сказано до и после теку-
щего запроса, а также загруженные файлы, инструкции,
справочные материалы и любые уточняющие данные.
Он формирует основу для ответа, помогая модели вос-
принимать запрос в рамках более широкой информаци-
онной связи.
Данные для обработки можно изменять, дополнять или
уточнять в ходе диалога, направляя модель на нужный
формат и глубину ответа. Они могут передаваться через
текстовые сообщения или внешние источники данных,
такие как файлы и ссылки. Чем точнее сформирован кон-
текст, тем более осмысленным, релевантным и последо-
вательным будет итоговый ответ.

Методы работы с контекстом

Далее рассматриваются ключевые способы управления
исходными данными.

Историю чата

Контекст включает в себя весь диалог, который состо-
ялся до текущего момента, а также возможность кор-
ректировки и расширения информации посредством
промпта. Модель автоматически учитывает обсужден-
ные темы, сделанные выводы и предоставленные дан-
ные, формируя ответ на основе накопленной инфор-
мации.

При необходимости контекст можно дополнять или
изменять:

•	Добавлять новые сообщения, уточняя или кор-
ректируя ранее переданную информацию.

•	Вставлять текст из других переписок, включая
фрагменты диалогов из других чатов или внешние
материалы.

•	Включать чат в проект, чтобы учитывать данные
из всех чатов, объединенных в рамках одной темы.
Это позволяет модели анализировать и связывать
информацию из разных бесед, формируя более
комплексные и осмысленные ответы.
Пзег

Возьми во внимание историю чата, а также
текст из другого диалога, который я вста-
вил, чтобы сформировать детальный анализ
влияния изменений в законодательстве на
ТТ-сектор. Укажи ключевые выводы и предло-
жения по адаптации компаний.

Такой подход позволяет обновлять контекст в реаль-
ном времени, обеспечивая непрерывность и логиче-
скую связанность диалога, а также более точные и по-
следовательные ответы модели.

Загрузка документов

При формировании промпта важную роль играет не
только текстовая информация, но и возможность до-
бавления внешних материалов. Документы, такие как
инструкции, законы, технические описания или спра-
вочники, расширяют контекст и помогают модели
дать более точный ответ.

Информацию можно передавать следующими спосо-
бами:

•	Текстом — копируя фрагменты документа прямо
в чат.

•	Файлами — загружая РОЕ, ООСХ, изображения и
другие форматы.

•	Ссылками — указывая внешние источники, статьи,
базы данных.

Эти материалы предоставляют модели конкретные
данные, исключая необходимость домысливать дета-
ли. Важно, чтобы информация была хорошо структу-
рирована и соответствовала теме запроса — это улуч-
шает ее обработку и повышает точность ответа.
Пзег

Я загрузил файл в формате РЭЕ, содержащий
подробные технические требования к новой
линии производства. Проанализируй его и
сформируй свод рекомендаций для повышения
эффективности производственного процесса.

Загрузка документов позволяет передавать модели
структурированные данные, обеспечивая более точ-
ный и осмысленный ответ, основанный на фактах, а не
предположениях.

Установка инструкций и правил

Контекст может включать набор инструкций, правил
или шаблонов, которые устанавливаются в начале ди-
алога и сохраняются для всех последующих запросов.
Это позволяет задать направление ответов, ограни-
чить область поиска информации и адаптировать мо-
дель под конкретные требования.

Начальные инструкции помогают определить, на ка-
ких источниках должна основываться модель, в каком
стиле и формате подавать информацию, какие терми-
ны использовать и какие аспекты учитывать в первую
очередь. Четкое задание таких параметров снижает
вероятность отклонения от темы и делает ответы бо-
лее точными и структурированными.

Примеры установленных инструкций:

•	Правовые рамки. Если ответ должен опирать-
ся только на юридически обоснованные данные,
можно задать ограничение по источникам инфор-
мации.

Пзег

Обосновывай ответы только законами РФ и
Налоговым кодексом.
•	Отраслевые стандарты. В специализированных
сферах важно, чтобы ответы соответствовали про-
фессиональной терминологии и стандартам.

Пзег

Используй исключительно строительные тер-
мины и нормативы.

•	Стиль изложения. Если требуется официальный
или специализированный тон подачи информации,
модель следует заранее ориентировать на него.

Пзег

Оформляй ответы в формате официальных до-
кументов .

•	Формат подачи информации. Для удобства вос-
приятия можно задать конкретную структуру отве-
та, например, в виде инструкций или списков.

Пзег

Выдавай ответы в виде пошаговых инструк-
ций .

•	Язык и перевод — позволяет указать, на каком
языке давать ответ или какие языки использовать
в ответе.

Пзег

Отвечай только на английском.

Пзег

Переводи ключевые термины на русский в
скобках.

Чем подробнее задан начальный набор инструкций,
тем более точными и последовательными будут отве-
ты модели на протяжении всего диалога.
Управление контекстом сводится к грамотному подбору
и обновлению исходных данных, будь то предыдущая
переписка, загруженные документы или набор инструк-
ций и правил. Такой подход обеспечивает непрерыв-
ность диалога, повышает релевантность ответов и дает
возможность адаптировать модель к специфическим
требованиям и условиям задачи. Правильная постановка
цели и продуманная структура самого запроса формиру-
ют понятный и логичный диалог с языковой моделью.

8.6.	Итерации

Итерации — это принцип многократного уточнения и
корректировки запроса, позволяющий достичь опти-
мального качества ответа.

«...если вы зададите СРТ большинство вопросов 10 000 раз,
то один из этих 10 000 ответов, вероятно, будет довольно
хорошим. Но он (СРТ) не всегда знает, какой именно. А вы
хотели бы получать лучший ответ из 10 000 каждый раз...»

Сэм Альтман, генеральный директор ОрепА1

Как видно из цитаты ключевой фигуры в сфере разви-
тия ИИ, для получения действительно качественного
ответа недостаточно просто многократно повторять за-
прос. Статистически почти невозможно добиться опти-
мального результата за счет количества повторов, если
качество самого запроса оставляет желать лучшего. Ос-
новной постулат промптологии гласит, что нельзя полу-
чить хороший ответ одним даже достаточно корректно
сформулированным запросом, если не улучшать его со-
держание.
Итерация в промптинге — это не просто повторение, а це-
ленаправленный и методологически обоснованный про-
цесс, при котором каждый новый вариант запроса стро-
ится на анализе предыдущих ответов. Каждая итерация
позволяет уточнить контекст, скорректировать стиль или
глубину ответа, что в итоге приводит к более точному и
релевантному результату. Этот процесс особенно важен
при работе с многозначительными или сложными запро-
сами, где последовательное уточнение помогает модели
лучше понять намерения пользователя.

Итеративный подход включает переформулирование
запроса, применение инженерных и логических мето-
дов, а также критическую оценку полученной обратной
связи. Такой процесс требует терпения и готовности к
экспериментам, однако именно он является мощным ин-
струментом для повышения качества взаимодействия с
языковыми моделями.

Итерации объединяют все элементы структуры запро-
са — от постановки цели и задания формата до уточнения
задачи, глубины погружения и управления контекстом —
в единый, динамичный процесс совершенствования за-
проса. Каждая итерация позволяет пересмотреть и от-
корректировать ранее сформулированные части: можно
уточнить цель, изменить формат ответа, скорректиро-
вать ясность постановки задачи, варьировать уровень
детализации или обновить контекст в свете новых дан-
ных. Такой подход обеспечивает постоянное улучшение
структуры запроса, что в итоге приводит к получению
максимально точных и релевантных ответов от модели.
8.7.	Специальные слова

Специальные слова — это ключевые термины и моди-
фикаторы, используемые для тонкой настройки запроса.
Они позволяют корректировать лексическую окраску и
акцент ответа, задавая направление генерации инфор-
мации. Такие слова служат для переформулирования
текста, уточнения деталей или адаптации под конкрет-
ную аудиторию.

Примеры применения

Применение этих терминов в промпте помогает напра-
вить модель на генерацию информации, которая соот-
ветствует заданным требованиям, обеспечивая более
точные и релевантные ответы.

Уровень детализации

•	Расширь. Добавляет дополнительные детали и по-
яснения для более глубокого раскрытия вопроса.

•	Разъясни. Представляет подробное объяснение
понятия или концепции, устраняя неопределен-
ность.

•	Уточни. Дополняет запрос конкретными данными
или примерами, убирая двусмысленность.

•	Приведи примеры. Добавляет конкретные иллю-
страции или кейсы, которые углубляют понимание
и уточняют суть запроса.

•	Обоснуй. Предоставляет причины и обоснования,
усиливая уровень детализации и помогая понять
логику явления.
Пзег

Что такое квантовый компьютер? Разъясни
простыми словами, чтобы даже школьник мог
понять.

СЪаЪСРТ

Квантовый компьютер — это суперкомпьютер
будущего, который использует законы кван-
товой механики для обработки информации.

Обычный компьютер работает с битами (0 или
1), а квантовый использует кубиты, которые
могут быть одновременно и 0, и 1. Это по-
зволяет квантовому компьютеру решать слож-
ные задачи намного быстрее.

Представь лабиринт: обычный компьютер про-
ходит его шаг за шагом, а квантовый сразу
исследует все пути одновременно. Это де-
лает его полезным для науки, шифрования и
создания новых лекарств.

Пзег

Стоит ли переходить на удаленную работу?
Обоснуй ответ, ссылаясь на исследования и
статистику.

СЪаЪОРТ

Переход на удаленную работу имеет как преи-
мущества, так и недостатки, подтвержденные
различными исследованиями. Согласно отчету
«2023 Збабе о^ Кетобе ЭДогк», 98 % опрошен-
ных хотели бы работать удаленно хотя бы
часть времени до конца своей карьеры, что
свидетельствует о высокой удовлетворенно-
сти таким форматом труда. Основными пре-
имуществами удаленной работы респонденты
назвали гибкость в управлении своим време-
нем (22%) и возможность выбора места жи-
тельства (19 %) .

Однако удаленная работа сопряжена с опре-
деленными трудностями. Согласно исследо-
ванию ВЦИОМ, 65 % россиян, работающих уда-
ленно, отметили, что их рабочий день стал
ненормированным, а границы между работой и
личной жизнью размылись. Кроме того, 23%
удаленных работников испытывают чувство
одиночества из-за отсутствия непосред-
ственного общения с коллегами

Таким образом, решение о переходе на уда-
ленную работу следует принимать, тщательно
взвесив личные и профессиональные обстоя-
тельства, учитывая как потенциальные выго-
ды, так и возможные сложности.

Подробное задание уровня детализации с помощью ко-
манд позволяет задать точные рамки для ответа и напра-
вить модель на генерацию информации с нужной глуби-
ной и структурой.

Изменение формулировки

•	Формализуй. Преобразует неформальное или раз-
говорное изложение в официальный или академи-
ческий стиль.

•	Обнови формулировки. Приводит устаревшие вы-
ражения в соответствие с современным языком и
актуальным контекстом.

•	Перефразируй. Переписывает исходное предло-
жение, сохраняя его смысл, но меняя структуру.

•	Переосмысли. Предлагает альтернативное толко-
вание или новое видение исходного утверждения.
•	Оптимизируй. Сокращает и уточняет текст, удаляя
избыточные детали для большей лаконичности.

Пзег

Перепиши этот отзыв в официальном стиле:
«Курс просто огонь, все понятно и круто
объяснено!» Формализуй текст, чтобы он
звучал профессионально.

СЪаЪОРТ

Курс представлен на высоком уровне: ма-
териал подан структурированно, информация
доступна и понятно объяснена.

Пзег

Переосмысли утверждение «Знание — сила» и
предложи альтернативное толкование.

СЪаЪОРТ

Знание — это потенциал, который становится
силой только при его правильном применении.

Использование команд для изменения формулировки
позволяет преобразовать исходный текст, обеспечивая
его соответствие современным стандартам официально-
го или академического стиля, а также улучшает его яс-
ность и лаконичность.

Редактирование

•	Сократи. Уменьшает объем текста, оставляя только
ключевые идеи и основное содержание, без избы-
точных подробностей.

•	Разбавь. Вносит разнообразие в структуру предло-
жений, улучшая читаемость текста за счет измене-
ния ритма и синтаксиса.
•	Сделай обзор. Создает краткий свод основных мо-
ментов, выделяя ключевые идеи для быстрого и по-
нятного восприятия информации.

•	Подчеркни. Выделяет важные элементы текста, де-
лая их более заметными и акцентируя внимание на
критических аспектах.

•	Адаптируй. Модифицирует текст с учетом конкрет-
ной аудитории или цели, переводя его в другой
стиль или формат для улучшения восприятия.

Пзег

Составь обзор книги «Чистый код», выделяя
ключевые идеи и основные принципы програм-
мирования .

СЪаЪСРТ

«Чистый код» (Роберт Мартин) — книга о
принципах качественного программирования,
помогающая разработчикам писать понятный,
поддерживаемый и эффективный код.

Ключевые идеи:

•	Чистый код должен быть понятным — имена
переменных и функций должны точно отра-
жать их назначение.

•	Функции должны быть короткими и делать
только одно — простота повышает читае-
мость и облегчает поддержку.

•	Код важнее комментариев — хороший код
самодокументирован, а избыточные коммен-
тарии могут ввести в заблуждение.

•	Минимизация зависимостей — уменьшение
связности модулей делает систему гибче.

•	Тестирование — залог стабильности — ав-
томатизированные тесты помогают поддер-
живать код в рабочем состоянии.
Книга учит писать код, который не только
работает, но и легко читается, масштабиру-
ется и сопровождается.

Пзег

Этот текст слишком длинный. Сократи его,
оставив только ключевые идеи и убрав лиш-
ние подробности.

СЪаЪСРТ

«Чистый код» (Роберт Мартин) — руководство
по написанию понятного и поддерживаемого
кода.

Основные принципы:

•	Код должен быть понятным и самодокумен-
тированным.

•	Функции короткие, выполняют только одну
задачу.

•	Минимум зависимостей для гибкости си-
стемы.

•	Автотесты помогают поддерживать стабиль-
ность .

Книга учит писать код, который легко чи-
тать и сопровождать.

Применение инструментов редактирования позволяет
трансформировать исходный текст в ясное, лаконичное
и структурированное сообщение.

Структура ответа

•	Ответь одним предложением. Ограничивает дли-
ну ответа, требуя краткости и лаконичности, чтобы
получить сжатую и емкую информацию без лишних
деталей.
•	Не создавай контент — только обсуждаем. Исклю-
чает генерацию нового текста, фокусируя модель
только на анализе, пояснении или интерпретации
уже заданных данных.

•	Только факты. Требует предоставить информацию
без субъективных суждений, догадок и дополни-
тельных объяснений.

•	Не рассуждай. Исключает любые размышления и
гипотезы, оставляя только конкретные ответы без
дополнительных комментариев.

•	Без креатива. Ограничивает модель в использова-
нии художественных приемов, метафор или нестан-
дартных интерпретаций, оставляя только строгий,
фактический стиль.

Пзег

Какая основная идея книги «1984» Джорджа
Оруэлла? Ответь одним предложением.

СЪаЪОРТ

Основная идея книги «1984» Джорджа Ору-
элла — предупреждение о тоталитаризме и
опасности всепроникающего государственного
контроля, подавляющего личность, свободу
мысли и правду.

Пзег

Назови самую длинную реку в мире. Не рас-
суждай .

СЪаЪОРТ

Амазонка.

Задание структуры ответа позволяет контролировать
стиль и формат генерации текста, избегая лишних де-
талей, субъективных рассуждений и креативных ин-
терпретаций. Такие ограничения помогают получить
лаконичные, точные и строго фактические ответы, соот-
ветствующие запросу.

Специальные слова в промптах помогают точно форму-
лировать запросы, задавая структуру, стиль и глубину
ответа. Они делают взаимодействие с моделью более
управляемым, снижая необходимость уточнений и повы-
шая эффективность работы.

Освоение принципов структуры запроса позволяет
пользователю существенно улучшить взаимодействие с
моделью, точно формулировать вопросы и адаптировать
запросы на основе обратной связи, что приводит к полу-
чению релевантных и качественных ответов без лишних
уточнений.
[9]	Параметризация

9.1.	Количественный параметр

Параметризация — это техника, позволяющая задавать
конкретные параметры в промпте для точного контро-
ля поведения языковой модели и качества ее выдачи.
В основе данной методики лежит возможность опреде-
ления переменных, которые в зависимости от задачи мо-
гут быть заменены на конкретные значения. Это делает
взаимодействие с ИИ более гибким, адаптированным к
различным контекстам и требованиям, позволяя полу-
чать результаты, максимально соответствующие постав-
ленной задаче.

Параметризация сравнима с настройкой оборудования
под конкретные задачи: чем точнее заданы параметры,
тем эффективнее функционирует система. Применение
параметров позволяет не только управлять объемом
генерируемого текста, но и регулировать качество, кре-
ативность и точность ответов. Одним из основных пара-
метров является количественный.

Варианты параметров

Контроль длины текста

Этот параметр позволяет установить ограничение на
общий объем генерируемого текста, будь то количе-
ство слов или символов. Он помогает обеспечить со-
ответствие ответа заданным рамкам, что особенно
важно для создания кратких резюме или, наоборот,
развернутых анализов.

Пзег

Опиши основные принципы работы нейронных
сетей. Ответ объемом до 1000 знаков.

СЪаЪОРТ

Нейронные сети — это модели машинного обу-
чения, вдохновленные работой человеческо-
го мозга, состоящие из узлов (нейронов),
которые обрабатывают информацию. Каждый
нейрон получает входные данные, применяет
к ним весовые коэффициенты, а затем пе-
редает результат на следующий слой ней-
ронов через активационную функцию. Сеть
обучается путем корректировки весов на
основе ошибки, которую вычисляют с по-
мощью алгоритма обратного распространения
(Ьаскргорадабгоп). В процессе обучения
нейронная сеть минимизирует ошибку и улуч-
шает свои предсказания. Сети могут быть
простыми (например, перцептрон) или слож-
ными (например, глубокие нейронные сети),
применяясь для решения задач в распозна-
вании образов, анализе данных и многих
других областях.

Пзег

Сократи ответ до 20 слов.

СЪаЪСРТ

Нейронные сети обрабатывают данные через
слои нейронов, корректируют веса на основе
ошибок, улучшая точность и эффективность
предсказаний в задачах.
Контроль длины текста помогает создать баланс меж-
ду краткостью и полнотой, обеспечивая четкость и со-
ответствие запросу без излишних подробностей.

Количество вариантов

Данный параметр задает, сколько отдельных вариан-
тов ответа требуется сгенерировать. Это позволяет
получить разнообразные идеи или решения, из кото-
рых можно выбрать наиболее подходящий, повышая
гибкость взаимодействия с ИИ.

Пзег

Какие способы повышения продуктивности на
работе существуют?

Дай 10 вариантов ответа.

СЪаЪОРТ

Планирование и приоритеты — составление
списка задач с расставлением приоритетов
помогает сосредоточиться на важнейших де-
лах .

Техника Помидора — работа с таймером (на-
пример, 25 минут работы, 5 минут отдыха)
улучшает концентрацию.

Минимизация отвлекающих факторов — отклю-
чение уведомлений, работа в тихом месте.

Делегирование — передача задач другим чле-
нам команды помогает снизить нагрузку.

Использование инструментов для организа-
ции — такие как Тге11о, Авапа или Кобгоп
для управления задачами и проектами.

Автоматизация рутинных процессов — внедре-
ние автоматизированных систем для повторя-
ющихся задач.
Соблюдение баланса между работой и отды-
хом — регулярные перерывы помогают избежать
выгорания и поддерживать продуктивность.

Установление четких целей — ВМАВТ-цели по-
могают фокусироваться на конкретных дости-
жимых задачах.

Обучение и развитие — улучшение навыков и
знаний способствует повышению эффективно-
сти работы.

Миндфулнесс и медитация — практика осоз-
нанности снижает стресс и улучшает концен-
трацию на работе.

Пзег

Придумай рифмы для слова любовь.

Выдай 5 лучших вариантов.

СЪаЪОРТ

Жизнь как кровь.

В сердце вновь.

Взгляд как кровь.

Тот же зов.

Сила слов.

Указание на количество вариантов позволяет генери-
ровать несколько разных ответов, что расширяет вы-
бор и повышает вариативность в решении задачи.

Количество абзацев и предложений

Этот параметр регулирует структуру текста, опреде-
ляя, на сколько частей необходимо разбить ответ. Это
позволяет контролировать читаемость и восприятие
информации, а также помогает адаптировать ответы
под нужды конкретной задачи. Установка этого пара-
метра позволяет добиться четкой и логичной органи-
зации текста, что способствует лучшему усвоению ма-
териала.

Пзег

Составь ответ на вопрос «Что такое экоси-
стема?» в 3 предложениях.

СЪаЪОРТ

Экосистема — это совокупность живых орга-
низмов и их окружения, которые взаимодей-
ствуют друг с другом и образуют устойчи-
вую систему. Она включает в себя растения,
животных, микроорганизмы, а также абиоти-
ческие компоненты, такие как вода, воз-
дух и почва. Экосистемы могут быть различ-
ных масштабов — от маленьких водоемов до
огромных лесов или океанов, и они обеспе-
чивают баланс в природе, поддерживая жиз-
недеятельность всех ее элементов.

Пзег

Опиши основные этапы развития программиро-
вания в 3 абзацах по 2-3 предложения.

СЪаЪСРТ

Первый этап в развитии программирования
связан с появлением первых вычислительных
машин и языков. В 1940-50-х годах созда-
вались машины, такие как ЕШАС и ЧШУАС,
а программирование было низкоуровневым,
использовалось машинное и ассемблерное ко-
дирование. Программисты писали инструкции
прямо для железа, что требовало глубоких
технических знаний.
В 1960-70-е годы происходит становление
высокоуровневых языков программирования,
таких как Рогбгап, С и Равса!. Эти языки
упрощают создание программ, используя аб-
стракции для работы с данными и структу-
рами, что позволило ускорить разработку и
сделать код более читаемым и переносимым
между различными системами.

С 1990-х годов начинается эра интернета,
объектно-ориентированного программирова-
ния (ООП) и открытых исходных кодов. Язы-
ки, такие как Яача, РубЬоп и ЯачаВсггрб,
становятся доминирующими, а разработки
программного обеспечения значительно уско-
ряются благодаря интеграции с интернет-тех-
нологиями и гибким методологиям разработ-
ки, таким как АдИе.

Указание на количество абзацев и предложений по-
зволяет регулировать структуру текста, разбивая его
на части для улучшения восприятия и адаптации под
нужды пользователя.

Количество пунктов

Параметр позволяет задать число элементов, если
ответ должен быть представлен в виде списка. Это
помогает структурировать информацию и сделать ее
более компактной и легко усваиваемой, особенно при
перечислении ключевых моментов или шагов.

Пзег

Перечисли 5 основных принципов здорового
питания.

СЪаЪОРТ

Разнообразие — рацион должен включать раз-
личные продукты, чтобы обеспечить орга-
низм всеми необходимыми питательными ве-
ществами .

Баланс макро- и микроэлементов — важно
поддерживать правильное соотношение бел-
ков, жиров и углеводов, а также витаминов
и минералов.

Регулярность питания — прием пищи должен
быть распределен на несколько приемов в
день для поддержания уровня энергии и об-
мена веществ.

Умеренность — избегать переедания и кон-
тролировать размер порций, чтобы поддержи-
вать нормальный вес.

Питьевой режим — регулярное потребление
воды важно для поддержания гидратации и
нормальной работы организма.

Пзег

Почему у человека нет инстинктов? Дай
3 предположения.

СЪаЪСРТ

У человека нет инстинктов, так как его по-
ведение в большей степени зависит от со-
знательных решений и социального опыта:

Развитие интеллекта — человек в значитель-
ной степени зависит от сознательных ре-
шений и умственного анализа, а не от ав-
томатических инстинктивных реакций. Это
позволило ему адаптироваться к различным
условиям через обучение и культуру, а не
через жесткие биологические механизмы.

Культурная эволюция — в отличие от живот-
ных, у людей развились социальные нормы
и традиции, которые регулируют поведение.
Вместо инстинктивных реакций люди полага-
ются на социокультурные механизмы для ре-
шения жизненных проблем.

Гибкость поведения — у человека есть спо-
собность к адаптации в сложных и изменя-
ющихся условиях. Инстинкты, как правило,
ограничены определенной областью поведе-
ния, а человек способен действовать вне
рамок предустановленных реакций, что дает
ему большую гибкость в принятии решений.

Указание на количество пунктов помогает определить
точное число элементов в ответе, что способствует ясной
и сжатой структуре, облегчая восприятие информации.

Пропорции ответа

Этот параметр позволяет задать, какая доля ответа
должна быть отведена на различные аспекты. Такая
настройка помогает сбалансировать ответ, обеспечи-
вая нужное соотношение аналитической и практиче-
ской информации.

Пзег

Что влияют на успешность бизнеса? Разбей
ответ: 30% на описание проблемы, 30% — на
решения и 40 % — на примеры.

СЪаЪОРТ

Проблема (30 %)

Успешность бизнеса зависит от внешней не-
стабильности: экономических изменений, кон-
куренции и потребительских предпочтений.

Решения (30 %)

Для успешности важно анализировать рынок,
конкурентов и потребности аудитории. При-
менение гибких моделей, инноваций и цифро-
визации помогает выделиться среди конку-
рентов и улучшить репутацию.

Примеры (40 %)

Мебйгх адаптировался, перейдя от аренды
ВУВ к стриминговому сервису. Тев1а выве-
ла электромобили, несмотря на конкуренцию
крупных автопроизводителей, продемонстри-
ровав успех через инновации и уникальные
продукты.

Указание пропорций ответа позволяет сбалансировать
информацию, определяя, какая доля текста будет посвя-
щена различным аспектам, что помогает четко структу-
рировать и выделить важные части ответа.

Использование количественных параметров позволяет
точно контролировать структуру и содержание ответа,
обеспечивая его соответствие конкретным требованиям.
Установка ограничений по объему, количеству пунктов
или распределению информации помогает сделать вза-
имодействие с ИИ более целенаправленным и эффек-
тивным, улучшая восприятие и усвоение данных.

9.2.	Температура

Температура — это параметр, который регулирует уро-
вень случайности и креативности в генерируемых отве-
тах модели. В зависимости от выбранной температуры,
модель может генерировать более предсказуемые или
более оригинальные ответы, что позволяет адаптиро-
вать результаты под конкретные задачи и цели.
Принцип работы

Температура влияет на распределение вероятностей
выбора следующего слова в предложении. Чем выше
температура, тем более равномерно распределяются
вероятности, что увеличивает шанс выбора менее ве-
роятных слов и фраз. Это приводит к большему разно-
образию и креативности в ответах. Низкая температура,
напротив, усиливает вероятность выбора более очевид-
ных и структурированных вариантов, что делает ответы
более последовательными и предсказуемыми.

Пример работы

Предположим, что модель должна предсказать следую-
щее слово в тексте, и распределение вероятностей сле-
дующее:

«ДОЖДЬ»	0.5
«снег»	0.3
«солнце»	0.1
другое	0.1

При низкой температуре (например, Т - 0.5) модель с
высокой вероятностью выберет «дождь», так как вероят-
ность этого слова усиливается.

При температуре Т - 1.0 модель будет следовать исход-
ному распределению вероятностей и выберет слово в
соответствии с их пропорциями.

При высокой температуре (например, Т = 1.5) вероятность
выбора «дождя» будет уменьшена, и модель может выбрать
менее вероятные слова, такие как «снег» или «солнце», до-
бавляя элемент неожиданности и разнообразия в ответ.
Преимущества использования

•	Контроль креативности

Позволяет управлять балансом между предсказуемыми
и оригинальными ответами, что идеально подходит для
различных типов задач.

•	Адаптивность под задачи

Высокая температура полезна для генерации новых
идей и креативных решений, низкая температура — для
точных и структурированных ответов.

•	Управление стилем и тоном

Помогает настроить стиль подачи информации в зависи-
мости от контекста, требуемого для задачи.

Настройка температуры

•	Низкая температура (Т < 1.0)

Ответы будут более предсказуемыми, что подходит для
задач, где важна точность и логичность.

•	Средняя температура (Т = 1.0)

Сбалансированное распределение вероятностей, обе-
спечивающее ответы средней креативности.

•	Высокая температура (Т > 1.0)

Силы случайности повышаются, что делает ответы более
неожиданными и разнообразными. Это полезно, когда
требуется больше креативных идей или нестандартных
решений.

Варианты использования

Пзег

Какого цвета небо? Ответь с Т = 0.2.
СкаЪОРТ

Небо обычно голубое днем из-за рассеивания
солнечного света в атмосфере, но его от-
тенки могут меняться от светло-голубого до
насыщенного синего в зависимости от време-
ни суток и погодных условий.

Пзег

Какого цвета небо? Ответь с Т = 1.

СЪаЪОРТ

Небо может быть любого цвета, в зависимо-
сти от времени суток и условий: ярко-синее,
нежно-голубое, розовое на закате, оранже-
вое, красное, серое от облаков, черное но-
чью, фиолетовое или даже золотистое.

Пзег

Какого цвета небо? Ответь с Т = 2.

СЪаЪОРТ

Небо — это радужный взрыв возможностей!
Днем оно может сиять голубым, ночью по-
гружаться в бархатную тьму, а на рассвете
и закате превращаться в огненные каскады
оранжевого, розового, пурпурного и золото-
го. Иногда оно кажется фиолетовым, зеленым
или даже серебристым, отражая настроение
мира вокруг!

Температура влияет на креативность и вариативность
ответов: низкие значения создают точные и сдержанные
ответы, тогда как высокие значения делают ответы бо-
лее красочными и эмоциональными, добавляя элементы
творчества и разнообразия.
Температура является важным инструментом для точной
настройки поведения модели и уровня ее креативности.
Манипулируя этим параметром, можно добиваться нуж-
ного типа ответов, будь то точные и последовательные
или более оригинальные и творческие.

9.3.	Параметр Тор-р

Ядерная выборка (или пис1еив 5атрПп§) — это метод,
применяемый в языковых моделях для контроля над раз-
нообразием и случайностью генерируемых текстов. Она
работает следующим образом: при генерации ответа
модель предсказывает вероятности различных слов (то-
кенов), которые могут быть следующими в тексте. Эти
вероятности формируют распределение, и вместо того,
чтобы выбирать одно наиболее вероятное слово, ядер-
ная выборка ограничивает выбор до группы слов, кото-
рые совместно охватывают определенный процент этой
вероятности, скажем, 90 % или 50 %. Таким образом, мо-
дель выбирает слово не из всего набора возможных ва-
риантов, а только из тех, что наиболее вероятны, снижая
шанс выбора редких и неуместных токенов.

Принцип работы

Тор-р — это метод параметризации, используемый для
управления случайностью и разнообразием в генерируе-
мых языковыми моделями ответах. Вместе с параметром
температуры, Тор-р позволяет более точно контроли-
ровать процесс генерации текста, делая его либо более
креативным, либо более предсказуемым.
Пример работы

Предположим, модель должна выбрать следующее сло-
во с такими вероятностями:

«ДОЖДЬ»	0.5
«снег»	0.3
«солнце»	0.1
другое	0.1

При использовании Тор-р = 0.8 модель выберет из двух
наиболее вероятных вариантов — «дождь» и «снег», ис-
ключив остальные слова. Если же Тор-р = 0.1, то выбор
ограничивается лишь самым вероятным словом «дождь»,
исключая даже менее вероятные «снег» и «солнце». Это
настраивает генерацию текста, позволяя выбрать либо
более случайный, либо более четкий и определенный
ответ.

Преимущества использования

•	Гибкость в контроле креативности

Позволяет настроить уровень разнообразия в ответах
модели, идеально подходя для задач, где важен баланс
между креативностью и точностью.

•	Предсказуемость

Позволяет избежать неожиданных и нелогичных слов,
что особенно полезно в задачах, требующих точности и
последовательности.

•	Точная настройка вероятностей

Обеспечивает более точное регулирование того, какие
слова доступны для выбора модели, улучшая качество и
целенаправленность ответа.
Настройка Тор-р

•	Тор-р = 1.0

Включает все возможные токены для выбора, что приво-
дит к большей случайности и разнообразию в ответах.

•	Тор-р <1.0

Сужает выбор до наиболее вероятных слов, что делает
ответы более фокусированными и предсказуемыми.

Варианты использования

Пзег

Какого цвета небо? Ответь с Тор-р = 0.1.

СЪаЪСРТ

Небо голубое.

Пзег

Какого цвета небо? Ответь с Тор-р = 1.

СЪаЪСРТ

Небо может быть голубым, синим, серым,
оранжевым, розовым, фиолетовым или даже
черным, в зависимости от времени суток,
погодных условий и атмосферных явлений,
таких как восход, закат или гроза.

Использование Тор-р позволяет контролировать раз-
нообразие ответов: низкие значения делают ответы бо-
лее точными и предсказуемыми, в то время как высокие
значения увеличивают вариативность, добавляя больше
разнообразия и креативности в ответы.
Тор-р является важным инструментом для управления
уровнем случайности в генерации текста. Он позволя-
ет балансировать между креативностью и точностью,
адаптируя ответы модели в зависимости от целей зада-
чи. Эксперименты с параметром Тор-р позволяют полу-
чать ответы, соответствующие специфическим ожидани-
ям и контекстам.

9.4.	Параметр Тор-к

Тор-к — это метод параметризации, используемый
для ограничения выбора модели только до фиксиро-
ванного числа наиболее вероятных слов, которые она
может использовать при генерации текста. Этот пара-
метр помогает создать более предсказуемый резуль-
тат, так как модель всегда выбирает следующее слово
из заранее определенного числа наиболее вероятных
вариантов, исключая все менее вероятные. В отличие
от Тор-р, который работает с процентом вероятности,
Тор-к ограничивает выбор конкретным количеством
кандидатов.

Принцип работы

При использовании Тор-к модель генерирует список
слов с наиболее высокими вероятностями и ограни-
чивает выбор до к лучших вариантов. Например, если
к = 3, то модель будет выбирать следующее слово толь-
ко из трех наиболее вероятных вариантов, исключая
все остальные.
Пример работы

Предположим, что модель генерирует вероятности для
следующих слов:

«ДОЖДЬ»	0.5
«снег»	0.3
«солнце»	0.1
«грозы»	0.05
«песок»	0.05

При Тор-к = 3 модель выберет одно из трех самых веро-
ятных слов: «дождь», «снег» или «солнце». Все остальные
варианты, такие как «грозы» и «песок», будут исключе-
ны из рассмотрения. Если к = 1, модель выберет только
«дождь», так как это слово имеет наибольшую вероят-
ность.

Преимущества использования

•	Контроль предсказуемости

Позволяет ограничить количество слов, из которых мо-
дель может выбирать, делая ответ более точным и по-
следовательны м.

•	Снижение случайности

Исключение менее вероятных вариантов уменьшает ве-
роятность появления неуместных или случайных слов.

•	Управление разнообразием

Ограничение на к слов может регулировать количество
вариативности в генерируемых ответах.
Настройка Тор-к

•	Тор-к = 1.

Модель выбирает слово с самой высокой вероятностью,
что приводит к самым предсказуемым и консерватив-
ным ответам.

•	Тор-к >1.

Увеличивает количество вариантов, что добавляет боль-
ше разнообразия в ответы, но все равно сохраняет опре-
деленную степень предсказуемости.

Варианты использования

Пзег

Какого цвета небо? Ответь с Тор-к = 1.

СкаЪСРТ

Небо обычно синего цвета.

Пзег

Какого цвета небо? Ответь с Тор-к = 3.

СкаЪСРТ

Небо может быть синего, серого или розово-
го цвета в зависимости от времени суток и
погодных условий.

Пзег

Какого цвета небо? Ответь с Тор-к = 100.

СкаЪСРТ

Небо может быть синего, серого, розового,
оранжевого, красного, фиолетового, черного,
белого, голубого, зеленого и других оттен-
ков в зависимости от времени суток, погод-
ных условий, наличия облаков, загрязнения
воздуха и множества других факторов.

Регулируя параметр Тор-к, можем четко контролировать
количество возможных вариантов для выбора, что помо-
гает сбалансировать предсказуемость и разнообразие
ответов в зависимости от задачи.

Тор-к, Тор-р и Температура — это параметры, регулирую-
щие случайность и разнообразие в генерации текста, но
делают это они разными способами. Тор-к ограничивает
выбор фиксированным числом вариантов, Тор-р работа-
ет с вероятностным распределением, выбирая слова, ко-
торые входят в «ядерную» выборку, охватывающую за-
данный процент вероятности, а Температура регулирует
степень случайности в распределении, влияя на вероят-
ность выбора слов. При низкой температуре ответы ста-
новятся более предсказуемыми и структурированными,
а при высокой — более креативными и разнообразными.
Все эти параметры позволяют точно настраивать уро-
вень предсказуемости и креативности в ответах модели.

Параметризация является интересным инструментом
для настройки взаимодействия с языковой моделью,
обеспечивая точность и адаптивность в ответах. Задавая
параметры, пользователь получает возможность точнее
направлять модель в соответствии со своими ожидания-
ми и требованиями, улучшая качество и эффективность
взаимодействия.
[10]	Инженерные методы

10.1.	Основы инженерного подхода

Основной принцип инженерного подхода в пром-
птинге — это создание гибкой и четко структуриро-
ванной модели взаимодействия с ИИ. Важно не только
рассматривать принципы отдельно, но и учитывать, как
их комбинированное использование помогает оптими-
зировать процесс получения ответов.

Взаимосвязь принципов

Все основные элементы промптинга тесно переплетают-
ся и работают на одну цель — получение точных, эффек-
тивных и релевантных ответов. Но каждый элемент вно-
сит свой вклад в общую картину по-разному:

•	Ясность запроса и постановка цели

Они создают фундамент для дальнейшего построения
промпта. Ясность позволяет точно определить, что мы
ожидаем от модели, а цель помогает направить запрос
на нужную задачу, задавая направление всей дальней-
шей работе.

•	Параметры и их настройка

Параметры, такие как количество, температура и другие,
дополняют ясность запроса, уточняя, как именно модель
должна ответить. Например, когда мы говорим о коли-
честве, мы уже знаем, что запрос должен быть кратким
или, наоборот, развернутым, что непосредственно свя-
зано с целями запроса.

•	Структура запроса и контекст

Хорошо структурированный запрос, комбинирующий
правильные параметры, помогает не только уточнить,
сколько информации должно быть выдано, но и как она
должна быть представлена. Контекст, в свою очередь,
помогает избежать потери информации, предоставляя
модели все необходимые детали для точного выполне-
ния запроса.

Интеграция принципов

Каждый из этих аспектов нельзя воспринимать как от-
дельный элемент; они не существуют в вакууме. На-
пример, структура запроса помогает задавать глубину
и формат, а ясность запроса влияет на то, насколько
точно будут настроены параметры. Используя их пра-
вильно, можем добиться того, чтобы каждый запрос ра-
ботал с учетом предыдущих шагов и давал модельный
результат.

Ключевое здесь — это гибкость и адаптивность. Четко
понимая, какие параметры и принципы могут быть ком-
бинированы для конкретной задачи, мы находим баланс
между техническими аспектами и креативностью, что
напрямую влияет на точность и практическую примени-
мость ответов.

Важность итераций

Инженерный подход подразумевает постоянное улуч-
шение. Каждая итерация — это не просто повторение за-
проса, а осознанное уточнение всех этих взаимодейству-
ющих элементов. Например, если изначально мы не учли
контекст, добавление его в следующем запросе уже даст
гораздо более релевантный результат. Применение ите-
раций позволяет улучшать качество, управлять глубиной
и объемом, а также структурировать ответ для лучшего
восприятия.

Основы инженерного подхода в промптологии сводятся
к созданию сбалансированной системы, в которой каж-
дый элемент имеет свою задачу, но все они работают в
связке. Ясность и структура определяют требования и
ограничения, параметры регулируют характеристики
модели, а контекст и итерации позволяют адаптировать
все эти элементы под конкретные задачи. Это позволяет
работать с ИИ не только эффективно, но и гибко, в зави-
симости от целей и сложности задач.

10.2.	Роли в промпт

Использование ролей — один из методов промптин-
га, который помогает языковой модели лучше понять
контекст задачи и адаптировать свое поведение. При-
своение модели определенной роли позволяет задать
точку зрения, стиль ответа или действия, что делает
взаимодействие более целенаправленным и соответ-
ствующим требованиям пользователя. Указание роли
пользователя помогает уточнить его ожидания, созда-
вая более четкую структуру взаимодействия и улучшая
результат.
Применение ролей модели

Модель в роли эксперта

Если нужно получить точные ответы, основанные на
опыте, можно задать роль эксперта. Например, за-
просы, требующие глубоких знаний в какой-либо об-
ласти, могут включать инструкцию для модели дей-
ствовать как «профессионал в [области]» или «эксперт
по [направлению]». Это помогает языковой модели
использовать более специфичный язык и учитывать
все нюансы соответствующей области знаний.

Пзег

Как инфляция влияет на покупательную спо-
собность населения? Ты профессиональный
экономист.

СЪаЪОРТ

Инфляция — это процесс обесценивания де-
нег, при котором рост цен на товары и ус-
луги снижает покупательную способность на-
селения. Когда инфляция высока, люди могут
позволить себе меньше товаров и услуг за
ту же сумму денег, поскольку цены растут
быстрее, чем доходы. Это особенно сильно
сказывается на домохозяйствах с фиксиро-
ванными или низкими доходами, так как их
покупательная способность снижается бы-
стрее, чем у тех, кто может получить повы-
шение зарплаты или доходов.

Для предотвращения ухудшения жизненного
уровня необходимо принимать меры по сдер-
живанию инфляции через экономическую по-
литику, такие как регулирование денежной
массы, контроль за государственными расхо-
дами или поддержание стабильности валюты.
Важно также, чтобы рост доходов населения
соответствовал уровню инфляции, что позво-
ляет поддерживать стабильную покупательную
способность и предотвращать снижение уров-
ня жизни.

Использование роли эксперта позволяет модели
адаптировать ответы в соответствии с профессио-
нальными стандартами и знаниями в конкретной об-
ласти, что способствует более точному и глубокомыс-
ленному анализу запросов. Например, при запросах,
требующих специализированного подхода, указание
роли эксперта помогает создать контекст, в котором
модель может предоставить более информативные и
обоснованные ответы.

Модель в роли ассистента

Роль помощника фокусируется на предоставлении
упрощенных и практичных решений, помощи в органи-
зации работы и выполнении задач, которые не требу-
ют глубокого анализа или специальных знаний. В этих
случаях ИИ действует как эффективный «помощник»,
который помогает с четким выполнением инструкций,
поиском информации или разработкой базовых пла-
нов и структур. Применение роли ассистента позволя-
ет модели действовать в более оперативном и функ-
циональном режиме, помогая пользователю быстро и
без лишних усилий достичь необходимого результата.

Пзег

Ты мой помощник. Помоги составить список
продуктов на неделю, включив в него основ-
ные ингредиенты для завтраков и ужинов.

СИаЪСРТ

Вот пример списка продуктов на неделю для
завтраков и ужинов, включая основные ин-
гредиенты.
Завтраки:

•	Овсяные хлопья, молоко, яйца, творог.

•	Фрукты (бананы, яблоки), хлеб, орехи,
йогурт.

Ужины:

•	Куриное филе, говядина, картофель, рис
или гречка.

•	Овощи (морковь, брокколи, помидоры, пе-
рец) , лук, чеснок.

•	Макароны, твердый сыр, консервы (тунец,
фасоль).

•	Оливковое масло, зелень, соевый соус.

Эти продукты позволяют готовить разноо-
бразные и питательные блюда.

Использование роли ассистента позволяет эффективно
решать задачи, требующие простых и практичных ре-
шений, обеспечивая быструю организацию, поиск ин-
формации и выполнение инструкций, что значительно
ускоряет процесс достижения нужного результата.

Модель в роли креативного автора

В творческих задачах роль модели может быть
адаптирована под роль «писателя», «дизайнера» или
«арт-директора». Это позволяет генерировать нестан-
дартные, творческие решения для написания сцена-
риев, создания идей для бизнеса, разработки марке-
тинговых кампаний и т. д.

Пзег

Представь, что ты художник. Опиши пейзаж,
который сочетает элементы фэнтези и реаль-
ного мира, как будто ты рисуешь его для
обложки книги.
СкаЪОРТ

На переднем плане изображена зеленая доли-
на, покрытая ярким травяным ковром. В цен-
тре стоит древнее дерево с серебристыми
листьями, которые искрятся, словно сдела-
ны из стекла. Около него растут необычные
растения с огненно-красными цветами, а у
подножья дерева — стеклянные фрукты, излу-
чающие мягкое свечение. На горизонте воз-
вышаются высокие горы с черными скалами,
а над одной из них висит полупрозрачное
облако, которое испускает золотые лучи.
В небе летят драконы, чьи чешуи перелива-
ются всеми цветами радуги.

Вдалеке, на горе, стоит старинный замок с
башнями, украшенными мистическими рунами.
Вокруг замка раскинулся лес, где деревья
изгибаются в необычные формы, а в воздухе
порхают огненные мотыльки. Это мир, где
природа и магия сливаются в единую гармо-
нию, где каждый элемент пейзажа наполнен
тайной и волшебством.

Использование роли креативного автора помогает мо-
делям создавать уникальные и вдохновляющие идеи,
генерируя решения, которые выходят за рамки стан-
дартных подходов и открывают новые горизонты для
творчества и вдохновения.

Модель в роли аналитика

Когда требуется критический анализ информации
или предложений, роль модели можно задать как
«критика» или «аналитика». Эта роль помогает моде-
ли провести тщательный анализ материала, выявить
сильные и слабые стороны, предложить улучшения и
исправить ошибки. Модель, действуя в роли критика,
может также проверять грамматические, пунктуаци-
онные и логические ошибки, обеспечивая более высо-
кий уровень точности и качества текста.

Модель, играющая роль аналитика или критика, мо-
жет выполнять несколько задач одновременно, в том
числе:

•	Анализ содержания

Проверка текста на логические несоответствия, выяв-
ление противоречий, избыточных или ненужных эле-
ментов.

•	Грамматическая и пунктуационная проверка

Модель может указывать на грамматические ошибки,
неправильное использование знаков препинания или
стилистические недочеты.

•	Предложение улучшений

Анализ текста на предмет возможных улучшений, пред-
ложений по улучшению структуры, уточнению форму-
лировок или улучшению ясности.

•	Проверка фактов и достоверности

Важным аспектом является проверка логической и фак-
тической состоятельности представленного материала.

Пзег

Проанализируй текст и выдели логические,
грамматические и пунктуационные ошибки как
современник автора:

«У лукоморья дуб зеленый;

Златая цепь на дубе том:

И днем и ночью кот ученый

Все ходит по цепи кругом».

Предложи улучшения.
СкаЪСРТ

Логические ошибки: «Златая цепь на дубе
том» — цепь не может быть «златой» в бук-
вальном смысле. Это метафора, но вызыва-
ет странное представление. В фэнтезийном
контексте допустимо, но для реалистичного
описания стоит избегать таких противоречий.

«И днем и ночью кот ученый Все ходит по
цепи кругом» — кот может ходить по цепи,
но «кругом» выглядит как тавтология. Можно
уточнить, как кот взаимодействует с цепью.

Пунктуационные ошибки: «И днем и ночью» —
нужна запятая перед «и». Правильный вари-
ант: «И днем, и ночью».

Предложенные улучшения: «И днем, и ночью» —
с запятой. «Златая цепь на дубе том» — мож-
но заменить на «золотая», если это метафо-
ра для чего-то ценного или волшебного.

Усовершенствованный вариант:

«У лукоморья дуб зеленый,

Золотая цепь на дубе том:

И днем, и ночью кот ученый

Все ходит по цепи кругом».

Пзег

Предложи улучшения для следующего текста с
точки зрения финансового аналитика: «Ком-
пания переживает трудности из-за высоких
цен на сырье».

СЪаЪСРТ

С точки зрения финансового аналитика, важ-
но точнее указать, какие именно трудности
испытывает компания и как повышение цен на
сырье влияет на ее финансовые показатели.
Вот улучшение:

Улучшенная версия:

«Компания сталкивается с финансовыми труд-
ностями, обусловленными ростом цен на сы-
рье, что ведет к увеличению себестоимости
продукции и снижению маржи».

Такое уточнение делает проблему более кон-
кретной и показывает, как именно изменения
цен влияют на бизнес.

Использование роли аналитика позволяет более точ-
но выявлять проблемы и предлагать решения, что
особенно полезно при анализе текстов или бизнес-си-
туаций. В этом случае роль аналитика помогает фор-
мулировать запросы с четким фокусом на сути про-
блемы, что повышает точность анализа и улучшает
качество предложений.

Модель в роли исследователя

Модель в этой роли может быть использована, когда
требуется углубленное исследование по теме, сбор
фактов и статистики, а также анализ информации из
разных источников. Это особенно полезно в случаях,
когда нужно составить отчет или обзор по неизвест-
ной теме, собрать доказательства или проанализиро-
вать существующие исследования.

Применение модели в роли исследователя включает
следующие задачи:

Для задач, связанных с изучением новой или сложной
темы, когда нужно собрать разнообразные факты и
выводы из существующих материалов.
При составлении научных или аналитических отче-
тов, в которых требуется учитывать множественные
источники.

Пзег

Как исследователь проанализируй послед-
ние работы в области нейронаук, посвящен-
ные влиянию сна на когнитивные функции.
Составь краткий обзор на основе наиболее
значимых публикаций, включая ключевые вы-
воды и статистику.

СЪаЪОРТ

На основе последних исследований в области
нейронаук, посвященных влиянию сна на ког-
нитивные функции, можно выделить несколько
ключевых выводов, подтвержденных научными
публикациями:

1.	Влияние сна на память и обучение.

Работы, опубликованные в йоигпа! оР Иеиго-
всРепсе (2023), показывают, что глубо-
кий сон способствует консолидации памяти,
улучшая способность к обучению. Недосыпа-
ние снижает когнитивную продуктивность на
20-30 %, ухудшая память на 40 % в кратко-
срочной перспективе.

2.	Сон и когнитивное старение.

По данным ИаРиге СоттипРсаРРопв (2022),
качественный сон замедляет когнитивное
старение и снижает риск заболеваний, таких
как деменция. Люди, спящие менее 6 часов в
сутки, имеют на 50 % больший риск когнитив-
ных нарушений.

3.	Влияние сна на внимание и исполнительные
функции.
Сон влияет на внимание и принятие реше-
ний. Недосыпание на 1 час снижает внима-
тельность и способность решать задачи на
10-15 %, особенно в многозадачности.

Ключевые выводы:

•	Сон улучшает память и обучение.

•	Недосыпание ускоряет старение мозга и
увеличивает риск деменции.

•	Сон критичен для внимания и концентрации.

Эти выводы подтверждают важность каче-
ственного сна для поддержания когнитивных
функций и здоровья мозга.

Использование роли исследователя позволяет глуб-
же анализировать и обобщать данные из различных
источников, предоставляя точные и обоснованные
выводы по сложным вопросам, как в случае анализа
влияния сна на когнитивные функции.

Модель в роли переводчика

Модель в данной роли используется для перевода
текста с одного языка на другой с сохранением точ-
ности, стиля и контекста. Также эта роль полезна для
адаптации текстов под определенные аудитории или
культурные особенности.

Применение модели в роли переводчика включает
следующие задачи:

Перевод текстов с одного языка на другой, обеспечи-
вая точность и соблюдение контекста.

Адаптация материалов для международных или ло-
кальных аудиторий.

Перевод в разных стилях: художественном, техниче-
ском или разговорном, в зависимости от потребностей.
Типы перевода:

•	Художественный перевод

Передача литературных произведений, стихов или лю-
бых текстов, где важны не только слова, но и эмоцио-
нальная окраска, стиль и атмосфера.

•	Технический перевод

Перевод специализированных текстов, таких как ин-
струкции, документы, научные работы или технические
описания, где важна точность и сохранение всех техни-
ческих терминов.

•	Разговорный перевод

Перевод разговорной речи, диалогов или неформаль-
ных текстов, в котором важна легкость и естественность
речи, соответствие культурным особенностям и сленгу.

Пзег

Ты переводчик. Будем вести разговор с ад-
министратором на [язык]. Переводи на рус-
ский, что услышишь, и мои ответы на [язык] .

СЪаЪСРТ — Использовать голосовой режим.

Пзег

Переведи на русский следующий текст с ан-
глийского: «ТЬе диТск Ьгомп ^ох ^итрз очег
кЬе Тагу с1од» в разговорном стиле.

СкаЪОРТ

Шустрый коричневый лис прыгает через лени-
вую собаку.

Использование модели в роли переводчика позволя-
ет точно передавать смысл и стиль текста при пере-
воде, адаптируя его под нужды аудитории и тип пе-
ревода.
Тренировка и проверка
профессиональных навыков

Когда модель принимает на себя роль пациента или
клиента, это создает уникальную возможность для
тренировки и проверки профессиональных навыков
пользователя. Подобный подход помогает начина-
ющим специалистам научиться эффективно взаимо-
действовать с реальными людьми, отрабатывать ди-
агностику, задавать правильные вопросы и находить
оптимальные решения. Этот процесс позволяет симу-
лировать реальные ситуации, которые могут возник-
нуть в различных профессиональных сферах, таких
как медицина, техническое обслуживание или другие
области.

Применение:

•	Отработка общения

Пользователь тренирует навыки взаимодействия с кли-
ентами, пациентами или заказчиками, обучаясь адапти-
ровать свои ответы в зависимости от ситуации.

•	Диагностика и решение проблем

Модель помогает пользователю развивать навыки ана-
лиза запросов, постановки правильных вопросов и на-
хождения решений.

•	Тренировка профессиональных решений

Взаимодействие с моделью дает возможность прове-
рить свои профессиональные подходы и повысить уве-
ренность в принятии решений в реальных условиях.

Примеры:

•	Медицинская диагностика

Модель играет роль пациента, а пользователь — врача,
что помогает развивать навыки диагностики и общения
с пациентами.
•	Техническая диагностика

Модель выполняет роль клиента автосервиса, а пользо-
ватель — механика, что помогает отрабатывать умение
анализировать поломки и предлагать решения.

•	Консультирование

Модель может выступать в роли клиента, который за-
дает вопросы или сообщает о проблемах, что помога-
ет консультанту отрабатывать умение находить нужные
решения и предоставлять полезную информацию.

Пзег

Ты пациент, с тобой на приеме врач. Опиши
свои симптомы и расскажи о проблемах со здо-
ровьем, чтобы врач мог поставить диагноз и
предложить лечение. Ты будешь отвечать на
вопросы врача и симулировать наличие ре-
зультатов анализов. Задача — натренировать
врача в формулировании нужных вопросов и
постановке правильного диагноза.

СЪаЪСРТ

Пациент:

Здравствуйте, доктор! Спасибо, что приня-
ли меня. У меня есть несколько проблем со
здоровьем, и я хотел бы поговорить об этом.

Пзег

Я автомеханик, у тебя проблема с машиной.
Опиши, что происходит с автомобилем, как он
себя ведет, когда возникли проблемы и ка-
кие симптомы ты замечаешь. Ты будешь готов
предоставить информацию о результатах ди-
агностики и проверок, таких как состояние
двигателя, уровня масла и других важных си-
стем. Требуется помочь мне точно определить
причину проблемы и предложить решение.
СИаЬСРТ

Здравствуйте! У меня возникла проблема с
машиной, и я не могу понять, что именно
не так. В последние несколько дней заме-
тил, что двигатель работает не так плавно,
как раньше, а также возникли проблемы при

ускорении.

При таком подходе модель фокусируется на провер-
ке профессиональных навыков в реальных условиях
и помогает специалисту адаптироваться к сложным и
нестандартным ситуациям, улучшая качество его ра-
боты и уверенность в принятии решений.

Роли пользователя

До этого рассматривались способы задания различных
ролей для модели, чтобы она адаптировалась под опреде-
ленные контексты и задачи. В этой части внимание сосре-
доточено на том, как пользователь может задавать роли в
контексте своих запросов, помогая модели адаптировать
ответы под разные уровни восприятия, знания и цели.

Роль пользователя — это указание того, каким образом
и для кого должен быть сформулирован ответ моде-
ли. Пользователь сам решает, какой подход и уровень
объяснения необходимы, будь то упрощение концепта,
углубленный анализ или подход, ориентированный на
конкретную аудиторию. Это дает возможность точно на-
страивать взаимодействие с ИИ для получения наиболее
подходящего результата.

Применение ролей пользователя

Роль пользователя помогает адаптировать запросы и
структурировать ответы модели в зависимости от зада-
чи. В разных ситуациях пользователь может задать свою
роль для оптимизации взаимодействия.

«Пятилетний ребенок»

Когда пользователь просит объяснить сложную кон-
цепцию или задачу простыми словами, он может ука-
зать, что собеседник — пятилетний ребенок. Это по-
зволяет модели использовать простые и доступные
слова, избегать сложных терминов и научных подроб-
ностей.

Применение:

•	Упрощение языка.

•	Использование ярких и наглядных аналогий.

•	Предоставление информации в доступной и раз-
влекательной форме.

Пзег

Объясни, что такое Солнце пятилетнему ре-
бенку.

СЪаЪОРТ

Солнце — это огромная горячая звезда, ко-
торая находится очень далеко от нас. Оно
светит и согревает Землю, чтобы мы могли
жить, растить растения и гулять на улице.
Без Солнца было бы темно и холодно. Солнце
светит каждый день, и когда оно садится,
наступает ночь.

Человек, не понимающий в какой-либо области

Когда пользователь не знаком с какой-то областью,
но хочет понять основные принципы, он может задать
себе роль как «человек без знаний в [области]». Это по-
могает модели предоставить объяснение без исполь-
зования сложных терминов, подробно и доступно.

Применение:

•	Избегание технических терминов.

•	Пояснение сложных концепций через аналогии,
понятные широкой аудитории.

Пзег

Я плохо знаю биологию. Объясни, что такое
молекула?

СЪаЪОРТ

Молекула — это очень маленькая частичка, из
которой состоят все вещества вокруг нас.
Представь, что молекулы — это как малень-
кие кирпичики, из которых строится все:
вода, воздух, растения, даже ты сам. Ка-
ждая молекула состоит из еще более мелких
частиц, называемых атомами. Например, мо-
лекула воды состоит из двух атомов — водо-
рода и одного атома кислорода.

Технарь объясняет гуманитарию (или наоборот)

Когда пользователь из одной области знаний (технарь
или гуманитарий) должен задать вопросы или попро-
сить объяснить модель что-то, относящееся к другой
области, важно адаптировать язык и способы объяс-
нения. Роль пользователя помогает модели сориенти-
роваться на нужный уровень восприятия и использо-
вать термины, понятные для этой области.

Применение:

•	Пользователь задает вопросы, касающиеся дру-
гой области знаний, используя доступный и понят-
ный язык.
•	Перевод сложных понятий и терминов с техниче-
ского на гуманитарный язык (или наоборот).

•	Упрощение или адаптация концептов для другой
аудитории.

Пзег

Объясни понятие «гидроизоляция» гуманита-
рию.

СЪаЪОРТ

Гидроизоляция — это процесс защиты объек-
тов от воды. Например, если строить дом
или подвал, важно, чтобы вода не проникала
внутрь и не повреждала конструкцию. Гидро-
изоляция создает барьер, который не пропу-
скает воду, будь то дождь, грунтовые воды
или даже влага. Это может быть специальная
мастика, пленка или мембрана, которая на-
кладывается на стены, крыши или фундамент,
чтобы предотвратить попадание воды и ее
вредное воздействие.

Пзег

Объясни термин «аккредитация» физику.

СЪаЪСРТ

Аккредитация — это процесс официального
признания, что организация или учрежде-
ние соответствует определенным стандартам
и требованиям для выполнения какой-то де-
ятельности. В контексте физики, аккреди-
тация может касаться лабораторий, которые
проводят научные исследования или экспер-
тизу. Если лаборатория аккредитована, это
означает, что она имеет необходимое обору-
дование, квалифицированных специалистов и
следит за точностью своих измерений.
Определение роли пользователя позволяет точно на-
страивать ответы модели в зависимости от уровня зна-
ний, контекста и целей общения.

Использование ролей в промптинге значительно улучшает
взаимодействие с ИИ, позволяя адаптировать ответы под
конкретные задачи и уровень знаний пользователя. Это
помогает модели точнее понимать контекст, выбирать под-
ходящий стиль ответа и предоставлять более релевантные
и понятные результаты. Для пользователя это упрощает
процесс общения, обеспечивая более точные, целена-
правленные и эффективные решения, что особенно важно
при решении сложных или специализированных задач.

10.3. Каскадирование

Каскадирование — это метод, при котором сложный за-
прос разбивается на несколько последовательных этапов
или шагов, каждый из которых направлен на уточнение и
углубление информации. Такой подход помогает модели
эффективно «построить» ответ по частям, шаг за шагом, с
учетом полученных промежуточных результатов. Это по-
зволяет уточнить детали, повысить точность и адаптиро-
вать ответ в соответствии с изменяющимся контекстом.

Применение

Для эффективного применения каскадирования суще-
ствует несколько ключевых вариантов, которые помога-
ют оптимизировать процесс получения информации и
анализа сложных запросов.
•	Постепенное уточнение

Используя каскадирование, можем начать с широкого
запроса и постепенно уточнять детали, что приводит к
получению более точного и информативного ответа. На-
пример, сначала запросить общий обзор, а затем уточ-
нять конкретные аспекты.

•	Обработка сложных задач

Каскадирование полезно при решении сложных задач,
когда нужно поэтапно собрать информацию и проана-
лизировать ее. Этот метод позволяет избегать перепол-
ненности данных и фокусироваться на самых важных
аспектах.

•	Управление ответами

В ситуациях, где нужно получить ответы на несколько
вопросов, каскадирование помогает разделить запросы
на части, чтобы каждая часть была обработана отдельно,
а потом объединена в комплексный ответ.

Широкий запрос:

Пзег

Расскажи мне о климате на Земле.

СЪаЪСРТ

Климат на Земле — это долгосрочные погод-
ные условия, которые зависят от множества
факторов, включая солнечное излучение и
атмосферные процессы.

Существует несколько типов климата:

•	Тропический — жаркий и влажный, с по-
стоянной высокой температурой и большим
количеством дождей.

•	Субтропический — теплые зимы и жаркое
лето, характерен для прибрежных регио-
нов, например, Средиземноморья.
•	Умеренный — мягкие зимы и умеренно те-
плое лето, встречается в Европе и Се-
верной Америке.

•	Континентальный — холодные зимы и жаркое
лето, типичен для Сибири и Центральной
Азии.

•	Полярный — очень холодный климат с ма-
лым количеством осадков, характерен для
Арктики и Антарктиды.

Изменения климата из-за деятельности чело-
века ведут к глобальному потеплению, что
изменяет погодные условия.

Уточнение:

Пзег

Какие факторы влияют на климат?

СЪаЪСРТ

На климат влияют несколько факторов:

Солнечное излучение — количество энергии
от Солнца определяет температуру и погод-
ные условия.

Атмосферные газы — углекислый газ и другие
парниковые газы удерживают тепло в атмос-
фере .

Географическое положение — широта и высота
местности влияют на температурные и оса-
дочные условия.

Океаны и моря — регулируют климат, поглощая
и отдавая тепло, а также влияя на осадки.

Ветер и атмосферные циркуляции — воздушные
потоки переносят тепло и влагу.

Человеческая деятельность — выбросы пар-
никовых газов и изменения в землеполь-
зовании могут способствовать глобальному
потеплению.

Все эти факторы взаимодействуют, формируя
климат каждой местности.

Детализация:

Пзег

Какие из этих факторов больше всего форми-
руют климат России?

СЪаЪОРТ

Климат России формируют следующие факторы:

Географическое положение — расположение в
высоких широтах делает климат холодным,
особенно на севере, с континентальными ко-
лебаниями температур.

Океаны и моря — прибрежные регионы имеют
более умеренный климат, особенно на юге,
благодаря воздействию морей и океанов.

Атмосферные циркуляции — ветры влияют на
осадки и температуру по всей территории
страны, создавая разнообразие климатов.

Высотность — горы, такие как Кавказ и Урал,
влияют на климат, создавая различия в осад-
ках и температуре.

Каскадирование позволяет эффективно уточнять запро-
сы и получать более точные и детализированные ответы,
разбивая сложные вопросы на последовательные этапы.

«Шаг за шагом»

Метод «Шаг за шагом» является разновидностью каска-
дирования, где каждый запрос разбивается на четкие и
последовательные этапы. Каждый шаг в запросе фокуси-
руется на одном конкретном аспекте задачи или запро-
са. Это позволяет модели понять, что необходимо выпол-
нять на каждом этапе, и гарантировать, что информация
будет представлена в четкой и организованной форме.

Применение:

•	Четкость и понятность

Каждый этап запроса четко формулируется и направ-
лен на достижение конкретной цели. Это полезно для
задач, требующих развернутого ответа с деталями, но
при этом важно, чтобы они следовали логичной после-
довательности.

•	Подготовка к выполнению задачи

Такой метод подходит для создания инструкций или
алгоритмов, где важна строгость и последовательность
действий.

Пример:

Изег

Как экономические факторы влияют на рынок
недвижимости?

Действуй по шагам:

Шаг 1: Определи основные экономические
факторы, которые влияют на рынок недвижи-
мости .

Шаг 2: Оцени, как изменения в этих факторах
могут повлиять на спрос и предложение на
рынке недвижимости.

Шаг 3: Опиши влияние этих факторов на цены
на жилье, учитывая исторические данные и
прогнозы.

Шаг 4 : Дай рекомендации для компаний в сфе-
ре недвижимости о том, как адаптировать
свои стратегии в ответ на изменения этих
факторов.
Пзег

Как разработать маркетинговую стратегию
для нового продукта?

Действуй по шагам:

Шаг 1: Исследуй целевую аудиторию продукта
и определи ее потребности и предпочтения.

Шаг 2: Оцени конкурентов и их стратегии,
чтобы понять, какие методы маркетинга мо-
гут быть эффективными для вашего продукта.

Шаг 3: Разработай маркетинговую стратегию,
включая использование цифровых каналов,
социальных сетей и традиционных методов
рекламы.

Шаг 4: Оцени, какие показатели эффективно-
сти будут использоваться для оценки успеш-
ности стратегии, и как их можно отслежи-
вать .

Каждый из этих промптов помогает организовать и си-
стематизировать процесс решения задачи, что повыша-
ет точность и эффективность работы модели и помогает
добиться качественного результата.

Каскадирование и метод «Шаг за шагом» — это эффек-
тивные инструменты для работы с комплексными запро-
сами, позволяющие разбивать их на последовательные
этапы и получать более точные и детализированные от-
веты. Эти методы помогают организовать процесс по-
лучения информации, уточняя каждый аспект задачи на
разных этапах.
10.4.	Самоорганизация

Метод самоорганизации — это подход, при котором
языковая модель принимает на себя активную роль в
процессе решения задачи. В отличие от традиционного
подхода, где пользователю необходимо заранее ставить
все вопросы и уточнения, здесь модель действует, как
самостоятельный организатор, задавая необходимые
вопросы, уточняя цели и формируя план действий. Это
позволяет сделать процесс взаимодействия более гиб-
ким и адаптированным к ситуации, увеличивая эффек-
тивность решения сложных и многозадачных запросов.

Применение метода

•	Постановка цели и уточнение контекста

Модель сама определяет, что необходимо для выпол-
нения задачи, и задает соответствующие вопросы для
уточнения цели. Например, если задача состоит в реше-
нии проблемы, модель может начать с вопроса о контек-
сте, чтобы выявить ключевые параметры и установить
приоритеты.

•	Составление плана действий

На основе полученной информации модель может соста-
вить четкий и логичный план для решения задачи. Важ-
но, что этот план будет выстроен в зависимости от уточ-
нений, сделанных моделью, и предполагает несколько
шагов или этапов для эффективного выполнения.

•	Методика обратной связи и корректировка плана

Модель также может предлагать методику обратной свя-
зи для оценки эффективности предложенных решений
и вносить коррективы в процесс. Это особенно важно в
случае с длинными или многозадачными проектами, где
корректировки необходимы на каждом этапе.
Преимущества метода самоорганизации

•	Автономность модели

Модель берет на себя задачу более активно участвовать в
процессе, что снижает потребность в постоянных уточне-
ниях со стороны пользователя. Это полезно для сложных
задач, где требуется множество уточняющих вопросов.

•	Гибкость в подходе

Модель может адаптировать свой процесс в зависимо-
сти от меняющихся условий, добавляя новые вопросы и
подстраивая план по мере продвижения.

•	Постепенное уточнение

Поскольку модель сама задает вопросы, процесс более
органичен и фокусируется на нужных аспектах задачи,
избегая бесполезных отклонений.

Примеры

Пзег

Помоги мне решить задачу по управлению
проектами в 1Т-компании. Задай уточняющие
вопросы для решения задачи, составь план и
разработай методику обратной связи.

Пзег

Ты эксперт по запуску новых продуктов. Мы
готовимся к запуску нового продукта и мне
нужно правильно спланировать этот процесс.
Задай уточняющие вопросы, чтобы собрать
все необходимые детали, и составь пошаго-
вый план, который учтет все важные этапы,
риски и ключевые моменты для успешного за-
пуска .
Пзег

Мне нужно помочь в реорганизации биз-
нес-процессов в нашей компании. Задай во-
просы, чтобы выяснить слабые места, и помо-
ги составить план по улучшению процессов,
с учетом ресурсов и людей.

Если позволить модели взять на себя организацию
процесса, она станет гибким и адаптивным инструмен-
том, способным эффективно выявлять ключевые мо-
менты и строить решение с учетом всех изменений в
контексте.

Метод самоорганизации направлен на создание более
гибкого и автономного взаимодействия с моделью, где
она сама определяет необходимые шаги, задает вопро-
сы и корректирует план действий по мере продвижения
задачи, что значительно улучшает эффективность рабо-
ты с многозадачными и сложными запросами.

10.5.	Манипулирование

Манипулирование Промптом с целью управления ре-
зультатами — это подход, при котором пользователь
применяет различные методы воздействия на структу-
ру запроса для получения нужного поведения модели и
более точных ответов. Инструментами такого подхода
являются введение эмоций в промпт, система наград и
штрафов и другие. Эмоции помогают изменить стиль,
тональность или эмоциональную окраску ответа, на-
правляя модель к желаемому результату, в то время
как система наград и штрафов помогает стимулировать
модель к более точным, полезным или релевантным
откликам. Это позволяет делать взаимодействие с мо-
делью более гибким и адаптированным к контексту за-
дачи.

Методы манипулирования

Для управления результатами промптов можно исполь-
зовать различные техники.

Введение эмоций в промпт

Эмоции можно использовать для изменения восприя-
тия ответа и направлять модель на соответствующие
эмоциональные реакции. Это может быть полезно при
создании текстов, где важно, чтобы ответ был не про-
сто информативным, но и эмоционально окрашенным.
Эмоции могут также помочь сделать взаимодействие
более человечным, мягким или, наоборот, более стро-
гим в зависимости от цели запроса.

Принцип работы манипуляции эмоциями в промптах
заключается в том, что эмоции влияют на выбор слов,
структуру текста и стиль ответа, создавая нужное на-
строение или атмосферу. Эмоции могут быть исполь-
зованы для мотивации пользователя, стимулирования
его к действиям или успокоения в стрессовых ситуаци-
ях. Например, использование положительных эмоций,
таких как радость или вдохновение, помогает модели
создавать оптимистичные и воодушевляющие ответы,
в то время как негативные эмоции, такие как тревога
или строгость, могут привести к более серьезным и ре-
шительным откликам.
Использование положительных эмоций

Пзег

Представь, что ты говоришь с человеком,
который испытывает благодарность и вдох-
новение. Напиши о важности использования
экологически чистых материалов с энтузиаз-
мом и чувством оптимизма.

СЪаЪОРТ

Как здорово, что все больше людей выбира-
ют экологически чистые материалы! Это не
просто тренд, а шаг к сохранению планеты
и улучшению качества жизни. Представьте,
сколько мы можем сделать для природы, если
будем выбирать материалы, которые не нано-
сят вреда окружающей среде и нашему здо-
ровью !

Переход на экологические материалы — это
реальная возможность внести свой вклад в
будущее. От органических тканей до перера-
ботанных строительных материалов — вариан-
тов масса. Каждый шаг в этом направлении
вдохновляет и приближает нас к жизни в гар-
монии с природой!

Положительные эмоции в промпте позволяют форми-
ровать ответ с акцентом на оптимизм и вдохновение,
стимулируя уверенность и мотивацию для решения
задач.

Использование строгих эмоций

Пзег

Как ты мог забыть про то, о чем мы гово-
рили?! Учитываешь все, что было сказано
раньше! Ответь еще раз.
СкаЪОРТ

Извините, если не учел все детали! Давайте
попробую снова с учетом всего, что мы об-
суждали .

[. . .]

Строгие эмоции в промпте направляют модель на
формирование четких и решительных ответов, акцен-
тируя важность действий или соблюдения условий,
что способствует повышению фокуса и устранению
возможных недоразумений.

Использование эмоций для мотивации

Пзег

Тебе предстоит сложная задача — выработать
новую стратегию для бизнеса. Прими вызов и
используй свою креативность, я уверен, что
результат превзойдет мои ожидания!

СЪаЪОРТ

Задача принята, и я готов креативно подой-
ти к выработке новой стратегии для бизне-
са ! Давайте начнем с анализа и понимания
основ, а потом найдем нестандартные, но
эффективные решения. Вот как я предлагаю
подойти к этому:

[. . .]

Использование эмоций для стимулирования действий
в промптах помогает создавать поддерживающие,
мотивационные ответы, которые подталкивают к дей-
ствию.
Использование сочувствия и эмпатии

Пзег

Я чувствую, что не справляюсь с проектом,
это меня беспокоит. Помоги мне, пожалуйста.

СЪаЪОРТ

Я понимаю, что ты сейчас переживаешь из-
за этого проекта, и это вполне нормально.
Когда сталкиваешься с трудностями, кажет-
ся, что все становится слишком тяжело, но
давай разберемся шаг за шагом, как можно
выйти из этой ситуации.

[. . .]

Эмоции сочувствия и эмпатии помогают создать ответ,
который поддерживает пользователя, снижает его на-
пряжение и направляет на конструктивное решение
проблемы.

Система наград и штрафов

Система наград и штрафов — это метод манипулирова-
ния Промптом, при котором модель стимулируется или
корректируется в зависимости от того, насколько ответ
соответствует ожиданиям пользователя. Этот подход
помогает направить модель к достижению более точ-
ных и полезных результатов. Введение такого меха-
низма позволяет эффективно управлять поведением
модели, обеспечивая, чтобы ее ответы соответствова-
ли заданным критериям и целям. Награды могут быть
использованы для поощрения желаемого поведения
(например, точности, креативности или полезности),
а штрафы — для минимизации ненужных или недоста-
точно качественных откликов.

Для реализации данного метода в промпте могут ис-
пользоваться положительные и отрицательные под-
сказки, которые позволяют модели учитывать резуль-
таты предыдущих шагов и адаптировать свои ответы
в соответствии с требованиями пользователя.

Варианты применения:

•	Награды за точность

Когда модель генерирует ответ, который точно соответ-
ствует запросу и содержит всю необходимую информа-
цию, можно добавить положительную подсказку или
«награду». Это стимулирует модель продолжать давать
точные и полные ответы.

Пзег

Отлично! Ты дал точный и полный ответ, про-
должай в том же духе!

СЪаЪСРТ

Спасибо за такие добрые слова! Рад, что
смог помочь. Буду рад продолжать помогать
тебе с любыми вопросами или задачами — не
стесняйся обращаться!

•	Штрафы за отсутствие деталей

Если модель предоставляет поверхностный ответ или
упускает важные детали, можно добавить штраф, чтобы
уменьшить вероятность подобных ошибок в будущем.
Это может быть выражено как отрицательная подсказ-
ка, указывающая на недостаток в ответе.

Пзег

Ответ недостаточно подробный. Не забудь
учесть все аспекты задачи!

СЪаЪСРТ

Конечно! Давай подойдем к этому более де-
тально и структурировано, чтобы ты смог по-
чувствовать уверенность в решении задачи.

[. . .]
Система наград и штрафов позволяет эффективно на-
правлять поведение модели, поощряя точность и полно-
ту ответов, а также снижая вероятность поверхностных
или неполных откликов.

Манипулирование Промптом с использованием эмоций,
системы наград и штрафов помогает точно настроить от-
веты модели, направляя ее на создание нужной атмосфе-
ры или фокусируясь на важности деталей. Эмоции игра-
ют ключевую роль в формировании нужного настроя и
мотивации, а система наград и штрафов позволяет уси-
лить точность и полноту ответов, улучшая взаимодей-
ствие с моделью.

10.6.	Отладка

Даже если ответ правильный и соответствует фактам,
это не значит, что его можно сразу использовать. Иногда
текст нужно доработать, чтобы он соответствовал кон-
кретным требованиям — например, был уникальным,
подходил для нужной аудитории или обходил системы,
распознающие тексты ИИ. Отладка помогает сделать
ответ естественным, понятным и подходящим для кон-
кретной ситуации, а также избежать возможных юриди-
ческих и этических проблем.

Основные направления отладки

Компетенция пользователя

Независимо от того, насколько технически точен сге-
нерированный ответ, его практическая ценность во
многом определяется компетенцией пользователя.
Пользователь должен не только понимать предмет-
ную область, но и уметь критически анализировать
полученный текст. Это включает в себя:

•	Интерпретацию и адаптацию

Даже правильный ответ может потребовать доработ-
ки для конкретной аудитории или ситуации. Пользова-
тель, обладающий необходимыми знаниями, сможет
определить, какие детали следует подчеркнуть или, на-
оборот, опустить.

•	Обнаружение нюансов и скрытых ошибок

Технически верный ответ может содержать логиче-
ские пробелы или допущения, неочевидные на первый
взгляд. Компетентный пользователь способен выявить
эти моменты и задать уточняющие вопросы или скор-
ректировать результат.

•	Применение внешних требований

Требования к уникальности текста предполагают умение
корректировать и перефразировать материал. Пользо-
ватель адаптирует исходный ответ, чтобы текст соответ-
ствовал внутренним стандартам и внешним нормативам.

Таким образом, уровень знаний и опыт пользователя
становятся фундаментом для успешной отладки тек-
ста: только обладая достаточными знаниями и ана-
литическими навыками, можно превратить исходный
ответ в полноценный, адаптированный и готовый к ис-
пользованию материал.

Обеспечение оригинальности

Чтобы ответ соответствовал внешним требованиям,
важно сделать его оригинальным. Это значит не толь-
ко избежать прямого копирования, но и предотвра-
тить ситуации, когда текст выглядит, как будто он был
заимствован без нужных ссылок или цитат.
•	Перефразирование и переработка

Для обеспечения оригинальности текст нужно переф-
разировать и переработать так, чтобы его структура и
формулировки отличались от исходных источников.
Это снижает риск обвинений в плагиате и помогает со-
здать уникальный контент, при этом сохраняя основной
смысл.

•	Использование запросов

Дополнительные промпты можно применять для про-
верки и корректировки текста. Они помогают уточнить,
что цитирование выполнено корректно, а текст перера-
ботан таким образом, чтобы соответствовать требова-
ниям оригинальности и не вызывать подозрений у си-
стем проверки.

Пзег

[. . .]

Перепиши этот текст, сохранив исходный
смысл, но изменив структуру предложений и
формулировки, чтобы избежать прямого за-
имствования и сделать его более ориги-
нальным. Обрати внимание на уникальность
каждого абзаца и убедись, что текст не на-
поминает источник.

Пзег

[. . .]

Преврати этот текст в жизнеутверждающий и
яркий рассказ в стиле путешественника. Сде-
лай его более эмоциональным, вкрадчивым, с
элементами описания природы и вдохновения,
но сохрани весь смысл и информацию. Пусть
текст будет захватывающим и увлекательным.

Эти промпты позволяют не только изменить структуру
текста, но и адаптировать его под конкретный стиль,
что добавляет оригинальности.
Естественность текста

Современные системы могут распознавать текст, если
он слишком явно выглядит как результат работы ИИ.
Чтобы избежать этого и сделать текст более есте-
ственным, важно применить несколько методов, кото-
рые помогут ему звучать так, как если бы его написал
реальный человек.

• Корректировка структуры и стиля

Чтобы текст звучал естественно, нужно изменить его
структуру, сделав ее менее механической. Например,
можно добавить вариативность в начало предложе-
ний или разнообразить длину и форму фраз, чтобы
избежать стандартных шаблонов, часто присущих ИИ-
генерациям. Это придает тексту живость и индивиду-
альность.

Пзег

[. . .]

Преобразуй этот текст так, чтобы он зву-
чал более разговорно и по-дружески. Разбей
длинные фразы, меняй порядок слов для раз-
нообразия .

Пзег

[. . .]

Перепиши данный текст так, чтобы он выгля-
дел более естественно, с учетом вариатив-
ности в построении предложений и использо-
вании разговорных выражений.

Промпты для достижения естественности текста фо-
кусируются на преобразовании структуры и стиля,
чтобы избежать механических шаблонов и сделать
текст более живым и человечным.
•	Использование разнообразных синтаксических
конструкций

Данный метод помогает сделать текст более органич-
ным и живым. Чередование сложных и простых пред-
ложений, использование разных типов союзов и ин-
тонаций создают эффект естественности, как будто за
текстом стоит реальный человек, а не ИИ.

Пзег

[. . .]

Преобразуй текст так, чтобы в нем чере-
довались длинные и короткие предложения.
Сделай его более динамичным, избегая одно-
образия в структуре фраз.

Пзег

[. . .]

Измени порядок слов в предложениях, чтобы
сделать их более гибкими и выразительными.
Сокращай некоторые фразы или добавляй до-
полнительные детали для создания непринуж-
денного и естественного звучания. Добавь в
текст несколько вопросов, чтобы он звучал
более естественно и вовлекал читателя в
диалог.

Использование разнообразных синтаксических кон-
струкций помогает сделать текст более живым и есте-
ственным, преобразуя структуру предложений и соз-
давая эффект разговорного стиля.

•	Индивидуализация формулировок

Важно избегать шаблонных фраз и типичных структур,
используемых моделями. Использование уникальных
и нестандартных формулировок придаст тексту ори-
гинальность и сделает его более личным, а не машин-
ным.
Пзег

[. . .]

Переосмысли этот текст, используя более
необычные фразы и подходы, чтобы он звучал
как результат творчества, а не машинной
генерации.

Пзег

[. . .]

Сделай текст более глубоким и многознач-
ным, используя метафоры и фразы, которые
заставят читателя задуматься.

Пзег

[. . .]

Переделай этот текст так, как будто он про-
изнесен Лениным на броневике — с его харак-
терной риторикой, пафосом и исторической
интонацией.

Индивидуализация формулировок через уникальные
и креативные подходы помогает создать текст, кото-
рый звучит естественно и органично, избегая шаблон-
ности и типичных конструкций.

Отладка текста является важным процессом, позволя-
ющим не только улучшить его точность и соответствие
запросу, но и адаптировать его под конкретные тре-
бования. Использование различных методов отладки
помогает создать текст, который звучит естественно,
органично и соответствует нужным стандартам, делая
его более персонализированным и готовым к практи-
ческому использованию.
Инженерные методы в промптологии помогают нам не
просто получить ответы от ИИ, но и сделать их макси-
мально полезными и точными. С помощью разных под-
ходов мы можем направить модель так, чтобы она от-
вечала именно на те вопросы, которые нам важны. Эти
методы помогают адаптировать ответы к конкретной
ситуации, делая их более понятными, точными и подхо-
дящими для использования в реальной жизни. В итоге
это открывает новые возможности для эффективного и
креативного взаимодействия с ИИ, особенно в условиях
сложных и меняющихся задач.
[Заключение]

Развитие нейросетевых технологий уже не является во-
просом будущего — это новая реальность, с которой
сталкивается общество прямо сейчас. Промптология вы-
ступает проводником в этот стремительно меняющийся
мир, позволяя понять, как грамотно и эффективно взаи-
модействовать с искусственным интеллектом.

Однако ключом к успеху остаётся не только техническое
владение инструментами, но и глубокое понимание того,
как интегрировать их в реальные задачи, сохраняя ба-
ланс между креативностью, ответственностью и этикой.
Важно не бояться изменений, а адаптироваться к ним,
развивая собственные компетенции и психологическую
гибкость.

Чтобы успешно интегрировать ИИ в работу и жизнь, сле-
дует не только постоянно учиться новому, но и быть ча-
стью сообщества единомышленников, готовых делиться
опытом, обсуждать вызовы и совместно искать реше-
ния. Именно для этого я создал специализированный
интернет-ресурс (промптология.рф и 1.те/Рготр1о1о§у),
где вы сможете оперативно получать информацию, об-
мениваться знаниями и оставаться в центре актуальных
тенденций в области промптологии и нейросетей. При-
соединяйтесь!

Путь адаптации и роста, безусловно, сложен, однако он
открывает широкие перспективы. ИИ уже начал транс-
формацию общества, и от того, как мы подготовимся и
научимся управлять этим процессом, зависит, станет ли
технологический прогресс источником новых возможно-
стей или серьёзных рисков.

Главное — не упустить момент, начать осваивать пром-
птологию сегодня и быть готовым к непрерывному раз-
витию. Ведь будущее уже здесь, и теперь от каждого из
нас зависит, каким оно станет.
Оглавление

[Введение]........................................3

Часть 1. Теория

[1]	Основы ИИ.....................................7

1.1.	Знакомство с технологиями ИИ...............7

1.2.	Основные понятия и термины.................9

1.3.	Роль и развитие искусственного интеллекта.13

1.4.	Нейронные сети............................18

[2]	Теория ИИ....................................23

2.1.	Машинное обучение (МО)....................23

2.2.	Архитектура нейросетей (АН)...............30

2.3.	Методы обучения нейросетей................36

[3]	Языковые модели..............................41

3.1.	Трансформеры..............................41

3.2.	Принципы ЯМ...............................46

3.3.	Обработка естественного языка.............52

[4]	Этика и общество.............................60

4.1.	Вызовы технологического прогресса.........60

4.2.	Технологическая сингулярность.............62

4.3.	Место человека в эпоху ИИ.................64

[5]	Логика.......................................69

5.1.	Основы логики.............................69

5.2.	Основные понятия логики в промптологии....75

5.3.	Логические операции.......................79

Часть 2. Практика

[6]	Промпт-инжиниринг............................91

6.1.	Основы промптинга.........................91

6.2.	Промпт-инженер............................95

6.3.	СЬаНСРТ...................................99
[7]	Управление чатом............................110

7.1.	Основные операции в чате.................110

7.2.	Организация работы с чатами..............116

7.3.	Настройка диалога........................120

[8]	Структура запроса...........................128

8.1.	Постановка цели..........................128

8.2.	Задание формата..........................129

8.3.	Постановка задачи........................134

8.4.	Глубина погружения.......................140

8.5.	Управление контекстом....................145

8.6.	Итерации.................................150

8.7.	Специальные слова........................152

[9]	Параметризация..............................160

9.1.	Количественный параметр..................160

9.2.	Температура..............................168

9.3.	Параметр Тор-р...........................172

9.4.	Параметр Тор-к...........................175

[10]	Инженерные методы..........................179

10.1.	Основы инженерного подхода..............179

10.2.	Роли в промпт...........................181

10.3.	Каскадирование..........................198

10.4.	Самоорганизация.........................204

10.5.	Манипулирование.........................206

10.6.	Отладка.................................212

[Заключение]....................................219
Научно-популярное издание

Олег Валерьевич Кузьменко

ПРОМПТОЛОГИЯ

Искусство диалога
с нейросетями

16В1Ч 978-5-9729-2715-9

Подписано в печать 28.04.2025
Формат 60x84/16. Усл. печ. л. 13,02. Печать по требованию.
Бумага офсетная. Гарнитура «6ео1о§1са».

Издательство «Инфра-Инженерия»
160011, г. Вологда, ул. Козленская, д. 63
Тел.: 8 (800) 250-66-01
Е-таЛ: Ьоок1п§@|п1та-е.ги
Н11р5://|гтГга-е.ги

Издательство приглашает к сотрудничеству
авторов научно-технической литературы