Промптинг и паттерны работы с LLM: от one-shot до субагентов ★ 0.000

LLM уже стоит в вашем рабочем дне — но управляете вы ей вслепую. Вчера промпт «напиши пост получше» дал Марине отличный текст, сегодня из того же промпта — мусор, и она переписывает формулировку третий раз за час, не понимая, что сработало. Удачный результат не повторить — непонятно, почему.

Промптинг перестал быть фольклором и оброс доказательной базой: десятки исследований и отчётов ведущих лабораторий, где у каждого приёма измерен эффект и названы границы. Не «секретные промпты из телеграма», а работы OpenAI, Google, Anthropic и топовых университетов — 30+ первоисточников.

Здесь промптинг — инженерная дисциплина с ценой и границами, а не коллекция заклинаний. Не «добавьте магическую фразу», а: читать анатомию промпта, выбирать паттерн под задачу, считать цену в токенах, объяснить коллеге логику схемы. Два трека: нетехнический — в окне чата (ChatGPT, Claude, GigaChat, YandexGPT, DeepSeek), без кода; технический — те же приёмы через API, с готовым кодом.

Внутри: 7 модулей, 28 уроков, 146 практических заданий — от квизов с диагностическим разбором (диагноз ошибки и ссылка на нужный шаг, а не «неверно, попробуйте ещё») до кейс-аудитов и проектов.

Практика — в заданиях Stepik, код-врезках и диаграммах; два артефакта: мини-эвал (промпт выбирают по цифре, а не «на глаз») и карта паттернов «задача → паттерн → цена → первоисточник → контрапункт». Финал — пайплайн с улучшением на эвале или библиотека промптов.

Сквозной пример — Артур, тимлид в финтехе: ему нужен агент, еженедельно проверяющий 30 контрагентов. Осложнения: галлюцинация с выдуманным пунктом закона, prompt injection в присланном PDF, «потерянная в середине» инструкция в 40-страничном договоре, мультиагентная схема, жгущая до ×15 токенов. Тот сценарий, с каким вы столкнётесь на следующей неделе.

Чему вы научитесь

• Собирать промпт по анатомии из 6 элементов (роль, задача, контекст, формат, примеры, ограничения) и с ходу объяснять, что в чужом «мегапромпте на 2000 слов» несущее, а что суеверие, которое можно выкинуть.
• Выбирать режим примеров — zero / one / few / many-shot — под класс задачи и не тратить токены на примеры там, где они вредят (Brown et al. 2020, Min et al. 2022).
• Ставить Chain-of-Thought и self-consistency только там, где они дают прирост, и не платить за «think step by step» на знаниевых задачах впустую (Sprague et al. 2024).
• Строить циклы самопроверки (self-refine, Reflexion, LLM-судья) и ловить галлюцинации до того, как выдуманный пункт закона уйдёт контрагенту (Huang et al. 2024).
• Собрать ReAct-агента с инструментами и увидеть в нём поверхность атаки — распознать prompt injection в присланном тикете и урезать агенту лишние права до необратимых действий.
• Проектировать мультиагентные схемы (оркестратор→воркеры) и трезво считать, окупается ли команда агентов, которая обходится дороже одного промпта в разы, — или надёжнее один промпт.
• Собирать мини-эвал на 10 кейсах в таблице и выбирать промпт по цифре, а не «на глаз», а затем запускать ручную APE, где модель сама переписывает промпт под ваш эвал (Zhou et al. 2023).
• Проходить лестницу эскалации промпт → петля → агент → мультиагент и всегда останавливаться на самой дешёвой ступени, которой задаче хватает.