Введение
Разработка на Python — это не только написание кода вручную, но и умение эффективно использовать современные инструменты. В 2026 году генеративные модели, такие как GPT-4, Claude 3.5 и Copilot, стали неотъемлемой частью рабочего процесса программистов. Они позволяют ускорить рутинные задачи, автоматизировать создание шаблонов и даже генерировать сложные архитектуры. Однако ключ к качественному результату — правильный промт (запрос). В этой статье мы собрали 10 проверенных промтов, которые помогут вам создавать Python-код: от простых скриптов для обработки данных до полноценных FastAPI-приложений с документацией. Вы узнаете, как формулировать запросы, чтобы AI понимал ваш контекст, и получите готовые шаблоны для копирования.
1. Промт для генерации скрипта обработки CSV-файла
Задача: Создать скрипт, который читает CSV-файл, фильтрует строки по условию и сохраняет результат в новый файл. Это типичная задача для аналитиков данных и бэкенд-разработчиков.
Промт:
Напиши Python-скрипт, который:
- читает CSV-файл 'data.csv' с колонками 'name', 'age', 'salary'
- оставляет только строки, где age > 30 и salary > 50000
- сортирует результат по salary в порядке убывания
- сохраняет отфильтрованные данные в 'filtered_data.csv'
- выводит в консоль количество сохранённых строк
Используй только стандартную библиотеку (csv, operator). Добавь обработку ошибок (файл не найден, пустой файл).
Пример использования:
Скопируйте промт в ChatGPT или Claude. AI сгенерирует код с функциями read_csv, filter_data, sort_data, save_csv. Вы получите готовый скрипт с комментариями и блоком if __name__ == '__main__'. Проверьте на своих данных — это сэкономит 10-15 минут ручного написания.
2. Промт для создания API-эндпоинта на FastAPI
Задача: Создать REST API эндпоинт для управления списком задач (To-Do list) с CRUD-операциями. FastAPI — популярный фреймворк для создания высокопроизводительных API, и AI отлично справляется с генерацией базовой структуры.
Промт:
Создай FastAPI-приложение с:
- моделью Task (id: int, title: str, description: str, completed: bool)
- эндпоинтами:
- GET /tasks — возвращает список всех задач
- GET /tasks/{task_id} — возвращает задачу по id
- POST /tasks — создаёт новую задачу (принимает JSON)
- PUT /tasks/{task_id} — обновляет задачу
- DELETE /tasks/{task_id} — удаляет задачу
- используй Pydantic для валидации
- храни данные в оперативной памяти (список)
- добавь автоматическую генерацию OpenAPI документации
- добавь обработку ошибок 404, если задача не найдена
Напиши полный код в одном файле main.py.
Пример использования:
После выполнения промта вы получите файл main.py, который можно запустить командой uvicorn main:app --reload. Документация Swagger будет доступна по адресу http://127.0.0.1:8000/docs. Этот промт идеален для быстрого прототипирования микросервисов. ASI Biont поддерживает подключение к FastAPI через API — подробнее на asibiont.com/courses.
3. Промт для написания парсера веб-страниц (BeautifulSoup + requests)
Задача: Извлечь данные с веб-страницы: заголовки новостей, ссылки и даты публикации. Парсинг — одна из самых частых задач, где AI помогает избежать ручного написания селекторов.
Промт:
Напиши Python-скрипт для парсинга сайта https://example-news.com:
- используй библиотеки requests и BeautifulSoup
- найди все элементы с классом 'news-item'
- для каждого элемента извлеки:
- заголовок (тег h2 с классом 'title')
- ссылку (атрибут href у тега a внутри элемента)
- дату (тег span с классом 'date')
- сохрани результат в JSON-файл 'news.json'
- добавь задержку 1 секунду между запросами (time.sleep)
- обработай ошибки HTTP (статус 404, 500)
- добавь user-agent в заголовки запроса
Пример использования:
Замените https://example-news.com на реальный URL. AI сгенерирует код с циклом for и словарём. Вы получите структурированные данные в формате JSON, готовые для дальнейшего анализа.
4. Промт для генерации SQL-запросов через Python (SQLite/PostgreSQL)
Задача: Создать скрипт для выполнения SQL-запросов к базе данных: создание таблицы, вставка данных, выборка с условием. Это полезно для автоматизации отчётов и ETL-процессов.
Промт:
Напиши Python-скрипт для работы с SQLite:
- создай базу данных 'shop.db'
- создай таблицу 'products' с колонками: id (INTEGER PRIMARY KEY), name (TEXT), price (REAL), quantity (INTEGER)
- вставь 5 тестовых записей
- выполни запрос: выбери все продукты, у которых цена > 100 и количество > 0
- выведи результат в читаемом виде (таблица с заголовками)
- используй модуль sqlite3
- добавь транзакцию (commit/rollback)
- обработай ошибки уникальности (IntegrityError)
Пример использования:
Код будет содержать функцию create_connection и execute_query. Вы можете легко адаптировать его для PostgreSQL, заменив sqlite3 на psycopg2. Этот промт — база для любого проекта, работающего с БД.
5. Промт для создания Telegram-бота на aiogram
Задача: Разработать простого Telegram-бота, который отвечает на команды /start и /help, а также эхо-сообщения. Telegram-боты — популярный способ интеграции сервисов, и AI ускоряет их создание.
Промт:
Создай Telegram-бота на библиотеке aiogram 3.x:
- бот должен отвечать на команду /start приветственным сообщением
- на команду /help — списком доступных команд
- на любое текстовое сообщение (не команду) — эхо-ответом (повторяет текст)
- используй FSM для управления состояниями (не обязательно, но добавь комментарий)
- добавь логирование через logging
- бот должен запускаться через функцию main с использованием asyncio
- не используй webhook, только polling
- укажи, где вставить токен бота
Пример использования:
Вставьте токен от @BotFather, запустите скрипт — бот готов. Вы можете расширить его, добавив клавиатуры или интеграцию с API.
6. Промт для написания юнит-тестов (pytest)
Задача: Сгенерировать тесты для существующей функции, чтобы проверить её корректность на граничных случаях. Тестирование — обязательная часть профессиональной разработки, и AI помогает писать покрытие быстро.
Промт:
Напиши юнит-тесты на pytest для следующей функции:
def calculate_discount(price: float, discount_percent: float) -> float:
if price < 0 or discount_percent < 0:
raise ValueError("Цена и процент скидки должны быть неотрицательными")
if discount_percent > 100:
raise ValueError("Скидка не может превышать 100%")
return price * (1 - discount_percent / 100)
Тесты должны покрывать:
- нормальные случаи (цена 100, скидка 20 -> 80)
- нулевая скидка
- 100% скидка
- отрицательная цена (ожидаем ValueError)
- отрицательная скидка (ожидаем ValueError)
- скидка больше 100%
- граничные значения (цена 0, скидка 0)
Используй параметризацию (@pytest.mark.parametrize).
Пример использования:
AI сгенерирует файл test_discount.py с 7 тестами. Запустите pytest test_discount.py — вы увидите, что все тесты проходят (или найдёте баги). Этот промт можно адаптировать под любую вашу функцию.
7. Промт для генерации многопоточного скачивания файлов
Задача: Скачать список файлов по URL параллельно, используя потоки или asyncio. Это ускоряет загрузку больших объёмов данных.
Промт:
Напиши Python-скрипт для параллельного скачивания файлов:
- список URL: ['https://example.com/file1.zip', 'https://example.com/file2.zip', ...]
- используй библиотеку requests и concurrent.futures.ThreadPoolExecutor
- скачивай до 5 файлов одновременно
- сохраняй файлы в папку 'downloads' с оригинальными именами
- выводи прогресс в консоль (какой файл скачивается, сколько осталось)
- обработай ошибки (таймаут, недоступный URL)
- добавь аргумент командной строки для списка URL (через argparse)
Пример использования:
Скопируйте промт, замените список URL на свои. Скрипт скачает все файлы параллельно, что в 5 раз быстрее последовательного подхода.
8. Промт для создания декоратора логирования
Задача: Написать декоратор, который логирует вызов функции: аргументы, результат и время выполнения. Декораторы — важная концепция Python, и AI помогает их генерировать правильно.
Промт:
Напиши декоратор @log_call, который:
- при вызове функции выводит в консоль: "Вызвана функция {name} с аргументами {args}, {kwargs}"
- после выполнения выводит: "Результат: {result}, время выполнения: {time} сек"
- использует модуль functools.wraps для сохранения метаданных функции
- поддерживает вложенные декораторы
- добавь возможность отключения логирования через переменную окружения DISABLE_LOGGING
- примени декоратор к функции сложения двух чисел и функции запроса к API (реализуй заглушку)
Пример использования:
Вы получите готовый декоратор, который можно использовать в любом проекте. Он особенно полезен для отладки и мониторинга.
9. Промт для генерации кода работы с API (requests + JSON)
Задача: Написать скрипт для взаимодействия с внешним REST API: получение данных, их обработка и отправка POST-запроса. Это основа для интеграций.
Промт:
Напиши Python-скрипт для работы с API погоды (https://api.weather.gov):
- получи текущую погоду для города Москва (координаты: 55.7558, 37.6173)
- используй библиотеку requests
- добавь заголовок User-Agent (обязательно для этого API)
- извлеки из ответа: температуру, влажность, описание погоды
- если температура ниже 0, выведи предупреждение "Мороз!"
- отправь POST-запрос на https://httpbin.org/post с этими данными в JSON
- выведи статус-код и ответ от httpbin
- обработай ошибки (статус не 200, таймаут)
Пример использования:
Скрипт покажет, как работать с публичными API, обрабатывать JSON и цепочки запросов. Это шаблон для любых интеграций.
10. Промт для создания CLI-утилиты (argparse)
Задача: Разработать консольную утилиту для подсчёта строк, слов и символов в файле (аналог wc). CLI-утилиты — удобный способ автоматизации.
Промт:
Создай Python-скрипт 'file_stats.py', который:
- принимает аргументы командной строки через argparse:
- позиционный аргумент: файл (str)
- опциональный флаг: --lines (подсчёт строк)
- опциональный флаг: --words (подсчёт слов)
- опциональный флаг: --chars (подсчёт символов)
- если ни один флаг не указан, выводи всё
- выводит статистику в формате: "Строк: 10, Слов: 150, Символов: 1200"
- обрабатывает ошибки (файл не найден, пустой файл)
- использует кодировку UTF-8
- добавь справку (-h) с описанием
Пример использования:
Запустите python file_stats.py myfile.txt --lines --words. Вы получите быстрый подсчёт. Этот промт — основа для создания любых консольных инструментов.
Заключение
Мы рассмотрели 10 промтов, которые покрывают широкий спектр задач: от простых скриптов до веб-приложений на FastAPI. Главный вывод: качество кода, сгенерированного AI, напрямую зависит от чёткости и конкретики вашего запроса. Указывайте версии библиотек, желаемую архитектуру и обработку ошибок — и вы получите рабочий код за секунды. Не забывайте проверять сгенерированный код на безопасность и соответствие вашим стандартам, особенно если он работает с внешними API или базами данных. Используйте эти промты как шаблоны, адаптируя под свои проекты, и вы заметите, как скорость разработки вырастет в разы.
Рекомендуем сохранить эту статью в закладки — она станет вашей шпаргалкой по промт-инжинирингу для Python.
Комментарии