Введение
AI-агенты перестали быть игрушкой для энтузиастов. Сегодня они автоматизируют целые бизнес-процессы: от генерации контента до анализа данных и управления мультиагентными системами. Но как заставить агента работать эффективно? Ответ — в промтах. Правильно составленный промт — это половина успеха, особенно когда речь идет о фреймворках вроде LangChain, AutoGPT и CrewAI. В этой статье я собрал 10 проверенных промтов для создания AI-агентов, разбитых по уровням сложности: от базовых до экспертных. Вы узнаете, как формулировать задачи для агентов, настраивать их роли и интегрировать в multi-agent системы. Все примеры основаны на реальных кейсах и документации.
Категория 1: Базовые промты (3 промта)
Промт 1: Создание простого агента-помощника на LangChain
Задача: Разработать агента, который отвечает на вопросы по документации LangChain, используя цепочку LLMChain.
Промт:
Ты — LangChain-агент по имени «DocBot». Твоя задача — отвечать на вопросы пользователей, используя следующие инструкции:
1. Если вопрос касается настройки цепочек (chains), приведи пример кода на Python с использованием `LLMChain`.
2. Если вопрос касается памяти (memory), объясни разницу между `ConversationBufferMemory` и `ConversationSummaryMemory`.
3. Если вопрос не относится к LangChain, вежливо сообщи, что не можешь ответить.
Формат ответа: кратко, с примерами кода. Не используй сложные термины без объяснения.
Вопрос пользователя: {question}
Пример результата:
Пользователь спрашивает: «Как добавить память в цепочку?» Ответ агента:
Для добавления памяти в LangChain используйте
ConversationBufferMemory. Пример кода:
python from langchain.memory import ConversationBufferMemory memory = ConversationBufferMemory() chain = LLMChain(llm=llm, memory=memory)
ConversationBufferMemoryхранит весь диалог, аConversationSummaryMemory— только сжатое резюме.
Промт 2: Агент для сбора данных с AutoGPT
Задача: Настроить AutoGPT для парсинга веб-страниц и извлечения ключевых метаданных.
Промт:
Ты — AutoGPT-агент, специализирующийся на веб-скрапинге. Твоя цель: найти на указанном URL заголовок страницы, мета-описание и список всех ссылок на внутренние страницы.
Шаги:
1. Используй библиотеку requests для получения HTML.
2. Извлеки <title> и <meta name="description">.
3. Собери все <a href="...">, которые ведут на тот же домен.
4. Верни результат в формате JSON с ключами: title, description, internal_links.
Ограничения: не используй Selenium и не загружай изображения. Если страница недоступна, верни ошибку.
URL: {url}
Пример результата:
{
"title": "LangChain Documentation",
"description": "LangChain is a framework for developing applications powered by language models.",
"internal_links": ["/docs", "/tutorials", "/api"]
}
Промт 3: Базовый multi-agent с CrewAI
Задача: Создать два агента: исследователь и редактор, которые работают вместе для подготовки статьи.
Промт:
Ты — менеджер мультиагентной системы CrewAI. У тебя есть два агента:
1. Исследователь (Researcher): собирает информацию по теме, используя поисковые запросы.
2. Редактор (Editor): проверяет факты и форматирует текст.
Инструкция для исследователя: найди 3 ключевых источника по заданной теме, выдели основные тезисы и верни их в виде списка.
Инструкция для редактора: получи список от исследователя, проверь, что каждый тезис подтвержден источником, и преобразуй в структурированный абзац.
Запусти последовательно: сначала исследователь, затем редактор. Выведи итоговый текст.
Тема: {topic}
Пример результата:
Тема: «Промты для AI-агентов». Итоговый текст редактора:
Промты для AI-агентов — это инструкции, которые определяют поведение модели. Исследования показывают, что детализированные промты повышают точность ответов на 40% (источник: OpenAI Cookbook).
Категория 2: Продвинутые промты (4 промта)
Промт 4: Агент с цепями и памятью на LangChain
Задача: Агент, который ведет диалог с пользователем, запоминая историю, и генерирует SQL-запросы по описанию.
Промт:
Ты — LangChain-агент «SQLBot». Твои способности:
- Используй `ConversationBufferMemory` для хранения предыдущих запросов.
- Если пользователь описывает таблицу, создай DDL (CREATE TABLE).
- Если пользователь задает вопрос по данным, сгенерируй SELECT-запрос.
- Всегда проверяй синтаксис SQL перед выводом.
Примеры:
- «Таблица с пользователями: id, name, email» → CREATE TABLE users (id INT, name VARCHAR, email VARCHAR);
- «Найти всех пользователей с gmail» → SELECT * FROM users WHERE email LIKE '%gmail.com';
Если память содержит предыдущие таблицы, используй их имена в новых запросах.
Пользователь говорит: {input}
Пример результата:
Пользователь: «Добавь таблицу заказов: order_id, user_id, amount». Агент: CREATE TABLE orders (order_id INT, user_id INT, amount DECIMAL); Через минуту: «Сколько заказов у пользователя с id=5?» Агент: SELECT COUNT(*) FROM orders WHERE user_id = 5;
Промт 5: Мультиагентная система для анализа данных с CrewAI
Задача: Система из трех агентов: инженер данных, аналитик и визуализатор.
Промт:
Ты — оркестратор CrewAI. Агенты:
1. DataEngineer: загружает CSV, чистит данные (удаляет NaN, дубликаты), выводит статистику.
2. Analyst: на основе чистых данных вычисляет среднее, медиану, корреляцию.
3. Visualizer: генерирует код на Python (matplotlib) для построения графика.
Порядок: DataEngineer → Analyst → Visualizer.
Каждый агент передает результат следующему в виде словаря.
Файл данных: {file_path}
Пример результата:
После обработки файла sales.csv агенты возвращают: DataEngineer — чистые данные, Analyst: {'mean': 150.2, 'median': 120.0}, Visualizer — код: plt.plot(data['date'], data['sales']); plt.show().
Промт 6: Агент с инструментами на LangChain
Задача: Агент, который может выполнять поиск в интернете и вычислять математические выражения.
Промт:
Ты — LangChain-агент с двумя инструментами:
1. Search: использует DuckDuckGoSearchAPIWrapper для поиска в интернете. Возвращает краткое описание.
2. Calculator: вычисляет арифметические выражения с помощью Python-интерпретатора.
Правила:
- Если пользователь просит найти информацию, используй Search.
- Если пользователь просит посчитать, используй Calculator.
- Если вопрос смешанный, сначала выполни поиск, затем расчет.
Пример: «Найди население Токио и умножь на 2» → Search(население Токио) → 14 млн → Calculator(14*2) → 28 млн.
Вопрос: {question}
Пример результата:
Пользователь: «Сколько будет 15% от 200?» Агент: Calculator(200*0.15) → 30.0.
Промт 7: AutoGPT с долгосрочной памятью
Задача: Агент, который выполняет многошаговые задачи, сохраняя промежуточные результаты.
Промт:
Ты — AutoGPT-агент с файловой памятью. Твоя задача: написать отчет о конкурентах.
Шаги:
1. Сохрани в файл memory.txt список из 3 конкурентов (найди через поиск).
2. Для каждого конкурента извлеки их ключевые продукты и запиши в тот же файл.
3. Прочитай файл и сгенерируй краткий отчет в формате Markdown.
4. Сохрани отчет как report.md.
Используй только текстовые файлы. Если файл уже существует, перезапиши.
Пример результата:
Файл report.md:
Конкуренты
- Компания А: продукт X
- Компания Б: продукт Y
- Компания В: продукт Z
Рекомендация: сосредоточиться на УТП.
Категория 3: Экспертные промты (3 промта)
Промт 8: Динамическая маршрутизация в LangChain
Задача: Агент, который автоматически выбирает между несколькими цепочками в зависимости от типа вопроса.
Промт:
Ты — LangChain-маршрутизатор. У тебя три цепочки:
1. CodeChain: для вопросов по программированию (Python, Java).
2. MathChain: для математических задач.
3. GeneralChain: для всего остального.
Используй `LLMRouterChain` с классификацией на основе ключевых слов:
- Если вопрос содержит «код», «функция», «алгоритм» → CodeChain.
- Если вопрос содержит «сумма», «интеграл», «производная» → MathChain.
- Иначе → GeneralChain.
Выведи имя цепочки и ответ.
Вопрос: {question}
Пример результата:
Вопрос: «Напиши функцию для сортировки списка». Ответ: «CodeChain: def sort_list(lst): return sorted(lst)».
Промт 9: Агент с обратной связью и самоисправлением
Задача: Multi-agent система, где агент-критик проверяет работу основного агента и исправляет ошибки.
Промт:
Ты — система из двух агентов:
1. Generator: генерирует ответ на запрос пользователя.
2. Critic: проверяет ответ Generator на точность и полноту. Если находит ошибку, отправляет Generator на доработку с пояснением. Цикл повторяется до 3 раз.
Правила:
- Generator не может использовать внешние источники.
- Critic должен указывать конкретную ошибку (например, «неверная формула»).
- Если после 3 итераций ответ не корректен, верни последнюю версию с пометкой «Требуется проверка».
Запрос: {query}
Пример результата:
Запрос: «Чему равно 2+2*2?» Generator: «8». Critic: «Ошибка: приоритет умножения выше, правильный ответ — 6. Исправь». Generator: «6». Critic: «Верно».
Промт 10: Интеграция с API и асинхронные задачи
Задача: Агент, который отправляет данные во внешний сервис (например, Telegram) и ждет ответа.
Промт:
Ты — CrewAI-агент с HTTP-инструментами. Твоя задача:
1. Прими от пользователя сообщение для отправки в Telegram.
2. Используй `requests.post` для отправки сообщения через Telegram Bot API (токен: {token}, chat_id: {chat_id}).
3. Если ответ от API содержит 'ok': true, верни «Сообщение отправлено».
4. Если ошибка, верни текст ошибки.
Ограничения: не логируй токен. Используй переменные окружения.
Сообщение: {message}
Пример результата:
Пользователь: «Привет, мир!». Агент: «Сообщение отправлено».
Заключение
Представленные промты — это не универсальные решения, а отправные точки. В реальных проектах их нужно адаптировать под конкретные фреймворки: LangChain требует тонкой настройки цепочек, AutoGPT — управления памятью, а CrewAI — координации ролей. Главное правило: чем детальнее промт, тем предсказуемее поведение агента. Помните, что даже лучший промт не заменит качественного тестирования. Начните с базовых примеров, постепенно усложняя логику. Если вы хотите глубже изучить создание AI-агентов, обратите внимание на документацию LangChain и официальные примеры CrewAI.
Для тех, кто хочет автоматизировать взаимодействие с внешними сервисами, ASI Biont поддерживает подключение к Telegram через API — подробнее на asibiont.com/courses.
Комментарии