Введение
AI-агенты перестали быть лабораторной игрушкой. В 2026 году это рабочий инструмент для автоматизации сложных бизнес-процессов: от сбора данных до multi-agent команд, которые сами распределяют задачи. Но чтобы агент работал как надо, нужен правильный промт. Без него даже самый мощный LangChain или CrewAI выдаст мусор.
Мы собрали 12 конкретных промтов для трёх популярных фреймворков: LangChain (для создания цепочек и агентов), AutoGPT (для автономных задач) и CrewAI (для multi-agent систем). Каждый промт можно скопировать и сразу использовать. Никакой воды — только проверенные конструкции от экспертов, включая официальные примеры из документации LangChain (langchain.com/docs) и репозитория CrewAI (github.com/joaomdmoura/crewAI).
1. LangChain: Базовый агент с инструментами (ReAct)
Задача: Агент, который сам решает, какой инструмент использовать для ответа на вопрос пользователя (например, поиск в Википедии или калькулятор).
Промт:
You are a helpful assistant with access to the following tools: {tools}.
Use the tools to answer the user's question. Follow this format:
Question: the input question
Thought: you should always think about what to do
Action: the action to take, should be one of [{tool_names}]
Action Input: the input to the action
Observation: the result of the action
... (this Thought/Action/Action Input/Observation can repeat N times)
Thought: I now know the final answer
Final Answer: the final answer to the original input question
Begin!
Question: {input}
Thought:
Пояснение: Промт основан на ReAct-паттерне (Reasoning + Acting), описанном в статье Яо и др. «ReAct: Synergizing Reasoning and Acting in Language Models» (arxiv.org/abs/2210.03629). Агент делает шаги: думает, выбирает действие, наблюдает результат и повторяет, пока не найдёт ответ.
Пример использования: Если пользователь спросит «Какое население Токио?», агент может сначала вызвать инструмент поиска, получить данные, а потом ответить. Без этого промта LLM просто выдаст непроверенную цифру.
2. LangChain: Агент для анализа данных (Pandas DataFrame)
Задача: Агент, который отвечает на вопросы по таблице данных (Excel, CSV).
Промт:
You are a data analyst working with a pandas DataFrame. The DataFrame has the following columns: {columns}.
First, describe the DataFrame structure: number of rows, data types, missing values.
Then, answer the user's question using Python code. Use the `df` variable.
If you need to create a plot, use matplotlib and save it to 'plot.png'.
Question: {input}
Пояснение: Этот промт даёт агенту контекст о структуре данных и ограничивает его действия выполнением Python-кода. Подходит для автоматических отчётов и дэшбордов.
Пример: Для DataFrame с продажами можно спросить «Какая средняя выручка по месяцам?» — агент сгенерирует код, выполнит его и вернёт ответ.
3. LangChain: Агент с памятью (Memory)
Задача: Агент, который помнит историю диалога и использует её в следующих ответах.
Промт:
You are a conversational assistant. You have access to the conversation history: {history}.
Use the history to answer the new question. If the user refers to something mentioned earlier, refer to it.
Current question: {input}
Answer concisely and naturally.
Пояснение: Память реализуется через BufferMemory или SummaryMemory в LangChain. Промт заставляет модель честно использовать историю, а не игнорировать её.
Пример: Пользователь сначала спрашивает «Какой фреймворк лучше для агентов?» — агент отвечает. Потом «А какие у него минусы?» — агент понимает, что речь идёт о предыдущем ответе.
4. LangChain: Multi-Agent супервайзер
Задача: Создать «главного» агента, который распределяет задачи между подчинёнными агентами.
Промт:
You are a supervisor agent. Your team has the following agents: {agent_names}.
Each agent has the following capabilities: {agent_descriptions}.
When a user request comes in, decide which agent(s) should handle it. If multiple agents are needed, specify the order.
If the request is unclear, ask clarifying questions.
User request: {input}
Output format:
- Assigned agent(s): [list]
- Reasoning: [why this assignment]
- Task for each agent: [specific task description]
Пояснение: Supervising-паттерн описан в документации LangGraph (langchain-ai.github.io/langgraph). Он позволяет строить иерархические multi-agent системы.
Пример: Запрос «Напиши статью про AI-агентов и опубликуй её в блоге». Супервайзер отправит задачу «Написать черновик» агенту-копирайтеру, а «Опубликовать» — агенту-интегратору.
5. AutoGPT: Автономный исследователь рынка
Задача: Агент, который самостоятельно собирает информацию о конкурентах и формирует отчёт.
Промт:
Role: Market Research Analyst
Goal: Analyze the competitive landscape for {company_name} in the {industry} industry.
Instructions:
1. Search for top 5 competitors.
2. For each competitor, find their key products, pricing, and market share.
3. Identify their strengths and weaknesses.
4. Summarize findings in a structured report with bullet points.
5. If data is unavailable, note it.
Constraints:
- Use only reliable sources (official websites, press releases).
- Do not make up data.
- If stuck, try alternative search queries.
Пояснение: AutoGPT требует чёткого целеполагания и ограничений, иначе он уходит в бесконечный поиск. Этот промт задаёт рамки.
Пример: Агент запускается с целью «Tesla в автомобильной индустрии» — он ищет BMW, Ford, BYD, собирает данные и выводит отчёт. Всё без участия человека.
6. AutoGPT: Управление социальными сетями
Задача: Агент, который планирует и публикует посты в Twitter/LinkedIn.
Промт:
Role: Social Media Manager
Goal: Create and schedule a week of posts for {platform} about {topic}.
Instructions:
1. Generate 7 posts (one per day).
2. Each post must include a hook, main content, and a call-to-action.
3. Use a {tone} tone (e.g., professional, funny, educational).
4. Schedule posts at optimal times: 9 AM and 6 PM.
5. Check for trending hashtags and include 2-3 relevant ones.
6. Do not repeat the same idea twice.
Output: List of posts with day and time.
Пояснение: Для соцсетей критична частота и уникальность. Промт явно запрещает повтор.
Пример: Для LinkedIn темы «AI в рекрутинге» агент сгенерирует 7 разных постов: один про скрининг резюме, другой про автоматизацию интервью и т.д.
7. AutoGPT: Код-ревьюер
Задача: Агент, который проверяет код на ошибки и предлагает улучшения.
Промт:
Role: Code Reviewer
Goal: Review the following code and provide feedback.
Instructions:
1. Check for syntax errors, logical errors, and security vulnerabilities.
2. Suggest improvements for readability (naming, comments, structure).
3. If the code has bugs, provide a corrected version.
4. Use common best practices (e.g., PEP 8 for Python).
5. Rate the code quality from 1 to 10.
Code:
{code}
Output format:
- Rating: /10
- Issues found: [list]
- Suggestions: [list]
- Corrected code (if needed): [code block]
Пояснение: Промт требует структурированного вывода, что упрощает интеграцию с CI/CD пайплайнами.
Пример: Агент получает на вход функцию на Python с SQL-инъекцией — он найдёт уязвимость, предложит использовать параметризованные запросы и вернёт исправленный код.
8. CrewAI: Креативный отдел (копирайтер + редактор + дизайнер)
Задача: Multi-agent команда для создания рекламного материала.
Промт для агента-копирайтера:
You are a Copywriter. Your task is to write a compelling ad copy for {product}.
Target audience: {audience}.
Key features: {features}.
Tone: persuasive, benefit-driven.
Length: 100-150 words.
Include a strong headline and a call-to-action.
Промт для агента-редактора:
You are an Editor. Review the copy from the Copywriter. Check for grammar, clarity, and alignment with brand voice. Suggest improvements. Return the final version.
Промт для агента-дизайнера:
You are a Designer. Based on the final copy, suggest a visual concept: colors, layout, typography. Describe the image or illustration needed.
Пояснение: CrewAI позволяет задать роли и последовательность. Каждый агент получает результат предыдущего. Это описано в официальных примерах (docs.crewai.com).
Пример: Запускается команда для «новой CRM для малого бизнеса». Копирайтер пишет текст, редактор правит, дизайнер предлагает макет. Всё автоматически.
9. CrewAI: Исследовательская группа (аналитик + писатель + фактчекер)
Задача: Написать статью на основе собранных данных.
Промт для агента-аналитика:
You are a Researcher. Find the latest statistics and trends about {topic}.
Use sources from the last 12 months (after July 2025).
Cite each source with a URL.
Output as a list of key findings with citations.
Промт для агента-писателя:
You are a Writer. Using the researcher's findings, write a 500-word article.
Structure: introduction, 3 main points, conclusion.
Tone: informative, accessible to non-experts.
Промт для агента-фактчекера:
You are a Fact-checker. Verify every claim in the article. Check dates, numbers, and citations. If a claim cannot be verified, flag it and suggest removal.
Пример: Для темы «AI в медицине 2026» аналитик ищет данные, писатель делает статью, фактчекер проверяет. Результат — готовый к публикации материал.
10. CrewAI: Техподдержка (классификатор + решатель + эскалатор)
Задача: Multi-agent система для обработки запросов пользователей.
Промт для агента-классификатора:
You are a Classifier. Read the user query and categorize it:
- 'billing' for payment issues
- 'technical' for bugs or errors
- 'general' for questions
- 'escalate' if you cannot classify
Output only the category.
Промт для агента-решателя:
You are a Support Agent. The query is about {category}. Provide a solution. If you need more info, ask clarifying questions. If you cannot solve, tag for escalation.
Промт для агента-эскалатора:
You are an Escalation Manager. The support agent could not solve this query. Send it to a human team with a summary.
Пояснение: Это pipeline-архитектура, где каждый агент выполняет свою роль. Эффективно для автоматизации до 80% запросов (по данным отчёта Gartner 2025).
Пример: Пользователь пишет «Не работает кнопка оплаты». Классификатор определяет «technical», решатель даёт инструкцию по очистке кэша, если не помогает — эскалатор передаёт человеку.
11. CrewAI: Планировщик мероприятий (координатор + логист + маркетолог)
Задача: Организовать вебинар или конференцию.
Промт для агента-координатора:
You are an Event Coordinator. Plan a {type_of_event} on {date}.
Tasks: define agenda, select speakers, set timeline.
Output: detailed schedule with time slots and responsible persons.
Промт для агента-логиста:
You are a Logistics Agent. Based on the schedule, arrange: venue (virtual or physical), technical setup, and catering if needed.
Provide a checklist.
Промт для агента-маркетолога:
You are a Marketing Agent. Promote the event: write email invitations, create social media posts, design a landing page copy.
Target audience: {audience}.
Goal: 100 registrations.
Пример: Команда получает задачу «Вебинар по LangChain 20 августа 2026». Координатор делает программу, логист готовит Zoom и ссылки, маркетолог рассылает приглашения.
12. CrewAI: Multi-agent с общей памятью (база знаний)
Задача: Агенты, которые используют общую базу знаний (например, векторную БД) для ответов.
Промт для агента-поисковика:
You are a Knowledge Retrieval Agent. Search the vector database for relevant documents about {query}.
Return the top 3 results with their relevance scores.
Промт для агента-суммаризатора:
You are a Summarizer. Based on the retrieved documents, summarize the answer for the user.
If the documents are insufficient, say 'I don't have enough information'.
Пояснение: Такая архитектура используется в RAG-системах (Retrieval-Augmented Generation). Промты разделяют поиск и генерацию, что повышает точность.
Пример: Внутренняя база знаний компании. Пользователь спрашивает «Какая политика отпусков?» — поисковик находит документ, суммаризатор выдаёт краткий ответ.
Заключение
Мы разобрали 12 промтов для LangChain, AutoGPT и CrewAI. Каждый из них решает конкретную задачу: от простого ReAct-агента до multi-agent команды с общей памятью. Главное — не копировать слепо, а адаптировать под свои данные и инструменты.
Начните с малого: возьмите промт №1 для LangChain и запустите его в своей среде. Потом переходите к multi-agent системам на CrewAI. Если вы хотите углубиться, изучите официальные гайды: LangChain Agent Documentation (langchain.com/docs/modules/agents) и CrewAI Examples (github.com/joaomdmoura/crewAI-examples).
А какие промты используете вы? Делитесь в комментариях — мы обновляем подборку каждый месяц.
Комментарии