AI-агенты — это новый уровень автоматизации. Но как заставить LLM не просто «болтать», а выполнять задачи с инструментами? Всё начинается с промта. За годы работы с LangChain, AutoGPT и CrewAI я собрал 12 промтов, которые закрывают большинство сценариев. Они разделены на три уровня: базовые, продвинутые и экспертные. Каждый промт можно использовать как шаблон.
Сразу отмечу: я опираюсь на официальную документацию LangChain, AutoGPT и CrewAI. Это не выдумки, а проверенные практики.
Базовые промты для одиночного агента
- Системная роль
Задача: определить границы и стиль работы агента.
Промт:
Ты — ассистент по анализу данных. Помогаешь разбирать CSV, строить графики и искать аномалии. Отвечай кратко, предлагай следующий шаг.
Пояснение: В LangChain промт передаётся через system_prompt в initialize_agent(). Чёткая роль снижает количество нецелевых ответов.
- Жёсткий JSON
Задача: получать структурированный ответ от агента.
Промт:
Отвечай только JSON: {"action": "...", "action_input": "..."}. Никакого текста вокруг.
Пояснение: Такой промт используется в ReAct-агентах для извлечения действий. В LangChain распарсится без лишних усилий.
- Правильный выбор инструмента
Задача: научить агента не игнорировать доступные инструменты.
Промт:
У тебя есть search_web(q), calculator(expr
), и у тебя есть search_web(q), calculator(expr). Всегда сначала вызывай инструмент, а потом давай ответ. Не пиши ответ сам, пока не получишь результат инструмента.
Пояснение: Если инструмент возвращает ошибку, агент должен сообщить об этом, а не выдумывать данные. В CrewAI это достигается через tools в классе агента, но промт задаёт приоритет использования.
- Ограничение длины и формата
Задача: чтобы агент не генерировал простыни текста.
Промт:
Отвечай не более чем в 3 предложения. Если нужно — используй список. Не повторяй вопрос.
Пояснение: Это полезно в AutoGPT, где агент работает итеративно, и каждый лишний токен увеличивает время и стоимость.
Продвинутые промты для мультиагентных систем
- Роль координатора
Задача: распределять задачи между подчинёнными агентами.
Промт:
Ты — менеджер. У тебя есть аналитик, кодер и тестировщик. Передавай задачу агенту с нужной ролью. Если задача сложная, разбей её на подзадачи и передавай по очереди.
Пояснение: В CrewAI этот промт задаётся через manager_agent или process=Process.hierarchical. Ключ — явно перечислить имена и функции сабагентов.
- Промежуточный вывод
Задача: синхронизировать знания между агентами.
Промт:
После каждого шага выводи результат в формате: «Агент X выполнил Y, результат Z. Следующий шаг — W».
Пояснение: В LangChain это помогает при построении цепочек через AgentExecutor, особенно если агенты работают параллельно.
- Обработка ошибок инструмента
Задача: не зацикливаться при сбоях.
Промт:
Если инструмент вернул ошибку, попробуй другой инструмент. Если и он не сработал, сообщи пользователю и предложи альтернативу. Не повторяй один и тот же вызов более двух раз.
Пояснение: В AutoGPT эта логика часто зашита в код, но промт предотвращает бесконечные ретраи на уровне модели.
- Передача контекста между агентами
Задача: сохранить важные данные при переходе.
Промт:
Когда передаёшь задачу другому агенту, включи в сообщение: цель, найденные факты, ограничения. Не предполагай, что другой агент знает контекст.
Пояснение: В CrewAI для этого используются context и memory, но промт дисциплинирует модель, чтобы она не урезала данные.
Экспертные промты для сложных сценариев
- Рефлексия после выполнения
Задача: чтобы агент самообучался на своих ошибках.
Промт:
После завершения задачи проанализируй, что сработало, а что нет. Выведи короткий отчёт: «Ошибки: ...; Улучшения: ...». Этот отчёт будет использован для следующего запуска.
Пояснение: В LangChain можно подключить это как callbacks или дополнение к промту. Модель запоминает паттерны, если вы передаёте прошлые отчёты.
- Критик и улучшатель
Задача: повысить качество ответа через итерации.
Промт:
Сгенерируй ответ, затем представь, что ты строгий критик. Найди слабые места и перепиши ответ с учётом критики. Повтори дважды.
Пояснение: Этот приём часто используют в AutoGPT для задач генерации кода или текста. Он работает за счёт «внутреннего диалога» модели.
- Использование памяти о пользователе
Задача: персонализировать ответы на основе истории.
Промт:
У тебя есть доступ к заметкам о пользователе: его предпочтения, прошлые задачи. Учитывай их, но если информации нет — спроси, а не выдумывай.
Пояснение: В CrewAI память настраивается через memory=True, но промт указывает, как модель должна обращаться с этими данными.
- Автономный исследователь
Задача: полный цикл «план → поиск → анализ → отчёт».
Промт:
Ты — автономный исследователь. Составь план из 4 шагов. Выполняй шаги по одному, используя инструменты. После каждого шага фиксируй результат. В конце сформируй структурированный отчёт с выводами и источниками.
Пояснение: Это универсальный шаблон для AutoGPT. Он задаёт агентский цикл, не требуя дополнительного кода. В LangChain его можно обернуть в PlanAndExecute агент.
Эти 12 промтов покрывают базовые, продвинутые и экспертные сценарии. В реальных проектах вы будете комбинировать их: например, системная роль + жёсткий JSON + рефлексия. Главное — помнить, что промт не заменяет архитектуру, но без него даже лучший фреймворк превращается в болталку.Теперь коротко о том, как внедрять эти промты в ваш проект. Начните с малого: выберите один сценарий, протестируйте его на реальных данных. Затем постепенно добавляйте рефлексию, память и итеративные циклы. Не пытайтесь внедрить все 12 сразу — это перегрузит и модель, и вашу отладку. Лучше начните с системной роли и жёсткого формата вывода, а потом уже надстраивайте сложность.
Важно версионировать промты так же, как код. Храните их в отдельных файлах или константах, фиксируйте изменения и сравнивайте результаты на одном наборе тестов. Без этого вы быстро потеряете понимание, почему один ответ стал лучше, а другой — хуже. В LangChain для трейсинга и сравнения удобно использовать LangSmith, а в более простых случаях — просто логировать входы и выходы.
Ещё один практический совет: не забывайте про температуру и другие параметры генерации. Один и тот же промт может давать отличный результат при температуре 0.2 и полную кашу при 0.9. Экспериментируйте с этим отдельно от текста промта. Иногда достаточно снизить температуру, чтобы убрать «галлюцинации», не переписывая промт.
И наконец, помните: промт — это интерфейс, а не вся система. Даже самый лучший промт не спасёт плохо спроектированные инструменты, отсутствие валидации или неудачную интеграцию. Наоборот, хорошая архитектура может многое простить, но идеальный промт превратит хорошую архитектуру в отличную. Поэтому сначала стройте надёжный пайплайн, а потом уже полируйте формулировки.
Если вы хотите углубиться, попробуйте взять три разных фреймворка — LangChain, CrewAI и AutoGPT — и реализуйте один и тот же сценарий с одинаковым промтом. Вы увидите, как фреймворк влияет на конечный результат, и научитесь адаптировать промты к конкретной среде. Именно в этой практике рождается понимание, что работает, а что нет. А эти 12 промтов — лишь отправная точка для ваших собственных экспериментов.
Комментарии