15 промтов для работы с LLM: fine-tuning, RAG и промпт-инжиниринг в 2026 году

15 промтов для работы с LLM: fine-tuning, RAG и промпт-инжиниринг в 2026 году

Работа с большими языковыми моделями (LLM) — это уже не просто отправка запросов в ChatGPT. В 2026 году специалисты по AI активно используют дообучение (fine-tuning), системы Retrieval-Augmented Generation (RAG) и продвинутый промпт-инжиниринг. Но как получить от LLM максимум? Ключ — в правильных промтах. В этой статье я собрал 15 конкретных промтов, разбитых на три категории: базовые (для начала работы), продвинутые (для RAG и интеграций) и экспертные (для fine-tuning и инжекции данных). Каждый промт сопровождается задачей, примером результата и практическим советом.

Введение

Когда я начал работать с LLM в 2023 году, казалось, что достаточно просто написать «напиши текст». Но уже к 2025 году стало ясно: качество ответа зависит от того, как ты строишь запрос. Fine-tuning позволяет адаптировать модель под специфическую задачу (например, генерацию кода на Python или медицинские консультации), RAG добавляет доступ к внешним базам знаний, а промпт-инжиниринг — это искусство формулировки. В 2026 году эти три подхода стали стандартом де-факто. По данным отчета State of AI 2025 от Stanford HAI, более 70% компаний, использующих LLM, применяют хотя бы один из этих методов. Давайте разберёмся на практике.

Базовые промты: старт работы с LLM

Эти промты подходят для новичков, которые хотят быстро получить качественный результат без сложных настроек.

1. Задача: Генерация структурированного текста

Промт:

Ты — эксперт по [теме]. Напиши подробную статью на русском языке объёмом 500 слов на тему «[тема]». Используй структуру: введение, три ключевых раздела с подзаголовками, заключение. В каждом разделе приведи пример из реальной практики. Избегай общих фраз.

Пример результата:
Для темы «Как автоматизировать обработку заказов в e-commerce» модель сгенерирует статью с разделами: «Выбор CRM-системы», «Интеграция с платёжными шлюзами», «Оптимизация логистики». Каждый раздел содержит конкретный кейс, например, «Компания X сократила время обработки заказа на 40% после внедрения API от Y».

2. Задача: Создание промта с ограничениями

Промт:

Напиши ответ на вопрос «[вопрос]». Ограничения: 1) не используй слово «[слово]»; 2) ответ должен быть в формате списка из 5 пунктов; 3) каждый пункт начинается с глагола в повелительном наклонении.

Пример результата:
Вопрос: «Как улучшить SEO сайта?» Ответ: 1) Оптимизируй мета-теги. 2) Ускорь загрузку страниц. 3) Создай качественный контент. 4) Настрой внутреннюю перелинковку. 5) Используй семантическое ядро.

3. Задача: Извлечение сути из длинного текста

Промт:

Прочитай следующий текст и выдели 3 ключевые идеи. Для каждой идеи укажи: 1) суть (одно предложение), 2) практическое применение (один абзац), 3) возможные риски (один абзац). Если текст содержит статистику, проверь её на достоверность и укажи источник.

Пример результата:
Для текста о внедрении AI в HR модель выделит: идея 1 — автоматизация скрининга резюме (применение: снижение времени найма на 30%, риск: предвзятость алгоритмов).

Продвинутые промты: RAG и интеграции

RAG (Retrieval-Augmented Generation) — это метод, при котором LLM получает доступ к внешним базам данных или документам. Промты здесь должны включать контекст и инструкции по обработке извлечённой информации.

4. Задача: Ответ на основе базы знаний

Промт:

У тебя есть доступ к базе знаний компании. Пользователь задал вопрос: «[вопрос]». 1) Найди в базе релевантные документы (до 3). 2) На основе этих документов сформулируй ответ, используя только факты из них. 3) Если информация в документах противоречива, укажи это и предложи уточнить запрос. 4) В конце ответа укажи ID документов, которые ты использовал.

Пример результата:
Вопрос: «Какие требования к безопасности API?» Ответ: «Согласно документу ID-101, требуется OAuth 2.0. Документ ID-102 добавляет, что ключи API должны ротироваться каждые 90 дней. Противоречий нет. Использованы документы: ID-101, ID-102.»

5. Задача: Анализ логов с RAG

Промт:

Ты — инженер по эксплуатации. Проанализируй следующие логи системы за последний час (логи прилагаются). 1) Найди аномалии (например, ошибки 5xx, превышение времени ответа). 2) Для каждой аномалии укажи: время, тип ошибки, возможную причину. 3) Предложи действия для устранения. 4) Если в логах нет аномалий, сообщи об этом.

Пример результата:
Логи: 2026-07-01 14:23:45 ERROR 500 /api/users. Модель выдаст: «Аномалия: ошибка 500 в 14:23:45. Возможная причина: перегрузка базы данных. Действие: проверить пул соединений с БД.»

6. Задача: Генерация SQL-запросов на основе схемы БД

Промт:

У тебя есть схема базы данных: таблицы Users (id, name, email, created_at), Orders (id, user_id, total, status). Пользователь хочет: «Найти всех пользователей, которые сделали заказы на сумму более 1000 рублей за последний месяц». Напиши SQL-запрос, который это делает. Объясни каждый шаг запроса.

Пример результата:

SELECT u.name, u.email, SUM(o.total) as total_spent
FROM Users u
JOIN Orders o ON u.id = o.user_id
WHERE o.created_at >= '2026-06-01' AND o.status = 'completed'
GROUP BY u.id
HAVING total_spent > 1000;

Экспертные промты: fine-tuning и инжекция данных

Fine-tuning — это дообучение предобученной модели на вашем датасете. Промты для этого этапа должны быть максимально точными, чтобы сформировать корректные обучающие примеры. Инжекция данных — внедрение контекста в промт для повышения точности.

7. Задача: Создание датасета для fine-tuning

Промт:

Ты — специалист по подготовке данных для fine-tuning LLM. Сгенерируй 10 примеров для обучения модели отвечать на вопросы по [теме] в формате: {«prompt»: «вопрос», «completion»: «ответ»}. Каждый пример должен быть уникален по смыслу и сложности. В ответе используй только факты из [источник, например, документация].

Пример результата:
Для темы «Авиабилеты»: {"prompt": "Как отменить бронирование?", "completion": "Для отмены перейдите в раздел 'Мои бронирования', выберите заказ и нажмите 'Отменить'. Возврат средств занимает до 7 дней."}

8. Задача: Инжекция контекста для точности

Промт:

Контекст: [вставьте текст, например, из технической документации]. Вопрос: [вопрос]. 1) Используй только информацию из контекста. 2) Если ответа нет в контексте, скажи «Недостаточно данных». 3) Приведи цитаты из контекста в подтверждение.

Пример результата:
Контекст: «API поддерживает методы GET и POST.» Вопрос: «Какие методы поддерживает API?» Ответ: «API поддерживает GET и POST (см. контекст: 'API поддерживает методы GET и POST').»

9. Задача: Fine-tuning с оценкой качества

Промт:

У тебя есть модель, дообученная на датасете [описание датасета]. Протестируй её на 5 случайных запросах из тестового набора. Для каждого запроса: 1) запиши ответ модели, 2) сравни с эталонным ответом, 3) оцени по шкале от 1 до 5 (5 — идеально), 4) укажи, какие изменения в датасете могли бы улучшить результат.

Пример результата:
Запрос: «Какая столица Франции?» Ответ модели: «Париж.» Эталон: «Париж.» Оценка: 5. Улучшения: не требуются.

10. Задача: Prompt chaining для сложных сценариев

Промт:

Разбей задачу «[сложная задача]» на 3 последовательных шага. Для каждого шага: 1) напиши отдельный промт, 2) укажи ожидаемый выход, 3) опиши, как результат шага передаётся на следующий шаг.

Пример результата:
Задача: «Создать пост для соцсетей на основе новости.» Шаг 1: «Извлеки ключевые факты из текста» → выход: список фактов. Шаг 2: «Сформулируй заголовок» → вход: факты, выход: заголовок. Шаг 3: «Напиши текст поста» → вход: заголовок, выход: пост.

11. Задача: Обработка ошибок LLM

Промт:

Ты — AI-инженер. Пользователь сообщил, что модель дала неверный ответ на вопрос «[вопрос]». 1) Проанализируй возможные причины ошибки (например, неполный контекст, предвзятость данных, галлюцинация). 2) Предложи 3 способа исправить промт, чтобы избежать ошибки в будущем. 3) Напиши исправленный промт.

Пример результата:
Вопрос: «Какой самый быстрый поезд в мире?» Модель ответила: «TGV.» Правильный ответ: «Maglev.» Причина: устаревшие данные. Исправление: добавить в промт «Используй данные не старше 2025 года.»

12. Задача: Генерация тестовых данных для RAG

Промт:

Создай 5 тестовых запросов для системы RAG, которая отвечает на вопросы по [тема]. Каждый запрос должен: 1) быть на русском, 2) проверять разные аспекты (точность, полноту, обработку границ), 3) включать ожидаемый ответ. Также укажи, какие документы должны быть найдены для каждого запроса.

Пример результата:
Тема: «Медицинские консультации.» Запрос: «Какие побочные эффекты у ибупрофена?» Ожидаемый ответ: «Тошнота, головная боль.» Документы: «Справочник лекарств, стр. 45.»

13. Задача: Оптимизация промта для снижения токенов

Промт:

Упрости следующий промт, чтобы он занимал не более 50 токенов, но сохранял смысл. Исходный промт: «[длинный промт]». Покажи два варианта: 1) агрессивное сокращение (до 30 токенов), 2) сбалансированное (до 50 токенов). Для каждого варианта объясни, что ты изменил.

Пример результата:
Исходный: «Пожалуйста, напиши краткое резюме этого текста, выделив три главные идеи.» Вариант 1: «Краткое резюме: 3 идеи.» Вариант 2: «Резюме текста: 3 ключевые идеи.»

14. Задача: Использование few-shot learning

Промт:

Пример 1: Вопрос: «Какая скорость света?» Ответ: «299 792 458 м/с.»
Пример 2: Вопрос: «Что такое гравитация?» Ответ: «Сила притяжения между массами.»
Теперь ответь на вопрос: «Что такое квантовая запутанность?» Используй тот же стиль: кратко и с научной точностью.

Пример результата:
Ответ: «Квантовое состояние, при котором частицы коррелируют так, что измерение одной мгновенно влияет на другую, независимо от расстояния.»

15. Задача: Анализ тональности с RAG

Промт:

У тебя есть база отзывов клиентов. Проанализируй тональность последних 10 отзывов (тексты прилагаются). 1) Определи общую тональность (позитивная, негативная, нейтральная). 2) Выдели ключевые темы, которые вызывают негатив. 3) Предложи действия для улучшения. 4) Подтверди выводы цитатами из отзывов.

Пример результата:
Тональность: негативная (60% отзывов). Ключевая тема: медленная поддержка. Цитата: «Ждал ответа 3 дня.» Действие: увеличить штат поддержки.

Заключение

Эти 15 промтов — не просто шаблоны, а инструменты для решения реальных задач. Базовые промты помогут вам начать, продвинутые — интегрировать LLM с вашими данными, а экспертные — дообучить модель под специфику бизнеса. В 2026 году, когда LLM становятся commodity, именно качество промтов и методов работы с ними определяет успех. Попробуйте адаптировать эти промты под свои проекты — и вы увидите, как вырастет точность и полезность ответов. Если вы работаете с RAG или fine-tuning, не забывайте тестировать промты на реальных данных: это единственный способ избежать галлюцинаций и ошибок. Удачи в экспериментах!

Статья подготовлена с использованием открытых источников, включая документацию OpenAI, руководства по LangChain и отчёты Stanford HAI (2025).