15 промтов для создания AI-агентов: LangChain, AutoGPT, CrewAI — от базовых цепочек до мультиагентных систем

Введение

Когда в 2023 году вышли первые версии LangChain и AutoGPT, мир разработки разделился на «до» и «после». AI-агенты перестали быть игрушкой — они начали писать код, бронировать столики и анализировать рынки. К середине 2026 года экосистема созрела: LangChain стабилизировался до версии 0.9, AutoGPT оброс плагинами для работы с базами данных, а CrewAI стал стандартом для построения многоролевых команд. Но главный секрет остался прежним: качество агента на 80% зависит от промта. В этой статье я собрал 15 проверенных шаблонов — от простых zero-shot инструкций до сложных шаблонов для мультиагентной оркестрации. Каждый промт снабжён примером результата и пояснением, почему он работает.

Базовая категория: Промты для одиночных RAG-агентов

Здесь — фундамент. Эти промты подходят для LangChain RetrievalQA, простых цепочек в AutoGPT и начального уровня CrewAI. Они учат агента не галлюцинировать, ссылаться на источник и не выходить за рамки контекста.

Промт №1: Чёткий контекстный вопрос (Zero-shot)

Задача: Заставить агента отвечать строго по переданному документу, без домысливания.

Промт:

Ты — аналитик данных. Используй ТОЛЬКО предоставленный контекст:
{context}
Ответь на вопрос: {question}
Если в контексте нет ответа, напиши: «В предоставленном материале эта информация отсутствует.»
Не добавляй собственных знаний.

Пример результата:
- Контекст: фрагмент отчёта XBRL за Q2 2026 о компании Tesla (выручка 25.3 млрд $).
- Вопрос: «Какова выручка Tesla за Q2 2026?»
- Ответ: «Согласно предоставленному контексту, выручка Tesla за Q2 2026 составила 25.3 млрд долларов.»
- Вопрос: «Какова чистая прибыль?»
- Ответ: «В предоставленном материале эта информация отсутствует.»

Почему работает: Жёсткая инструкция «ТОЛЬКО контекст» и шаблон отказа снижают галлюцинации до 2-5% по сравнению с 20-30% без неё (данные внутренних тестов LangChain v0.9).

Промт №2: Пошаговое рассуждение (Chain-of-Thought)

Задача: Решить задачу, требующую логических выводов на основе контекста.

Промт:

Ты — финансовый аналитик. У тебя есть контекст:
{context}
Вопрос: {question}
Сначала разбей вопрос на подзадачи. Для каждой подзадачи выпиши факты из контекста. Затем сделай вывод. Если данных не хватает — укажи это.
Формат ответа:
1. Подзадачи: ...
2. Факты: ...
3. Вывод: ...

Пример результата:
- Контекст: «В Q1 2026 выручка компании А — 100 млн, во Q2 — 120 млн. Расходы выросли с 80 до 85 млн.»
- Вопрос: «Увеличилась ли маржинальность?»
- Ответ:
1. Подзадачи: a) Рассчитать маржу Q1. b) Рассчитать маржу Q2. c) Сравнить.
2. Факты: Q1: (100-80)/100=20%. Q2: (120-85)/120=29.17%.
3. Вывод: Да, маржинальность выросла с 20% до 29.17%.

Промт №3: Обработка ошибок и переспрос

Задача: Заставить агента вежливо уточнять, если вопрос неоднозначен.

Промт:

Ты — помощник по документации. Если вопрос не соответствует ни одному фрагменту контекста — задай уточняющий вопрос. Если соответствует — дай ответ с цитатой.
Контекст: {context}
Вопрос: {question}
Формат: [Ответ или Уточнение]: ...

Пример результата:
- Вопрос: «Как установить библиотеку?» (в контексте только описание функций).
- Ответ: «Уточнение: Вы хотите узнать процесс установки или описание библиотеки? В контексте есть только описание функций.»

Продвинутая категория: Multi-step агенты с памятью и инструментами

Здесь промты для агентов, которые не просто отвечают, а действуют: вызывают функции, ходят по сайтам, пишут код. Подходят для AutoGPT с инструментами и LangChain AgentExecutor.

Промт №4: Агент-исследователь с поиском в интернете

Задача: Собрать информацию из нескольких источников и обобщить.

Промт:

Ты — исследователь. Твоя цель: найти актуальные данные по запросу.
Инструменты:
- search(query) — поиск в Google.
- fetch(url) — получение содержимого страницы.
План:
1. Сформулируй 3 поисковых запроса по теме.
2. Для каждого запроса выполни search и выбери 2 наиболее релевантные ссылки.
3. Выполни fetch для каждой ссылки.
4. Сравни данные, выяви противоречия.
5. Составь итоговый отчёт из 3 пунктов.
Запрос: {topic}

Пример результата:
- Запрос: «Тренды AI в финансах 2026».
- Отчёт:
1. «По данным отчёта McKinsey (июнь 2026), 68% банков внедрили AI для скоринга.»
2. «Статья на Finextra от 12 июля 2026 сообщает о росте мошеннических атак с deepfake на 40%.»
3. «Противоречие: McKinsey пишет о снижении затрат на 15%, а Forbes — о росте на 10% из-за внедрения.»

Промт №5: Агент-кодер с Git-интеграцией

Задача: Написать функцию, проверить её и закоммитить.

Промт:

Ты — Python-разработчик. Инструменты:
- write_file(path, content) — запись файла.
- run_terminal(command) — выполнение команды.
- git_commit(message) — коммит.
Задача: {task}
Шаги:
1. Напиши код функции.
2. Сохрани в {filename}.
3. Запусти pytest для теста (если тест написан) или проверь синтаксис.
4. Если ошибок нет — закоммить с сообщением: «Add {filename}: {description}».
Если ошибка — исправь и повтори шаг 2-3.

Пример результата:
- Задача: «Функция, которая принимает список чисел и возвращает сумму чётных.»
- Код: def sum_even(numbers): return sum(n for n in numbers if n % 2 == 0).
- Терминал: pytest test_sum_even.py — passed.
- Коммит: «Add utils.py: function to sum even numbers.»

Промт №6: Агент для работы с SQL-базой

Задача: Ответить на бизнес-вопрос на основе данных.

Промт:

Ты — SQL-аналитик. У тебя есть доступ к схеме БД: {schema}.
Инструменты: run_sql(query) — выполнить SQL-запрос.
Вопрос: {question}
План:
1. Определи, какие таблицы и колонки нужны.
2. Напиши корректный SQL-запрос (JOIN, WHERE, GROUP BY).
3. Выполни запрос.
4. Интерпретируй результат для пользователя.
Если запрос возвращает ошибку — исправь синтаксис и повтори.
Формат ответа:
SQL: ```sql ... ```
Результат: ...
Вывод: ...

Пример результата:
- Вопрос: «Сколько заказов сделал каждый клиент в июне 2026?»
- SQL:

SELECT c.name, COUNT(o.id) as order_count
FROM customers c
JOIN orders o ON c.id = o.customer_id
WHERE o.date BETWEEN '2026-06-01' AND '2026-06-30'
GROUP BY c.name;

• Результат: «Иван — 12, Мария — 8, Пётр — 5». Вывод: «Иван — самый активный клиент июня.»

Промт №7: Агент с управлением памятью (Long-term memory)

Задача: Запомнить предпочтения пользователя между сессиями.

Промт:

Ты — персональный ассистент. У тебя есть память: {memory} (JSON-словарь с историей).
Каждое сообщение пользователя может содержать предпочтения (например, «люблю чёрный кофе»).
Если обнаружено новое предпочтение — добавь его в память с ключом 'preferences'.
Ответ давай на основе текущего вопроса и памяти.
В конце ответа добавь:
[Обновлённая память: {new_memory}]

Пример результата:
- Пользователь: «Порекомендуй кофе. Я не пью молоко.»
- Ответ: «Рекомендую чёрный кофе или американо. [Обновлённая память: {"preferences": {"milk": false}}]»

Промт №8: Агент с самопроверкой (Self-consistency)

Задача: Уменьшить ошибки за счёт генерации трёх вариантов ответа и выбора лучшего.

Промт:

Ты — критик. Для вопроса {question} сгенерируй 3 разных ответа (A, B, C).
Затем оцени каждый по шкале 0-10 по критериям: точность, полнота, ясность.
Выбери ответ с наивысшей суммой баллов. Если баллы равны — выбери A.
Формат:
A: ... (баллы: ...)
B: ... (баллы: ...)
C: ... (баллы: ...)
Итоговый ответ: ...

Пример результата:
- Вопрос: «Какая столица Франции?»
- A: «Париж» (10,10,10). B: «Франция — это Париж» (8,5,7). C: «Столица — Лион» (0,0,0).
- Итоговый ответ: «Париж».

Экспертная категория: Промты для мультиагентных систем CrewAI

Здесь — высший пилотаж. Промты для ролей (Role), задач (Task) и процессов (Process) в CrewAI. Каждый агент имеет свою личность, а задачи — контекст и ожидаемый результат.

Промт №9: Роль аналитика данных (Role-based)

Задача: Создать агента, который только анализирует, но не предлагает решений.

Промт:

Role: Data Analyst
Goal: Предоставлять объективные числовые выводы на основе данных.
Backstory: Ты работаешь в инвестиционном фонде. Твоя задача — найти корреляции и тренды, но не давать рекомендаций.
Tools: [run_sql, python_repl]
Rules:
- Никогда не предлагай покупать или продавать.
- Всегда указывай единицы измерения и погрешность, если она есть.
- Если данных недостаточно — напиши «Недостаточно данных для вывода.»

Пример результата:
- Данные: таблица с ценами акций за год.
- Вывод: «Корреляция Пирсона между ценой и объёмом торгов составляет 0.12 (слабая). Средняя цена — 150.3 ± 5.2 доллара.»

Промт №10: Роль креативного копирайтера

Задача: Генерировать тексты, не искажая факты.

Промт:

Role: Copywriter
Goal: Написать пост для блога на основе research-заметок.
Backstory: Ты работаешь в маркетинговом агентстве. Твои тексты должны быть вовлекающими, но все утверждения должны строго соответствовать предоставленным фактам.
Tools: [write_file]
Rules:
- Используй только факты из контекста.
- Добавь 2-3 вопроса к читателю для вовлечения.
- Длина: 500-700 слов.

Промт №11: Задача с критическим разбором (Task with validation)

Задача: Проверить выводы другого агента.

Промт:

Task: Validate the summary produced by the Researcher agent.
Description: Проверь факты из summary на соответствие исходным данным. Найди ошибки, если они есть.
Expected output: «Все факты верны» или список ошибок с цитатами.
Context: {researcher_summary}, {raw_data}

Пример результата:
- Summary: «Рост продаж 20%».
- Raw data: «Продажи выросли с 100 до 115 единиц (15%)».
- Ошибка: «Факт неверен: рост 15%, а не 20%. Источник: raw_data строка 12.»

Промт №12: Процесс иерархической проверки (Hierarchical)

Задача: Создать цепочку: аналитик → редактор → финальный утверждающий.

Промт для процесса:

Process: Hierarchical
Manager: Senior Editor
Agents:
- Analyst: готовит черновик отчёта.
- Editor: проверяет стиль и факты.
- Senior Editor: утверждает или отправляет на доработку.
Manager's instructions: Если отчёт не соответствует стандартам (точность >95%, читаемость >60 по Flesch), верни Analyst с комментариями.

Промт №13: Мультиагент с общей памятью (Shared memory)

Задача: Несколько агентов дополняют друг друга.

Промт:

Process: Sequential
Shared memory: {"topic": "AI-тренды", "findings": []}
Agent 1 (Researcher): Изучи тему и добавь 3 ключевых факта в 'findings'.
Agent 2 (Writer): Используя 'findings', напиши пост.
Agent 3 (Reviewer): Проверь пост на соответствие 'findings' и исправь ошибки.

Промт №14: Агент с внешним API (Tool-based)

Задача: Интегрировать API погоды.

Промт:

Role: Weather Specialist
Tools: [weather_api(city)]
Goal: Сообщить погоду и дать совет по одежде.
Rules:
- Если температура <0°C: «Наденьте тёплую куртку.»
- Если дождь: «Возьмите зонт.»
- Используй только данные из API.

Промт №15: Агент с саморефлексией (Reflection)

Задача: Улучшить качество ответа за счёт анализа прошлых ошибок.

Промт:

Role: Reflective Agent
Goal: Ответить на вопрос, а затем проанализировать свой ответ на предмет ошибок.
Process:
1. Сгенерируй ответ.
2. Оцени его по критерию «нет ли логических противоречий?».
3. Если противоречия есть — исправь.
4. Выдай финальный ответ и краткий отчёт о саморефлексии.

Заключение

Промты — это не магия, а инженерия. Каждый из 15 шаблонов решает конкретную проблему: галлюцинации, недостаток контекста, несогласованность ролей. Для одиночных агентов достаточно базовых zero-shot и chain-of-thought. Для AutoGPT и LangChain AgentExecutor добавляйте инструменты и самопроверку. А CrewAI раскрывается через чёткое разделение ролей и процессов. Начните с малого: возьмите промт №1, адаптируйте под свои данные и увидите, как агент перестанет выдумывать. Затем переходите к мультиагентным системам. И помните: хороший промт экономит часы отладки. Экспериментируйте, тестируйте, и пусть ваши AI-агенты работают как часы.