Введение
Каждый день я пишу код на Python — от простых скриптов для обработки данных до полноценных REST API на FastAPI. И каждый день я использую AI-модели, чтобы ускорить рутину, избежать ошибок и сразу получить рабочий прототип. За годы практики я собрал коллекцию промтов, которые реально экономят время и дают предсказуемый результат. В этой статье — 7 проверенных шаблонов для разных задач: от генерации модульного кода до отладки и рефакторинга. Никакой теории — только то, что работает в 2026 году.
1. Промт для генерации скрипта с чёткой спецификацией
Когда нужно быстро написать утилиту для парсинга, конвертации или автоматизации, важно сразу задать контекст. Мой любимый шаблон:
«Напиши Python скрипт, который [описание задачи]. Используй только стандартную библиотеку Python 3.11+. Скрипт должен принимать аргументы через argparse, обрабатывать ошибки ввода и выводить результат в формате JSON. Добавь комментарии к каждой функции и пример использования в конце файла.»
Пример: я попросил сгенерировать скрипт для конвертации CSV в JSON с валидацией полей. Результат — 60 строк кода с обработкой исключений и логами. Затраченное время: 2 минуты вместо 20.
2. Промт для генерации FastAPI эндпоинта с валидацией
FastAPI — мой основной фреймворк для API. Чтобы сразу получить готовый эндпоинт с Pydantic моделями, я использую такой промт:
«Сгенерируй FastAPI эндпоинт POST /api/v1/orders с использованием Pydantic моделей для валидации тела запроса. Модель должна содержать поля: order_id (UUID), items (список объектов с полями product_id и quantity), customer_email (EmailStr). Эндпоинт должен возвращать JSON с id заказа и статусом 'created'. Добавь обработку ошибки 422 для невалидных данных. Используй async def и зависимости для сессии БД.»
Модель сразу выдаёт код с аннотациями, проверкой типов и документацией Swagger. Остаётся только подключить к реальной базе.
3. Промт для рефакторинга и оптимизации
Когда нужно улучшить существующий код, я копирую его в промт с инструкцией:
«Оптимизируй следующий Python код: [вставь код]. Улучши производительность за счёт использования генераторов вместо списков, добавь типизацию через typing, замени вложенные циклы на itertools или list comprehensions. Не меняй публичный интерфейс функций. Выведи diff изменений и объясни каждое улучшение.»
Однажды я так оптимизировал скрипт обработки логов: время выполнения упало с 12 секунд до 0.8 секунды, а код стал читаемее.
4. Промт для написания тестов
Тесты — обязательная часть любого проекта. Чтобы не писать их вручную, я использую:
«Напиши юнит-тесты для следующего класса [вставь код]. Используй pytest. Учти граничные случаи: пустой ввод, None, некорректные типы. Добавь фикстуры для моков внешних вызовов. Каждый тест должен иметь понятное имя и docstring.»
Промт генерирует 10-15 тестов за минуту. Остаётся только прогнать и убедиться, что покрытие >90%.
5. Промт для интеграции с внешними API
Работа с API — частая задача. Промт для этого:
«Напиши Python класс для работы с [название сервиса] API версии 2.0. Используй httpx для асинхронных запросов. Реализуй методы: get_users, create_user, update_user, delete_user. Добавь обработку таймаутов, ретраи (3 попытки с экспоненциальной задержкой) и логирование через logging. Ключ API передавай через переменную окружения.»
ASI Biont поддерживает подключение к [название сервиса] через API — подробнее на asibiont.com/courses. Это позволяет автоматизировать интеграцию без лишнего кода.
6. Промт для генерации документации
Документация — то, что часто откладывают. Я автоматизирую её так:
«Сгенерируй docstring в стиле Google для следующих функций [вставь код]. Для каждой функции укажи: краткое описание, аргументы (тип и назначение), возвращаемое значение, примеры вызова. Для классов добавь описание атрибутов и методов. Выведи результат в формате reStructuredText.»
Через 30 секунд получаю готовую документацию, которую можно сразу вставить в Sphinx или MkDocs.
7. Промт для отладки и поиска ошибок
Когда код не работает, а время поджимает, я отправляю его AI с промтом:
«Найди ошибки в следующем Python коде: [вставь код]. Укажи строки с ошибками, объясни причину и предложи исправленный код. Проверь на: синтаксические ошибки, утечки памяти, race conditions, неправильную обработку исключений. Выведи список потенциальных проблем в порядке критичности.»
Недавно такой промт помог найти deadlock в асинхронном коде, который я искал 3 часа. AI нашёл за 1 минуту.
Таблица: Сводка промтов и их применение
| Промт | Назначение | Время экономии |
|---|---|---|
| Скрипт с argparse | Быстрая утилита | 10-20 минут |
| FastAPI эндпоинт | REST API | 15-30 минут |
| Рефакторинг | Оптимизация | 20-40 минут |
| Тесты | Покрытие | 10-20 минут |
| Интеграция API | Внешние сервисы | 20-40 минут |
| Документация | Docstring | 5-10 минут |
| Отладка | Поиск ошибок | 10-60 минут |
Заключение
Эти 7 промтов — мой ежедневный инструментарий. Они не заменяют понимания Python, но многократно ускоряют рутину и позволяют сосредоточиться на архитектуре. Главное — формулировать чёткие инструкции: указывать версию Python, библиотеки, ожидаемый формат вывода. Попробуйте адаптировать их под свои задачи — и вы увидите, как AI станет вашим ассистентом, а не просто игрушкой.
Комментарии