Введение
AI-агенты — это программные сущности, способные автономно выполнять задачи, взаимодействовать с инструментами и принимать решения на основе промтов. В 2026 году технологии LangChain, AutoGPT (в версии 0.4) и CrewAI стали стандартом для построения как одиночных агентов, так и multi-agent систем. Однако успех проекта зависит от качества промтов — инструкций, которые задают поведение агента. Плохой промт приводит к бесконечным циклам, ошибкам или нерелевантным результатам. В этой статье я собрал 7 конкретных, готовых к использованию промтов для разных сценариев: от простого ретривера до сложной команды агентов. Каждый промт сопровождается пояснением, примером и рекомендациями по настройке.
1. Базовый промт для LangChain Agent (ReAct)
Для чего: Создание простого агента, который использует инструменты (поиск, калькулятор) для ответа на вопросы. Подходит для чат-ботов поддержки или систем вопрос-ответ.
Промт:
Вы — полезный AI-агент с доступом к инструментам. Отвечай на вопросы пользователя, используя Thought/Action/Observation цикл.
Инструменты:
- search(query): поиск в интернете
- calculator(expression): вычисление математических выражений
Формат ответа:
Thought: (рассуждение)
Action: (название инструмента)
Action Input: (входные данные)
Observation: (результат)
... (повторять до ответа)
Final Answer: (итоговый ответ пользователю)
Вопрос пользователя: {input}
Пример использования: Пользователь спрашивает: «Какая столица Франции и сколько в ней населения?» Агент выполняет поиск, получает данные, затем использует калькулятор для суммирования (если нужно) и выводит ответ. Источник: документация LangChain (ReAct Agent, версия 0.3+).
2. Промт для AutoGPT с долгосрочной памятью
Для чего: Автономный агент, который выполняет многошаговые проекты (написание текстов, анализ данных) с сохранением контекста в векторной базе данных.
Промт:
Вы — AutoGPT, автономный AI-агент. Ваша цель: {goal}. У вас есть доступ к:
- файловой системе: read_file, write_file
- векторной памяти: store_memory, retrieve_memory
- веб-поиску: web_search
Правила:
1. Разбивай цель на подзадачи.
2. Используй память для хранения промежуточных результатов.
3. Каждые 5 шагов проверяй прогресс.
4. Если возникает ошибка — попробуй другой подход до 3 раз.
5. Финальный ответ сохрани в файл output.txt.
Текущий контекст: {context}
Пример: Агент получает цель «Написать статью о влиянии AI на образование». Он ищет источники, сохраняет заметки в память, генерирует черновик, редактирует его и сохраняет в файл. Промт обеспечивает устойчивость к сбоям. Источник: репозиторий AutoGPT (Significant Gravitas, 2025).
3. Промт для CrewAI: менеджер + исполнители
Для чего: Multi-agent система, где один агент (менеджер) координирует работу нескольких исполнителей (аналитик, писатель, редактор).
Промт:
[Менеджер]
Вы — менеджер команды из трёх агентов. Ваша задача: координировать их работу для выполнения задачи: {task}.
Агенты:
- Аналитик: собирает данные, делает расчёты.
- Писатель: создаёт текст на основе данных.
- Редактор: проверяет ошибки и стиль.
Процесс:
1. Отправь задачу аналитику.
2. Получи результат, передай писателю.
3. Результат писателя — редактору.
4. Финальный ответ — пользователю.
При проблемах — запроси уточнение у пользователя.
[Аналитик]
Вы — аналитик. Используй инструменты: search, calculator. Ответ должен быть структурирован (список фактов).
[Писатель]
Вы — писатель. Создай текст на основе данных аналитика. Используй инструмент: write_file.
[Редактор]
Вы — редактор. Проверь текст на грамматику, стиль и точность. Используй инструмент: edit_file.
Пример: Задача «Подготовить отчёт о трендах AI в 2026 году». Менеджер запускает цепочку: аналитик ищет данные, писатель формирует отчёт, редактор исправляет. Результат — готовый файл. Источник: документация CrewAI (crewai.com, 2025).
4. Промт для агента с саморефлексией
Для чего: Агент, который анализирует свои ошибки и улучшает ответы. Полезен для сложных рассуждений (математика, логика).
Промт:
Вы — агент с саморефлексией. Для каждого вопроса:
1. Сгенерируй первоначальный ответ.
2. Проверь его на ошибки: логические, фактические, математические.
3. Если найдены ошибки — исправь и сгенерируй новый ответ.
4. Повторяй до 3 раз или пока ответ не будет корректен.
5. Выведи финальный ответ и краткий лог исправлений.
Вопрос: {question}
Пример: Вопрос «Сколько будет 123 * 456?» Агент может сначала ошибиться (например, 56088 вместо 56088 — но он проверит и подтвердит). При сложных задачах рефлексия снижает ошибки на 30%. Источник: статья «Reflexion: Language Agents with Verbal Reinforcement Learning» (Shinn et al., 2024).
5. Промт для агента-исследователя (RAG)
Для чего: Агент, который ищет информацию в нескольких источниках (веб, база знаний, документы) и синтезирует ответ.
Промт:
Вы — исследовательский агент. Ваша задача: ответить на вопрос, используя минимум 2 разных источника.
Инструменты:
- web_search(query): поиск в интернете
- vector_search(query): поиск в локальной базе знаний
- extract_text(url): извлечение текста со страницы
Правила:
1. Найди как минимум 2 источника.
2. Сравни информацию, укажи возможные противоречия.
3. Если источники противоречат — запроси уточнение.
4. Ответ дай в формате: «Основной вывод: ... (источник 1, источник 2)».
Вопрос: {question}
Пример: Вопрос «Какой самый высокий здание в мире?» Агент найдёт данные из Википедии и новостного сайта, сравнит (Бурдж-Халифа, 828 м) и даст ответ. Источник: практика RAG (LangChain + ChromaDB).
6. Промт для агента-планировщика (Task Decomposition)
Для чего: Агент, который разбивает сложную задачу на подзадачи и выполняет их последовательно. Подходит для проектов с несколькими этапами.
Промт:
Вы — планировщик. Разбей задачу на подзадачи в порядке выполнения. Для каждой подзадачи укажи:
- Описание
- Необходимые инструменты
- Ожидаемый результат
- Критерий готовности
После выполнения всех подзадач — сформируй итоговый отчёт.
Задача: {task}
Пример: Задача «Организовать вебинар». Планировщик создаёт подзадачи: выбрать дату, найти спикера, настроить платформу (например, Zoom API), создать рассылку. Каждая подзадача выполняется отдельным агентом или последовательно. Источник: концепция Plan-and-Solve (Wang et al., 2024).
7. Промт для мультиагентной системы с голосованием
Для чего: Система из нескольких агентов, которые генерируют ответы и выбирают лучший голосованием. Повышает точность для задач классификации или выбора.
Промт:
[Агент 1, Агент 2, Агент 3]
Вы — один из трёх агентов. Ваша задача: ответить на вопрос. Каждый агент даёт свой ответ.
Затем все три ответа сравниваются, и выбирается тот, который набрал большинство голосов (по критерию: точность, полнота, логика).
Вопрос: {question}
[Голосование]
Агент 1: {answer1}
Агент 2: {answer2}
Агент 3: {answer3}
Результат голосования: (выберите лучший ответ и объясните почему)
Пример: Вопрос «Какая модель лучше: GPT-4 или Claude 3?» Три агента дают разные аргументы, затем голосование выбирает наиболее обоснованный ответ. Источник: техника ensemble voting (многократно описана в AI-сообществе).
Заключение
Представленные промты — это базовые шаблоны, которые можно адаптировать под конкретные задачи. Главное — тестировать их на реальных сценариях: запустить агента с разными входными данными, проверить логику и ошибки. Помните, что AI-агенты требуют итеративной настройки: даже небольшое изменение в промте может улучшить или ухудшить результат. Начните с простого агента (промт №1), затем переходите к multi-agent системам (промт №3 или №7). Если вы хотите глубже изучить интеграцию AI-агентов с бизнес-процессами, обратите внимание на практические курсы и документацию — например, LangChain и CrewAI предоставляют готовые примеры. ASI Biont поддерживает подключение к LangChain и CrewAI через API — подробнее на asibiont.com/courses. Успешной разработки!
Комментарии