Сегодня AI-агенты — это не просто чат с роботом, а автономные системы, которые планируют, выполняют и корректируют свои действия. Промты — главный инструмент управления таким поведением. От того, какую инструкцию вы заложите, зависит, будет ли агент действовать как линейный исполнитель или как настоящий автономный помощник.
Мы собрали 8 проверенных промтов, которые используем в реальных проектах на LangChain, AutoGPT и CrewAI. Они помогут вам быстрее настраивать агентов, снижать количество ошибок и выстраивать сложные multi-agent сценарии. Вот краткая таблица, а ниже — подробный разбор с кодом.
| Промт | Назначение | Фреймворк |
|---|---|---|
| Планировщик задач | Декомпозиция сложных целей | AutoGPT, LangChain |
| Критик | Проверка ответов на ошибки | LangChain |
| Выбор инструмента | Маршрутизация к нужному инструменту | LangChain |
| Роль агента | Определение специализации | CrewAI |
| Итеративный исполнитель | Пошаговое выполнение задач | AutoGPT |
| Самокоррекция | Исправление ошибок в коде | LangChain |
| Извлечение JSON | Структурированный вывод данных | LangChain |
| Координатор команды | Управление мультиагентной командой | CrewAI |
1. Планировщик задач
Этот промт заставляет агента разбивать большую цель на последовательность подзадач. Именно так работают классические агенты AutoGPT и BabyAGI.
Ты — AI-планировщик. Разбей цель на простые шаги.
Цель: {goal}
Контекст: {context}
Верни JSON со списком шагов. У каждого шага должны быть поля description и dependencies.
Пример использования в LangChain:
from langchain import PromptTemplate
prompt = PromptTemplate(
input_variables=["goal", "context"],
template="""Ты — AI-планировщик. Разбей цель на шаги.
Цель: {goal}
Контекст: {context}
Верни JSON со списком шагов."""
)
formatted = prompt.format(
goal="Написать статью для блога",
context="Тема: AI-агенты, аудитория: разработчики"
)
Этот промт даёт агенту чёткую структуру действий и предотвращает «перескакивание» через важные этапы.
2. Критик
Один из самых эффективных способов борьбы с галлюцинациями — заставить агента перепроверить собственный ответ. Промт критика делает это автоматически.
Ты — строгий критик. Проанализируй следующий ответ.
Найди фактические ошибки, логические противоречия и неточности.
Ответ: {answer}
Верни список исправлений.
Код цепочки LangChain:
from langchain.llms import OpenAI
from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate
critic_prompt = PromptTemplate(
input_variables=["answer"],
template="""Ты — строгий критик. Проанализируй ответ...
Ответ: {answer}
Верни список исправлений."""
)
chain = LLMChain(llm=OpenAI(), prompt=critic_prompt)
fixes = chain.run("AI-агенты заменят всех программистов в 2026 году")
Такой промт полезен в пайплайнах, где качество важнее скорости.
3. Выбор инструмента
В LangChain агенты имеют доступ к нескольким инструментам. Промт выбора инструмента — это маршрутизатор, который определяет, какой инструмент вызвать.
У тебя есть доступ к инструментам: {tools}.
Пользовательский запрос: {user_input}.
Ответь только названием инструмента, который нужен для запроса.
Применение в LangChain:
from langchain.tools import Tool
tools = [
Tool(name="Search", func=search),
Tool(name="Weather", func=get_weather)
]
# Промт подставляется в системный контекст агента
Такая маршрутизация сокращает потребление токенов и уменьшает вероятность неверного ответа.
4. Промт роли агента
В CrewAI каждый агент — это «сотрудник» со своей ролью, целью и опытом. Промт роли задаёт границы компетенции и стиль работы.
Роль: {role}
Цель: {goal}
Бэкграунд: {background}
Задача: {task}
Действуй строго в рамках своей роли. Не выходи за пределы компетенции.
Пример создания агента-исследователя в CrewAI:
from crewai import Agent
researcher = Agent(
role='Senior Data Researcher',
goal='Найти актуальные данные о AI-агентах',
backstory='Ты аналитик с опытом работы с LLM с 2023 года.',
verbose=True
)
# Промт роли можно передать через параметр prompt
Правильно описанная роль снижает количество «самодеятельности» агента.
5. Итеративный исполнитель
Для длительных задач подходит промт, который заставляет агента работать итерациями и фиксировать прогресс. Это основа автономного поведения в AutoGPT.
Выполняй задачу итерациями. На каждом шаге пиши:
1. Что уже сделано
2. Что осталось
3. Следующий шаг
Задача: {task}
Начни.
В AutoGPT этот промт встраивается в системный контекст или в память. В LangChain его можно использовать как промежуточный шаг:
from langchain.prompts import PromptTemplate
step_prompt = PromptTemplate(
input_variables=["task"],
template="""Выполняй задачу итерациями...\nЗадача: {task}"""
)
Итеративный подход позволяет агенту возвращаться к пропущенным деталям и корректировать план на ходу.
6. Самокоррекция ошибок
Агенты, которые пишут код, часто получают ошибки выполнения. Промт самокоррекции помогает агенту самостоятельно разобраться в проблеме.
Ты получил ошибку: {error}
Код: {code}
Объясни причину ошибки и предложи исправленный код.
Код на LangChain:
prompt = PromptTemplate(
input_variables=["error", "code"],
template="""Ты получил ошибку: {error}\nКод: {code}\nОбъясни и исправь."""
)
response = llm(prompt.format(error=err, code=bad_code))
Такой промт сокращает цикл отладки и делает агента более самостоятельным.
7. Извлечение JSON-данных
Часто нужно получить от агента не свободный текст, а чёткую структуру. Промт извлечения JSON отлично справляется с этим.
Извлеки из текста поля: {fields}.
Текст: {text}
Ответ — строго JSON без дополнительных пояснений.
В LangChain можно дополнить промт парсером вывода:
from langchain.output_parsers import StructuredOutputParser
parser = StructuredOutputParser.from_response_schemas(schema)
prompt = PromptTemplate(
input_variables=["text"],
template=template,
partial_variables={"format_instructions": parser.get_format_instructions()}
)
Этот подход используется для обработки писем, документов и любого текста, который нужно превратить в данные.
8. Координатор команды
В мультиагентной системе CrewAI часто нужен «менеджер», который распределяет подзадачи между агентами. Промт координатора управляет этим процессом.
Ты — координатор команды агентов: {agents}.
Задача: {task}.
Разбей задачу на подзадачи и назначь ответственного агента для каждой. Верни JSON с назначениями.
Реализация в CrewAI:
manager = Agent(
role='Manager',
goal='Эффективно распределять задачи',
backstory='Опытный проджект-менеджер',
verbose=True
)
task = Task(
description='Подготовить отчёт',
agent=manager
)
crew = Crew(agents=[researcher, writer], tasks=[task], manager=manager)
Промт превращает CrewAI из простой группы агентов в настоящую команду с иерархией.
Заключение
Промты — это «прошивка» AI-агента. Без качественной инструкции даже самая мощная модель ведёт себя хаотично. Эти 8 шаблонов — проверенная база, на основе которой вы можете строить свои варианты. Начните с планировщика и критика, затем добавляйте ролевые промты и координацию. Адаптируйте их под LangChain, AutoGPT или CrewAI, экспериментируйте с формулировками — и вы заметите, как стабильность агентов вырастет.
Хотите больше материалов по AI-агентам и LangChain? Подписывайтесь на наш блог asibiont.com/blog — там мы разбираем реальные кейсы автоматизации с использованием LLM.
Комментарии