Техники prompt engineering: практическое руководство по zero-shot, few-shot, chain-of-thought и не только

Prompt engineering - это самый дешевый и быстрый способ изменить то, что делает большая языковая модель: вы меняете входные данные, а не саму модель. Никакого обучения, никакого конвейера данных, никаких счетов за GPU - только более четкие инструкции. Это первая ступень лестницы кастомизации (полную лестницу смотрите в статье как обучаются модели AI), и она активно проверяется на каждом базовом экзамене по AI и генеративному AI, от AWS AI Practitioner (AIF-C01) до его аналогов от Azure и Google Cloud.

Это руководство не привязано к провайдеру - техники работают одинаково на любой современной LLM. В нем рассматриваются анатомия хорошего промпта, основные техники с указанием того, когда применять каждую из них, настройки инференса, которые формируют вывод, и риски безопасности, которые вы обязаны знать. Там, где экзамен делает упор на что-то, есть пометка "На экзамене". Относитесь к этому как к справочнику, который вы просматриваете по разделам.

Что такое prompt engineering (и что им не является)

Что это. Составление и доработка текста, который вы даете модели, чтобы она возвращала нужный вам вывод. Это использует то, что модель уже выучила во время предобучения; вы направляете, а не обучаете.

Почему это важно. Это почти бесплатно и мгновенно. Прежде чем браться за RAG или fine-tuning - которые стоят данных, денег и времени - вам следует исчерпать возможности промптирования. Часто более удачный промпт закрывает весь разрыв.

Чем это не является. Это не меняет веса модели. Если модели просто не хватает знаний (ваших приватных данных) или надежного поведения, одно только промптирование это не исправит - вот тогда вы поднимаетесь к RAG или fine-tuning. Не путайте prompt engineering (написание более удачных инструкций) с prompt tuning (техникой обучения, которая учит векторы "мягкого промпта"); экзамен трактует prompt engineering как вариант без переобучения.

Анатомия хорошего промпта

Большинство сильных промптов содержат до четырех частей:

• Инструкция - задача: "Суммируй", "Классифицируй", "Переведи", "Извлеки".
• Контекст - фон, который нужен модели: аудитория, тон, предметная область, ограничения.
• Входные данные - собственно содержимое, с которым нужно работать.
• Индикатор вывода - форма ответа: "Верни JSON", "Одно предложение", "Маркированный список".

Принципы, которые заставляют каждую часть работать:

• Будьте конкретны и однозначны. "Напиши краткое изложение из 3 предложений для нетехнического читателя" лучше, чем "суммируй это".
• Предпочитайте позитивные инструкции. Говорите модели, что делать, а не только чего избегать; "Отвечай только названием категории" яснее, чем куча правил "не делай" (хотя у негативных ограничений есть свое место - см. ниже).
• Задавайте ограничения. Длина, тон, уровень сложности чтения, формат, что исключить.
• Используйте разделители. Оборачивайте входные данные в четкие сепараторы - тройные кавычки, теги в стиле XML или заголовки markdown - чтобы модель понимала, где заканчиваются инструкции и начинаются данные. Это также снижает риск того, что предоставленный пользователем текст будет прочитан как инструкции (см. prompt injection).
• Задавайте контракт вывода. Если вывод будет читать другая программа, укажите точную форму (валидный JSON с этими ключами, без прозы вокруг). Модели не соблюдают структуру, если вы этого не требуете.

Основные техники

Zero-shot промптирование

Что. Попросите модель выполнить задачу без примеров, полагаясь исключительно на ее предобученные знания.

Когда. Простые, распространенные задачи, которые модель явно видела раньше (базовая классификация, несложные краткие изложения, общие вопросы).

Риск. Если задача необычна или далека от обучения модели, результаты zero-shot могут быть ненадежными - это ваш сигнал добавить примеры.

На экзамене. Zero-shot означает отсутствие примеров в промпте. Его именованный риск - слабая производительность, когда задача слишком далека от того, что модель выучила.

One-shot и few-shot промптирование (in-context learning)

Что. Включите один (one-shot) или несколько (few-shot) проработанных примеров пары "вход-и-желаемый-выход" в промпт, чтобы модель вывела паттерн. Это также называется in-context learning, потому что модель "выучивает" задачу из контекста промпта без каких-либо обновлений параметров.

Когда. Задача имеет конкретный формат, набор меток или стиль, который вы хотите последовательно соблюдать - например, классификация сообщений по вашим собственным категориям или соответствие определенному тону.

Как. Покажите от 2 до 5 чистых, репрезентативных примеров, которые охватывают диапазон случаев, затем дайте новый вход. Единообразие форматирования между примерами важнее количества.

На экзамене. Few-shot learning и in-context learning - это одна и та же идея: примеры в промпте, без переобучения. Это готовый ответ на "заставить модель следовать конкретному паттерну или схеме меток без fine-tuning".

Chain-of-thought (CoT) промптирование

Что. Попросите модель рассуждать шаг за шагом перед выдачей окончательного ответа, вместо того чтобы сразу переходить к нему.

Когда. Многошаговые задачи: арифметика, логика, планирование, все, где помогает промежуточное рассуждение.

Как. Либо предоставьте примеры, которые показывают рассуждение (few-shot CoT), либо просто добавьте триггер вроде Let's think step by step, чтобы вызвать рассуждение без примеров (zero-shot CoT).

На экзамене. Chain-of-thought - это именованная техника для повышения производительности на сложных, многошаговых рассуждениях.

Self-consistency

Что. Запустите chain-of-thought несколько раз (с некоторой случайностью), затем возьмите ответ, который встречается чаще всего по всем запускам.

Когда. Ответственные рассуждения, где одна цепочка может дать сбой; выборка нескольких и голосование повышают надежность.

Ролевое (persona) и системное промптирование

Что. Скажите модели, кем быть - "Ты старший налоговый консультант", "Ты немногословный ревьюер кода". В чат-моделях это часто находится в отдельном системном промпте, который задает устойчивое поведение.

Когда. Чтобы зафиксировать тон, уровень экспертизы или точку зрения на протяжении всего разговора.

Как. Изложите роль, аудиторию и ограничения заранее. Держите системный промпт стабильным; варьируйте пользовательский промпт.

Разделители и структура

Что. Используйте явные маркеры для разделения частей вашего промпта (инструкции против данных против примеров).

Почему. Это улучшает соблюдение моделью каждого раздела и, что важно, помогает не допустить интерпретации недоверенного ввода как инструкций.

Форматирование вывода

Что. Задайте точную форму вывода и, в идеале, попросите модель обернуть ответ в теги или вернуть строгий JSON.

Почему. Необходимо, когда вывод поступает в другую программу или модель. Явный контракт вывода превращает ненадежный парсинг в надежные конвейеры.

Шаблоны промптов

Что. Переиспользуемые, параметризованные структуры промптов с плейсхолдерами, которые вы заполняете во время выполнения.

Почему. Единообразие и удобство сопровождения - ваше приложение каждый раз производит один и тот же хорошо протестированный промпт, варьируя только входные данные. Управляемые платформы часто предоставляют функции шаблонов промптов и управления промптами именно для этого.

Декомпозиция задачи и цепочки промптов

Что. Разбейте сложную работу на более мелкие промпты и подавайте вывод каждого шага в следующий.

Когда. Задача слишком велика или многоэтапна для одного промпта (извлечь, затем проанализировать, затем составить черновик). Цепочки надежнее, чем просьба сделать все сразу, и каждый шаг проще тестировать.

ReAct (reason + act)

Что. Паттерн, в котором модель чередует рассуждение с действиями - вызовом инструментов, поиском или запросом данных - затем наблюдает результат и продолжает. Это идея промптирования, лежащая в основе агентов.

Когда. Модели нужна внешняя информация или она должна предпринимать шаги в мире, а не просто отвечать по памяти. (Это связывает prompt engineering с фреймворками агентов.)

Негативное промптирование

Что. Явно укажите, что исключить или чего избегать - "Не включай личные мнения", "Исключи любой код" или, для моделей изображений, перечисление элементов, которые вам не нужны.

Когда. Чтобы исключить известные режимы отказа. Используйте это как целевое дополнение к позитивным инструкциям, а не как весь промпт целиком.

Настройки инференса, которые формируют вывод

Текст промпта - это только половина истории. Эти параметры генерации меняют вывод, не меняя ни слова в вашем промпте:

• Temperature - случайность. Низкая (около 0) дает детерминированные, воспроизводимые, сфокусированные ответы; высокая дает креативные, разнообразные.
• Top-p (nucleus sampling) и top-k - ограничивают пул кандидатов следующих токенов, из которых модель может делать выборку, еще один рычаг разнообразия.
• Max tokens - ограничивает длину ответа.
• Stop sequences - строки, которые говорят модели прекратить генерацию.

На экзамене. "Сделать ответы более последовательными или воспроизводимыми" означает понизить temperature. Знайте, что temperature и top-p/top-k управляют случайностью и разнообразием и задаются во время инференса, а не встроены в текст промпта.

Где промптирование уместно по сравнению с RAG и fine-tuning

Prompt engineering - это первое, что стоит попробовать, но у него есть пределы. Лестница кастомизации, от самого дешевого:

• Prompt engineering - формирование инструкций. Никаких новых знаний, никакого переобучения.
• RAG (retrieval-augmented generation) - внедрение ваших собственных актуальных данных в промпт во время запроса. Используйте, когда модели нужны факты, на которых она никогда не обучалась, или когда знания часто меняются.
• Fine-tuning - переобучение на размеченных примерах, чтобы встроить поведение или стиль. Используйте, когда промптирование и RAG все еще недостаточно последовательны.

На экзамене. Если сценарию нужны приватные или актуальные факты, одно промптирование не подойдет - это RAG. Если нужно надежно повторяемое поведение или доменный стиль, это fine-tuning. Промптирование - это ответ, когда модель уже умеет выполнять задачу и ей просто нужно более четкое направление.

Безопасность промптов и ответственное использование

Промпты - это поверхность атаки. Базовые экзамены проверяют это в разделах ответственного AI и безопасности:

• Prompt injection - злоумышленник прячет инструкции в предоставленном пользователем вводе (или в документе, который читает модель), чтобы переопределить ваш системный промпт и захватить поведение модели или последующие действия.
• Jailbreaking - составленные промпты, которые обходят защитные ограничители безопасности модели, чтобы произвести запрещенный или вредный вывод.
• Prompt leaking - выманивание у модели раскрытия ее собственного скрытого системного промпта или конфиденциального контекста.
• Adversarial prompting в целом - зонтичный термин для этих техник манипуляции.

Меры защиты, которые вы должны знать:

• Разделяйте и четко разграничивайте доверенные инструкции от недоверенного пользовательского ввода; никогда не конкатенируйте их вслепую.
• Валидируйте и очищайте входные данные; ограничивайте то, что модели разрешено выводить и делать.
• Применяйте guardrails / контентные фильтры и редактирование PII как на входе, так и на выходе.
• Давайте модели и любым подключенным инструментам доступ по принципу least privilege, чтобы успешная инъекция не могла причинить много вреда.
• Держите человека в контуре для ответственных действий.

Промптирование также помогает с галлюцинациями: заземляйте модель на извлеченных фактах (RAG), просите ее цитировать источники и явно разрешайте "я не знаю", чтобы она перестала выдумывать ответы. Понижение temperature и добавление заземления снижают уверенную чепуху.

Чек-лист лучших практик

• Начинайте с простого; добавляйте сложность (примеры, рассуждение, цепочки) только когда простой промпт не срабатывает.
• Будьте конкретны: изложите задачу, аудиторию, ограничения и точный формат вывода.
• Используйте разделители для отделения инструкций от данных.
• Добавляйте примеры (few-shot), когда вам нужен конкретный паттерн; добавляйте Let's think step by step, когда вам нужно рассуждение.
• Итерируйте и тестируйте на реальных входных данных; небольшие изменения формулировок имеют значение.
• Понижайте temperature для последовательности; повышайте ее для креативности.
• Относитесь к пользовательскому вводу как к недоверенному; разграничивайте его, валидируйте и защищайте вывод.

30-секундный гид по решениям

• Простая, знакомая задача -> zero-shot
• Нужен конкретный формат или схема меток -> few-shot (in-context learning)
• Многошаговое рассуждение -> chain-of-thought (добавьте Let's think step by step)
• Нужна более высокая надежность на сложных рассуждениях -> self-consistency (выборка и голосование)
• Зафиксировать тон или экспертизу на протяжении чата -> ролевой / системный промпт
• Вывод поступает в другую программу -> задайте строгий формат вывода (JSON, теги)
• Задача слишком велика для одного промпта -> декомпозируйте и связывайте в цепочку
• Модели нужны инструменты или живые данные -> ReAct / агенты
• Нужны приватные или актуальные факты -> RAG, а не промптирование
• Нужно надежно повторяемое поведение -> fine-tuning, а не промптирование
• Сделать вывод детерминированным -> понизьте temperature

Связанные сертификации

Prompt engineering - это основа каждого экзамена по генеративному AI - это руководство появляется в разделе Related Study Guides на каждом из их хабов:

• AWS Certified AI Practitioner (AIF-C01) - напрямую проверяет техники промптирования, in-context learning и параметры инференса.
• AWS Certified Generative AI Developer Professional (AIP-C01) - глубже разбирает построение решений с промптами, RAG и агентами.
• Microsoft Azure AI Fundamentals (AI-900 / AI-901) - основы генеративного AI и промптирования.
• Google Cloud Generative AI Leader - проектирование промптов и использование foundation model.
• NVIDIA-Certified Associate: Generative AI and LLMs (NCA-GENL) - промптирование LLM и адаптация.
• Claude Certified Architect - Foundations (CCA-F) - эффективное промптирование Claude.
• IBM watsonx Generative AI Engineer Associate - основы генеративного AI.

Как это изучать

Для экзамена практикуйтесь в сопоставлении сценария с техникой и знайте границы, на которых люди спотыкаются: zero-shot против few-shot, chain-of-thought как инструмент рассуждения, temperature как рычаг последовательности и - самое главное - промптирование против RAG против fine-tuning (направление против добавления фактов против изменения поведения). Для реальной работы держите промпты конкретными, разграниченными и протестированными и относитесь к каждой предоставленной пользователем строке как к недоверенной. Прорешивайте практические вопросы с открытым 30-секундным гидом по решениям, и когда вы ошибаетесь, перечитывайте эту технику здесь, пока граница не станет четкой.

Источник: руководство по экзамену AWS Certified AI Practitioner (AIF-C01) и домены вопросов, а также стандартные справочники по prompt engineering, по состоянию на сентябрь 2026 года.