Камиль Гадеев | Промпт-инжиниринг и работа с LLM. Как говорить с искусственным интеллектом (2026) [PDF]

Промпт — это не программный код. Это режиссура вероятностей.
Большая языковая модель (LLM) не ищет ответ в базе — она достраивает наиболее вероятное продолжение фразы токен за токеном. Обращаясь с LLM как с поисковиком или справочником, можно получить лишь правдоподобие, но не правду. Эта книга поможет не допускать подобных ошибок и научит использовать LLM по назначению.
Вы разберетесь, почему возникают ИИ-галлюцинации и как их сглаживать; соберете промпт по фреймворкам RCT и COSTAR; научитесь многошаговому рассуждению (CoT, ToT, ReAct), генерации, дополненной поиском (RAG), и управлению контекстным окном. Отдельно рассмотрено, как получать от модели тексты без нейросетевых штампов и креативные решения через умную расстановку ограничений и применение ТРИЗ. Материал каждой главы закрепляется на практических примерах.
Изложенные в книге принципы применимы с ChatGPT, Claude, GigaChat, YandexGPT, а также останутся актуальными при работе с моделями новых поколений.

Гадеев Камиль, промпт-инженер, публицист, математик. Сфера профессиональных интересов — автоматизация и цифровая трансформация бизнеса. Больше двадцати лет в нефтегазовой сфере, с 2022 г. сосредоточился на работе с LLM, внедрении искусственного интеллекта в структуру больших предприятий, проектных решениях, исследовательской работе. Автор статей о LLM и промптинге. Разработал методики по устранению ИИ-галлюцинаций, повышению креативности и устойчивости LLM.

Содержание

Предисловие
LLM rлупы?
Главная проблема
Что нужно изменить в мышлении?
О чём эта книга?

Введение

ЧАСТЬ 1. ЧТО ТАКОЕ LLM И КАК ОНА «ДУМАЕТ»?

Глава 1. Машина связности
1.1. Какие привычки из программирования не работают в промптинге?
1.2. Как работает предсказание токена?
1.3. Нарративный двигатель: модель продолжает историю, а не выполняет инструкции
1.4. Контекстное окно: главное ограничение, о котором забывают
1.4.1. Что происходит, когда контекст заполняется?
1.4.2. U-образная кривая внимания
1.4.3. Решит ли большое контекстное окно проблему?
1.4.4. Четыре практических правила для работы с контекстным окном
1.4.5. Какие проблемы связаны с контекстным окном?
1.5. Роль и контекст: как роль задает вектор генерации?
1.6. LLM как голограмма
Промпты в действии: изучение иностранного языка

Глава 2. Когда ИИ говорит уверенно - и ошибается. Галлюцинации LLM
2.1. Логический капкан: эксперимент «Temporal Mastery Index»
2.2. Каталог антипаттернов: как заставить ИИ врать?
2.3. Зоны риска: где галлюцинации опасны?
2.4. Как читать ответ? Признаки галлюцинации в тексте
2.5. Реальные случаи: когда галлюцинация дорого обходилась пользователю
2.6. Экспресс-тест на галлюцинацию: три вопроса
2.7. Парадокс доверия
Промпты в действии: здоровье и симmомы

ЧАСТЬ П. ИСКУССТВО ДИАЛОГА С МАШИНОЙ

Глава 3. Грамматика промпта
3.1. Структура запроса: схемы RCT и COST AR
3. 1.1. COST AR как расширение RCT
3.1.2. Практикум: работа с промпrом
3.2. Модульное строительство: пишем как верстаем
3.3. Форматы вывода: как должен выглядеть ответ?
3.4. Глагол как половина промпта
3.4.1. Практикум: один запрос-десять разных ответов
3.5. Системные промпты: невидимая сцена
3.5.1. Пример системного промпта для корпоративного ассистента
3.5.2. Разница между системным промпrом и обычным
3.6. Итеративное уточнение промпта
3.6.1. Стратегии уточнения после плохого ответа
3.6.2. Когда остановиться?
3.7. Температура и параметры: когда нужна точность, а когда - хаос
3.7.1. Temperature (температура): от 0 до 2
3.7.2. Тор-Р и Тор-К: тонкая настройка
3.8. Три распространенные ошибки грамматики промпта
3.9. Практикум: библиотека готовых шаблонов
Промпты в действии: карьера и резюме

Глава 4. Точная генерация
4.1. Few-Shot Prompting: власть прецедента
4.1.1. Три уровня Few-Shot
4.1.2. Скрытая сила Few-Shot: передача оттенков
4.1.3. Практикум: Few-Shot для извлечения структурированных данных
4.2. RAG: заземление нарратива
4.2.1. Ручной RAG: как использовать технику без единой строки кода?
4.2.2. Три сценария применения RAG
4.2.3. Практикум: корпоративный чат-бот за 10 минут
4.2.4. Ограничения RAG, и как с ними работать?
4.3. Структурированные форматы: JSON, У АМL и Markdown
4.3.1. Почему модели ломают JSON, и как это исправить?
4.3.2. Markdown как язык форматирования
4.3.3. Практикум: пайплайн «Сырой текст в структурированные данные»
4.4. Точная генерация функции на чистом Python
4.5. Когда точность важнее красоты: чек-лист
Промпты в действии: личные финансы

Глава 5. Управляемая креативность
5.1. Паттерн «Команда экспертов» (Мulti-Persona Brainstorm)
5.2. Паттерн «Адвокат дьявола»
5.3. Физика случайности: работа с температурой
5.4. Практикум: креативность как инженерная дисциплина. Взлом противоречий с помощью ТРИЗ
5.4.1. ТРИЗ-мегапромпт: преобразование хаоса в решение
5.4.2. Промпт: системный ТРИЗ-архитектор
Промпты в действии: воспитание детей

Глава 6. Многошаговое мышление
6.1. Chain-of-Тhought (Цепочка мыслей): замедляем нарративный двигатель
6.1.1. Практикум: многошаговое мышление в одном промпте (Mega-prompt)
6.1.2. Промпт «Охотник за противоречиями»
6.2. Tree of Тhoughts (Дерево мыслей): исследование мультивселенной
6.2.1. ТоТ за пределами инженерии: три сферы применения
6.2.2. Когда не стоит использовать ТоТ?
6.3. ReAct (Reason + Act): превращение рассказчика в участника
6.3.1. ReAct на практике: рабочий цикл
6.3.2. Три правила устойчивого ReAct
6.4. Выбор инструмента: Сот, ТоТ или ReAct?
6.5. ИИ-агенты: автономность, которую оплачиваете вы
6.5.1. Что такое «агент»?
6.5.2. Что агент делает, а что нет?
Где вам придется платить?
Почему итерация с человеком лучше?
Где агентъ1 работают хорошо?
6.5.3. Промпты для агентных систем: три шаблона
6.5.4. Вывод: агент как инструмент, а не как замена
Промпты в действии: путешествия

Глава 7. Как снизить риск галлюцинаций LLM?
7.1. Протокол достоверности
7 .1.1. Базовый шаблон протокола достоверности
7 .1.2. Как это работает на практике?
7.2. Multi-step Verification Loop (петля верификации)
7 .3. Практические шаблоны для критических доменов
7.4. Режим сомнения: как заставить модель спорить с собой?
7 .4.1. Расширенная версия: протокол трех голосов
7.5. Автоматический чек-лист: встроенная верификация в промпт
7 .5 .1. Почему это работает лучше, чем просто «будь точным»?
7.6. Паперн «Источник или молчание»
7. 7. Когда верификация невозможна: ограничения
7.8. Практикум: сборка полного пайплайна верификации
7.9. Финальный инструмент: промпт самоднагностики
Промпты в действии: юридические вопросы

ЧАСТЬ Ш. ТЕКСТ, ИЗОБРАЖЕНИЯ, КОМАНДА И МАСТЕРСТВО

Глава 8. Написание текстов
8.1. Почему текст деградирует?
8.2. Усредненность как архитектурная проблема
8.3. Главный принцип: черновик до промпта
8.4. Узнаваемые штампы LLM
8.4.1. Конструкции, которые нельзя запрещать
8.4.2. Практическое правило
8.5. Способны ли модели к творчеству?
Промпты в действии: генерация текста
Статьи и публикации Деловые письма
Отчеты и аналитика
Курсовые и академические тексты
Специальные форматы

Глава 9. Программирование с LLM
9.1. Почему код пишется хорошо и где начинаются проблемы?
9.1.1. Проблема первая: потеря контекста проекта
9.1.2. Проблема вторая: модель не дорабатывает - она переписывает
9.1.3. Проблема третья: уверенный неэффективный код
9 .2. Обманчивое ощущение компетентности
9.3. Правильный подход: маленькие куски с контролем
9.4. Промпты для работы с кодом
9.5. Работа с большими проектами
9.6. Почему всё может измениться?
Промпты в действии: учеба и подготовка к экзаменам

Глава 10. Генерация изображений и визуальная промптика
10.1. Грамматика визуального кадра: схема Directorial RCT
10.2. Практикум: эволюция визуального промпта
10.3. Ключевые визуальные модули
10.4. Артефакты, рабочий процесс и управление
10.5. Путь экспериментатора: использование LLM как Proxy
10.6. Negative Prompts: искусство запрета
10.6.1. Практикум: до и после негативного промпта
10.7. Сравнение платформ: где генерировать?
10.8. Этика и юридические нюансы
10.9. Промпт-библиотека: шаблоны для типичных задач
Промпты в действии: фотография и визуальный контент

Глава 11. ПИ в команде и в образовании
11.1 . Иллюзия компетентности
11.2. ИИ в команде: задача тимлида
11.3. Три роли ИИ в команде
11.4. О чем стоит договориться с командой?
11.5. Наём в эпоху ИИ: что изменилось?
11.6. Как не убить инициативу запретами?
11.7. Разговор с руководством: как объяснить, почему «быстрее» не всегда «лучше»?
11.8. Дизайн заданий, устойчивых к ИИ
11.9. ИИ как тьютор
11.1 О. Практикум: промпт для домашних заданий
Промпты в действии: управление временем и задачами

Глава 12. ПИ в исследованиях и анализе данных
12.1. Не доверяйте модели
12.2. Почему аналитические задачи особенно опасны?
12.3. Подготовка данных: половина успеха
12.4. Как строить промпт для аналитической задачи?
12.5. Контрольный промпт: заставить модель сомневаться
12.6. Перекрестная верификация - обязательное требование
12. 7. Что LLM делает хорошо и где она бесполезна?
12.8. Главный вывод: вести, а не следовать
12.9. Практикум: качественные исследования - анализ текстов и интервью
12.9.1. Анализ интервью и транскриптов
12.9.2. Контент-анализ текстов
12.9.3. Главное отличие качественного анализа от количественного
Промпты в действии: проводим анализ

Глава 13. Маркетинг и peклама
13 .1. Слоганы: почему первый вариант всегда плохой?
13 .2. Рекламные объявления: структура, которая конвертирует
13 .3. Анализ конкурентов: что говорят другие и что это значит?
13.4. Понимание целевой аудитории
13.5. Еmаil-маркетинг и продающие письма
13 .6. Контент для социальных сетей
13. 7. Оценка маркетинговых текстов
13.8. SEO, GEO и контент для поиска
13.8.1. Традиционный GEO: тот же SEO в новой упаковке
13.8.2. Настоящий GEO: границы вместо описаний
Практический вывод
13.9. Нейминг и брендинг
13 .1 О. Главное в маркетинговом промптинге
Промпты в действии: написание разных текстов

Глава 14. Человек и LLM: когнитивные риски
14.1. Паразитные паттерны в общении с LLM
14.2. Исследуем когнитивные ловушки LLM
14.3. Промпт-аудитор как индикатор
14.4. Эхокамеры нового типа: когда ИИ соглашается с вами
14.5. Атрофия навыков: что мы незаметно теряем с LLM?
14.6. Методика «двух этапов»
14.6.1. Почему это работает?
14.6.2. Практикум: применение метода двух этапов
14.7. Сохранение критичности при работе с LLM
14.8. Практикум: психоэмоциональный анализ
Промпты в действии: спорт и тренировки

Заключение. Искусственный интеллект как соавтор
Что мы прошли?
Три вещи, которые не устареют
Немного о будущем
Промпт-инжиниринг как режиссура
Финал
Промпты в действии
Сложные разговоры и отношения
Кулинария
Глоссарий
Предметный указатель