Промпт-инжиниринг: примеры и 12 готовых шаблонов для работы

Почти все статьи про промпты объясняют теорию, а читателю нужен шаблон, который можно вставить и получить результат. Здесь промпт-инжиниринг на примерах: двенадцать шаблонов для суммаризации, извлечения данных, классификации, переписывания и анализа. К каждому дано объяснение, почему он устроен именно так, чтобы вы могли переделать его под свою задачу.

Все шаблоны работают с любой моделью из каталога. Фигурные скобки {{...}} — места, куда вы подставляете свои данные.

Общая схема: из чего состоит рабочий промпт

Хороший промпт отвечает на четыре вопроса: что делать, на каких данных, в каком формате вернуть и чего не делать. Если один из пунктов пропущен, модель угадывает, и результат плавает от запуска к запуску. Данные отделяйте от инструкции тегами или тройными кавычками: так модель не принимает текст документа за команду. Про это подробнее в статье о системных промптах→.

Промпт-инжиниринг: примеры шаблонов

Суммаризация

1. Краткое содержание с ограничением

Почему так: аудитория («руководитель, который не читал») задаёт уровень детализации лучше, чем слова «кратко» или «подробно». Явный запрет добавлять факты снижает риск выдумок.

2. Выжимка по пунктам с решениями

Почему так: фиксированные заголовки превращают свободный текст в структуру, а правило «не указан» не даёт модели придумывать исполнителей.

Извлечение данных

3. Поля в JSON

Почему так: схема с типами и null для отсутствующих значений делает ответ предсказуемым. Разбор того, как гарантировать валидный JSON, есть в статье про структурированный ответ→.

4. Извлечение с цитатой-подтверждением

Цитата позволяет быстро проверить ответ глазами и отсеять ложные срабатывания.

Классификация

5. Один ярлык из закрытого списка

6. Классификация с примерами

Почему так: закрытый список и ответ одним словом упрощают разбор в коде. Два-три примера задают границы лучше, чем описание, подробнее в статье про few-shot→.

Переписывание

7. Смена тона без смены смысла

8. Упрощение для нового читателя

Почему так: два ограничения («смысл не меняй», «длина не больше») удерживают модель от самодеятельности. Без них модель нередко удлиняет текст.

Анализ

9. Плюсы, минусы, риски

10. Проверка кода (ревью)

11. Сравнение вариантов

Работа по источнику

12. Ответ только по документу

Почему так: разрешённая фраза «в документе этого нет» даёт модели выход, поэтому она не сочиняет. Это основа поиска по базе знаний.

Как вызвать шаблон из кода

Все двенадцать шаблонов подставляются в один вызов. Пример на Python с OpenAI SDK, ключ берётся из переменной окружения:

import os
from openai import OpenAI

client = OpenAI(base_url="https://api.zukko.pro/v1", api_key=os.environ["ZUKKO_API_KEY"])

TEMPLATE = """Сократи текст до 5 предложений для руководителя.
Сохрани цифры, даты и имена. Не добавляй ничего, чего нет в тексте.

<text>
{text}
</text>"""

def summarize(text: str) -> str:
    r = client.chat.completions.create(
        model="deepseek-v4.1-flash",
        messages=[{"role": "user", "content": TEMPLATE.format(text=text)}],
        temperature=0.2,
    )
    return r.choices[0].message.content

Для задач с точным ответом (извлечение, классификация) держите температуру низкой, для переписывания можно выше. Учтите, что часть новых моделей игнорирует temperature или не принимает его: если получите ошибку 400, уберите параметр.

Сколько стоит один вызов

Цены на 18 октября 2026, $ за 1M токенов. Возьмём суммаризацию с условными объёмами: 3000 токенов на входе, 300 на выходе.

Для тысячи документов это около $0.05 и $1.80 соответственно. Какая модель достаточна, определяется проверкой на ваших текстах, а не таблицей: прогоните 20–30 примеров на обеих и сравните результат. Как это организовать, описано в статье про тестирование промптов→. Актуальные цены смотрите через GET https://api.zukko.pro/v1/models или на странице «Модели» в кабинете.

Типичные ошибки

• Инструкция и данные смешаны в один абзац, и модель выполняет команды из самого текста.
• Нет формата ответа, поэтому в код приходит текст с вступлением «Конечно, вот результат».
• Слишком общие слова: «сделай хорошо», «кратко». Заменяйте их измеримыми условиями: число предложений, аудитория, список полей.
• Нет выхода для модели: если ответа в данных нет, она должна иметь право так сказать.

Частые вопросы

Сколько примеров давать в промпте?

Обычно хватает двух-трёх разных. Больше стоит добавлять, только если на проверке видны ошибки определённого типа: тогда добавляйте пример именно на этот случай. Каждый пример увеличивает входные токены при каждом вызове.

Один длинный промпт или несколько коротких?

Если задача состоит из независимых шагов (извлечь, затем классифицировать, затем переписать), цепочка коротких промптов проще в отладке и проверке. Один длинный промпт дешевле по числу вызовов, но сложнее понять, где именно произошла ошибка.

Шаблоны подойдут для английского языка?

Да, структура одинаковая. Можно писать инструкцию по-английски, а данные оставлять на русском: проверьте оба варианта на своих текстах.

Нужно ли просить модель «думать пошагово»?

Для сложных расчётов и анализа это иногда помогает, но увеличивает число выходных токенов, а они дороже входных. Проверьте на примерах, даёт ли это прирост точности в вашей задаче.

Чтобы попробовать шаблоны, создайте ключ в кабинете Zukko и подставьте его в код выше. Оплата: СБП, криптовалюта или карты MasterCard, пополнение от $1.