Создание промптов для нейросети: как собрать библиотеку для AI-агента на n8n

Проект появился из боли: «Почему промпты для LLM не дают желаемых результатов?» К решению подошли системно: изучили научные статьи и гайды по архитектуре запросов для нейросетей.

Проанализировали сотни техник промпт-инжиниринга, протестировали их на практике и отобрали 25 лучших сценариев. В статье расскажем, как проектировали архитектуру данных и по каким критериям фильтровали мусор, чтобы минимизировать галлюцинации ИИ в итоговом боте.

Идея требовала технического воплощения: нужно было связать базу знаний, мессенджер и нейросеть в единый организм. В качестве «скелета» выбрали low-code платформу n8n: позволяет автоматизировать процессы визуально, не тратя месяцы на написание и отладку сложного кода.

Однако практика показала: собрать схему из узлов – дело пары часов. Настоящим «узким горлышком» стали не настройки вебхуков или API, а сами промпты. Выяснилось, что без качественной инструкции даже продвинутая модель выдаёт посредственный результат.

Написание промптов – программирование на естественном языке. В IT называется промпт-инжинирингом. Суть не в красивых формулировках, а в жёсткой логике: неверное слово, порядок инструкций или отсутствие контекста превращают умного помощника в генератора галлюцинаций.

Большая часть правил неочевидна: пользователь видит плохой ответ, но не понимает причину сбоя. Мы поняли: чтобы получить качественный результат, не нужно учить каждого сотрудника тонкостям общения с LLM, – необходимо дать готовый, отлаженный инструмент.

Разметка датасета, таксономия и валидация промптов

Чтобы бот не галлюцинировал и выдавал релевантный результат, подошли к созданию базы знаний как к data science проекту: запустили процесс ручной валидации данных.

Разметка данных и таксономия. Сведения из исследований и PDF-отчётов перенесли в структурированный датасет. Каждому сценарию присвоили мета-теги и категорию: кодинг, копирайтинг, анализ данных и др. Так алгоритм в n8n сможет быстро найти нужный промпт через векторные и иные представления: чистота метаданных напрямую влияет на точность выдачи.

Экспертная оценка. Долго думали, как объективно оценить эффективность специальных запросов. Тестировали скрипты через разные LLM: Gemini, GPT, Qwen, и оценивали по метрикам качества. Старались быть строгими и дотошными: например, если промпт обещал «написать сильный текст в инфостиле» – проверяли итоговый результат по навыку Копирайтинг и в сервисе «Главред».

Сравнение результатов: zero-shot запросы против инженерных промптов

Сравнивали варианты ответов простого запроса и построенного по правилам:

1. Бизнес-задачи. Обычный промпт: «Предложи стратегию выхода на новый рынок книжному клубу нон-фикшн». В ответ получили множество безальтернативных пунктов с расплывчатыми выражениями: сложно извлечь суть, непонятно как применить и что делать дальше.

Применили промпт из библиотеки: «Задача: [[Предложи стратегию выхода на новый рынок книжному клубу нон-фикшн]] ## Инструкции Я хочу, чтобы ты использовал структурированный подход рассуждения (System 2) для анализа следующей бизнес-проблемы.

Применяй следующие техники:

• Макро-действия: сначала спланируй свой анализ, разбей его на высокоуровневые шаги.
• Структурированный поиск: рассмотри несколько альтернативных путей решения (минимум 3), оценивая перспективность каждого.
• Самопроверка: после формулирования решения, критически проанализируй его, найди потенциальные ошибки и исправь их.
• Пошаговое рассуждение: для каждого важного вывода приводи обоснование, не пропуская логические шаги.

## Пожалуйста, представь свой анализ в структурированном формате, с чётким разделением планирования, исследования альтернатив, формулирования решения и проверки».

ИИ предложил альтернативные подходы выхода на рынок и обозначил их плюсы и минусы. В конце сформировал рекомендуемую стратегию, смешав две концепции: вертикализация + контент-воронка. После сформулировал пошаговый план и обозначил потенциальные риски и коррекции. Результат оказался понятным, логичным, пригодным для внедрения.

2. Математические задачи. Для тестирования брали задачи различного уровня сложности: от примеров для учеников 8-го класса до крайне трудной олимпиадной математики. Типы задач:

1. Комбинаторика: подсчёт вариантов, инварианты, принцип Дирихле.
2. Геометрия: свойства вписанных углов, окружностей, многоугольников.
3. Алгебра и последовательности: рекуррентные соотношения, индукция.
4. Теория групп: аксиоматика, свойства подгрупп, построение контрпримеров.
5. Теория чисел: делимость, свойства квадратов, решение уравнений в целых числах.

Применение специального промпта не дало различий в результатах решений в сравнении с обычными формулировками. Тем не менее для сложных задач рекомендуется использовать специальный запрос: принудительно заставляет ИИ думать о ловушках и альтернативах. Обычная формулировка условия даёт одно преимущество – ответ выдаётся быстрее.

Особый промпт «Архитектор»:

Роль: ты эксперт-аналитик с глубоким системным мышлением (System 2).

Твоя цель – решить задачу, минимизируя когнитивные искажения и «галлюцинации» тренировочных данных.

## Алгоритм решения:

Анализ условий: выдели все входные параметры и константы. Определи «краевые условия», граничные значения, при которых решение может сломаться.

Проектирование: не пиши код/формулу сразу. Разбей задачу на атомарные логические шаги. Для каждого укажи фундаментальный математический или физический принцип.

Выбор метода: рассмотри минимум два пути решения, например, итерационный vs рекурсивный или аналитический vs численный. Кратко обоснуй выбор наиболее эффективного с точки зрения ресурсов – сложность O(n).

Реализация: приведи пошаговое решение или код. Сопровождай каждую значимую строку комментариями о её роли в логике.

Верификация: проведи «сухой прогон» на упрощённом примере. Проверь результат на соответствие здравому смыслу и физическим законам.

## Задача:

[[ ]]

Формат ответа: структурированный отчёт с разделением на этапы:

Анализ -> Модель -> Выбор метода -> Решение -> Проверка.

Промпт «Архитектор» заставляет модель пройти большее количество контрольных точек: анализ условий, выбор метода, доказательство полученного решения.

Благодаря этому снижается риск логических ошибок и повышается шанс найти ошибку в одном из шагов рассуждения. Отметили, что такое решение понятнее за счёт более детального объяснения.

3. Генерация идей. Простой запрос: расширь список идей для рекламной кампании продукта по уходу за кожей, учитывая разные аудитории. Получили:

Это классический пример, как ИИ работает с галлюцинациями среднего арифметического:

1. Ошибка «Сферический покупатель в вакууме»: в одну группу объединяются люди с диаметрально разными жизненными циклами. Пытаясь угодить всем в одной группе, не попадаем ни в кого.
2. Ошибка «Устаревшие маркетинговые клише»: выдаётся база, актуальная 5–10 лет назад – вызывает у потребителя раздражение или недоверие.
3. Игнорирование «Пути Клиента»: предлагаются инструменты (Reels, LinkedIn, Email), но они не связываются в единую воронку.
4. Отсутствие «Голоса бренда»: нейросеть предлагает сухие механики, но не говорит, как общаться с аудиторией.
5. Этическая и психологическая слепота: ИИ не понимает тонких социальных настроений.

Применили специальный промпт:

Роль: ты – ведущий стратег в международном рекламном агентстве с 20-летним опытом запуска виральных кампаний для брендов уровня Glossier и La Roche-Posay. Специализация – глубокая психология потребителя. Контекст: наш продукт – [[продукт по уходу за кожей]]. Нам нужно расширить охват, чтобы зацепить сегменты, которые мы упускаем.

Задача: Сгенерируй 10 принципиально разных концепций рекламных кампаний. Для каждой определи: Целевой сегмент: учитывай не только возраст, но и психографику: «тревожный зумер», «прагматичная мама», «биохакер» и т.д. Главную «боль» или инсайт аудитории. Предложи креативный слоган. Каналы продвижения.

Ограничения: Избегай клише вроде «сияй изнутри» или «верни молодость». Используй нестандартные углы: юмор, научный скептицизм или эстетику минимализма. Не предлагай банальные скидки. Формат: Представь ответ в виде таблицы для удобного сравнения.

Получился более целостный и психологически точный подход к сегментации и позиционированию. Результат оказался лучше в плане стратегической глубины – начинается с глубокой психологии потребителя, что считается фундаментом сильного маркетинга.

Структура базы знаний для MVP: отбор лучших сценариев

Отказались от принципа «больше – лучше». Некоторые промпты оказались узкоспециализированными, перегруженными. Для MVP, минимально жизнеспособного продукта, отобрали 11 категорий и 25 подкатегорий, которые покрывают большую часть рабочих задач.

Для каждого сценария подобрали набор вариаций под разные контексты. Например, для задачи «Генерация кода» оставили версии: от строгого рефакторинга до написания архитектуры с нуля. Подобные структурированные инструкции легли в основу базы знаний бота.

Анатомия идеального запроса: девять принципов архитектуры

Анализ результатов сотни запросов позволил вывести «золотой стандарт» промпта. Эффективная инструкция опирается не на удачные формулировки, а на жёсткую структуру и ясные ожидания от модели. Вот девять ключевых технических принципов, которые мы заложили в базу знаний:

1. Ролевая модель – persona pattern. Задаём роли: «Ты Senior Python Developer с 10-летним опытом, специализирующийся на оптимизации алгоритмов». Так веса модели переключаются в нужный семантический кластер.
2. Промптинг с несколькими примерами – few-shot prompting. Даём 2-3 примера идеального результата: input – output. Это повышает точность генерации на порядок по сравнению с запросами без примеров – zero-shot.
3. Изоляция контекста – delimiters. Чтобы нейросеть не путала инструкцию с обрабатываемым текстом, используем разделители: тройные кавычки ("""), XML-теги (<context></context>) или решётки.
4. Декомпозиция – chain of thought (CoT). Для сложных задач требуем рассуждать пошагово. Это снижает количество логических ошибок.
5. Глубокое рассуждение – System 2. Активируем критический анализ: проверка выводов, оценка альтернатив, избегание поспешных суждений – для задач, где CoT недостаточно.
6. Отрицательные ограничения – negative constraints. Модели часто пишут лишнее, загрязняя ответ и «сжирая» токены. Добавляем: не пиши вводные фразы: вот ваш код, это классическая задача, это глубокий вопрос и другие. Не объясняй очевидные вещи.
7. Цикл самопроверки – iterative refinement. Внедряем обязательный этап ревизии черновика ответа.
8. Комбо примеров и логики – few-shot CoT. Даём примеры, где показан не только вход/выход, но и процесс рассуждения.
9. Управление параметрами. В мета-данных указали рекомендуемую температуру. Для кода и логики: 0–0,2 – детерминированный результат, для креатива: 0,7–0,9.

Над созданием архитектуры, тестированием гипотез и отбором промптов работала рабочая группа Программного клуба: Даниил Шмитт, Альбина Анисимова, Алексей Коробов и Наталья Буйная.

Что дальше: интеграция с n8n и векторный поиск

У нас на руках оказался валидированный, структурированный и размеченный датасет – «топливо» высшего качества. Встала инженерная задача: как научить систему мгновенно находить нужный промпт под нечёткий запрос пользователя? Обычный поиск по ключевым словам здесь бессилен.

Во второй части статьи перейдём к разбору решения на базе n8n в рамках Программного клуба и покажем:

1. Как превратить базу знаний в векторное хранилище
2. Как настроить семантический поиск, чтобы бот понимал смысл.
3. Полную схему AI-агента, который заменяет библиотеку промптов.