Как правильно промптить? Попросите AI написать промпт за вас!
В комментариях к прошлому посту появились вопросы, как я подхожу к написанию промптов. Мой ответ простой: я почти никогда не пишу их с нуля. Я использую AI, чтобы он написал промпт для меня. Это мета-навык, который экономит кучу времени.
Делюсь своим воркфлоу, который можно применить практически для любой задачи.
Мой итеративный воркфлоу в AI Studio
Представьте, что нам нужно написать промпт для субагента в Claude Code, основываясь на какой-то статье или документации.
🧠 Шаг 1: Собираем контекст.
Берем исходный материал — статью, пост из другого канала, документацию — и загружаем его в AI Studio. Это основа, на которой модель будет строить свои ответы.
🗣 Шаг 2: Диалог и проверка понимания.
Прежде чем просить сгенерировать финальный промпт, я задаю несколько уточняющих вопросов по тексту.
На примере этой статьи, которая описывает подход к работе с Claude Code, уточняющие вопросы могут быть такими:
"Правильно ли я понимаю, что субагент должен делать X и Y?", "Какие ключевые принципы построения промптов описаны в этой статье?". Так мы убеждаемся, что модель "в теме".
📝 Шаг 3: Генерация первого черновика.
Теперь просим главное: "Основываясь на этой статье, напиши промпт для субагента-тестировщика. Промпт должен соответствовать аннотации Claude Code (можно даже привести пример структуры)". Мы даем модели всю необходимую информацию, чтобы она сгенерировала качественный результат.
🧐 Шаг 4: Ревью и быстрые правки.
Полученный промпт внимательно проверяем.
Мелкие ошибки или неточности? Исправляю вручную.
Серьезные логические проблемы? Не трачу время на исправление. Возвращаюсь к шагу 3 и корректирую свой изначальный запрос, чтобы получить лучший результат.
🔄 Шаг 5: Тестирование и отладка (Feedback Loop).
Вставляем готовый промпт в нашу систему (например, в Claude Code) и запускаем. Если что-то идет не так и агент ошибается — это не провал, а ценная информация!
Я беру вывод с ошибкой, возвращаюсь в тот же чат в AI Studio и спрашиваю: "Смотри, агент с твоим промптом выдал вот такую ошибку. Почему это произошло и как нам исправить промпт?". Модель анализирует проблему и предлагает решение. Мы получаем улучшенную версию, тестируем снова — и так до победного.
А как же специальные инструменты?
Да, существуют инструменты для "улучшения" промптов от Anthropic и OpenAI. Но, честно говоря, для 95% повседневных задач они избыточны.
Мой подход такой:
Для разовых или некритичных задач: Прототипа, полученного по воркфлоу выше, более чем достаточно.
Для промптов в production-системах: Вот здесь уже стоит заняться полировкой. Когда прототип доказал свою работоспособность, можно его оптимизировать: добавить XML-теги для структурирования, убрать лишнюю информацию для экономии токенов и т.д.
В итоге, главный скилл — не в том, чтобы с нуля придумать идеальный промпт, а в том, чтобы выстроить процесс, где AI помогает вам его создать и отладить.
Если было полезно, жмите 🔥+🔁!
#ai_coding@the_ai_architect #prompt_engineering@the_ai_architect
✔️ The AI Architect Blog, подписывайтесь!
В комментариях к прошлому посту появились вопросы, как я подхожу к написанию промптов. Мой ответ простой: я почти никогда не пишу их с нуля. Я использую AI, чтобы он написал промпт для меня. Это мета-навык, который экономит кучу времени.
Делюсь своим воркфлоу, который можно применить практически для любой задачи.
Мой итеративный воркфлоу в AI Studio
Представьте, что нам нужно написать промпт для субагента в Claude Code, основываясь на какой-то статье или документации.
🧠 Шаг 1: Собираем контекст.
Берем исходный материал — статью, пост из другого канала, документацию — и загружаем его в AI Studio. Это основа, на которой модель будет строить свои ответы.
🗣 Шаг 2: Диалог и проверка понимания.
Прежде чем просить сгенерировать финальный промпт, я задаю несколько уточняющих вопросов по тексту.
На примере этой статьи, которая описывает подход к работе с Claude Code, уточняющие вопросы могут быть такими:
"Правильно ли я понимаю, что субагент должен делать X и Y?", "Какие ключевые принципы построения промптов описаны в этой статье?". Так мы убеждаемся, что модель "в теме".
📝 Шаг 3: Генерация первого черновика.
Теперь просим главное: "Основываясь на этой статье, напиши промпт для субагента-тестировщика. Промпт должен соответствовать аннотации Claude Code (можно даже привести пример структуры)". Мы даем модели всю необходимую информацию, чтобы она сгенерировала качественный результат.
🧐 Шаг 4: Ревью и быстрые правки.
Полученный промпт внимательно проверяем.
Мелкие ошибки или неточности? Исправляю вручную.
Серьезные логические проблемы? Не трачу время на исправление. Возвращаюсь к шагу 3 и корректирую свой изначальный запрос, чтобы получить лучший результат.
🔄 Шаг 5: Тестирование и отладка (Feedback Loop).
Вставляем готовый промпт в нашу систему (например, в Claude Code) и запускаем. Если что-то идет не так и агент ошибается — это не провал, а ценная информация!
Я беру вывод с ошибкой, возвращаюсь в тот же чат в AI Studio и спрашиваю: "Смотри, агент с твоим промптом выдал вот такую ошибку. Почему это произошло и как нам исправить промпт?". Модель анализирует проблему и предлагает решение. Мы получаем улучшенную версию, тестируем снова — и так до победного.
А как же специальные инструменты?
Да, существуют инструменты для "улучшения" промптов от Anthropic и OpenAI. Но, честно говоря, для 95% повседневных задач они избыточны.
Мой подход такой:
Для разовых или некритичных задач: Прототипа, полученного по воркфлоу выше, более чем достаточно.
Для промптов в production-системах: Вот здесь уже стоит заняться полировкой. Когда прототип доказал свою работоспособность, можно его оптимизировать: добавить XML-теги для структурирования, убрать лишнюю информацию для экономии токенов и т.д.
В итоге, главный скилл — не в том, чтобы с нуля придумать идеальный промпт, а в том, чтобы выстроить процесс, где AI помогает вам его создать и отладить.
Если было полезно, жмите 🔥+🔁!
#ai_coding@the_ai_architect #prompt_engineering@the_ai_architect
