Как говорить с ИИ. Техники, стили, шаблоны и лайфхаки для общения с LLM нейросетями

Где применяется:

– Копирайтинг и генерация контента под целевую аудиторию

– Маркетинг, PR, блогинг, сценарии видео и соцсетей

– Персонализация общения в чат-ботах

– Образовательные тексты под разный уровень восприятия

Преимущества

– Делает тексты более точными по тону и адаптированными к ситуации

– Повышает вовлечённость и лояльность аудитории

– Ускоряет создание разностильного контента для одного и того же запроса

Пример шаблона для Style Prompting, где модель должна писать в заданном стиле, адаптируя тональность и лексику к контексту.

Задача:

Сообщить о задержке доставки клиенту интернет-магазина.

Промпт-шаблон (Style Prompting):

Напиши сообщение клиенту об извинении за задержку доставки, используя один из следующих стилей (варианты ниже). Сохраняй суть, но меняй тон:

1. Официальный стиль

2. Дружеский стиль

3. Юмористический стиль

Текстовое ядро:

«Заказ №24871 задерживается из-за сбоя на складе. Мы приносим извинения и сделаем всё возможное, чтобы ускорить доставку.»

Ожидаемые стилизованные ответы:

1. Официальный стиль: Уважаемый клиент, Сообщаем, что доставка заказа №24871 задерживается в связи с техническими сложностями на складе. Приносим извинения за доставленные неудобства. Мы предпринимаем все меры для скорейшего разрешения ситуации.

С уважением, Служба поддержки

2. Дружеский стиль: Привет! Хотим сразу сказать – заказ №24871 чуть задерживается из-за сбоя на складе Мы уже всё чиним и постараемся доставить как можно быстрее. Спасибо за понимание – вы с нами, и это круто

3. Юмористический стиль: Ну вот, наш склад решил поиграть в прятки с вашим заказом №24871 Но не волнуйтесь – мы его уже нашли и возвращаем в реальность! Скоро приедет. Спасибо, что относитесь с юмором – мы вас не подведём

Такой шаблон идеально подходит для:

– Писем

– Уведомлений

– Рекламных текстов

– Постов в соцсетях

– Сценариев общения в чат-ботах

Emotion Prompting

Emotion Prompting – это техника, при которой модель получает инструкцию не только о содержании, но и об эмоциональной окраске ответа. Метод позволяет управлять эмоциональным тоном текста: сделать его вдохновляющим, сочувственным, тревожным, радостным и т. д.

Как работает:

В промпт добавляется указание на желаемую эмоцию или эмоциональный тон. Например:

«Опиши это с волнением и восторгом…»

«Сформулируй с сочувствием и теплотой…»

«Расскажи с иронией и лёгким раздражением…»

«Объясни с воодушевлением, как будто мотивируешь аудиторию»

Модель адаптирует лексику, ритм, эмоциональные слова и построение фраз под заданный тон.

Пример:

Запрос:

Объясни, зачем людям ставить цели в жизни.

Вариант 1 (нейтрально):

Цели помогают определить направление действий, расставить приоритеты и оценивать прогресс.

Вариант 2 (эмоционально, вдохновляюще):

Цели – маяки в океане повседневности. Без них мы дрейфуем. А с ними – движемся, растём, свершаем невозможное. Сначала переписывает промпт,

Вариант 3 (с ноткой тревоги):

Когда у человека нет цели, каждый день становится копией предыдущего. Появляется ощущение пустоты и потери смысла.

Где применяется:

– В мотивационном и образовательном контенте

– В рекламных сообщениях и сторителлинге

– При написании писем, обращений, выступлений

– В empathetic AI – чат-ботах с эмоциональной чуткостью

Преимущества:

– Позволяет точно передавать нужное настроение

– Повышает вовлечённость и эмпатию со стороны аудитории

– Делает тексты более живыми, убедительными и запоминающимися

Шаблон для Emotion Prompting – когда модель должна включить конкретную эмоцию (радость, вдохновение, тревогу, решимость и т.д.) в ответ.

Задача:

Сформулировать сообщение от руководителя команды перед запуском нового проекта, но в заданной эмоциональной окраске.

Промпт-шаблон (Emotion Prompting):

Ты – руководитель команды. Напиши короткое сообщение своей команде перед стартом важного проекта. Сформулируй одно и то же сообщение в разных эмоциональных стилях:

1. Воодушевляющее

2. Спокойное и ободряющее

3. Срочное и тревожное

4. Торжественное и гордое

5. Ироничное, но поддерживающее

Сохрани смысл: «Проект стартует завтра. У нас мало времени, но много потенциала. Верю в вас.»

Ожидаемые ответы:

1. Воодушевляющее: Завтра стартуем! Впереди вызов – и мы точно справимся. Вы – лучшая команда, и этот проект мы сделаем круто

2. Спокойное и ободряющее: Проект начинается завтра. Всё под контролем. У нас есть силы, опыт и поддержка друг друга. Просто делаем шаг за шагом.

3. Срочное и тревожное: Завтра старт, времени почти нет. Придётся включаться на максимум с первого дня. Держим фокус, не расслабляемся.

4. Торжественное и гордое: Завтра начинается новый этап. Этот проект – шанс показать, на что мы способны. Мы идём не просто работать – мы создаём результат.

5. Ироничное: Завтра начинаем – да-да, опять. Мало сна, много дедлайнов, но зато куча адреналина. Заряжаемся и вперёд

Этот шаблон легко адаптируется для:

– Писем

– Мотивационных речей

– Постов в соцсетях

– Рекламы

– Сценариев чат-ботов

System 2 Attention (S2A)

System 2 Attention (S2A) – это подход, при котором модель сначала модель переписывает промпт, убирая лишнюю или вводящую в заблуждение информацию, а уже затем – формирует на него ответ. Это позволяет повысить точность и сфокусировать модель на сути запроса.

Название отсылает к концепции «Системы 2» из когнитивной психологии (по Даниэлю Канеману) – более медленного и осознанного типа мышления.

Как работает:

Пользователь вводит запрос, содержащий как полезную, так и лишнюю информацию. Например:

«Слушай, мне нужно срочно объяснение, но я вообще не шарю в этом – что такое GPT, можешь как-то просто рассказать?»

Модель сначала переписывает этот запрос, оставляя только суть:

«Объясни, что такое GPT простыми словами.»

После этого даётся чёткий и релевантный ответ.

Пример использования в промпте:

Ты – продвинутый помощник.

Шаг 1: перепиши мой вопрос, убрав лишнее.

Шаг 2: дай точный и ясный ответ. Это очень раздражает!

Когда применять:

– Когда пользователи пишут длинные и неструктурированные запросы

– В интерфейсах ИИ-ассистентов и поддержки, где важна ясность и фокус

– В системах, где промпты собираются автоматически или из речи

Преимущества:

– Повышает понятность и точность ответа

– Убирает «шум» из запроса, фокусируясь на сути

– Полезен при взаимодействии с начинающими пользователями

Пример-шаблон для техники System 2 Attention (S2A) – когда модель сначала переписывает промпт, очищая его от лишнего, а затем отвечает уже на уточнённый и сфокусированный запрос.

Задача:

Ответить на перегруженный, путаный запрос пользователя – сначала упростив его.

Промпт-шаблон (System 2 Attention):

Ты – ассистент, который сначала упрощает запрос, убирая из него всё лишнее, эмоциональное или не относящееся к сути. Затем отвечаешь только на суть вопроса.

ШАГ 1: Перепиши запрос в краткой и чёткой форме.

ШАГ 2: Ответь на него максимально ясно.

Исходный запрос:

«Я уже полдня бьюсь над этим Excel, у меня всё плывёт в таблице, формулы какие-то странные, и я просто хочу понять – как вообще сделать так, чтобы ячейки тянулись по порядку, без сбоев? Это просто сводит с ума!»

Ожидаемый ответ:

ШАГ 1 – Упрощённый запрос: Как сделать так, чтобы в Excel ячейки автоматически заполнялись по порядку без сбоев?

ШАГ 2 – Ответ: Выделите начальную ячейку, введите первое значение (например, 1), затем в следующей ячейке – следующее (2). Выделите обе и протяните вниз за угол – Excel автоматически продолжит последовательность.

Такой шаблон отлично работает для:

– Хаотичных, эмоциональных, неполных запросов

– Пользовательских обращений в поддержку

– Инструкций и ответов на форумы

– Упрощения «шумных» входов в ИИ-системы

Вывод

Zero-Shot Prompting полезен, когда задача достаточно ясна сама по себе, а модель уже имеет необходимые знания из предобучения. Он позволяет получать быстрые и качественные ответы без подготовки примеров, что делает этот подход удобным для универсальных, стандартных или справочных запросов. Однако для сложных задач, где важны структура и контекст, эффективнее применять Few-Shot или другие техники.

Дополнительные техники Zero-Shot Prompting

Как повысить качество генерации без обучающих примеров?

Большинство пользователей ассоциируют Zero-Shot Prompting с простыми командами в духе «Напиши…», «Объясни…» или «Сделай…». Однако этот подход значительно богаче, чем кажется на первый взгляд. При правильной подаче запроса модель может решать даже сложные задачи без каких-либо обучающих примеров – если промпт сформулирован точно, логично и структурировано.

В этой главе мы рассмотрим дополнительные техники Zero-Shot Prompting, которые позволяют существенно повысить точность, релевантность и стабильность ответов, опираясь исключительно на внутренние знания модели. Такие методы особенно полезны, когда:

– задача новая или нестандартная,

– нет возможности подготовить примеры,

– требуется мгновенная реакция от модели,

– или важно получить универсальное решение без привязки к предыдущим данным.

В фокусе – управление стилем, ролями, логикой мышления и структурой ответа. Вместо просто «попросить» модель – мы научимся направлять её поведение, используя роли, эмоции, уточняющие шаблоны, переосмысление запроса и другие продвинутые практики.

SimToM

Моделирование мышления нескольких субъектов на основе заданных фактов

SimToM – это техника промптинга, которая используется для обработки сложных вопросов, где задействовано несколько участников, точек зрения или переменных. Модель при этом опирается только на явно заданные факты, не додумывает и не выносит предположений вне рамок входных данных.

Как работает:

– В промпте заранее формулируется набор известных фактов или утверждений.

– Модель получает задачу анализировать ситуацию строго на их основе, не привлекая внешние знания.

– Ответ строится логично, поэтапно, с учётом всех заявленных позиций.

Пример:

Факты:

– Алиса думает, что коробка с мячом стоит в комнате.

– Боб знает, что мяч переместили на кухню.

– Алиса не знает, что мяч перенесли.

Вопрос: Где, по мнению Алисы, находится мяч?

Инструкция модели: Ответь, основываясь только на перечисленных фактах.

Ответ: «По мнению Алисы, мяч находится в комнате.»

Где применяется:

– В задачах, связанных с моделированием убеждений, намерений, знаний разных субъектов

– В анализе сценариев и конфликтов (переговоры, психология, философия)

– В обучении логике, критическому мышлению и этике

– В разработке AI-агентов, которым нужно учитывать состояние знаний других агентов

Преимущества:

– Повышает строгость логики в рассуждениях модели

– Исключает галлюцинации и «домыслы» за пределами заданного контекста

– Учит работе с ограниченной и асимметричной информацией

Пример-шаблон для техники SimToM (Simulation-to-Model) – подхода, при котором модель отвечает на вопрос, строго опираясь на заранее заданный набор фактов, не дополняя их вымыслом или предположениями.

Задача:

Проанализировать взаимодействие персонажей на основе конкретных известных фактов, без домысливаний.

Промпт-шаблон (SimToM):

Используй только перечисленные факты. Не добавляй домыслов или внешних знаний. На основе этих фактов – ответь на вопрос о взаимодействии персонажей.

Факты:

1. Анна не доверяет Максиму после инцидента с отчётом.

2. Максим старается наладить отношения, но избегает прямых разговоров.

3. Анна консультируется с Олегом по ключевым вопросам.

4. Олег дружит с Максимом, но нейтрален в рабочих конфликтах.

5. Анна и Олег вместе предложили новую структуру отчётности.

6. Максим не участвовал в этом обсуждении.

Вопрос:

Почему Анна не включает Максима в обсуждение новой структуры и как это влияет на динамику в команде?

Ожидаемый ответ:

Анна не включает Максима в обсуждение, поскольку не доверяет ему после инцидента с отчётом (факт 1). Она предпочитает работать с Олегом, с которым у неё сложились рабочие отношения (факт 3 и 5). Максим, избегая прямого диалога (факт 2), не пытается восстановить доверие, что усиливает дистанцию между ним и Анной. Это снижает уровень открытого взаимодействия в команде и формирует устойчивую коалицию между Анной и Олегом, где Максим оказывается в стороне (факт 6).

Шаблон SimToM отлично подходит для:

– Анализа кейсов (HR, юриспруденция, консалтинг)

– Этических или деловых ситуаций

– Психологических или литературных разборов

– Сюжетного анализа в сценариях/книгах/играх

Rephrase and Respond (RaR)

Переформулируй – затем отвечай

Rephrase and Respond (RaR) – это техника, при которой модель сначала переписывает исходный запрос своими словами, а затем даёт ответ на уже уточнённую и структурированную формулировку. Такой подход помогает улучшить понимание задачи, особенно если начальный промпт был неясным, разговорным или перегруженным лишними деталями.

Как работает:

– Пользователь формулирует вопрос в произвольной или неструктурированной форме.

– Модель перефразирует его, чтобы выделить суть и устранить неоднозначности.

– Только после этого формируется финальный, обоснованный ответ.

Пример:

Промпт пользователя:

Я немного запутался, можешь объяснить, как вообще работают нейросети, ну типа вот эти как GPT?

RaR-подход:

Перефразировано:

«Объясни, как работают языковые нейросети на примере GPT, простым и понятным языком.»

Ответ:

«Языковые нейросети, такие как GPT, обучаются на огромных объёмах текста и затем используют вероятностную модель для генерации логичных продолжений заданных фраз…»

Где применяется:

– В обучающих продуктах и курсах, где важно прояснение запроса

– В интерфейсах поддержки пользователей (чат-боты, ассистенты)

– В системах, работающих с голосовыми запросами или неструктурированными сообщениями

Преимущества:

– Повышает ясность и фокусировку запроса

– Снижает риск неправильной интерпретации

– Делает ответ более точным и релевантным

– Позволяет использовать модель в роли «мышления вслух», как в обучении

Пример-шаблон для техники Rephrase and Respond (RaR) – модель сначала переформулирует вопрос, чтобы чётко понять его суть, а затем даёт структурированный ответ на уточнённую формулировку.

Задача:

Улучшить понимание неконкретного или перегруженного вопроса пользователя перед тем, как на него отвечать.

Промпт-шаблон (Rephrase and Respond):

ШАГ 1: Переформулируй вопрос, сделав его более чётким и фокусным.

ШАГ 2: Ответь на него подробно и логично.

Исходный вопрос:

«Я хочу, чтобы вы помогли мне разобраться, как вообще строится стратегия контент-маркетинга, потому что вроде все делают посты, статьи, но как из этого получается рост продаж – вообще непонятно.»

Ожидаемый ответ:

ШАГ 1 – Переформулированный вопрос: Как связана стратегия контент-маркетинга с ростом продаж и какие шаги включает её построение?

ШАГ 2 – Ответ: Контент-маркетинг работает как воронка:

1. Привлечение внимания – через полезные статьи, посты, видео.

2. Удержание интереса – за счёт регулярности, пользы и релевантности контента.

3. Формирование доверия – через экспертность, кейсы и отзывы.

4. Конверсия в продажу – когда контент подводит к конкретному предложению или решению проблемы. Стратегия строится от целевой аудитории: её боли, интересы, этапы воронки. Контент должен закрывать каждую фазу – от «узнал о вас» до «купил».

Этот подход отлично помогает:

– Структурировать запутанные вопросы

– Сделать запросы более «машиночитаемыми»

– Давать чёткие, целевые ответы без лишнего контекста

Re-reading (RE2)

Повтори прочтение перед ответом – для лучшего понимания

Re-reading (RE2) – это техника, при которой языковой модели явно указывается: прежде чем отвечать, перечитай запрос ещё раз. Такой подход особенно полезен для длинных, многослойных или двусмысленных вопросов, когда требуется более глубокое внимание к деталям.

Как это работает:

В инструкцию модели добавляется указание:

«Прежде чем ответить – перечитай запрос ещё раз и сформируй чёткое понимание.»

Модель повторно «внимательно» обрабатывает промпт, фиксируя ключевые элементы. После этого она генерирует более точный, логически связный ответ.

Пример использования:

Ты – эксперт по логике и критическому мышлению.

Прежде чем отвечать на каждый вопрос, перечитай его внимательно, выдели важные части, и только после этого сформулируй точный ответ.

Где применяется:

– В юридических, технических и научных задачах

– При анализе многоступенчатых или длинных промптов

– В задачах, где ошибка в интерпретации деталей критична

Преимущества:

– Повышает внимательность модели к ключевым элементам запроса

– Снижает риск генерации поверхностного или поспешного ответа

– Повышает логическую связанность и полноту ответа

– Особенно эффективна при работе с многошаговыми или составными вопросами

Пример-шаблон для техники Re-reading (RE2) – модель вначале перечитывает вопрос, чтобы лучше уловить смысл и все детали, и только после этого даёт точный, контекстуально полный ответ.

Задача:

Ответить на многофакторный, перегруженный вопрос, не упустив важных деталей.

Промпт-шаблон (Re-reading RE2):

Перед тем как отвечать, внимательно перечитай вопрос. Убедись, что понял все его части и нюансы. Затем дай полный, точный и логично структурированный ответ.

Вопрос:

«Я веду блог про саморазвитие, аудитория в основном женщины 25—35 лет. Планирую запустить курс по уверенности в себе. Подскажи, как выбрать формат (вебинар или записанные уроки), какие темы стоит затронуть и как вообще протестировать идею до запуска?»

Ожидаемый ответ:

Перечитано. Вопрос состоит из 3 частей:

1. Выбор формата курса

2. Темы для контента

3. Тестирование идеи до запуска

Ответ:

1. Формат: Для вашей ЦА (женщины 25—35) лучше подойдут записанные уроки + бонус: живой вебинар с ответами на вопросы. Это даёт гибкость и ощущение личного контакта.

2. Темы:

– Причины неуверенности

– Практики повышения самооценки

– Коммуникация без страха

– Упражнения на публичные выступления

– Как сохранять уверенность в стрессовых ситуациях

3. Тестирование:

– Проведите опрос в блоге/VK – Запустите бесплатный мини-урок или эфир

– Посмотрите вовлечённость: клики, комментарии, сохранения

– Предложите ранний доступ за символическую цену – это даст реальную обратную связь

Шаблон RE2 идеально работает для:

– Консультаций

– Анализа сложных бизнес-запросов

– Образовательных кейсов

– Линных писем и заявок

Self-Ask

Сначала уточни – потом отвечай

Self-Ask – это техника, при которой модель сама формулирует дополнительные вопросы к исходному запросу, если чувствует, что для точного ответа не хватает информации. После этого она отвечает, учитывая эти уточнения. Это приближает поведение модели к поэтапному человеческому мышлению: сначала разобраться, потом действовать.

Как работает:

Модель получает сложный или неполный запрос. Прежде чем сразу отвечать, она задаёт себе один или несколько уточняющих вопросов:

«Что нужно знать, чтобы правильно ответить на этот вопрос?»

После самоуточнения – формирует финальный ответ с учётом выявленных факторов.

Пример:

Запрос:

Объясни, как улучшить продажи.

Self-Ask-подход:

Внутренние уточнения:

– Для какого продукта? – Какая целевая аудитория? – Используются ли сейчас онлайн-каналы?

Финальный ответ с допущениями или общими рекомендациями, учитывающими эти переменные.

Где применяется:

– В бизнес- и аналитических задачах

– В экспертных консультациях, где часто неполный ввод

– В продуктах, где требуется гибкость мышления (боты, ассистенты, образовательные платформы)

Преимущества:

– Делает ответы более точными и персонализированными

– Повышает контекстную осведомлённость модели

– Позволяет компенсировать неполноту запроса

– Подходит для задач с множеством переменных и сценариев

Пример-шаблон для техники Self-Ask – когда модель сначала анализирует исходный вопрос, понимает, достаточно ли информации для ответа, и при необходимости задаёт уточняющие вопросы, прежде чем сформулировать ответ.

Задача:

Помочь пользователю выбрать платформу для запуска онлайн-курса.

Промпт-шаблон (Self-Ask):

Прочитай вопрос. Если в нём недостаточно информации для уверенного ответа, сначала задай 2—3 уточняющих вопроса, а затем – ответь на основной вопрос, с учётом предположений или возможных вариантов.

Вопрос:

«Посоветуй, где лучше запускать онлайн-курс – чтобы удобно было и недорого.»

Ожидаемый ответ:

Уточняющие вопросы:

1. Какой тип контента вы планируете использовать – видео, тексты, тесты?

2. Важно ли вам наличие встроенной платёжной системы?

3. Курс рассчитан на узкий круг (до 100 человек) или массовую аудиторию?

Ответ: Если вам нужен бюджетный старт и вы планируете видеоуроки + базовые тесты, подойдёт GetCourse (массово) или Teachable (англоязычная, удобная). Если важна интеграция с соцсетями и маркетинг – обратите внимание на Stepik или Thinkific. Для узкой группы и простоты управления – Notion + Telegram с платным доступом тоже может быть решением.

Техника Self-Ask полезна:

– В консультациях и поддержке

– При проектировании решений

– Для пользовательских сценариев с неполными вводными

– В B2B и B2C переписке, где часто нужно «довыяснить»

Вывод

Техники Zero-Shot Prompting особенно эффективны в ситуациях, когда необходимо оперативно решать задачи без примеров, опираясь на внутренние знания и логику модели. Они позволяют добиться высоких результатов при правильно сформулированных инструкциях и хорошо подходят для задач, где важна скорость и универсальность.

Хотя Zero-Shot требует более точной и чёткой формулировки, его гибкость и масштабируемость делают его мощным инструментом в арсенале prompt-инженера. Для достижения наилучших результатов важно экспериментировать с различными техниками, адаптируя подход под конкретную задачу и модель.