Нейросети для работы. Книга-тренажёр

Перейдём к конкретным методам обработки файлов, которые вы будете использовать каждый день. Начнём с PDF-документов. Если PDF создан из текстового редактора, то есть вы можете выделить текст мышкой и скопировать его, модель обработает его напрямую: просто загрузите файл в чат и задайте вопрос. Если PDF является сканом, то есть текстовый слой отсутствует, вам потребуется мультимодальный OCR. В этом случае вы загружаете изображение скана в модель с поддержкой визуального входа, например в Qwen 2.5 или YandexGPT с мультимодальным режимом, и формулируете запрос: «Распознай весь текст на этом изображении, сохрани структуру заголовков и нумерацию пунктов, выведи результат в виде чистого текста». Качество распознавания зависит от чёткости скана: если разрешение ниже ста пятидесяти точек на дюйм или текст сфотографирован под углом, модель начнёт путать буквы. Оптимальное разрешение для сканирования — триста точек на дюйм, формат сохранения — PNG без сжатия или TIFF. Если документ многостраничный, сканируйте по одной странице и обрабатывайте последовательно, а не пытайтесь загрузить весь PDF сканов одним файлом.

Теперь о таблицах Excel и файлах формата XLSX. Модель не умеет читать бинарный формат Excel напрямую, поэтому перед загрузкой вам нужно конвертировать таблицу в текстовое представление. Самый простой способ: откройте таблицу в редакторе, выделите нужные данные, скопируйте их и вставьте в промпт как обычный текст, разделяя столбцы символом табуляции или вертикальной чертой. Если таблица большая, более пятидесяти строк, разбейте её на логические блоки по десять-пятнадцать строк и обрабатывайте каждый блок отдельно, а результаты объединяйте. Для сложных таблиц с несколькими листами, формулами и условным форматированием лучший подход — экспортировать нужный лист в формат CSV, то есть Comma-Separated Values, значения, разделённые запятыми. CSV — это обычный текстовый файл, где каждая строка представляет собой запись, а столбцы разделены запятой или точкой с запятой. Модель отлично понимает CSV и может анализировать данные, находить аномалии, группировать и агрегировать значения.

Для файлов формата DOCX, то есть документов Microsoft Word, подход аналогичен текстовому PDF: система извлекает чистый текст, и модель работает с ним напрямую. Однако есть нюанс с таблицами и встроенными изображениями внутри DOCX. Если в документе есть таблица, при извлечении текста она может потерять структуру и превратиться в поток слов. В этом случае перед загрузкой скопируйте таблицу отдельно и вставьте её как CSV или как текст с разделителями. Если в документе есть диаграммы или схемы, сохраните их как изображения и загрузите через мультимодальный режим отдельно от текста.

Работа со сканами через мультимодальный OCR заслуживает отдельного внимания, потому что это один из самых частых сценариев в российском бизнесе: накладные, акты, счета-фактуры, договоры — всё это часто приходит в виде сканов или фотографий. Алгоритм работы следующий: сначала вы загружаете изображение в модель и просите распознать текст с сохранением структуры. Затем, если документ содержит таблицу, вы просите модель преобразовать распознанные данные в формат CSV. И наконец, вы задаёте аналитический вопрос уже по извлечённым данным. Критически важно при работе со сканами документов, содержащих персональные данные или реквизиты, помнить о классификации из третьей главы: если на скане видны фамилии, телефоны, паспортные данные или номера счетов, это красный уровень, и обрабатывать такой документ можно только в локальном контуре через Ollama или LM Studio, без подключения к интернету.

Практика. Базовый уровень. Задание «Из текста в таблицу»

Ваша задача на ближайшие пятнадцать минут — взять любой текстовый документ, в котором данные представлены в виде связного повествования, и превратить их в структурированную таблицу. Это может быть годовой отчёт компании, статья с перечислением показателей или даже фрагмент технического задания, где требования описаны абзацами. Откройте модель, загрузите текст и сформулируйте промпт по следующей схеме: «Проанализируй приведённый ниже текст. Извлеки все числовые показатели, имена, даты и категории. Представь результат в виде таблицы с колонками: Параметр, Значение, Единица измерения, Источник в тексте. Если какой-то параметр не имеет числового значения, укажи в колонке Значение слово „не указано“». Скопируйте результат, вставьте его в Excel или в любой табличный редактор и убедитесь, что данные извлеклись корректно. Запишите в чек-лист прогресса, сколько параметров модель извлекла, сколько из них оказались верными при ручной сверке с оригиналом, и потребовалась ли корректировка промпта. Если точность извлечения ниже девяноста процентов, попробуйте добавить в промпт пример желаемого формата, то есть одну-две строки таблицы, заполненные вручную, чтобы модель поняла шаблон.

Практика. Продвинутый уровень. Задание «Сравнительный анализ»

Это задание займёт тридцать-сорок минут и потребует от вас применения каскадной суммаризации на практике. Найдите два-три документа на одну тему: это могут быть два отчёта разных компаний за один период, две версии технического задания на один проект или две статьи разных авторов на одну тему. Загрузите каждый документ по отдельности и попросите модель извлечь ключевые тезисы, цифры и выводы, сжав каждый документ до одной страницы саммари. Затем загрузите все саммари вместе и попросите провести сравнительный анализ: «Сравни представленные данные. Укажи, где значения совпадают, где расходятся и где один документ содержит информацию, отсутствующую в другом. Представь результат в виде связного текста с выделением расхождений». Результат сравните с оригиналами: действительно ли модель нашла все ключевые различия или упустила что-то важное? Запишите в чек-лист прогресса, на каком этапе каскада возникли потери информации и как вы их компенсировали. Это упражнение научит вас чувствовать, где именно в цепочке обработки данных нужно быть особенно внимательным.

Практика. Экспертный уровень. Задание «Мультимодальный RAG»

Это задание для тех, кто хочет освоить работу с визуальными данными в режиме поиска и извлечения. Вам потребуется сорок-шестьдесят минут и модель с поддержкой мультимодального входа. Соберите пять-семь изображений на одну тему: это могут быть фотографии одного типа оборудования с разных ракурсов, скриншоты разных версий одного интерфейса, сканы нескольких страниц одного документа или фотографии товаров на витрине. Загрузите изображения по одному и для каждого попросите модель составить подробное текстовое описание: что изображено, какие надписи присутствуют, какие объекты можно выделить. Сохраните все описания. Теперь загрузите все описания вместе и задайте вопрос: «На основе этих описаний найди три общих элемента, присутствующих на всех изображениях, и два элемента, которые встречаются только на одном из них». Это и есть упрощённая версия мультимодального RAG: вы создали текстовый индекс визуальных данных и теперь ищете по нему смыслы. Запишите в чек-лист прогресса, насколько точно модель нашла общие элементы и где возникли ошибки. Если вы работаете в корпоративной среде, подумайте, как масштабировать этот подход на сотни изображений и как автоматизировать процесс через скрипт, который последовательно загружает файлы и собирает описания в единую базу.

На этом четвёртая глава завершена. Вы узнали, как модель превращает файлы в токены, почему большие документы теряют информацию в середине и как три стратегии — чанкинг, каскадная суммаризация и RAG — позволяют работать с документами любого объёма без потери качества. Вы освоили обработку PDF, таблиц и сканов, а также попробовали свои силы в мультимодальном поиске по изображениям. В следующей главе мы переходим к искусству составления запросов: вы узнаете, из каких пяти компонентов состоит идеальный промпт и почему замена одного слова в роли модели способна сократить количество доработок с четырёх итераций до одной.

Часть II. Технологии промптинга: От простых команд к каскадным системам

Глава 5. Золотой стандарт промпта: Пятикомпонентная матрица

Теория

В четырёх предыдущих главах мы разобрали, как модель работает с токенами, почему она галлюцинирует, как защитить данные и как подавать документы. Теперь настало время главного инструмента, который определяет качество любого вашего взаимодействия с нейросетью: промпта. Промпт, от английского prompt, то есть запрос или подсказка, — это текстовая инструкция, которую вы отправляете модели для получения результата. Звучит банально, но именно здесь совершается девяносто процентов ошибок, которые потом выливаются в часы переделок, разочарование и вывод «ИИ не работает». Проблема не в модели. Проблема в том, что большинство пользователей пишут запросы так, как будто разговаривают с всезнающим коллегой, который автоматически понимает контекст, цели и формат. Модель не понимает. Модель — это математический механизм, который выдаёт ровно то, что вы запросили, и если запрос размытый, ответ будет размытым.

Чтобы исключить размытость, я предлагаю вам пятикомпонентную матрицу, то есть структуру из пяти обязательных элементов, каждый из которых выполняет свою функцию и без которого промпт теряет эффективность. Первый компонент — Роль. Вы указываете модели, от лица какого специалиста она должна отвечать. Это не формальность и не игра в театр: роль задаёт вектор поиска в пространстве вероятностей. Когда вы пишете «Ты — стажёр-аналитик», модель подбирает наиболее вероятные продолжения из корпуса текстов, ассоциированных с начальным уровнем экспертизы. Когда вы пишете «Ты — аудитор с двадцатилетним стажем в Big Four», модель переключается на паттерны речи, аргументации и глубины анализа, характерные для текстов, написанных опытными профессионалами. Разница в качестве ответа при одинаковом задании может быть колоссальной, и мы увидим это в кейсе ниже.

Второй компонент — Контекст. Здесь вы даёте модели фоновую информацию, без которой невозможно принять правильное решение: кто ваш клиент, какая отрасль, какая стадия проекта, какие ограничения по бюджету или срокам. Контекст сужает пространство генерации и не позволяет модели уходить в общие рассуждения. Третий компонент — Задача. Это конкретное действие, которое модель должна совершить: проанализировать, написать, сравнить, извлечь, переформулировать. Задача должна быть одна и сформулирована глаголом в повелительном наклонении. Четвёртый компонент — Ограничения. Здесь вы указываете, чего делать нельзя: не использовать жаргон, не превышать определённый объём, не выдумывать факты, не давать рекомендаций вне указанной области. Ограничения работают как ограждения на дороге: они не говорят модели, куда ехать, но не дают ей съехать в кювет. Пятый компонент — Формат вывода. Вы чётко указываете, в каком виде хотите получить результат: связный текст на три абзаца, нумерованный список из пяти пунктов, таблица с определёнными колонками, письмо в официально-деловом стиле. Без формата модель сама решает, как оформить ответ, и в половине случаев этот формат вас не устроит.

Для мультимодальных запросов, где вы загружаете изображение, аудио или видео, к пяти компонентам добавляется шестой — Модальность. В этом компоненте вы явно указываете модели, какой тип данных она получает и что именно нужно из него извлечь. Например: «Ты получаешь фотографию приборной панели. Извлеки все числовые показания и укажи, какие из них выходят за пределы нормы». Без явного указания модальности модель может начать описывать изображение общими словами, не фокусируясь на тех данных, которые вам нужны. Шестой компонент критически важен, потому что визуальные и аудио-данные содержат гораздо больше информации, чем текст, и без точного указания, на что смотреть, модель утонет в деталях.

Теперь о двух фундаментальных техниках промптинга, которые определяют, даёте ли вы модели примеры или нет. Первая техника называется Zero-shot, то есть «ноль примеров». Вы формулируете запрос и сразу просите результат, не показывая модели, как выглядит желаемый ответ. Это работает для простых, хорошо известных задач: суммаризация, перевод, перефразирование. Вторая техника — Few-shot, то есть «несколько примеров». Перед тем как дать модели основное задание, вы показываете ей два-три примера пар «вход → выход», чтобы она поняла шаблон. Few-shot критически важна, когда вам нужен нестандартный формат, специфический стиль или когда задача выходит за рамки типичных сценариев. Например, если вы хотите, чтобы модель извлекала данные из текста в определённом формате JSON с конкретными ключами, покажите ей два-три примера готового JSON на основе других текстов, и только потом давайте основной текст. Модель увидит паттерн и воспроизведёт его с точностью, недостижимой при Zero-shot.

Реальный кейс

Чтобы показать, как один-единственный компонент матрицы способен изменить экономику целого процесса, расскажу историю консалтинговой фирмы, специализирующейся на аудите бизнес-процессов для среднего производственного сектора. Команда из четырёх аналитиков готовила отчёты по результатам выездных проверок: каждый отчёт включал описание текущих процессов, выявленные узкие места, рекомендации по оптимизации и финансовую модель эффекта. Написание одного отчёта занимало в среднем два дня, причём значительная часть времени уходила на итерации доработки: первый черновик, правки старшего партнёра, второй черновик, ещё правки, третий черновик, финальная шлифовка. В среднем получалось четыре итерации, то есть четыре цикла «написал — получил замечания — переписал».

Руководитель аналитического отдела решил внедрить ИИ в процесс подготовки отчётов и начал с того, что написал промпт, в котором указал роль: «Ты — стажёр-аналитик, который готовит первый черновик отчёта». Модель выдавала текст, но он был поверхностным, без глубины анализа, без конкретных цифр, с общими рекомендациями в духе «необходимо оптимизировать процессы». Старший партнёр возвращал черновик с замечаниями, аналитик переписывал промпт, добавляя уточнения, и цикл повторялся. Четыре итерации, как и раньше, только теперь с участием нейросети.

Перелом произошёл, когда руководитель изменил один-единственный компонент матрицы — роль. Вместо «стажёр-аналитик» он написал: «Ты — аудит-директор с двадцатилетним стажем в крупнейших международных консалтинговых компаниях, специализирующийся на операционной эффективности производственных предприятий. Твой стиль: конкретный, основанный на цифрах, без общих фраз. Ты всегда указываешь количественный эффект каждой рекомендации». Результат изменился радикально. Модель начала выдавать текст с конкретными бенчмарками, ссылками на отраслевые нормы, расчётами эффекта в процентах и рублях. Объём доработок сократился с четырёх итераций до одной: старший партнёр вносил лишь косметические правки и уточнял пару цифр по специфике конкретного клиента. Экономия времени составила около шести часов на каждый отчёт, что при потоке в восемь-десять отчётов в месяц давало компании почти два дополнительных рабочих дня в месяц на каждого аналитика. Урок очевиден: роль — не декоративный элемент, а рычаг управления глубиной и качеством генерации.

Скрипт и шаблон

Теперь я дам вам универсальный шаблон, который вы будете использовать каждый день. Я называю его Мета-Промпт, потому что это промпт для создания промптов: вы подставляете свои данные в фиксированную структуру и получаете запрос, который работает с первого раза. Структура звучит так. Первая строка: «Ты — [РОЛЬ: должность, стаж, специализация]». Вторая строка: «Контекст: [описание ситуации, отрасли, клиента, стадии проекта]». Третья строка: «Задача: [конкретное действие глаголом в повелительном наклонении]». Четвёртая строка: «Ограничения: [что нельзя делать, какой объём, какие запреты]». Пятая строка: «Формат вывода: [структура, стиль, объём, формат документа]». Шестая строка, если запрос мультимодальный: «Модальность: [тип входных данных и что именно из них извлечь]». Седьмая строка, если используете Few-shot: «Примеры: [две-три пары вход-выход]». Вы можете сохранить этот шаблон как текстовый файл и каждый раз, садясь за работу с моделью, заполнять его как бланк. Это занимает тридцать секунд, но экономит часы переделок.

Чтобы проверить качество готового промпта перед отправкой, пройдите мысленный чек-лист из пяти вопросов. Первый вопрос: понимает ли модель из моего промпта, кто она и от чьего лица говорит? Если нет — допишите роль. Второй вопрос: достаточно ли контекста, чтобы модель не уходила в абстракции? Если нет — добавьте детали о проекте, клиенте, отрасли. Третий вопрос: сформулирована ли задача одним глаголом в повелительном наклонении? Если задача размыта или содержит несколько действий — разбейте на подзадачи. Четвёртый вопрос: есть ли хотя бы одно ограничение? Если нет — добавьте запрет на выдумывание фактов или на превышение объёма. Пятый вопрос: указан ли формат вывода? Если нет — модель сама решит, как оформить ответ, и вы потратите время на переформатирование. Если хотя бы на один вопрос ответ «нет», промпт не готов к отправке.

Отдельно остановлюсь на технике Few-shot, потому что именно она чаще всего вызывает затруднения у новичков. Логика Few-shot проста: вы показываете модели два-три примера того, что хотите получить, и затем даёте основное задание. Примеры должны быть разнообразными, но релевантными: если вы хотите, чтобы модель извлекала имена и должности из текста, покажите ей два текста разного стиля, из которых имена и должности извлечены в нужном формате. Не нужно показывать десять примеров — двух-трёх достаточно, чтобы модель уловила паттерн. Перегружать промпт примерами вредно, потому что каждый пример расходует токены контекстного окна, и если примеров слишком много, для основного задания может не хватить места. Оптимальный баланс: два примера по три-пять строк каждый, затем основное задание.

Практика. Базовый уровень. Тренажёр «Few-shot»

Ваша задача на ближайшие пятнадцать минут — освоить технику Few-shot на конкретном примере. Откройте любую модель и возьмите простую задачу: извлечение контактных данных из текста. Сначала отправьте запрос в режиме Zero-shot: «Извлеки из следующего текста имя, должность и телефон: [вставьте любой абзац делового письма]». Посмотрите на результат. Теперь отправьте тот же запрос, но в режиме Few-shot: перед основным заданием добавьте два примера. Первый пример: текст делового письма, из которого извлечены имя, должность и телефон в формате «Имя: …, Должность: …, Телефон:…». Второй пример: другой текст, извлечённый в том же формате. Затем дайте основной текст. Сравните результаты Zero-shot и Few-shot: во втором случае формат будет точнее, структура чище, а вероятность ошибки ниже. Запишите в чек-лист прогресса, в чём именно Few-shot оказался лучше и для каких типов задач в вашей работе эта техника будет наиболее полезна.

Практика. Продвинутый уровень. Задание «Перевод задачи в промпт»

Это задание займёт тридцать минут и потребует от вас применить всю пятикомпонентную матрицу. Возьмите любую рабочую задачу, которую вам приходится выполнять регулярно: подготовка письма клиенту, написание резюме встречи, составление отчёта, анализ конкурента. Сформулируйте эту задачу обычным языком, как вы бы объяснили её коллеге. А теперь переведите её в промпт по пятикомпонентной матрице: запишите роль, контекст, задачу, ограничения и формат вывода. Отправьте промпт модели и оцените результат. Если результат вас не устраивает, вернитесь к чек-листу из пяти вопросов и определите, какой компонент пропущен или сформулирован слабо. Перепишите промпт и отправьте снова. Повторяйте цикл до тех пор, пока не получите результат, который можно использовать без доработки. Запишите в чек-лист прогресса итоговый промпт, который сработал, и укажите, какой компонент оказался решающим для качества ответа. Именно так формируется навык автономного сотрудника: вы не ищете готовый рецепт, а конструируете запрос осознанно, понимая, зачем нужен каждый элемент.

На этом пятая глава завершена. Вы освоили пятикомпонентную матрицу промпта, поняли, почему роль определяет глубину ответа, научились использовать Few-shot для точного форматирования и получили универсальный шаблон, который будет работать в любой задаче. В следующей главе мы поднимемся на уровень выше: вы узнаете, как заставить модель рассуждать пошагово, как разбивать сложные задачи на цепочки запросов и как техника Tree-of-Thoughts позволяет модели самой генерировать и оценивать несколько вариантов решения, прежде чем выдать финальный ответ.

Глава 6. Программирование логики: Chain-of-Thought и Tree-of-Thoughts

Теория

В предыдущей главе мы освоили пятикомпонентную матрицу, которая задаёт модели роль и формат. Но что делать, если задача требует глубокой логики, математических расчётов или стратегического планирования? Здесь на сцену выходит концепция, которая превращает языковую модель из простого генератора текста в мыслящий инструмент. Эта концепция называется Chain-of-Thought, что переводится как цепочка рассуждений. Суть её предельно проста: вы принудительно заставляете модель прописывать промежуточные логические шаги перед тем, как выдать финальный ответ. Почему это критически важно? Вспомните первую главу: модель предсказывает следующий токен. Если вы задаёте сложный вопрос и требуете мгновенный ответ, модель начинает угадывать финальный результат, опираясь на поверхностные статистические связи, и неизбежно накапливает ошибки. Но если вы требуете расписать ход мысли, каждый сгенерированный промежуточный шаг становится новым контекстом, новой опорой для следующего токена. Модель буквально использует свой же текст в качестве оперативной памяти, выстраивая мостик от условия к решению. Для вас это означает, что добавление одной короткой фразы в конец промпта способно радикально повысить точность аналитических выводов.

Развитием этой идеи служит метод Self-Consistency, или самосогласованность. Как это работает? Вы просите модель решить одну и ту же логическую задачу несколько раз подряд, каждый раз генерируя новую цепочку рассуждений, а затем выбираете тот финальный ответ, который встретился чаще всего. Представьте, что вы спрашиваете совет у пяти независимых экспертов, выслушиваете их аргументацию и принимаете решение на основе консенсуса. В случае с нейросетью это позволяет отсечь случайные логические тупики и галлюцинации, которые неизбежно возникают при единичной генерации. Если три из пяти цепочек рассуждений приводят к одному выводу, а две — к другому, вероятность истинности первого стремится к максимуму. Читателю стоит взять этот метод на вооружение в ситуациях, когда цена ошибки в бизнес-решении слишком высока, чтобы полагаться на первый же сгенерированный черновик.

Следующий уровень абстракции — это Tree-of-Thoughts, то есть дерево мыслей. Если цепочка рассуждений представляет собой линейный путь от точки А к точке Б, то дерево мыслей имитирует процесс принятия решений опытным стратегом или шахматистом. Модель на каждом шаге генерирует несколько альтернативных вариантов действий, оценивает перспективность каждой ветви, отбрасывает заведомо проигрышные и продолжает развивать только самые многообещающие. Это особенно важно для задач, где нет единственно верного алгоритма, а нужно исследовать пространство возможностей: например, при разработке маркетинговой стратегии или поиске нестандартного технического решения. Вы не просто получаете ответ, вы получаете карту принятых решений с обоснованием, почему одни пути были отвергнуты, а другие — выбраны.

Наконец, мы подходим к каскадному промптингу, или Prompt Chaining. Это архитектурный приём, при котором одна неподъёмная задача разбивается на последовательность из нескольких простых запросов, где результат работы первого промпта автоматически подаётся на вход второму, и так далее. Почему нельзя просто написать один гигантский промпт со всеми инструкциями? Дело в том, что чем длиннее и запутаннее инструкция, тем выше шанс, что модель потеряет фокус, проигнорирует часть ограничений или запутается в приоритетах. Каскад решает эту проблему, превращая конвейер обработки информации в сборочную линию, где каждый этап отвечает за одну узкую функцию: один промпт только извлекает данные, второй их структурирует, третий анализирует, четвёртый критикует, а пятый упаковывает в итоговый отчёт.