Как писать промпты для "не думающих" моделей

Под "не думающими" моделями OpenAI подразумевает GPT-4o, GPT-4.1 и их mini-версии. Эти модели не создают скрытую внутреннюю цепочку рассуждений, поэтому им полезно давать подсказку "думай пошагово" и задавать чёткую структуру.

Фраза "Давай подумаем шаг за шагом" (chain-of-thought) помогает модели разложить задачу на этапы, улучшая качество ответа.

Совет: поместите эту фразу в конце промпта, чтобы сначала дать инструкции, а затем указать, как рассуждать.


OpenAI рекомендует начинать промпт с главной инструкции и отделять её от контекста символами ### или """. Так модель быстрее улавливает задачу.

Уточняйте желаемый формат, длину, стиль и т. д. Чем точнее описание, тем меньше "творчества" и лучше результат.

Модели лучше следуют формату, если вы показываете пример (few-shot). Например, показать шаблон JSON или образец списка.

Начинайте с одного короткого запроса (zero-shot). Если ответ неточный, добавьте пару примеров (few-shot). Это официально рекомендуемый порядок итераций.

Даже без скрытого "рассуждения", GPT-4.1 подчиняется чётким инструкциям. Достаточно одного ясного предложения, чтобы "перенастроить" модель на желаемое поведение.

Источники
GPT-4.1 гайд
Best practices


#ai #нейросети #chatgpt

Полноценный промпт — это не всегда просто две-три фразы.

Он похож на чёткое техническое задание: сначала задаёт роль модели, затем формулирует задачу, перечисляет ограничения и описывает формат ответа.

В официальных рекомендациях OpenAI подчёркивается, что запрос должен быть "ясным и конкретным" и содержать достаточно контекста, иначе модель теряется в догадках.

Такой промпт часто длиннее, потому что каждое требование или пример экономит вам итерации: модель сразу понимает, что от неё ждут.

В руководстве советуют дробить многошаговые инструкции на короткие пункты и разделять их делимитерами, так читаемость и точность выше.

Но длина не равна пользе. "Вода" — это текст без новой инструкции, контекста или формата. Создаёт шум, сдвигает внимание модели.

Если начать с обращения "Привет, мой дорогой и любимый ИИ, надеюсь, у тебя отличное настроение…", токенов станет больше, а смысл тот же. Убирайте такие части.

Пример из Cookbook о "meta prompting" показывает, как из короткого запроса ("Сделай резюме статьи") поэтапно строится длинный, но структурированный промпт.
Ответ становится лучше именно потому, что каждый элемент служит цели.

Чёткий промпт

Ты — HR-менеджер международной компании. Подготовь письмо-отказ кандидату на позицию data-аналитика.  
Тон: уважительный, деловой. 
Язык: русский.  
Структура: 
1) благодарность, 2) краткая причина отказа, 3) пожелание успехов.  
Длина: 120–150 слов.  
Не упоминай внутренние процессы отбора.  

Источники
Best practices for prompt engineering with the OpenAI API (п. 2 "Put instructions at the beginning…")

GPT-4.1 Prompting Guide (раздел Prompt Organization)

Enhance your prompts with meta prompting

#ai #нейросети #chatgpt

Работаю сейчас с Codex от OpenAI.

Для лучшей работы агента, советуют добавить файл agents.md в котором описать: структура проекта, стек, стиль кода, работа с Git, настройки проекта, запуск, тестирование и т.д.

Эта информация помогает Codex понять структуру кодовой базы и как генерировать код, который интегрируется с существующей кодовой базой.

В общем, файл agents.md помогает Codex понять как принято работать у вас в проекте.

У OpenAI есть несколько примеров таких файлов и один из них это проект на Django. Конечно есть моменты с которыми я не согласен (например где должна быть бизнес логика), но это уже моя проблема 😂.

Ссылка на все файлы
Ссылка на Django


Кто создаст файл agents.md для FastAPI?

#ai #нейросети #chatgpt #codex

Интересная анимация у Codex

Написал agents.md для Codex.
Есть инструкция, чтобы он запускал скрипт и если будут ошибки исправлял их.

Там ruff, black, mypy, import-linter, тесты и т.д и т.п.

Но в скрипте который он запускает есть ошибка, которая связана не с самим скриптом. Например, в зависимостях не та версия mypy. Но это не единственная проблема.

На видео, процесс того, как он пытается решить эти проблемы.
По сути, он сталкивается с ошибкой, переписывает настройки и проверяет всё ли работает. Если опять сталкивается с ошибкой, тот же процесс. Делает исправления в других файлах проекта.
И так до тех пор, пока не останется ошибок.

Имеет доступ к интернету и может устанавливать зависимости. В pre-commit добавлена библиотека bandit, чтобы проверять код на уязвимости.


Видео ускорено в 5 раз.

В клубе по веб разработке делаем с ребятами игру.
Для реализации клиента взяли движок Godot.

И конечно я нашел MCP для Godot. На днях буду пробывать.

Две реализации
GitHub Godot MCP 1

GitHub Godot MCP 2

#ai #нейросеть #mcp #godot

Я всё ищу способы и темы, на которые GPT сможет писать шутки.

Попросил его погуглить, что такое вайб кодинг и написать шутки в тему противостояния вайбкодеров и программистов.

Есть шутки которые вызвали улыбку.
Вот несколько из них:

Вечное противостояние
Программист: «Я знаю, как это работает».
Вайб‑кодер: «Я чувствую, что оно работает».
QA: «А я знаю, что оно не работает».

— А зачем у тебя в проекте папка __vibe__?
— Там всё, что я не понял, но работает.
— Там весь проект.
— Ну вот.

Конфуций сказал:
Если долго сидеть на проекте и ничего не делать — рано или поздно придёт вайб‑кодер и напишет говнокод за тебя.

Подобные шутки выкладываю в канале Бредовые истории

Когда Codex наговнокодил, а я его прошу сделать рефакторинг и привести всё к архитектуре прописанной в файле agents

Самое интересное, что Codex не нужно указывать в каких файлах что есть. Он сам анализирует репозиторий и находит нужный код или его отсутствие.

Если не было инструкции что-то реализовать, то он это пропускает. Например в шаблоне есть фильтр, но для него не хватает моделей, он пропускает его. Но если сказать "если чего-то не хватает, то реализуй это", он не пропускает отсутствующие части и пишет код.

CAG (Cache-Augmented Generation)

CAG позволяет добавить внешние знания к модели. Делает это через кеширование, а не запрос к базе как RAG.

Cуть CAG в том, чтобы заранее подгрузить все необходимое данные в контекст модели.
Потом модель при генерации просто обращается к этому кешу.

Преимущества CAG:
▫️ Нет задержки на поиск и загрузку документов при каждом запросе.
▫️ Модель оперирует одним и тем же набором данных в любом запросе, снижается риск выдергивания нерелевантных фрагментов.

Но есть ограничения, если база знаний большая или постоянно меняется, предзагрузка всего массива может быть неэффективна.

CAG подходит для: гайдов, FAQ, коротких справочников и т.д. То что может поместиться в контекстное окно, например Gemini.

#ai #нейронныесети #CAG #RAG

MCP для работы с Figma

Теперь я знаю как делать дизайн в Figma с помощью AI.

Ссылка на GitHub

#ai #нейронныесети #figma #mcp

Framelink MCP для работы с Figma

Анализирует макеты Figma и тем самым можно делать верстку.

Ссылка на GitHub

#ai #нейронныесети #figma #mcp

Маленькое видео о том как подключить MCP к Cursor и Trae.

Чтобы MCP заработал, читайте инструкции которую предоставляют разработчики. Для Windows и Mac, JSON может отличаться. Так же могут потребоваться API ключи.

#ai #cursor #trae #mcp