(ДОРОЖНАЯ КАРТА + ПРАКТИЧЕСКИЕ УПРАЖНЕНИЯ)
Этап 1. Навык формулировать задачи
Цель: перестать просить “сделай текст”, “напиши отчёт” и начать формулировать задачи так, чтобы результат был предсказуемым и полезным для бизнеса.
Что нужно уметь
Переводить размытые запросы в конкретику:
кто читатель / потребитель результата;
зачем ему это (бизнес‑цель);
формат результата (email, отчёт, таблица, JSON);
критерии качества (тон, длина, ограничения).
Минимальная структура промта:
роль модели;
контекст (что за продукт / ситуация);
вход (данные, сырой текст, список);
задача (что сделать, шагами);
формат ответа.
Типовые трансформации
“Сделай текст о продукте” →
Ты – маркетолог.
Продукт: …
Цель текста: …
ЦА: …
Формат: …
Ограничения: …
“Сделай отчёт” →
Ты – аналитик.
Данные: …
Задача: посчитать X, сравнить с Y, выделить Z.
Формат: JSON/Markdown с такими полями…
Упражнение для Этапа 1
Возьмите 10 реальных расплывчатых задач из своей работы/жизни, например:
“написать письмо клиенту”
“подготовить отчёт по результатам кампании”
“придумать идеи для контента”
“объяснить фичу дизайнерам”
“подготовить техзадание разработчику”
“написать FAQ по продукту”
“подготовить сводку по багам”
“сделать описание вакансии”
“сделать презентацию продукта”
“написать пост в блог”
Для каждой:
выпиши, как она обычно звучит (1 строка);
перепиши в “боевой” промт по схеме:
кто,
для кого,
контекст,
входные данные,
что именно сделать,
формат ответа,
ограничения.
Прогоняй новые промты через модель и смотри:
что ещё пришлось бы добавить, чтобы ответ стал “почти финальным”;
какие формулировки работают лучше (фиксируй удачные).
Результат этапа: вы умеете за 1–2 минуты из устного “сделай что‑нибудь” собрать промт так, что человек, не знающий контекста, понял бы задачу.
Этап 2. Навык работать с форматами
Цель: научиться управлять не только содержанием, но и формой ответа – чтобы дальше это шло в пайплайны, отчёты, код, документы.
Что нужно уметь
JSON:
чётко описывать структуру (обязательные поля, типы);
просить “строго валидный JSON, без текста снаружи”;
мыслить ответом как объектом данных, а не текстом.
Markdown:
заголовки, списки, таблицы;
структурированные документы (отчёты, конспекты, ТЗ).
Таблицы:
Markdown‑таблицы для отчётов и сравнений;
простые CSV‑/TSV‑форматы.
Чек‑листы / схемы:
списки шагов;
блок‑схемы (в текстовом виде, псевдокод).
Упражнение для Этапа 2
Возьмите одну и ту же задачу, например: “Сделать сводку по результатам рекламной кампании” (или свой пример).
Сначала попросите ответ в свободной форме.
Потом – в Markdown‑документе:
# Итоги, ## Метрики, ## Выводы, ## Рекомендации.
Потом – в Markdown‑таблице:
строки = каналы, столбцы = показы, клики, CTR, CPA, выводы.
Потом – в JSON:
{
"summary": "…",
"channels": [
{
"name": "Facebook",
"impressions": 0,
"clicks": 0,
"ctr": 0.0,
"cpa": 0.0,
"comment": "…"
}
],
"recommendations": ["…", "…"]
}
Сравните:
как меняется качество и структура;
какие форматы удобнее использовать дальше (копировать в Confluence, парсить кодом и т.д.);
где модель больше “расползается” в воду – обычно там, где нет явных структур.
Результат этапа: вы автоматически думаете: “окей, что я могу с этим ответом сделать дальше, какой формат выгоднее?”
Этап 3. Цепочки промтов (multi‑step)
Цель: перестать пытаться “засунуть всё в один гигантский промт” и перейти к конвейеру: анализ → генерация → проверка → финал.
Что нужно уметь
Декомпозировать задачу на 2–5 логических шагов:
сбор/очистка данных;
анализ/структурирование;
генерация черновика;
проверка/критика;
правка/финал.
Использовать разные роли на разных шагах:
сначала аналитик, потом копирайтер;
сначала продуктолог, потом маркетолог;
сначала “код‑ревьюер”, потом “генератор улучшенной версии”.
Передавать результат предыдущего шага в следующий: в виде текста, JSON, буллетов.
Примеры типовых цепочек
Лендинг:
Шаг 1: анализ продукта и ЦА → список болей, выгод, возражений.
Шаг 2: на основе Шага 1 – структура лендинга.
Шаг 3: на основе структуры – тексты по блокам.
Шаг 4: критика лендинга по чек‑листу (ЦА, обещания, бренд‑тон).
Шаг 5: переписать с учётом критики.
Отчёт:
Шаг 1: по данным → вычисления метрик.
Шаг 2: по метрикам → выводы и гипотезы.
Шаг 3: по выводам → рекомендации / план действий.
Шаг 4: проверка на внутренние противоречия.
Анализ отзывов:
Шаг 1: кластеризация отзывов по темам.
Шаг 2: по каждой теме → боли и запросы.
Шаг 3: JTBD из болей.
Шаг 4: приоритизация направлений развития.
Упражнение для Этапа 3
Выберите один кейс:
лендинг;
отчёт;
анализ отзывов;
генерация/рефакторинг документации.
Сделайте: опишите задачу и желаемый финальный формат результата.
Разбейте на 3–5 шагов (что делает модель на каждом шаге).
Напишите отдельный промт для каждого шага.
Прогоните цепочку вручную:
Накопите “артефакты” каждого шага;
Посмотрите, где модель даёт мусор, где не хватает контекста;
Скорректируйте.
Результат этапа: вы начинаете мыслить “пайплайнами”, а не “волшебными одношот промтами”.
Этап 4. Интеграция с кодом и инструментами
Цель: превратить промт‑инженерию из “игры в чате” в часть реальных сервисов и рабочих процессов.
Что нужно уметь: Вызывать модель из кода:
Python (requests/официальный SDK);
JS/TS (fetch/axios, node‑клиенты).
Базовая архитектура:
функция call_model(prompt) → response_text;
конфиги (ключи, модель, температура);
таймауты и ретраи.
Валидация JSON:
json.loads() c try/except;
повторный запрос через “санитайзер промт” в случае ошибки;
проверка структуры (обязательные поля).
Логирование:
лог промта (с обрезкой чувствительных данных);
лог ответа;
хранение в файлах/БД для отладки и A/B экспериментов.
Связка с внешними инструментами:
cron/job → запуск скрипта с LLM;
интеграция с Notion/Confluence/Google Docs/Figma;
генерация отчётов, писем, задач в таск‑трекере.
Мини‑гайд: пример на Python
import json
import logging
import requests # или официальный SDK
API_URL = "https://api.openai.com/v1/chat/completions"
API_KEY = "…"
def call_model(prompt: str, model: str = "gpt-4.1") -> str:
headers = {"Authorization": f"Bearer {API_KEY}"}
payload = {
"model": model,
"messages": [{"role": "user", "content": prompt}],
"temperature": 0.2
}
resp = requests.post(API_URL, json=payload, headers=headers, timeout=30)
resp.raise_for_status()
content = resp.json()["choices"][0]["message"]["content"]
return content
def parse_json_response(raw: str) -> dict:
try:
return json.loads(raw)
except json.JSONDecodeError as e:
logging.warning("Invalid JSON from model: %s", e)
# здесь можете вызвать санитайзер или упасть с ошибкой
raise
Упражнение для Этапа 4
Возьмите один из своих кейсов (отчёт, лендинг, анализ отзывов).
Заведите маленький скрипт (на Python или JS):
читает входные данные из файла (.json, .txt, .csv);
подставляет их в промт‑шаблон (f‑string/шаблонизация);
вызывает модель;
парсит ответ (если JSON);
пишет результат в файл (report.json, landing.md, insights.md).
Добавьте:
элементарное логирование промта и ответа;
обработку ошибок (таймаут, невалидный JSON).
Результат этапа: вы можете собрать рабочий мини‑сервис за вечер.
Этап 5. Монетизация и упаковка
Цель: превратить свои решения и наработки в конкретные продукты/услуги.
Что нужно уметь: определить, какую боль вы закрываете:
экономия времени (репорты, лендинги, отчёты);
повышение качества (аналитика, код‑ревью, маркетинг);
генерация идей/вариантов.
Упаковать промты в:
“промт‑пак” (набор шаблонов + инструкции, иногда + код);
микро‑сервис (скрипт/бот/веб‑форму);
консалтинг/услуги (“я настраиваю вам такой‑то пайплайн”).
Описать результат на языке клиента: не “у меня есть крутой промт”, а “за 3 минуты получаете еженедельный отчёт, который заменяет 2 часа аналитика” “лендинг‑черновик за 1 час вместо 2–3 дней”.
Форматы “промт‑пакетов”
Для конкретной роли:
“Набор промтов для продакта в SaaS”;
“Библиотека промтов для маркетингового агентства”.
Для конкретной задачи:
“Сбор и анализ отзывов с LLM”;
“Авто‑отчёты по продажам”;
“Генерация лендингов под продукт”.
В связке с кодом:
Git‑репозиторий с:
папкой prompts/;
scripts/ с Python/JS обёртками;
README с инструкцией по запуску и примерами.
Упражнение для Этапа 5
Выберите один свой навык / кейс, где ты уже сделал рабочий результат:
еженедельный отчёт;
лендинг;
аналитика отзывов;
автоматизированный конспект встреч;
код‑ревью / генерация тестов.
Упакуйте его в “промт‑пак”:
1–3 ключевых промта (с комментариями);
1 пример входных данных;
1 пример результата (обезличенный);
описание “до/после”:
до: как это делалось, сколько времени;
после: как работает теперь, сколько экономит.
Напишите короткий “продающий” блок (для лендинга, поста, личной страницы):
для кого (роль, тип компании);
какую проблему решает;
формат (шаблоны, консультация, внедрение).
Результат этапа: вы способны показать/продать свои промт‑инженерные решения как реальный продукт.
Как двигаться по этой дорожной карте
Не пытайтесь закрыть всё за неделю. Нормальный ритм:
Этап 1–2: 2–4 недели на отработку, параллельно с реальной работой;
Этап 3: 2–3 недели на пару “цепочек” под реальные задачи;
Этап 4: 1–2 мини‑проекта с кодом;
Этап 5: 1–2 упакованных кейса/продукта.
Меряйте прогресс не по “количеству выученных приёмов”, а по:
экономии времени (своего и команды);
количеству стабильных, повторяемых пайплайнов;
числу оформленных кейсов/пакетов.
Если идти по этой дорожной карте последовательно, на выходе вы станете инженером, который строит вокруг модели реальные рабочие процессы и продукты.