# Кейс: [краткое название решения]

> Пример: "Авто‑отчёт по продажам из сырых метрик" / "Генерация лендингов для SaaS‑продукта"

––

## 1. Контекст

– **Ниша / домен:**

[e‑commerce / SaaS / образование / финтех / внутренние сервисы компании и т.п.]

– **Продукт / система:**

[кратко, без NDA: "CRM для малого бизнеса", "Платформа онлайн‑курсов", "B2B SaaS для управления проектами"]

– **Ваша роль:**

[промт‑инженер / сеньор‑разработчик / продакт‑менеджер / маркетолог и т.п.]

– **Команда и окружение (опционально):**

[были ли разработчики, аналитики, маркетинг; в какой процесс встраивалось решение]

––

## 2. Проблема “до”

– **Что именно было неудобно / дорого / медленно:**

– [например: "еженедельный отчёт по продажам собирался вручную в Excel"]

– [или: "тексты лендингов писались с нуля копирайтером по рассыпанным брифам"]

– **Как это делалось раньше:**

– [кто делал, в чём (Excel/Google Docs/Notion/почта)]

– [сколько времени занимало, с какой периодичностью]

– **Основные боли:**

– [неструктурированные данные / много ручной рутины / ошибки / хаотичные формулировки]

– [отсутствие единого стандарта отчёта / текста / документа]

––

## 3. Ваше решение (архитектура на уровне идей)

> Здесь Вы описываете подход, не раскрывая полностью все промты, но показывая логику.

– **Общая идея:**

– [что именно автоматизировали или стандартизировали с помощью LLM]

– [как это вписалось в текущий процесс]

– **Поток данных “до → после”:**

– **Вход:** [какие данные/артефакты подаёте в модель – цифры, сырые тексты, отзывы, код]

– **Обработка:** [1–3 шага: анализ → генерация → проверка → финальный вывод]

– **Выход:** [какой результат получает пользователь – отчёт, черновик лендинга, письмо, список задач]

– **Интеграция:**

– [чат‑интерфейс / Python‑скрипт / Node.js‑сервис / интеграция с Notion/Google Sheets/Figma/CRM]

– [как часто запускается: по кнопке, по расписанию, по событию]

––

## 4. Использованные промт‑паттерны

> Покажите, что Вы работаете как инженер: осознанно применяете паттерны, а не пишете “рандомный текст”.

– **Форматы выхода:**

– [JSON‑структуры для последующей обработки кодом]

– [Markdown‑отчёты или спецификации]

– [таблицы (Markdown/CSV) для копирования в Excel/Notion]

– **Цепочки промтов (multi‑step):**

– [пример: "Шаг 1 – анализ данных", "Шаг 2 – формирование выводов", "Шаг 3 – формирование отчёта"]

– [или: "Сначала структура лендинга, затем тексты блоков, затем критика и доработка"]

– **Роли и контекст:**

– [отдельные роли: аналитик, маркетолог, сеньор‑разработчик, продакт]

– [как задаёте контекст, чтобы снизить “галлюцинации”]

– **Валидация и надёжность:**

– [валидация JSON (`json.loads`, повторный запрос при ошибке)]

– [чек‑листы / “критик‑промты” для проверки черновиков]

– [штучные тест‑кейсы для проверки, что ответ соответствует формату]

– **Другие техники (если были):**

– [few‑shot примеры (подсказки “до/после”)]

– [ограничения на стиль (“без воды”, “не придумывать данные”)]

– [разделение фактов и гипотез]

––

## 5. Пример промтов и артефактов (обезличенный)

> Здесь Вы показываете только те части, которые не нарушают NDA: укороченные или анонимизированные.

### 5.1. Фрагмент основного промта (обрезанный пример)

```text

[роль + контекст]

Ты – продуктовый аналитик, который готовит еженедельные отчёты по продажам для руководителя.

[данные/формат входа]

Я дам тебе агрегированные цифры за текущую и прошлую неделю, а также план по выручке…

[задача шагами]

1. Посчитать изменение метрик…

2. Сформировать отчёт в двух блоках…

[формат ответа]

Верни строго валидный JSON:

{

"metrics_comparison": { … },

"report_text": { … }

}

Ответь только JSON, без комментариев до или после.

5.2. Пример входных данных (обезличенный)

Период: 2024-11-25 – 2024-12-01

Текущая неделя:

– Выручка: 12 500 000

– Заказы: 3 200

Прошлая неделя:

– Выручка: 11 000 000

– Заказы: 3 000

План по выручке: 12 000 000

5.3. Фрагмент результата (обрезанный пример)

{

"metrics_comparison": {

"revenue_change_percent": 13.64,

"orders_change_percent": 6.67,

"avg_check_change_percent": 6.53,

"plan_achievement_percent": 104.17

},

"report_text": {

"summary": "Выручка выросла на 13,6% относительно прошлой недели и превысила план на 4,2%…",

"interpretation": [

"Рост заказов и среднего чека указывает на улучшение структуры покупок."

],

"recommendations": [

"Зафиксировать текущие изменения в ассортименте, которые могли повлиять на рост среднего чека.",

"Проверить, нет ли узких мест в логистике при увеличении объёма заказов."

]

}

}

6. Результат и эффект

Экономия времени:

[например: “вместо 1,5–2 часов ручного отчёта каждую неделю → 10–15 минут проверки готового черновика”]

[или: “лендинг‑черновик за 1 час вместо 2–3 дней работы копирайтера”]

Изменения в качестве:

[структурированные отчёты по единому шаблону]

[меньше ошибок в цифрах/формулировках]

[улучшение читаемости и понятности материалов для стейкхолдеров]

Бизнес‑метрики (если есть и можно раскрыть):

[рост конверсии лендинга X → Y%]

[ускорение цикла согласования с n дней до m]

[снижение нагрузки на команду (количество человеко‑часов в месяц)]

Восприятие командой/заказчиком:

[как изменилась обратная связь – “стало проще”, “понятнее”, “меньше рутины”]

7. Скриншоты / визуальные фрагменты (по возможности)

 Вставьте ссылки или описания, если не можете приложить сами файлы.

Скриншоты интерфейса / скрипта / отчёта (обезличенные):

[Скрин: форма ввода данных]

[Скрин: пример сгенерированного отчёта/лендинга в Notion/Confluence/Figma]

Схема пайплайна (можно просто текстом):

[источник данных] → [скрипт с LLM] → [JSON‑ответ] → [отчёт/лендинг/задачи в трекере]

8. Технологический стек

Модели:

[какие модели использовали: GPT‑4/4.1/оpen‑source, и почему именно их]

Языки и инструменты:

[Python / Node.js / bash‑скрипты / Makefile / Airflow / n8n / Zapier и т.п.]

Хранение и логирование промтов:

[как велась история версий промтов, логирование входов/выходов, при необходимости – анонимизация]

9. Ваш вклад и развитие решения

Что именно сделали Вы:

[декомпоновали задачу и спроектировали цепочку промтов]

[описали форматы, JSON‑схемы, чек‑листы]

[написали обёртку на Python/JS и встроили в процесс]

Чему Вы научились на этом кейсе:

[какие паттерны промтов сработали]

[какие ограничения модели проявились и как Вы их обошли]

[какие идеи для улучшения/масштабирования появились]

Планы (или реализованное развитие):

[например: обернуть в internal‑сервис, добавить UI, расширить на другие отчёты/ниши]

Рекомендация по использованию:

Создайте в репозитории / Notion раздел Portfolio / Prompt Engineering.

На каждый существенный проект заводите отдельный файл по этому шаблону.

Старайтесь иметь минимум 3–5 таких кейсов:

отчёт/аналитика,

маркетинг (лендинг/email/контент),

разработка (код‑ревью/тесты),

продукт/ресёрч (JTBD, анализ отзывов),

автоматизация (скрипт + LLM).

Так у вас появится конкретное, структурированное портфолио промт‑инженера, понятное и разработчику, и продакту, и заказчику.