Некоторое время назад один вопрос повторялся повсюду.
Какой промпт самый лучший?
Появились тысячи видео, сотни курсов и тысячи готовых шаблонов, обещающих лучшие результаты от ChatGPT, Claude и других.
Долгое время…
Все искали один и тот же ответ.
Как написать промпт, чтобы ИИ делал то, что я хочу?
Но…
Возможно, сам вопрос был проблемой.
📌
Если вы используете ИИ в работе или учёбе, добавьте эту статью в закладки. Потому что привычный способ использования ИИ стремительно меняется, и эта статья объяснит почему.
Сегодня самый важный вопрос — уже не:
Какой промпт самый лучший?
Вместо этого он стал таким:
Как заставить ИИ достичь цели?
Разница между этими двумя вопросами может показаться простой.
Но она полностью изменила то, как создаётся и используется ИИ.
Когда промпт был главным героем
Вначале большинство сценариев использования ИИ были простыми.
Вы задаёте вопрос…
Он отвечает.
Вы просите перевести…
Он переводит.
Вы просите сделать краткое содержание…
Он делает краткое содержание.
Вы просите написать письмо…
Он пишет его.
Отношения между вами и моделью были очень прямыми.
Промпт → Ответ
Всё зависело от качества команды, которую вы написали.
Если промпт был расплывчатым, ответ был расплывчатым.
Если чётким — результат обычно был лучше.
Именно поэтому появилась целая область под названием Prompt Engineering.
Все начали искать способы заставить модель понять требование с первого раза.
И это не было ошибкой.
В то время это был правильный подход.
Но была одна проблема…
Никто её не замечал.
Представьте, что вы попросили ИИ создать для вас веб‑сайт.
Он написал код.
Потом вы обнаружили, что код не работает.
Что дальше?
Вы пишете новый промпт?
Затем, если появляется другая ошибка, вы пишете третий промпт?
Четвёртый?
Пятый?
В итоге вы обнаружите, что тратите больше времени на управление диалогом, чем на выполнение самой задачи.
Здесь появился первый признак того, что модель, какими бы хорошими ни были её ответы, всё равно зависит от вас на каждом шагу.
Она ждала, пока вы скажете ей:
Прочитай эту ошибку.
Затем…
Измени этот файл.
Затем…
Попробуй снова.
Затем…
Появилась новая проблема.
Вы не выполняли задачу…
Вы управляли каждым её шагом.
💡
Промпт отлично умел выдавать ответы… но он не был предназначен для выполнения задач.
Вот разница, которая сначала была неочевидна.
Дать ответ…
Это одно.
Выполнить целую задачу…
Это совсем другое.
От подачи команд… к определению целей
Предположим, вы хотите создать интернет‑магазин.
В традиционном подходе вы могли бы начать с такого промпта:
Создай главную страницу на React и Tailwind.
Модель создаст страницу.
Потом вы понимаете, что нужна страница с товарами.
Поэтому вы пишете новый промпт.
Затем страница входа.
Затем панель управления.
Затем подключение API.
Затем исправление ошибки входа.
Затем улучшение дизайна.
Затем исправление новой проблемы, возникшей после изменений.
Каждый шаг требует нового промпта.
Каждый раз вы решаете, что делать дальше.
Другими словами…
Вы полностью руководите работой.
ИИ — всего лишь исполнитель команд.
Теперь представьте другой подход.
Вместо того чтобы просить создать одну страницу, вы говорите ему:
Мне нужен готовый к работе интернет‑магазин, вот требования.
Что произойдёт?
Если система спроектирована по‑современному, она не начнёт сразу писать код.
Вместо этого она сначала остановится, чтобы понять цель.
Затем составит план.
Затем приступит к выполнению.
И если возникнет проблема…
Она не будет ждать от вас нового промпта.
Она попытается решить её сама.
Если первая попытка не удастся…
Она попробует второй раз.
И, возможно, третий.
Пока не достигнет желаемого результата или не попросит вашей помощи, когда это действительно необходимо.
Вот здесь и проявляется настоящая разница.
В старом подходе вы управляли каждым шагом.
В современном подходе вы управляете только целью.
💡
Чем больше промптов вам нужно написать для выполнения одной задачи, тем вероятнее, что работаете вы… а не ИИ.
Вот почему многие современные инструменты кажутся «умнее», хотя могут использовать ту же языковую модель.
Разница была не всегда в модели…
А в способе управления ею.
Этот момент стал началом большого сдвига в мире ИИ.
Потому что проблема больше не была: «Как написать лучшую команду?»
Она стала:
Как сделать так, чтобы система работала до достижения цели, вместо того чтобы ждать от меня новой команды после каждого шага?
Почему такие инструменты, как Cursor и Claude Code, выглядят иначе?
Если вы использовали ChatGPT для написания кода, вы, скорее всего, сталкивались с таким сценарием.
Вы просите его создать новую функцию.
Он пишет код.
Вы пытаетесь запустить проект…
Появляется сообщение об ошибке.
Вы копируете ошибку.
Вставляете её в диалог.
Он предлагает исправление.
Вы пробуете снова.
Затем появляется другая ошибка.
Вы повторяете процесс с начала.
Если вы повторите эту сцену несколько раз, вы заметите кое‑что важное.
ИИ не решал проблему… он ждал ваших указаний после каждого шага.
Теперь попробуйте инструмент вроде Claude Code или Cursor.
Вы заметите, что он работает иначе.
Он читает файлы проекта.
Ищет место проблемы.
Изменяет код.
Запускает тесты.
И если один из них падает…
Он читает причину сбоя.
Затем пытается её исправить.
Всё это происходит до того, как вы попросите его о чём‑то новом.
На первый взгляд вы можете подумать, что причина в более умной модели.
Но во многих случаях…
Одна и та же модель используется в нескольких инструментах.
Так в чём же разница?
Разница не в разуме…
А в способе управления этим разумом.
Представьте, что у вас новый сотрудник.
Вы сказали ему:
Мне нужен отчёт о продажах за этот месяц.
Если он просто выполняет команды, он будет спрашивать вас после каждого шага.
Откуда взять данные?
Использовать этот файл?
Добавлять график?
Отправить отчёт в PDF или Word?
Что касается опытного сотрудника…
Он поймёт цель.
Соберёт данные.
Проанализирует их.
Проверит.
Затем вернётся к вам с готовым отчётом.
Вы не говорили ему каждый шаг.
Вы сказали ему, чего хотите достичь.
Именно это и пытаются делать современные инструменты ИИ.
💡
ИИ не стал умнее, потому что пишет лучший код… а потому что он осознал, что делать после написания кода.
Здесь концепция использования ИИ начала меняться.
Он перестал быть просто вопросом и ответом.
Он стал ближе к полноценному рабочему процессу.
Понять.
Выполнить.
Проверить.
И решить, что делать дальше.
Здесь появилась идея, которая изменит всё, к чему мы привыкли…
Что ИИ не всегда нужен новый промпт… иногда ему просто нужен шанс завершить работу.
Промпт не умер… но он больше не главный герой
Прочитав предыдущие части, вы, возможно, задаётесь важным вопросом.
Эра промптов действительно закончилась?
Ответ прост…
Нет.
Промпт по‑прежнему важен.
По сути, это первый шаг в любом взаимодействии с ИИ.
Но проблема в том, что многие до сих пор относятся к нему так, будто он — всё.
А это уже не так.
Предположим, вы попросили ИИ:
Создай для меня интернет‑магазин.
Это промпт.
Но не он определяет успех задачи.
Гораздо более важные вопросы:
- Действительно ли он понял цель?
- Может ли он получить доступ к файлам проекта?
- Может ли он запустить код?
- Может ли он читать ошибки?
- Есть ли у него необходимые инструменты для их исправления?
- И если первая попытка не удастся… попробует ли он снова?
Заметьте, что все эти вопросы не относятся к самому промпту.
А к тому, что происходит после промпта.
Вот в чём разница.
Раньше промпт составлял 90% опыта.
Сегодня…
Это может быть всего 10%.
Оставшиеся 90% — это то, как система работает после того, как поняла, чего вы хотите.
По этой причине вы можете написать один и тот же промпт в двух разных инструментах…
И получить два совершенно разных результата.
Не потому, что один из инструментов лучше понял слова.
А потому что у каждого инструмента свой способ выполнения задачи.
💡
Промпт определяет отправную точку… но способ выполнения определяет финишную черту.
Здесь также начало меняться то, чему учатся разработчики.
Раньше большинство советов сводилось к:
- Используй эти слова.
- Начинай промпт с этой фразы.
- Добавь этот шаблон.
- Не забудь определить роль.
Сегодня…
Вопросы стали другими.
- Как заставить систему понять цель?
- Как предоставить ей необходимую информацию?
- Как дать ей правильные инструменты?
- И как заставить её проверять свою работу, прежде чем считать задачу выполненной?
Заметьте, что фокус сместился с формулировки запроса…
На проектирование рабочего процесса.
Этот сдвиг объясняет, почему термин «Prompt Engineering» сам по себе уже недостаточен для описания того, что происходит сегодня.
Потому что ИИ — это больше не просто модель, ожидающая новой команды…
Он стал системой, работающей для достижения цели.
Если промпт больше не герой… то кто?
Многие люди совершают одну ошибку.
Они думают, что прогресс в ИИ всегда означает более сильную модель.
Модель, которая лучше понимает.
Лучше пишет.
И отвечает с более высокой точностью.
Но реальность иная.
Часто…
Сама модель не изменилась.
Изменилась система, в которой она работает.
Представьте, что у вас есть лучший повар в мире.
Если поставить перед ним пустую кухню…
Он не сможет приготовить еду.
Не потому, что он не умеет готовить.
А потому, что у него нет инструментов.
Теперь дайте ему полную кухню.
Холодильник.
Печь.
Ингредиенты.
И чёткий рецепт.
Он выдаст совершенно другой результат.
Повар тот же.
Но среда, в которой он работает, стала лучше.
То же самое происходит с моделями ИИ.
Языковая модель — это как разум.
Но она ничего не может сделать в одиночку.
Чтобы выполнить реальную задачу, ей нужно другое.
Ей нужно знать, где найти информацию.
Ей нужны инструменты, помогающие выполнять задачи.
Ей нужна память, чтобы отслеживать происходящее.
И ей нужен способ проверять сделанное, прежде чем переходить к следующему шагу.
По этой причине конкуренция больше не сводится к тому, у кого лучшая модель.
А к тому, кто строит лучшую систему вокруг этой модели.
Возьмём простой пример.
Если вы попросите модель ИИ:
Сделай краткое содержание последних продаж моей компании.
Она даже не знает, где находятся данные о продажах.
Но если она подключена к базе данных или корпоративной системе…
Она сможет получить к ним доступ.
Затем проанализировать их.
Затем написать отчёт.
Разница здесь была не в формулировке промпта.
И не в интеллекте модели.
А в том, что система стала способна получать доступ к тому, что ей нужно для выполнения задачи.
💡
Модель — это разум… но разум в одиночку не завершает работу.
Вот почему начали появляться концепции, которым несколько лет назад не уделяли особого внимания.
Мы начали говорить о:
- Памяти.
- Инструментах.
- Контексте.
- Подключении к другим системам.
- И работе поэтапно, а не за один шаг.
Все эти элементы пришли не для того, чтобы заменить промпт.
Они пришли, чтобы восполнить то, чего не хватало.
Потому что промпт может сказать ИИ чего вы хотите…
Но эти элементы помогают ему узнать как этого достичь.
Здесь начался переход от простого «написания команд» к построению систем, способных выполнять задачи, что подготовило почву для появления новой концепции, доминирующей в мире ИИ в последнее время:
AI-агенты.
Секрет, который заставил ИИ работать как человек
Представьте, что вы попросили разработчика создать приложение.
Вы ожидаете, что он напишет его идеально с первой попытки?
Конечно, нет.
Он напишет часть кода.
Затем запустит его.
Обнаружит ошибку.
Исправит её.
Затем попробует снова.
Затем проверит результат.
И, возможно, повторит этот цикл десятки раз, прежде чем сочтёт задачу выполненной.
Это не признак его неудачи.
Это естественный способ выполнения любой сложной работы.
Странно, что мы ожидали от ИИ другого поведения.
Мы пишем для него один промпт…
И ждём, что он выдаст конечный результат с первой попытки.
Когда этого не происходит, мы думаем, что модель недостаточно хороша.
В то время как проблема была в наших ожиданиях.
Настоящая работа не делается за один шаг.
А в серии маленьких попыток.
Выполнение.
Проверка.
Исправление.
Повторное выполнение.
Затем снова проверка.
Этот повторяющийся цикл известен как Loop (цикл).
В простейшей форме его можно представить так:
Обратите внимание на важную деталь.
В этой диаграмме…
Нет нового промпта после каждого шага.
Цель была записана один раз.
Затем система начала работать внутри цикла, пока не достигла желаемого результата.
В этом и заключается принципиальная разница.
Пример из современных инструментов программирования.
Вы просите инструмент добавить новую функцию.
Он пишет код.
Затем запускает проект.
Появляется ошибка.
Он читает ошибку.
И изменяет код.
Затем снова запускает проект.
Затем повторяет тест.
Если успешно…
Он переходит к следующему шагу.
Если нет…
Он повторяет цикл.
Всё это может происходить без того, чтобы вы написали хотя бы один дополнительный промпт.
💡
Промпт определяет цель… а цикл ведёт путешествие к её достижению.
По этой причине, когда вы слышите, что такой инструмент, как Claude Code или Cursor, «думает» перед ответом, на самом деле он не совершает магии.
Он просто не останавливается после первого ответа.
Он продолжает цикл:
Выполнение → Проверка → Исправление → Повтор.
Точно так же, как любой разработчик или инженер делает во время своей работы.
Здесь мы можем понять, почему термин AI-агент стал таким распространённым.
Потому что умный агент — это не просто более умная языковая модель…
А система, способная работать внутри этого цикла непрерывно, пока не приблизится к достижению цели.
Это и есть реальная разница между разговором с ИИ… и работой с ним.
Что такое AI-агент на самом деле?
Когда многие слышат термин AI-агент, они представляют себе более продвинутую модель ИИ.
Или новую версию ChatGPT.
Или робота, способного делать больше вещей.
Но правда в другом.
AI-агент — это не новая модель.
А новый способ использования моделей.
И это большая разница.
Представьте, что у вас новый сотрудник в компании.
Если вы спросите его:
Какая столица Японии?
Он ответит:
Токио.
И всё.
Но если вы скажете ему:
Я хочу запустить новый продукт в течение месяца.
Остановится ли он на одном ответе?
Конечно, нет.
Он начнёт задавать вопросы.
Он соберёт информацию.
Он составит план.
Он выполнит его часть.
Проверит результаты.
Изменит план, если нужно.
Затем продолжит.
Всё это до того, как он вернётся к вам.
Это человеческий способ работы.
По этой причине системы ИИ начали перенимать тот же стиль.
Вы можете представить AI-агента как маленького руководителя проектов.
Не потому, что он всё знает…
А потому, что он знает, каков следующий шаг.
Когда шаг заканчивается…
Он не ждёт нового промпта.
Вместо этого он спрашивает себя:
Что мне сейчас сделать, чтобы приблизиться к цели?
Затем продолжает.
Вот почему большинство современных AI-агентов не зависят от одного элемента.
Вместо этого они состоят из нескольких частей, работающих вместе.
Обратите внимание, что промпт не исчез из этой диаграммы.
Он стал лишь началом.
После этого система начинает думать, работать и принимать решения.
По этой причине, когда вы используете настоящего агента, вы можете почувствовать, что он «думает».
Но на самом деле происходит нечто более простое.
Он не думает по‑человечески.
Вместо этого он повторяет очень организованный цикл:
Понять.
Решить.
Выполнить.
Оценить.
Затем решить, что делать дальше.
💡
AI-агент — это не другой искусственный интеллект… это искусственный интеллект, которому дали возможность продолжать работу до достижения цели.
Это объясняет, почему фраза «напиши мне сильный промпт» стала менее важной, чем раньше.
Потому что вопрос, который сейчас занимает компании и разработчиков, — уже не:
Как заставить модель отвечать?
Вместо этого он стал:
Как сделать так, чтобы система работала самостоятельно как можно дольше, прежде чем ей понадобится моё вмешательство?
Этот вопрос движет будущим ИИ, а не поиск волшебного промпта.
Как ИИ видит окружающий мир?
До сих пор мы говорили о том, как AI-агент может планировать, выполнять, проверять и повторять попытки.
Но есть важный вопрос.
Как он вообще узнаёт, над чем работает?
Если вы попросите его проанализировать файл на вашем устройстве…
Или прочитать проект на GitHub…
Или выполнить поиск в Notion…
Или извлечь данные из базы данных…
Откуда он возьмёт всю эту информацию?
Ответ может показаться простым.
Он не может.
По крайней мере…
Не сам по себе.
Языковая модель, какой бы умной она ни была, не может автоматически получить доступ к вашим файлам, приложениям или базам данных.
Ей нужен безопасный и организованный способ, позволяющий ей взаимодействовать с этими инструментами.
Здесь в мире ИИ появилась важная концепция, называемая MCP, что является сокращением от Model Context Protocol.
Проще говоря, её можно считать общим языком между ИИ и используемыми им инструментами.
Вместо того чтобы каждое приложение изучало свой способ взаимодействия с GitHub, Notion или базами данных…
MCP предоставляет единый способ, позволяющий модели работать со всеми этими инструментами в одном стиле.
По этой причине, когда вы видите, что такой инструмент, как Claude Code, читает файлы вашего проекта, ищет внутри GitHub или изменяет файлы на вашем устройстве…
Это не значит, что модель «видит» ваше устройство волшебным образом.
А потому что она использует протокол, который позволяет ей получать доступ к этим источникам организованным и безопасным способом.
💡
Если промпт определяет цель… то MCP открывает ИИ дверь к доступу к информации и инструментам, необходимым для достижения этой цели.
📊 Идею можно упростить так
Почему все компании движутся в этом направлении?
Если вы следили за новостями об ИИ в последнее время, вы заметите поразительную вещь.
Почти каждая компания говорит о создании агентов.
И не о создании нового чат‑бота.
На первый взгляд это может показаться просто сменой терминологии.
Но на самом деле причина очень практична.
Представьте, что у вас команда из 20 сотрудников.
Каждые пять минут один из них подходит к вам и спрашивает:
- Что мне делать сейчас?
- Продолжать?
- Подождать?
- Изменить эту часть?
- Начать следующую задачу?
Через несколько часов…
Проблема будет не в эффективности сотрудников.
А в том, что вся работа зависит от вашего решения.
Теперь представьте другой сценарий.
Каждый сотрудник знает цель.
Знает, как начать.
И знает, как проверять свою работу.
И не возвращается к вам, только если сталкивается с реальной проблемой, которую не может решить.
Какая из двух команд сделает больше?
Ответ очевиден.
По этой причине компании пытаются строить системы, которые требуют как можно меньше человеческого вмешательства.
Это не значит, что они хотят заменить людей.
Но они хотят перестать прерывать их каждую минуту.
Есть большая разница между тем, чтобы попросить ИИ выполнить 50 шагов…
И объяснить ему цель один раз, а затем оставить его работать, пока он не достигнет наилучшего возможного результата.
Каждый дополнительный промпт, который вы пишете…
Это признак того, что система остановилась и ждёт новых инструкций.
Что касается хорошей системы…
Она может продолжать самостоятельно как можно дольше.
💡
Успех больше не измеряется количеством написанных промптов… а количеством промптов, которые вам больше не нужно писать.
Эта фраза резюмирует большую часть сдвига, который мы переживаем сегодня.
По этой причине начали появляться инструменты, способные:
- Читать все файлы проекта.
- Искать внутри тысяч строк кода.
- Запускать тесты.
- Анализировать результаты.
- Исправлять ошибки.
- Автоматически повторять попытки.
Всё это до того, как вы напишете какой‑либо новый промпт.
Обратите внимание, что эти инструменты не пытаются быть «умнее» в ответе.
Но они пытаются быть «более самостоятельными» в работе.
Именно в этом направлении движется вся индустрия.
Но здесь возникает важный вопрос.
Если ИИ становится способен выполнять задачи таким образом…
Что останется людям?
Этот вопрос беспокоит многих людей.
Но на самом деле он приводит к одному из самых важных навыков в эпоху ИИ.
Навык, который станет важнее, чем написание промптов
Долгое время человек, умеющий писать хорошие промпты, считался самым профессиональным в использовании ИИ.
Но если вдуматься в то, как работают современные инструменты…
Вы обнаружите, что ценность больше не в написании команды.
А в определении цели.
Между ними большая разница.
Представьте, что менеджер сказал своему сотруднику:
Напиши мне отчёт.
Это команда.
Но достаточно ли её?
Обычно сотрудник вернётся с десятками вопросов.
Какой отчёт?
Для кого?
За какой период?
И какова его цель?
Теперь представьте, что он сказал ему:
Мне нужен отчёт, который поможет руководству понять причину падения продаж за последние три месяца, с практическими предложениями по увеличению продаж.
Обратите внимание на разницу.
Второе предложение было не просто длиннее…
Оно было чётче в цели.
Когда цель становится ясной…
Принимать решения становится легче.
То же самое происходит с ИИ.
Чем яснее цель…
Тем система становится более способной выбирать подходящие шаги самостоятельно.
Но если цель расплывчата…
Она будет вынуждена часто останавливаться или принимать неправильные решения.
По этой причине начал активно проявляться новый навык.
Не навык написания промптов.
А навык проектирования цели.
Знать:
- Чего вы хотите?
- Каков конечный результат, к которому вы стремитесь?
- Каковы ограничения, которые необходимо соблюдать?
- И как вы узнаете, что задача выполнена успешно?
Эти вопросы стали гораздо важнее, чем поиск «лучшего промпта».
💡
ИИ терпит неудачу не всегда потому, что не понял команду… а потому, что не понял цель.
По этой причине, когда вы видите, что кто‑то тратит целый час на улучшение промпта…
Задайте себе другой вопрос.
Действительно ли проблема в промпте… или сама цель неясна?
Во многих случаях вы обнаружите, что полная переформулировка цели даёт лучший результат, чем десятикратная модификация промпта.
Вот почему многие компании больше не ищут людей, которые умеют хорошо пользоваться только ChatGPT.
Вместо этого они ищут людей, которые могут превратить реальную проблему в чёткую цель, над которой сможет работать ИИ.
Этот навык не только для разработчиков.
Но он нужен менеджеру.
И маркетологу.
И дизайнеру.
И исследователю.
И создателю контента.
Потому что будущее не за теми, кто пишет лучший Prompt...
А за теми, кто изначально знает, чего хочет достичь.
Ошибки, которые стали распространёнными... потому что они принадлежат старому подходу
После этого сдвига стало легко заметить некоторые привычки, которые многие до сих пор практикуют.
Не потому, что они неправильные...
А потому, что они подходили для другого этапа.
Ошибка первая: поиск «волшебного промпта»
Если вы поищете в интернете, вы найдёте тысячи заголовков вроде:
- Лучший промпт для написания статей.
- Лучший промпт для программирования.
- Лучший промпт для маркетинга.
- Лучший промпт для чего угодно.
Как будто существует волшебная фраза, которая заставит ИИ решить все ваши проблемы.
Но реальность иная.
Один и тот же промпт может отлично работать в одном проекте...
И полностью провалиться в другом.
Не потому, что модель стала хуже.
А потому, что сама проблема другая.
У каждого проекта своя цель.
И свои данные.
И свои инструменты.
И свой контекст.
Поэтому не существует универсального промпта на все случаи.
Ошибка вторая: вера в то, что длина промпта определяет качество результата
Некоторые считают, что чем больше инструкций, тем лучше результат.
Поэтому вы видите промпт из тысячи слов...
Где модель просят быть одновременно экспертом, консультантом, рецензентом, аудитором и дизайнером.
Но множество инструкций не обязательно означает ясность цели.
Иногда...
Промпт из трёх чётких предложений даёт лучший результат, чем целая страница, полная неважных деталей.
Вопрос не в том:
«Сколько вы написали?»
Вопрос в том:
«Вы чётко передали цель?»
Ошибка третья: убеждение, что модель знает всё
Модель не знает ваш проект.
И не знает ваши файлы.
И не знает, как работает ваша компания.
И не знает, что произошло в разговоре на прошлой неделе, если вы не предоставите ей эту информацию.
По этой причине контексты, память и инструменты стали неотъемлемой частью любой современной системы.
Проблема не в том, что ИИ не понимает.
Проблема в том, что он не может полагаться на информацию, которую не получил.
Ошибка четвёртая: остановка на первом результате
Это одна из самых распространённых ошибок.
Человек пишет промпт.
Получает первый ответ.
И считает, что задача выполнена.
В то время как современные инструменты относятся к первому ответу как к началу, а не к концу.
Если результат нужно улучшить...
Они его улучшают.
Если появляется ошибка...
Пытаются её исправить.
Если не получается...
Пробуют снова.
В этом разница между системой, которая отвечает...
И системой, которая работает.
💡
Лучшие пользователи ИИ сегодня — это не те, кто пишет самые длинные промпты... а те, кто создаёт наилучшую среду, помогающую ИИ добиться успеха.
По этой причине вопрос, который стоит себе задать, изменился.
Вместо того чтобы спрашивать:
Как написать лучший промпт?
Спросите:
Что нужно ИИ для успешного выполнения этой задачи без моего вмешательства на каждом шагу?
Один этот вопрос... полностью меняет ваш способ использования ИИ.
Как будет выглядеть использование ИИ в ближайшие годы?
Трудно точно предсказать, что произойдёт.
Но если вы посмотрите на то, как сегодня развиваются инструменты, вы заметите чёткую закономерность.
ИИ не просто меняется...
Но меняется то, как мы его используем.
Вначале мы относились к нему как к поисковой системе.
Спрашиваем...
Он отвечает.
Потом заканчиваем.
Затем мы начали просить его писать статьи, переводить тексты, создавать изображения и писать код.
Но и этого стало недостаточно.
Сегодня инструменты начали относиться к ИИ как к исполнителю задач, а не просто к ответчику на вопросы.
Это направление будет становиться всё более отчётливым.
Вероятно, вы будете тратить меньше времени на написание промптов.
И больше времени на определение:
- Чего вы хотите достичь?
- Какой результат вы считаете успехом?
- И каковы границы, которые система не должна переступать?
Затем вы оставляете её работать.
Вместо того чтобы сказать:
Напиши этот код.
Вы скажете:
Добавь систему входа в этот проект, используй лучшие практики и убедись, что тесты пройдены, прежде чем закончить.
И вместо того чтобы сказать:
Напиши мне статью.
Вы скажете:
Напиши статью для разработчиков, в практическом стиле, с реальными примерами, затем проверь язык и предложи лучшее название, если найдёшь для этого возможность.
И вместо того чтобы сказать:
Проанализируй эти данные.
Вы скажете:
Проанализируй данные, найди необычные закономерности, затем предоставь отчёт с практическими рекомендациями.
Заметьте важную вещь.
Во всех этих примерах...
Вы не определяли шаги.
Вы определили результат.
Что касается выполнения...
Оно стало частью ответственности системы.
💡
Чем больше развиваются инструменты ИИ, тем меньше будет наш интерес к тому, как выполнить задачу... и тем больше будет интерес к определению результата, которого мы хотим достичь.
Это также изменит роль человека.
Сегодня многие пользователи тратят своё время на то, чтобы направлять ИИ шаг за шагом.
В будущем, вероятно, они будут тратить его на:
- Определение целей.
- Проверку результатов.
- Принятие решений.
- И вмешательство только тогда, когда потребуется их человеческий опыт.
Другими словами...
Человек будет постепенно переходить от исполнителя работы...
К управляющему работой.
Это не значит, что ИИ всегда будет работать сам.
По-прежнему будут задачи, требующие человеческого опыта, человеческого суждения и творчества, которые нельзя свести к инструкциям.
Но способ сотрудничества изменится.
Вместо того чтобы вести ИИ на каждом шагу...
Вы установите для него пункт назначения.
Затем будете следить за его путешествием к нему.
Возможно, это лучшее описание сдвига, который мы переживаем сегодня.
Мы больше не используем ИИ как машину, которая пишет за нас ответы...
Вместо этого мы начали относиться к нему как к рабочему партнёру, который может выполнить большую часть задачи, в то время как человек остаётся ответственным за определение цели, принятие решения и оценку качества результата.
Это направление, которое, похоже, формирует способ использования ИИ в ближайшие годы.
Как подготовиться к этому сдвигу?
Если вы дочитали до этого места, вы осознали, что способ использования ИИ меняется.
Но самый важный вопрос остаётся...
Что вам следует изучать?
Если ваша цель — не отставать от этого сдвига, вот пять навыков, которые, по моему мнению, стоят вашего времени больше, чем запоминание сотен промптов.
1. Научитесь определять цель перед тем, как писать промпт
Не начинайте с вопроса:
Что мне написать?
Начните с вопроса:
Чего я хочу достичь?
Чем яснее цель...
Тем легче любой системе ИИ будет её достичь.
По этой причине тратьте время на обдумывание конечного результата, а не на формулирование первого предложения.
2. Научитесь предоставлять правильный контекст
Даже самые умные модели не могут работать с информацией, которой у них нет.
Если вы хотите, чтобы ИИ помог вам в вашем проекте...
Недостаточно просто сказать ему задачу.
Вместо этого предоставьте файлы, информацию, требования и ограничения, которые ему нужны.
Чем лучше контекст...
Тем лучше решения, которые он принимает.
3. Познакомьтесь с инструментами, которые работают вокруг модели
Сегодня ИИ работает не только в окне чата.
Существуют инструменты, которые могут читать файлы, запускать код, подключаться к базам данных, искать в интернете и управлять проектами.
Чем лучше вы понимаете эту экосистему...
Тем более вы способны создавать решения, выходящие за рамки одного разговора.
4. Поймите, как работают циклы (Loops)
Не каждый ответ является конечным результатом.
Часто лучшие результаты приходят после нескольких попыток.
Поэтому не смотрите на цикл как на просто техническое понятие.
Вместо этого считайте его образом мышления.
Выполняйте.
Проверяйте.
Улучшайте.
Повторяйте.
Работаете ли вы с ИИ...
Или работаете в одиночку.
5. Не останавливайтесь на использовании инструментов... поймите, почему они работают
Сегодня может появиться десятки новых инструментов.
А завтра половина из них может исчезнуть.
Но принципы, на которых они основаны, останутся.
Если вы понимаете, почему эти инструменты зависят от целей, памяти, контекста, инструментов и циклов...
Вам не придётся начинать с нуля каждый раз, когда появляется новый инструмент.
Вы освоите инструмент...
Потому что поняли идею.
💡
Инструменты будут меняться... и модели будут развиваться... но понимание принципов останется лучшим вложением.
В конце концов, не делайте своей целью стать человеком, который хорошо умеет пользоваться ChatGPT.
Сделайте своей целью стать человеком, который знает, как добиваться результатов с помощью ИИ.
Потому что разница между этими двумя подходами будет становиться всё более очевидной с каждым новым поколением инструментов.
Заключение: вопрос, который изменился, изменил всё
В начале этой статьи мы начали с простого вопроса.
Какой самый лучший промпт?
И это был логичный вопрос.
Потому что мы относились к ИИ как к инструменту для ответов на вопросы.
Но с развитием инструментов этот вопрос перестал быть самым важным.
Вопрос, который стоит задать сегодня:
«Как построить систему, которая может достичь цели с минимальным моим вмешательством?»
В этом суть сдвига, который мы переживаем.
Если бы вы хотели резюмировать статью одной фразой, возможно, это была бы лучшая формулировка:
Мы перешли не от промпта к AI-агентам... мы перешли от отдачи команд к достижению целей.
По этой причине промпт больше не является концом процесса.
Вместо этого он стал его началом.
После него идёт план.
Затем выполнение.
Затем проверка.
Затем исправление.
Затем повторение.
Пока результат не будет достигнут.
Названия инструментов могут меняться.
И могут появиться более мощные модели.
И инструменты, которые мы используем сегодня, могут исчезнуть.
Но основная идея останется прежней.
Каждое новое поколение инструментов ИИ будет пытаться запросить у вас меньше инструкций...
И предоставить вам больше результатов.
По этой причине лучшее вложение, которое вы можете сделать сегодня, — это не коллекционирование сотен промптов.
А понимание того, как эти системы работают, как они думают, как принимают решения и как превращаются из модели, отвечающей на вопросы, в систему, выполняющую задачи.
💡
Промпт не умер... но он больше не герой. Настоящий герой сегодня — это цель.
Когда цель ясна...
И у ИИ есть правильный контекст...
И правильные инструменты...
И он может проверять свою работу и повторять попытки...
Вопрос будет не в том: «Какой лучший промпт?»
Вместо этого он будет:
Чего я хочу достичь?
Возможно, это самое важное изменение в способе использования ИИ с момента его появления.
📌 Если вы считаете, что эта статья изменила ваш образ мышления, добавьте её в закладки.
Не потому, что она содержит набор промптов...
А потому, что она объясняет идею, на которой построены большинство современных инструментов ИИ, — идею, которая останется полезной даже с появлением новых моделей и инструментов.
А если у вас другое мнение или вы считаете, что есть другой сдвиг, который я не затронул, напишите мне в комментариях. Я буду рад прочитать и обсудить это.
Подготовлено и написано: Adel Ahmed
💙 Если статья была вам полезна, не забудьте добавить её в закладки и поделиться с друзьями — возможно, это будет первое руководство, которое поможет им войти в мир AI-агентов практично и правильно.
