DeepSeek и длинные тексты: как писать промты, чтобы нейросеть не обрезала ответ

DeepSeek Prompt Engineering Long Context

Пишем промты для длинных текстов: обходим лимит токенов на выходе

DeepSeek умеет рассуждать длинно, но отвечает кратко. Материал показывает, как заставить модель выдавать статьи, код и скрипты любой длины — через цепочки, итерации и правильную архитектуру промта.

Почему DeepSeek «молчит» на полуслове

Окно вывода ≠ окно контекста

У модели может быть 128к или 200к токенов на вход (контекст), но жесткое ограничение на генерацию за один раз — обычно 4096 или 8192 токена. Это «устье бутылки».

Когда ответ упирает в лимит, модель просто обрывает мысль, часто посередине слова или кода. Это не ошибка, а архитектурное ограничение декодера.

Что не работает: «Пиши подробнее»

Просьба «напиши длинно» или «максимально подробно» лишь увеличивает плотность информации. Модель сжимает смысл, чтобы уложиться в лимит токенов, теряя нюансы и примеры.

Решение — не просить «больше», а менять протокол взаимодействия: разбивать генерацию на этапы, где каждый этап укладывается в лимит комфортно.

Стратегия 1: Метод «Цепочка мыслей» — пошаговая генерация

Самый надежный способ получить длинный текст — не просить его целиком. Заставьте модель сначала написать план, потом — главу за главой. Каждый шаг — отдельный запрос в рамках одного чата (если контекст позволяет) или в новом с переданным контекстом.

1

План и скелет

Промт: «Вы — эксперт. Напиши подробный план статьи на 15 тысяч знаков по теме [Тема]. 10-12 пунктов, каждый с тезисом и ключевыми аргументами. Без вступления и заключения в плане».

2

Генерация блоков

Промт: «Пиши только пункт 1 плана. Объем — 1500-2000 знаков. Стиль: экспертный, примеры из практики. Не пиши переходы к следующим пунктам». Получаешь ответ, копируешь, просишь пункт 2.

3

Сборка и шлифовка

Склеиваешь блоки. Финальный промт: «Вот черновик статьи из блоков. Сгладь переходы, единый стиль, убери повторы, добавь связки между разделами. Сохрани весь объем».

Две альтернативные тактики для разных задач

Map-Reduce (Карта — Свертка)

Идеально для обработки огромных массивов (переписки, логи, книги), которые не влезают в контекст.

  • Map: Разбиваешь источник на куски. Каждому куску — свой промт: «Извлеки ключевые факты/тезисы из этого фрагмента».
  • Reduce: Собираешь все выжимки в один контекст. Промт: «На основе этих тезисов напиши итоговый отчет/статью на 20к знаков».
Кейс: Анализ 50 отзывов клиентов → кластеризация болей → лонгрид-статья для блога.

Итеративное «Продолжи»

Работает для кода, сценариев, пошаговых инструкций, где структура линейна и предсказуема.

  • Запускаешь генерацию с маркером: «Напиши первую часть (до заголовка H2 «Внедрение»). В конце поставь маркер [CONTINUE]».
  • Модель пишет до лимита, ставит маркер. Ты отвечаешь: «Продолжи с места [CONTINUE]. Следующая секция — «Внедрение»».
  • Так до конца. Важно: в каждом новом сообщении напоминать роль, стиль и контекст предыдущей части (1-2 абзаца).
Нюанс: DeepSeek иногда «галлюцинирует» связку. Лечится фразой в промте: «Строго продолжай логику предыдущего фрагмента, не изобретай новые факты».

Анатомия промта: как просить длину правильно

Типичный ошибка
> Напиши очень длинную и подробную статью про использование ИИ в маркетинге. Много примеров, кейсов, цифр. Объем — максимум, не режься.
  • Нет роли и формата — модель угадывает
  • «Максимум» = упрется в лимит токенов на выходе
  • Нет структуры — получится «простыня» воды
Рабочий шаблон
> Роль: Ты — старший контент-стратег SaaS-компании, пишешь для CPO.
> Задача: Напиши только Раздел 2 из плана (приложен ниже). Тема: «ИИ в продукте: от гипотезы к метрике».
> Объем: 1800–2200 знаков с пробелами.
> Структура: Проблема → Подход → Кейс (1 абзац) → Риск → Вывод.
> Стиль: Лаконично, без воды, активный залог, термины без определений.
> Запреты: Не пиши вступление, заключение, переходы к другим разделам. Не используй списки — сплошной текст.
  • Четкий лимит знаков — укладывается в окно вывода
  • Жесткая скелетная структура — гарантия плотности
  • Изоляция задачи — модель не тратит токены на лишнее

Готовый шаблон: «Архитектор длинных текстов»

Сохраните этот блок. Он работает как системный промт (System Prompt) или первое сообщение в чате. Адаптируйте поля в квадратных скобках.

System Prompt / Инструкция для чатаCOPY READY
# РОЛЬ И ЦЕЛЬ
Ты — [Роль: экспертный копирайтер / технический писатель / стратег].
Цель: создать [Тип контента: статью / отчет / скрипт / код] объемом [Целевой объем в знаках/словах] по теме [Тема].

# ПРОТОКОЛ ГЕНЕРАЦИИ (ОБЯЗАТЕЛЬНО)
1. ПЛАН. Сначала выдай детализированный план (H2/H3, тезисы, объем каждого раздела в знаках). Жди подтверждения.
2. ПОСЛЕДОВАТЕЛЬНОСТЬ. После одобрения плана пиши строго по одному разделу за сообщение.
3. ЛИМИТЫ. Каждый раздел = [N] знаков. Не превышай. Не пиши «введение/заключение» внутри разделов.
4. МАРКЕР. В конце каждого сообщения ставь [NEXT_SECTION].

# СТИЛЬ И КАЧЕСТВО
- Тон: [профессиональный / дружелюбный / строгий].
- Структура абзаца: тезис → аргумент/пример → вывод.
- Запреты: вводные слова («кроме того», «также»), обобщения без доказательств, пассивный залог там, где возможен активный.
- Форматирование: Markdown (H2, H3, списки, код-блоки, таблицы).

# КОНТЕКСТ (ЗАПОЛНИ ПЕРЕД СТАРТОМ)
Целевая аудитория: [Описание]
Ключевые сообщения (must-have): [Список]
Примеры/Данные для вставки: [Есть/Нет, приложи при необходимости]
Глоссарий терминов: [Ссылка или список]

# ПЕРВЫЙ ШАГ
Не пиши текст. Выдай ПЛАН.

Ловушки, которые съедают токены и качество

Миф

«Увеличь temperature до 1.0 — текст станет креативнее и длиннее».

Реальность

Высокий temperature дает хаос и галлюцинации. Для длинных структурированных текстов ставь 0.3–0.5. Длину дает структура промта, а не случайность.

Миф

«DeepSeek R1 «думает» долго, значит, и пишет длинно автоматически».

Реальность

Chain-of-Thought тратит токены на рассуждения (hidden), а не на итоговый ответ. Включай thinking только для сложной логики/кода. Для текстов — отключай или ограничивай budget tokens.

Миф

«Можно скинуть 100-страничный PDF в контекст и сказать «напиши книгу на его основе»».

Реальность

Контекст ≠ Память. Модель «забывает» начало длинного контекста к середине генерации. Используй RAG (векторный поиск) + Map-Reduce: извлекай релевантные чанки под каждый раздел плана.

Главное: длину не «выпросишь», её «собираешь»

DeepSeek — мощный движок, но у него узкое «устье» на выходе. Победа не в одном волшебном промте, а в процессе: планирование → итеративная генерация по скелету → сборка. Это переводит задачу из категории «магия» в категорию «инженерный процесс».

Чек-лист старта
  • Лимит знаков на блок задан
  • Скелет/план утвержден
  • Роль и стиль прописаны
  • Temperature = 0.3–0.5
Если застряло
  • Узкий план → широкий текст
  • Map-Reduce для данных
  • Ручная сборка > авто-продолжение
НейросетиПромтыРазное
21 октября, 2026

Статьи по теме