Что такое промт и зачем его структурировать
Промт — это входное сообщение, которым вы задаёте модель поведение, контекст и ожидаемый результат. В DeepSeek, как и в других LLM, качество ответа пропорционально ясности инструкции.
Неструктурированный запрос вроде «напиши код» даёт обобщённый результат. Добавление роли, ограничений, примеров и формата выхода превращает модель в специализированный инструмент.
Ключевые компоненты сильного промта
- Роль (Persona) — кто отвечает: «ты — старший Python-разработчик с 10 лет опыта».
- Контекст — входные данные, ограничения, целевая аудитория.
- Задача — чёткий глагол: напиши, рефактори, объясни, сравни, сгенерируй.
- Формат выхода — JSON, markdown, таблица, только код, без пояснений.
- Примеры (few-shot) — 1–3 пары «вход → идеальный выход» для калибровки стиля.
Типичные ошибки и как их исправить
«Сделай хорошо» без критериев
Модель не знает, что вы считаете «хорошим». Замените на чёткие ограничения: «длина ≤ 200 слов», «только факты, без прилагательных», «стиль: сухой технический».
Перегруз контекстом
Сбрасывать 5000 токенов логов и просить «найди баг» — неэффективно. Выделите релевантный фрагмент, добавьте сообщение об ошибке, укажите подозрительную зону.
Игнорирование формата выхода
Без явного формата модель выберет свой (часто markdown с пояснениями). Для парсинга в коде требуйте строгий JSON / YAML / только код.
Отсутствие роли
Без роли модель отвечает «в среднем». Роль подтягивает лексику, глубину и стиль мышления нужного эксперта.
Один промт на всё
Сложные задачи разбивайте на цепочку: анализ → план → реализация → ревью. Каждый шаг — отдельный промт с передачей артефактов.
Нет примера (zero-shot там, где нужен few-shot)
Для нестандартных форматов (специфический JSON, особый стиль письма) 1–2 примера экономят десятки итераций правок.
Параметры генерации: что трогать, а что оставлять
| Параметр | Рекомендация | Когда менять |
|---|---|---|
| temperature | 0.0–0.3 для кода, фактов, извлечения; 0.7–1.0 для идей, текстов, нейминга | Нужен детерминизм → 0.0; нужен разброс → выше |
| top_p | Оставьте 0.9–1.0, меняйте только вместе с temperature | Редко, для тонкой калибровки разнообразия |
| max_tokens | Ставьте с запасом (4000+), обрезайте пост-обработкой | Обрезка ответа посередине — признак лимита |
| stop_sequences | Мощный инструмент контроля формата (например, ``) | Когда формат выхода строгий и предсказуем |
| presence / frequency_penalty | Почти никогда не нужны для задач с промтами выше | Только если модель зацикливается на словах |
Статьи по теме
