Промт для большой задачи в DeepSeek: методика декомпозиции и готовый шаблон

Методология → Шаблон → Пример

Промт для большой задачи в DeepSeek: методика декомпозиции и готовый шаблон

Перестаньте просить «сделать всё сразу». Научитесь упаковывать сложные проекты в структуру, которую модель рассуждения выполняет без потерь контекста и галлюцинаций.

Парадокс: чем подробнее вы описываете задачу в одном сообщении, тем выше вероятность, что DeepSeek «забудет» начало к середине ответа или смешает этапы. Окно контекста не бесконечно, а внимание модели — ресурс, который расходуется неравномерно.

Суть методички: три слоя контроля

Рабочий промт для большой задачи — это не инструкция, а программа для модели. Она состоит из трёх обязательных блоков, которые заставляют DeepSeek включать режим рассуждения (CoT) на каждом этапе, а не только в конце.

1. Роль и Ограничения

Жёсткий каркас: кто ты, формат ответа, что запрещено.

2. Алгоритм шагов

Декомпозиция на атомарные действия с чекпоинтами.

3. Протокол верификации

Критерии самопроверки перед выдачей финала.

Условная схема: вложенность контроля. Каждый слой валидирует предыдущий.

Ключевое определение

«Методичка» = System Prompt + User Prompt + Scratchpad Protocol

Вы не пишете «промт». Вы проектируете систему инструкций, где System Prompt задаёт личность и правила мышления, User Prompt передаёт данные и цель, а скрытый блок Scratchpad (или тег <thinking>) обязывает модель показывать работу перед ответом.

Четыре столпа рабочего промта

СТОЛП 1 ИЗ 4

Роль, Контекст, Формат вывода

Зафиксируйте личность эксперта, входные данные, целевую аудиторию и — критично — структуру ответа (JSON, Markdown, таблица). Модель не должна гадать.

Пример:
«Ты — старший системный аналитик. Выдавай только валидный JSON по схеме X. Вход: техническое задание. Запрещено: воду, вступления, markdown-блоки.»

Декомпозиция на атомы

Разбейте задачу на шаги, которые невозможно сделать неправильно. Каждый шаг — один экран кода/текста, одна логическая операция, один файл.

Шаг 1: Аудит входных данных
Шаг 2: План работ (Todo list)
Шаг N: Исполнение пункта…
Финал: Сборка и ревью

Chain-of-Thought принудительно

Обязайте модель мыслить вслух. Используйте теги <reasoning> или инструкцию «Пошагово рассуждай в блоке thinking». Это включает вычислительный ресурс на рассуждение, а не на угадывание.

<reasoning>
1. Проверяю входные данные на полноту…
2. Выбираю стратегию…
3. Предвижу риски…
</reasoning>

Quality Gates (Врата качества)

Встройте чек-лист самопроверки ПЕРЕД финальным выводом. Модель должна явно подтвердить: «Проверял X, Y, Z — всё ок».

[ ] Соответствует ли формат схеме?
[ ] Использованы ли все входные данные?
[ ] Нет ли противоречий между шагами?
[ ] Код/текст проходит линтер/проверку?
→ Если да: OUTPUT
→ Если нет: RETRY STEP N

От пустого листа к рабочему промту за 5 шагов

Цель и критерий приёмки

Сформулируйте: «Результат считается готовым, когда…». Это ваш Quality Gate №0.

Декомпозиция вручную

Разбейте на 5-15 шагов. Если шагов больше — это два промта. Пишите глаголы: «Проанализировать», «Сгенерировать», «Проверить».

Написание System Prompt

Жёсткий контракт. Роль, стиль, запреты, формат вывода, протокол рассуждения. Это «закон» для сессии.

Формирование User Prompt

Данные + Контекст + Ссылка на System Prompt + Триггер старта («Начни с шага 1»).

Тестовый прогон и калибровка

Запустите на малой выборке. Исправьте промт, а не ругайте модель. Итерация — нормальный процесс.

Готовый шаблон: скопируйте, заполните переменные, запускайте

Ниже — универсальная архитектура. Замените блоки в квадратных скобках на ваши данные. Для DeepSeek оставляйте temperature: 0 и max_tokens: 8192 (или лимит модели).

system_prompt.md

# SYSTEM PROMPT (Сохраните как отдельный файл или блок в начале чата)
# ---------------------------------------------------------
РОЛЬ: Ты — [ЭКСПЕРТ: напр., Senior Backend Architect / Technical Writer / Data Scientist].
ЦЕЛЬ: [ЧЁТКИЙ РЕЗУЛЬТАТ: напр., Полная спецификация API v2 с примерами кода].

# ЖЁСТКИЕ ПРАВИЛА (CONSTRAINTS)
- Вывод ТОЛЬКО в формате: [JSON / Markdown / Python / Plain Text]. Никаких вступлений/заключений.
- Используй блок <reasoning> для пошагового анализа ПЕРЕД каждым действительным шагом.
- Запрещено: галлюцинировать факты, пропускать шаги алгоритма, менять структуру вывода.
- Если входные данные неполны — сгенерируй блок <questions> с уточняющими вопросами и остановись.

# АЛГОРИТМ РАБОТЫ (WORKFLOW)
Шаг 1: [Аудит входных данных: проверить полноту, найти противоречия]
Шаг 2: [Создать план выполнения (Todo List) с разбивкой на атомарные подзадачи]
Шаг 3...N: [Исполнить подзадачи по одной, после каждой — микро-верификация]
Финал: [Собрать артефакт, пройти Quality Gates, выдать результат]

# QUALITY GATES (ПРОВЕРКА ПЕРЕД ВЫВОДОМ)
Проверь:
1. Соответствие формату [СХЕМА/ПРИМЕР].
2. Полнота покрытия требований из User Prompt.
3. Отсутствие TODO/FIXME/заглушек в продакшен-коде.
4. Валидность синтаксиса (JSON.parse, python -m py_compile, etc).

# ВХОДНЫЕ ДАННЫЕ (Заполняются в User Prompt)
INPUT_DATA: {{ВСТАВЬТЕ_ВАШИ_ДАННЫЕ_ЗДЕСЬ}}
CONTEXT: {{ДОПОЛНИТЕЛЬНЫЙ_КОНТЕКСТ_ИЛИ_ФАЙЛЫ}}

Одиночный промт vs Структурированная методичка

Подход «Один промт на всё»

Контекст «замыливается» к середине ответа.
Модель пропускает шаги алгоритма ради скорости.
Формат вывода плавает от раза к разу.
Сложно отлаживать: ошибка в шаге 2 ломает шаг 10.
Токены тратятся на повторение контекста, а не на рассуждение.

Подход «Методичка» (System + User + Protocol)

Роль и правила зафиксированы в System Prompt (не сгорают в контексте).
Chain-of-Thought заставляет «думать» на каждом шаге.
Quality Gates ловят ошибки до выхода в продакшен.
Модульность: можно перезапустить только шаг 5.
Промт становится передаваемым активом команды.

Важно: Temperature = 0 для детерминизма

Для задач с точным форматом (код, JSON, спеки) любая температура > 0 вносит энтропию. DeepSeek-R1/Chat при t=0 даёт воспроизводимый результат. Креатив — только в этапе идей, не в этапе исполнения.

Совет: Принудительный JSON Schema

Добавляйте в System Prompt: «Вывод должен проходить валидацию по JSON Schema: {схема}». Это убивает 90% проблем с парсингом ответа программно. DeepSeek отлично следует схемам.

Осторожно: Лимит токенов вывода

Если задача огромна — промт должен требовать поэтапную выдачу: «Выдавай результат шага N, жди команду \»Next\»». Не пытайтесь втиснуть 50к токенов в одно сообщение — получите обрыв на самом интересном месте.

Главный сдвиг мышления

Промт — это не текст. Промт — это архитектура системы.

Когда вы перестаёте «просить» модель и начинаете «программировать» её поведение через роли, протоколы рассуждения и врат качества — вы получаете не генератор текста, а надёжного исполнителя сложных инженерных задач. Методичка — ваш исходный код. DeepSeek — рантайм.

Декомпозиция > Размер контекста Протокол > Надежда Итерация > Магия

Промт для большой задачи в DeepSeek: методика декомпозиции и готовый шаблон