The post has been translated automatically. Original language: Russian
Everyone is adding AI now, but half of the projects end up with an expensive toy that doesn't affect the metrics. We share our practice on how to approach this in an engineering way.
1. First the task, then the technology
Not "let's screw up the AI", but "what specific pain will it cover". AI really pays off where there is routine, volume, and text: support, application processing, content generation, and knowledge base search. If the task is solved by ordinary logic or a simple script, do not complicate it.
2. Don't train your model. Use the API
A common mistake of early teams is to try to "train a neural network." In 99% of cases, this is unnecessary and ruinous. Take ready-made LLMs through the API (Anthropic, OpenAI, Google, etc.), and use according to your specifics: industrial engineering — correctly formulated instructions close most cases; RAG (retrieval-augmented generation) — connecting your knowledge base/documents so that the model responds to your data rather than "hallucinating"; Fine-tuning — only when everything else has already been squeezed out and a stable narrow format is needed.
3. Keep the person in the loop
Especially at the start: the AI prepares a draft/response, and the human confirms it. This protects against errors in client communications and gives you the data on which the system becomes more accurate.
4. Consider the cost and speed from the first day
Two parameters that kill AI features in the product: the price per request and the latency. Practice: cache duplicate answers, choose a model for the task (don't take the top one where the easy one is enough), set limits. The same feature on a "cheap" and "expensive" model may differ significantly in cost with the same result.
5. Set limiters (guardrails)
AI in a product without a framework = risk. Minimum: filtering of unwanted input/output, clear boundaries of "what the assistant doesn't talk about", folback on a live person, logging for error analysis.
6. A quick start in a week, not a quarter
A working approach: take one narrow scenario (for example, AI answers to the 20 most frequent customer questions), assemble a prototype on the API in a few days, test it on real requests, measure the effect, and only then scale. A small working case is more useful than a large "AI-platform" plan in a presentation.
A short checklist before implementation: ✅ there is a specific task with a measurable metric The API + prompt/RAG path has been chosen, rather than learning from scratch , the cost of the request and latency are calculated , there is a man in contour and guardrails You start with one narrow scenario
Одна и та же модель на одной и той же задаче может выдавать и мусор, и отличный результат. Разница почти всегда в промпте. Собрали приёмы, которые дают прирост качества сразу — без дообучения и лишних затрат.
1. Роль и контекст вместо голого вопроса
Не «напиши текст», а «ты редактор B2B-рассылки, аудитория — владельцы малого бизнеса, задача — письмо на 500 знаков». Модель работает точнее, когда понимает, для кого и зачем.
2. Задавайте формат ответа явно
Если нужен JSON — просите строго JSON без пояснений и разметки. Если таблица — опишите колонки. Половина «нестабильности» ИИ в продукте лечится жёстким описанием формата.
3. Примеры сильнее объяснений
Один-два образца «вход → правильный выход» (few-shot) работают лучше трёх абзацев инструкций. Модель копирует паттерн, а не пересказывает правила.
4. Ограничения — обязательная часть промпта
Что не делать, чего избегать, чего не выдумывать. Отдельно пропишите поведение при нехватке данных: «если информации недостаточно — так и ответь, не додумывай». Это заметно снижает выдуманные факты.
5. Разбивайте сложное на шаги
Одна задача = один промпт. Цепочка коротких вызовов надёжнее и дешевле, чем один гигантский промпт «сделай всё сразу». Отлаживать её тоже проще.
6. Системный промпт — не свалка
Держите его коротким и стабильным: роль, рамки, формат. Всё изменяемое — в пользовательском сообщении. Длинный системный промпт уходит в оплату при каждом вызове.
7. Тестируйте на наборе, а не на одном примере
Соберите 20–30 реальных запросов и прогоняйте промпт на всех после каждой правки. Иначе улучшение одного кейса тихо ломает пять других.
Главное правило: промпт — это часть кода, а не переписка. Его версионируют, тестируют и меняют осознанно.
💬 Какой приём дал вам самый заметный прирост качества? Поделитесь в комментариях 👇
Share
