Кому пригодится: разработчикам, продакт- и дата-специалистам. Ниже — практические техники проектирования промтов под модели уровня GPT-5. Фокус на воспроизводимости и качестве, без коммерции.

• Глубжее рассуждение «из коробки» — можно давать цельные сценарии вместо десятков микропромтов.
• Встроенная самопроверка — модель умеет критиковать и дорабатывать собственный ответ.
• Мульти-роль и мульти-формат — один запрос → сразу несколько ролей и форматов результата.

Модель сначала выбирает стратегию, потом решает задачу.

Ты — эксперт по промт-инжинирингу. Предложи 3 стратегии решения задачи (подход, плюсы/минусы, риски). Выбери оптимальную и только затем выполни задачу.

Самопроверка по критериям качества.

Сформируй ответ. Затем оцени его по 3 критериям: полнота, точность, ясность (0–10). Если любой < 9 — доработай и покажи финальную версию.

Предложи ≥3 альтернативных стратегии. Для каждой: шаги, время, риски. Сравни и обоснуй выбор одной.

Этап 1: аналитик рынка → краткий ресёрч. Этап 2: продуктолог → гипотезы ценности. Этап 3: копирайтер → тезисы лендинга. Отдай результат единым пакетом.

В конце ответа укажи уверенность (0–100%). Если < 80% — что уточнить и где взять данные.

Дай краткую концепцию (3–4 предложения). Задай 5 уточняющих вопросов. После моих ответов — детальный план.

Запомни исходные параметры проекта (список). Используй их в дальнейших ответах, даже если я их не повторяю.

На основе одной идеи:

1. статья для блога (800–1000 слов),
2. пост LinkedIn (120–180 слов),
3. сценарий Reels < 60 сек (hook–value–информ. CTA).

Смоделируй дискуссию: маркетолог, аналитик, дизайнер. Каждый даёт позицию и возражения. В финале — согласованный план и метрики успеха.

Реши задачу. Затем переформулируй запрос по-другому и проверь, совпадает ли результат. Если нет — исправь и опиши, что изменил.

Ты можешь самостоятельно переключать роль (аналитик/инженер/редактор) по этапам. Помечай смену роли коротким маркером.

Проанализируй .csv (колонки: …). Сделай агрегаты и опиши, какие графики нужны и почему (Markdown-структура отчёта).

• Постановка задачи: от жёстких инструкций к мета-промтам и выбору стратегии моделью.
• Мышление: «думай пошагово» → глубокий анализ по умолчанию + ветвления (ToT).
• Качество: ручная проверка → self-critique/self-refinement в одном запросе.
• Роли: прописывали каждую → динамическая смена ролей внутри одного сценария.
• Проверка: отдельный промт → chain-of-verification в том же запуске.
• Форматы: конвертировали вручную → мульти-формат из одной идеи.

• Сценарий сформулирован: цель → критерии качества → формат вывода.
• В конце есть самопроверка и оценка уверенности.
• При необходимости — ветвления и выбор оптимального варианта.
• Конфиденциальные данные не передаются; анонимизация — на стороне команды.
• Цифры и факты валидируются внешними источниками/внутренними данными.

• Google, «Prompt Engineering» (whitepaper, февраль 2025): настройки temperature/top-p/top-k, техники и best practices.
• Исследования по Tree-of-Thoughts, ReAct, Self-Consistency: как методы рассуждения повышают качество вывода.
• Собственные регламенты компании по безопасности и качеству данных.

Примечание: примеры промтов — обучающие. Перед продом валидируйте на своих датасетах и политиках.

Сравнение приёмов: GPT-4o → GPT-5

Есть практические кейсы адаптации промтов под GPT-5 (без NDA)?
Кратко опишите контекст, что меняли и какие метрики качества/скорости улучшились.