AI для бизнес-аналитиков (и не только): пост 3/5 Garbage In — Garbage Out 🗑️ или пишем хорошие промты

На связи Степан😎

Недавно гонял Gemini 3 на новом проекте (новом для Gemini, для меня не очень). Потратил час на итерации, пытаясь получить нормальную user story. Начал было уже беситься, что проще самому написать стори, чем бесконечно править ответы. А потом дошло, что сам виноват - кинул задачу в пустоту и жду чуда😅

Классика: Garbage In - Garbage Out. Мусор на входе - мусор на выходе.

⸻

В чём проблема

Когда пишешь в чат "сделай доку" или "напиши user story для авторизации" - получаешь абстрактное 💩. Вроде буквы есть, а работать с этим нельзя.

Но стоит нормально поставить задачу - и та же модель выдаёт результат, который почти не нужно править. Неважно, насколько умная модель - если криво сформулировать запрос, результат будет соответствующий, уже много раз на этом "горел".

⸻

Что должно быть в промте

Это достаточно известная база в работе с ИИ и, скорее всего, вы ее уже знаете.
5 элементов, которые реально влияют на качество:

1. Роль — кто отвечает? (опытный BA, tech lead, QA)
2. Контекст — что происходит? (домен, проект, ограничения)
3. Задача — что конкретно сделать?
4. Ограничения — чего делать НЕ надо? (без воды, без имплементации - на этом моменте сам постоянно косячу и получаю перегруженные ответы)
5. Формат — как должен выглядеть результат?

Сравните:

❌ Плохо:
"Создай user story для авторизации"

✅ Лучше:
"Ты опытный бизнес-аналитик. Делаем мобильное приложение для {домен}. Напиши user story для авторизации пользователя.

Требования: вход по email/пароль, OAuth через Google и Apple, восстановление пароля.

Формат: Role-Action-Benefit, детальные Acceptance Criteria, edge cases. Без деталей имплементации."

Второй промт дает гораздо больше конкретики. И, как в случае у меня с Gemini, это критически важно, потому что Gemini просто неоткуда взять контекст и подстроить под него ответ.

⸻

Как получить еще более классный результат от промта

1. Заставляйте думать вслух. Добавляю в промт "Think step by step" или "Сначала проанализируй, потом предложи решение". Особенно помогает для архитектурных задач — модель не прыгает сразу к выводам.

2. Показывайте примеры. Если есть референс хорошей user story или документа — скармливаю в промт. "Вот пример, действуй так же". Работает лучше любых объяснений.

3. Просите улучшить ваш же промт. Лень думать над формулировкой? Пишу: "Напиши промт, который я должен тебе отправить, чтобы получить идеальную документацию по этой фиче". Нейронка сама докрутит структуру.

4. Сохраняйте работающие промты. У меня в Notion уже целая библиотека шаблонов собралась: для user stories, для BRD, для юзер флоу. Один раз потратил время на сохранение и переиспользую.

⸻

Что по метрикам успеха

Замерял на себе. С базовыми запросами ("напиши то-то") уходило 30-60 минут на задачу с правками в десятки итераций. С нормальной структурой - 10 минут и пара итераций на шлифовку.

Экономия в 3 раза минимум. На длинной дистанции это десятки часов в месяц.

⸻

Выводы, по традиции

Громкий термин "промт-инжиниринг" - это просто нормальная постановка задачи. Та же история, что с ТЗ для разработчиков: при плохом ТЗ - результат ХЗ.

Разница в том, что нейронка не придёт уточнять (плохой разработчик, в целом, тоже). Она просто сделает как поняла. Поэтому вся ответственность за качество - на том, кто пишет запрос.

Схема из 5 элементов промта подходит не только для рабочих задач. Если мне нужно найти информацию, то я обязательно попрошу того же Perplexity быть профессиональным ресерчером или Gemini - охотником за скидками. И результат запрошу со ссылками и в виде таблицы, чем сэкономлю себе несколько минут на следующую генерацию ответа. Мне есть куда их потратить с большей пользой 😇

Бонус: подход @denissexy к написанию промтов можно тоже попробовать. Только адаптировать из кастомной инструкции под обычный промт. Каждый ответ получается от лица мирового эксперта в определенной области.