Как писать AI-промпты для анализа данных: гайд

Чтобы составить AI-промпт для анализа или классификации данных, сформулируйте решение, задайте четкие критерии, разделите источники данных и укажите выходные столбцы. Добавьте правило для отсутствующей или противоречивой информации, чтобы модель могла вернуть Unknown, а не пыталась угадать ответ.

В этом руководстве я использую пример классификации компаний: на основе описания компании и текста с ее сайта нужно определить, продает ли она HR-услуги другим компаниям, и кратко обосновать ответ. Так вы получите результат, который можно отфильтровать, и пояснение, которое можно сверить с исходными данными.

Для тестирования на описаниях компаний можно использовать исторический CSV со списком French Tech Next40/120: в нем есть названия, сайты и описания компаний. Сопоставьте столбец Description с {{company_about}}, а {{Website Texts}} оставьте пустым, если вы не выгружали тексты страниц отдельно.

Чем понятнее промпт, тем проще проверять результаты. Протестируйте случаи с недостатком данных и ошибочной классификацией. Сначала проверьте промпт на репрезентативных строках и только потом запускайте его для всего датасета.

В этом руководстве мы разберем следующие темы:

1. Что такое промпт?
2. Примеры промптов
3. Для кого это руководство
4. Почему качественные промпты так важны
5. Как выглядит плохой промпт
6. Структура промпта и этапы внедрения

Что такое промпт?

Простой ответ: промпт — это входные данные или инструкция, которые вы передаете AI, чтобы получить конкретный результат.

Не удивляйтесь, если в других статьях вы встречали длинные рассуждения о том, «что такое промпт»: на самом деле дать определение промпту совсем несложно.

Сложнее написать хороший промпт. Но прежде чем показать, как это сделать, приведу три примера.

Для кого это руководство

Рано или поздно с задачей написания эффективных промптов сталкивается практически каждый специалист.

Поэтому это руководство предназначено не для конкретной отрасли или должности, а для всех, кто работает с данными и автоматизацией. Мы сосредоточимся на промптах, которые помогают эффективно редактировать, анализировать и очищать большие датасеты, независимо от того, студент вы или опытный специалист.

В примерах используется Datablist: с его помощью промпт применяется к строкам таблицы, а результаты записываются в отдельные свойства.

Почему качественные промпты важны

Модели нужны те же правила принятия решений, которые потребовались бы вашему коллеге для классификации строки. Четкие инструкции уменьшают неоднозначность, но неполные входные данные и ошибки модели все равно требуют проверки.

Как выглядит плохой промпт

Почему этот промпт плох:

• Нет структуры инструкций: требования разбросаны по всему тексту и никак не организованы.
• Нет четких разделов и разделителей: AI приходится разбирать сплошной текст без логических блоков.
• Входные данные не подписаны: границы между описанием компании и текстом сайта не обозначены, поэтому их назначение сложнее понять.
• Разговорные формулировки: выражения вроде «всякими штуками» и «кстати» создают неоднозначность.

Как AI воспринимает промпт

Ниже показано, как выглядит промпт после прямой подстановки значений строки. Datablist может вынести inline-переменные в отдельный раздел Variables, однако подписи все равно помогают различать источники.

Когда значения смешаны с неформальной инструкцией, становится сложнее понять, где заканчивается задача и начинаются данные, на которых должен основываться ответ.

В этом случае возникают две проблемы:

1. Нечеткие границы входных данных: два источника сливаются с окружающими инструкциями.
2. Неопределенные метки: в промпте не указано, что возвращать при недостатке данных или если компания работает сразу в нескольких направлениях.

👉 Теперь разберем, как выглядит хороший промпт и как его составить.

3 примера промптов

Промпт-команда

В простейшем варианте промпт может быть обычной командой:

Промпт-вопрос

Промпт может быть простым вопросом:

Структурированный промпт для классификации с размеченными данными

Промпт также может представлять собой подробный набор инструкций для редактирования, анализа или очистки данных: например, для персонализации Cold Emailing, анализа отзывов клиентов или очистки названий компаний.

Я использую подписанные разделы, чтобы отделить правила, требования к результату и входные данные. Один из вариантов — XML-теги, особенно если промпт объединяет несколько документов. Руководство Anthropic по промптам рекомендует использовать для такого разделения понятные теги. В коротком промпте достаточно и обычных заголовков разделов.

Ниже — готовый промпт для классификации с отдельной третьей меткой на случай недостатка данных:

Например, фраза «Мы предоставляем работодателям ПО для расчета заработной платы» соответствует Yes. Фраза «Мы разрабатываем бухгалтерское ПО и нанимаем инженеров» соответствует No. Пустое описание соответствует Unknown, даже если название компании связано с HR. Это примеры ожидаемых меток, а не результаты измерения качества модели.

Структура промпта и этапы внедрения

На скриншотах ниже показана прежняя структура шаблона. Примените тот же принцип разделения задачи, критериев и данных к обновленному промпту для классификации выше, включая выходные поля и правило Unknown.

Из чего состоит хороший промпт

Если посмотреть шаблоны в библиотеке AI-промптов Datablist.com, можно заметить, что почти каждый из них состоит из разделов, включающих три компонента:

1. Тег: сообщает AI, чему посвящен раздел.

2. Содержимое: содержит инструкции, которые помогают AI понять и выполнить задачу:

   • Пояснение: сообщает AI необходимую информацию или задает контекст.
   • Команда: объясняет AI, что нужно сделать, или ставит перед ним задачу.

3. Границы: заголовки, разделители или парные теги показывают начало и конец каждого раздела. Всегда используйте одинаковые обозначения: разделитель не компенсирует отсутствие правил принятия решений.

В конце также размещаются свойства-плейсхолдеры:

• Столбцы, которые при использовании промпта заменяются данными.
• Эти плейсхолдеры позволяют адаптировать промпт к каждой записи в датасете.

Например, в промпте Job Title Categorizer используется плейсхолдер {{job_title}}, который при обработке каждой записи заменяется фактическим названием должности из датасета.

Разбор промпта и этапы внедрения

Примечание: HR-компании не входят в наш ICP («Ideal Customer Profile») — мы используем их только в качестве примера.

Шаг 1. Контекст

При описании контекста для AI я сделал три важных шага:

• Указал, какие данные получит AI, не раскрывая конкретных критериев таргетинга.
  • Это объясняет, какие исходные данные будут использоваться до применения правил классификации.
• Описал контекст данных и сформулировал конкретную проблему.
  • Так AI понимает, с чем ему предстоит работать.
• Описал свою конкретную ситуацию.
  • Это позволяет AI адаптировать подход к моим потребностям.

Что нужно сделать при написании промпта:

• Расскажите AI, какие данные вы ему передадите.
• Опишите проблему.
• Используйте разделители (===).

Шаг 2. Задача или команда

В этом разделе промпта я сделал две важные вещи:

• Снова обозначил контекст тегом «Что я хочу от вас», чтобы AI понимал тему следующего блока.
• Дал общее описание задачи без перечисления шагов и данных, которые нужно искать, чтобы сохранить логичную последовательность информации.

Что нужно сделать при написании промпта:

• Сначала определите основную цель задачи или команды.
• Затем добавьте разделители (===).

Если вам нужно выполнить несколько похожих задач, не пытайтесь объединить их в одном промпте: AI будет сложнее их обработать, а вам — обнаружить возможные ошибки.

Шаг 3. Инструкции к команде

Вот каких принципов я придерживаюсь при добавлении инструкций в промпт:

• Пишу просто и по существу.
• Объясняю задачу так, как объяснял бы ее человеку для ручного выполнения.
• Даю четкую пошаговую последовательность действий.

Если результаты неверны, прежде чем переписывать промпт, проверьте входной текст, критерии принятия решения и требования к результату. Иногда причина заключается в недостатке данных или ограничениях модели: дополнительные инструкции не помогут получить отсутствующий факт.

Что нужно сделать при написании промпта:

• Составьте простую пошаговую инструкцию понятным языком.
• Используйте разделители (===).

Шаг 4. Предотвращение ошибок: контекст задачи — необязательно

На этом этапе мы добавляем контекст конкретной задачи, чтобы AI мог:

• Понять ее нюансы.
• Избежать распространенных ошибок.
• Принимать более обоснованные решения.

Явно описывая возможные проблемы и пограничные случаи, мы устанавливаем ограничения, которые не позволяют AI строить необоснованные предположения и совершать типичные ошибки.

Этот шаг нужен не в каждом промпте, но крайне важен для сложных задач.

Что нужно сделать при написании промпта:

• Подумайте, какие ошибки обычно допускают младшие специалисты при выполнении такой задачи.
• Перечислите потенциальные ошибки в промпте, чтобы AI мог их избежать.
• Используйте разделители (===).

Шаг 5. Цель и ожидаемый результат

При описании ожиданий от промпта особенно важно:

• Подробно описать желаемый результат.
• Конкретно сформулировать, что именно вы хотите получить.
• Не раскрывать предубеждения или желаемые выводы, способные повлиять на анализ.

Естественный разговорный язык вместо технического жаргона обычно помогает получать от AI более качественные результаты.

Что нужно сделать при написании промпта:

• Четко определите результат анализа или задачи.
• Укажите, какие признаки и сигналы для вас особенно важны.
• Приведите примеры.
• Используйте разделители (===).

Шаг 6. Контекст данных — необязательно

При добавлении контекста данных я придерживаюсь следующих правил:

• Дополняю меры по предотвращению ошибок четкими правилами и объясняю их причины.
  • Пример правила: «Всегда оценивайте полный контекст».
  • Причина: «Отдельные признаки могут вводить в заблуждение».
• Добавляю несколько уровней контекста:
  • Возможные ошибки.
  • Особенности данных.
  • Напоминания, относящиеся к задаче.

Что нужно сделать при написании промпта:

• Подумайте, какие ошибки может допустить AI, и прямо укажите, чего следует избегать.
• Разделите информацию на логические блоки, а не передавайте ее сплошным текстом.
• Используйте разделители (===).

📘 Коротко

Явные инструкции вместо предположений со стороны AI помогают предотвратить множество ошибок.

Шаг 7. С чего начать

На этом этапе нужно дать AI четкие инструкции для начала работы. Я сделал следующее:

• Сохранил простые и понятные формулировки.
  • Пронумеровал действия в хронологическом порядке.
  • Использовал понятные глаголы: «прочитайте», «создайте», «решите».

Что нужно сделать при написании промпта:

• Дайте четкие начальные инструкции в виде нумерованных шагов.
• Используйте глаголы действия, чтобы шаги было легко выполнять.
• Пишите просто и по существу.
• Используйте разделители (===).

Шаг 8. Формат плейсхолдеров — всегда в конце

Это последний этап создания эффективного промпта: вставьте столбцы в виде плейсхолдеров.

Соберите постоянные инструкции в одном месте, а входные данные для конкретной строки разместите в подписанных разделах в конце шаблона. Так промпт будет проще поддерживать и проверять. Сам по себе порядок входных данных не гарантирует точность.

Что нужно сделать:

Используйте двойные фигурные скобки {{ }}, чтобы добавлять данные из столбцов таблицы.

Используйте разделители (===).

❗Важно

При вставке переменных выбирайте фактические свойства коллекции. Размещайте их значения в подписанных разделах входных данных и проверяйте сгенерированный результат перед обработкой всего списка.

Применяем правила к другому примеру

Следующий сценарий M&A показывает, как структурировать более сложный запрос. Прежде чем использовать его для скоринга компаний, необходимо определить точные критерии.

Пример запроса:

Переходим к составлению промпта!

Шаг 1

На этом этапе мы дадим AI общий контекст.

Шаг 2

Теперь четко обозначим основные задачи для AI-ассистента.

Шаг 3

Разделим анализ на конкретные действия, которые должен выполнить AI.

Шаг 4

Чтобы повысить точность, объясним возможные сложности и важные нюансы.

Шаг 5

Теперь определим критерии оценки и уточним, какой результат считается успешным.

Шаг 6

Теперь добавим контекст, необходимый для интерпретации данных с учетом отраслевой специфики.

Шаг 7

Теперь зададим AI точную последовательность действий для начала анализа.

Шаг 8

Наконец, передадим AI данные для работы.

Адаптируйте критерии и выходные поля под свою задачу. Для примера M&A по-прежнему необходимо задать точные пороговые значения скоринга и предусмотреть проверку человеком: общий запрос на оценку финансового состояния еще не является полноценной скоринговой моделью.

Протестируйте промпт перед обработкой CSV

Для примера с HR включите Define outputs format и настройте HR Match и Reason как выходные значения типа Text в Ask ChatGPT/OpenAI enrichment от Datablist. Сопоставьте каждое выходное значение с отдельным свойством. Тип Checkbox не подойдет, поскольку не позволяет сохранить различие между No и Unknown.

Начните с небольшой выборки, включающей HR-провайдера, стороннюю компанию, которая упоминает найм, строку с пустым описанием, компанию со смешанным набором услуг и противоречащие друг другу тексты из разных источников. До запуска промпта запишите ожидаемую метку для каждой строки, а затем сравните с исходным текстом и метку, и ее обоснование.

Если результат отличается от ожидаемого, найдите причину:

• Если значение источника отсутствует, нужны более полные входные данные или результат Unknown.
• Если описание бизнеса неоднозначно, уточните правила включения или исключения.
• Если обоснование не подтверждается входными данными, исправьте промпт и проведите еще один тест.
• Если получена неожиданная метка, сделайте правила или конфигурацию выходных данных более четкими.

После изменения промпта повторно проверьте те же случаи. Оставьте несколько дополнительных строк для отдельной проверки, чтобы не подгонять промпт только под уже изученные примеры. Если все переменные пусты, строка может быть пропущена с ошибкой без отправки модели, поэтому проверяйте не только результаты классификации, но и ошибки запуска.

Чтобы применить проверенный промпт к более крупному файлу, следуйте инструкции по обогащению строк CSV. Сохраните исходные свойства, чтобы впоследствии можно было проверить результаты.

Заключение

Начните с одного решения, четких критериев и отдельных выходных полей. Подпишите исходные тексты, предусмотрите результат на случай недостатка данных и протестируйте промпт на обычных и сложных строках до обработки всей коллекции.

Часто задаваемые вопросы о создании AI-промптов

Каким должен быть хороший AI-промпт?

Хороший AI-промпт должен быть понятным, конкретным и хорошо структурированным. Он включает контекст желаемого результата, точные инструкции по выполнению задачи и требуемый формат ответа. Используйте простой язык и избегайте неоднозначных формулировок, которые могут привести к неправильной интерпретации.

Посмотрите наши примеры AI-промптов для лидогенерации.

Почему мои промпты для ChatGPT не работают?

AI-промпты могут работать неэффективно по следующим причинам:

• Нечеткие или расплывчатые инструкции.
• Слишком много задач в одном промпте.
• Недостаток контекста или исходной информации.
• Сложный или перегруженный техническими терминами язык.
• Отсутствие конкретных примеров или требуемого формата результата.

Как писать AI-промпты для лучших результатов?

Чтобы создавать эффективные AI-промпты:

• Начните с четкой цели.
• Разделите сложные задачи на небольшие шаги.
• Предоставьте необходимый контекст и исходную информацию.
• Укажите желаемый формат результата.
• Используйте простой и понятный язык.
• По возможности добавьте примеры.

Какие ошибки чаще всего допускают при создании промптов?

К распространенным ошибкам относятся:

• Слишком общие или расплывчатые формулировки.
• Перегрузка промпта несколькими задачами.
• Недостаток контекста.
• Неясный или неоднозначный язык.
• Предположение, что AI понимает неявно заданную информацию.
• Отсутствие требуемого формата результата.

Какой длины должен быть AI-промпт?

AI-промпт должен быть достаточно длинным, чтобы передать всю важную информацию, но не более того. Для простых задач обычно достаточно нескольких предложений или одного абзаца. Для сложных задач, требующих подробных инструкций и контекста, промпт может быть длиннее. Главное — соблюдать баланс между полнотой и лаконичностью.

Что такое промпт-инжиниринг?

Промпт-инжиниринг — это практика проектирования и оптимизации входных данных для AI-моделей с целью получения максимально точных и полезных результатов. Она предполагает понимание того, как AI-модели интерпретируют инструкции, грамотное структурирование промптов и их последовательное улучшение на основе полученных результатов.