11 правил написания промптов для AI-агентов в Datablist

Две недели назад меня чуть не стошнило, пока я писал статью о том, как собирать данные о товарах из интернет-магазина.

И вот почему: я пытался собрать товары с сайта интернет-магазина Gymshark с помощью фреймворка промптов для классификации и редактирования данных, который создал для AI Assistants в Datablist. Сначала всё работало, но данные сортировались неправильно, из-за чего весь датасет оказался бесполезным.

Тогда я понял: разным AI и сценариям нужны разные промпты.

В промптах даже мелкие детали могут радикально изменить результат: если упустить 5% важных подробностей, весь результат может оказаться бесполезным.

Начнём!

Если вам нужен шаблон промпта для AI Agent, укажите входные данные, источник для проверки, точные поля результата и правила на случай отсутствия подтверждений. Например, для исследования списка компаний подойдёт такой короткий промпт:

Для каждой строки используй значение Company Website, чтобы изучить официальный сайт компании. Верни Industry, Evidence URL и Status. Если отрасль не удаётся подтвердить, укажи Not found; не пытайся определить её по названию компании. Сохраняй связь результата с исходной строкой, чтобы я мог проверить сомнительные данные.

Так агент получает и источник, и чёткие требования к результату. Сначала протестируйте промпт на нескольких разных строках, проверьте Evidence URL, а затем скорректируйте инструкции перед обработкой всего списка. Ниже приведён подробный шаблон, который показывает, как расширить эту структуру для многоэтапного исследования.

Главное из этой статьи:

• AI Agents в Datablist умеют искать в Google, посещать сайты, обращаться к API и выполнять другие действия
• Качественный промпт существенно влияет на результат работы AI Agent
• Следовать нашим рекомендациям по составлению промптов для AI Agents совсем несложно
• Datablist предлагает готовые шаблоны, но умение самостоятельно писать промпты всё равно важнее

Сравнение AI Agents и AI Assistants в Datablist

Чтобы понять разницу между промптами для AI Agents и AI Assistants, сначала разберёмся в возможностях обоих инструментов.

Вот два кратких и понятных обзора того, что они умеют:

AI Assistant

AI Assistants в Datablist предназначены для чтения, классификации, извлечения, редактирования и генерации текста и кода.

AI Agent

AI Agents в Datablist — это AI с набором инструментов, которые позволяют искать в Google, обрабатывать HTML-код, переходить между страницами, обращаться к API, посещать Google News, сайты и интернет-магазины, а также извлекать из них данные.

💡 Просто и понятно

Считайте, что AI Agents работают с внешними данными, а AI Assistants — с данными внутри вашей коллекции Datablist.

Возможности AI Agent в Datablist

Чтобы написать эффективный промпт для AI Agent, ещё раз перечислим доступные ему инструменты и возможности:

• Поиск в Google
• Поиск в Google News
• Извлечение и генерация текста или кода
• Получение информации об аккаунтах
• Посещение сайтов
• Переход между страницами сайта
• Обработка HTML
• Обращение к API

11 правил написания промптов для AI Agents в Datablist

Когда вы знаете, какие инструменты доступны агенту, используйте следующие правила: так промпт будет проще выполнить, а результаты — проверить. Чёткий промпт снижает неоднозначность, но не гарантирует безошибочного ответа. Вот эти правила:

1. Относитесь к промпту как к маршруту: направляйте агента с помощью инструкций, а не просто требуйте результат в надежде, что всё сработает.
2. Всегда начинайте с цели и добавляйте необходимый контекст.
3. Помечайте каждый раздел промпта, чтобы агенту было проще интерпретировать текст и отделять действия и команды друг от друга.
4. Используйте однозначные команды для вызова инструментов AI Agent: например, «найди в Google», «извлеки текст», «получи HTML-код» и т. д.
5. Помечайте выходные данные и приводите конкретные примеры — они станут основой для настройки результата.
6. Если вам нужны конкретные данные с сайта, подскажите агенту, где их искать.
7. Разделяйте части промпта маркерами (===), чтобы сделать его структуру понятнее.
8. Перечислите ошибки, которых следует избегать.
9. Определите, как обрабатывать ошибки и отсутствующие данные.
10. Постепенно улучшайте промпты и не вините AI Agent в плохих результатах — раньше я и сам так делал.
11. Всегда добавляйте столбец, из которого агент должен брать данные, в самом конце.

Следуя этим правилам и рекомендациям по работе с AI Agents, вы сэкономите кредиты и массу времени на доработке промптов.

📘 Качественные промпты важны

AI Agent будет работать, даже если не соблюдать перечисленные правила. Однако с ними результаты станут заметно лучше: структура промпта действительно имеет значение.

Примеры промптов для AI Agent: хороший и плохой

Промпт для AI Agent: хороший пример

Сначала рассмотрим хороший промпт, а затем сравним его с плохим.

Этот промпт я недавно написал, чтобы собрать данные о товарах из интернет-магазина.

Разберём, почему этот промпт хороший:

1. В начале указаны конкретная, чётко сформулированная цель и контекст
2. Промпт состоит из нескольких разделов с понятными метками — AI легко их интерпретировать
3. Я использовал чёткие команды с глаголами действия
4. Команды расположены в логичной последовательности
5. Я описал, что именно ищу, и привёл примеры
6. Я объяснил, как обрабатывать несоответствия и ошибки в данных
7. В промпте перечислены конкретные ошибки, которых нужно избегать
8. Разделы чётко отделены маркерами ===
9. Промпт хорошо структурирован и последовательно направляет AI
10. В конце я подключил столбец с исходными данными

Промпт для AI Agent: плохой пример

Если вы думаете, что я просто технарь, который всегда умел писать хорошие промпты, вот правда: во-первых, я не умею программировать, а во-вторых, раньше мой промпт выглядел так:

Да, кто-то всё ещё может посчитать его хорошим, но это не так — результаты оказались совсем неудачными.

В этом примере многое пошло не по плану. Промпт выглядит сложным, но и он сам, и полученные результаты бесполезны. Вот какие ошибки я допустил и как их избежать:

Причина № 1: посредственная структура

В промпте нет понятной логики и организации.

Как этого избежать:

Разбейте цель на конкретные шаги — так, как объясняли бы задачу другому человеку. Например:

• Сначала откройте сайт.
• Затем найдите раздел с товарами.
• Наконец, извлеките цену.

Причина № 2: непонятные метки

Названия и содержание разделов недостаточно конкретны.

Как этого избежать:

Называйте разделы простыми и понятными словами. Вместо «Параметры данных» напишите «Информация о товарах для извлечения», а вместо «Входные данные» — «URL сайтов для обработки».

Причина № 3: неструктурированный результат без примеров

Формат данных и примеры ожидаемого результата определены недостаточно чётко.

Как этого избежать:

Всегда описывайте структуру данных с помощью нумерованного списка и приводите два-три конкретных примера желаемого результата.

Пример:

1. Название товара: Nike Air Max; Adidas Ultraboost; Puma RS-X;
2. Цена: $120; $180; $110;
3. Цвет: чёрный; Cloud White; High Risk Red;
4. Размер: US 9; US 10.5; US 8;
5. Материал: сетка и синтетика; Primeknit; кожа и сетка;

Причина № 4: нет чёткой последовательности

Действия расположены не в логичном порядке.

Как этого избежать:

Описывайте шаги так, будто даёте инструкции другу: «Сначала сделай это, затем — то».

Пример:

1. Открой сайт;
2. Найди раздел с товарами;
3. Извлеки данные

3 главные ошибки при работе с AI Agents

С тех пор как я присоединился к Datablist.com, я провёл много звонков с клиентами, которые хотели использовать AI Agent. В этих разговорах я заметил несколько повторяющихся ошибок — убедитесь, что вы их не допускаете.

• Нежелание писать промпты: некоторые считают, что AI поймёт их мысли без объяснений. Они хотят сэкономить время, но сама идея потратить немного времени, чтобы потом экономить его, почему-то кажется им нелепой — не берите с них пример.

• Слишком расплывчатые инструкции: вместо «получи информацию о товаре» укажите конкретные данные, которые вам нужны. Например: «извлеки название товара, цену в долларах США и доступные размеры из раздела с характеристиками товара».

• Отсутствие обработки ошибок: в промпте должны быть инструкции на случай отсутствующих данных или непредвиденных ситуаций. Например: «если цена не указана, верни N/A».

Сколько времени стоит тратить на написание промпта

Оцените ценность такого рабочего процесса и то, сколько времени он поможет вам сэкономить.

Лично я трачу много времени на промпты — как для собственных задач, так и для помощи нашим пользователям.

Когда я работаю с Grok, то не трачу 30 минут на составление промпта: просто формулирую первый запрос, а затем постепенно его уточняю, поскольку не ставлю перед моделью сверхсложных задач. Но если я пишу промпт для персонализации писем или очистки данных, то уделяю ему больше времени. Это позволяет быстрее находить проблемы, совершенствовать промпт и не переделывать всё заново позже.

Харрисон Чейз, основатель LangChain: «Мне кажется, мы ещё не нашли оптимальный способ взаимодействия с такими агентными приложениями. Участие человека всё ещё необходимо, потому что они не слишком надёжны. Но если человеку приходится вмешиваться слишком часто, приложение уже не приносит особой пользы. Поэтому здесь нужно найти непростой баланс».

Редактируемый шаблон промпта для AI Agent с примерами

Скопируйте этот шаблон и замените каждый плейсхолдер своими входными данными, источником и полями результата. Если ответ получен с сайта, добавьте Evidence URL. Перед масштабным запуском обработайте несколько строк и проверьте как найденные, так и отсутствующие результаты.

Вот как мой фреймворк выглядит на примере сбора данных из интернет-магазина:

Вот как мой фреймворк выглядит на примере исследования СМИ:

Протестируйте промпт перед обработкой всего списка

Даже хорошо структурированный промпт нужно проверить на небольшой выборке. Сохраняйте исходные данные рядом с полями результата, чтобы убедиться, что каждый результат относится к нужной строке. При исследовании сайтов открывайте возвращённую страницу-подтверждение и проверяйте конкретное значение, которое она должна подтверждать.

Выберите несколько разных строк и проверьте их по следующим критериям:

Если проверка не пройдена, измените соответствующую инструкцию и повторно запустите ту же выборку. Так будет проще оценить эффект от изменения. При тестировании добавляйте строки с отсутствующими данными и принимайте соответствующий статус, если ни один источник не подтверждает значение.

В шаблонах входные данные для каждой строки размещены в конце под отдельными метками #. Замените их сопоставленными значениями. Одного названия столбца недостаточно, чтобы передать агенту значение из конкретной строки. При адаптации шаблона сохраняйте неизменные инструкции задачи над блоком входных данных.

FAQ по написанию промптов для AI

1. Действительно ли нужно тратить время на промпты? Нельзя просто попросить AI выполнить задачу?

Хотя это может показаться лишней тратой времени, чёткие промпты необходимы для получения точных результатов. Расплывчатые инструкции приводят к таким же расплывчатым ответам, поэтому в итоге вы потратите ещё больше времени на доработки и исправления.

2. Чем хороший промпт отличается от плохого?

У хорошего промпта есть понятная структура, конкретные инструкции, примеры желаемого результата и правила обработки ошибок. Плохие промпты расплывчаты и неструктурированны, не содержат примеров и не учитывают возможные ошибки или несоответствия.

3. Есть ли простой шаблон для написания промптов?

Да. В статье приведён шаблон из пяти основных разделов: цель, инструкции по выполнению задачи, информация для извлечения, правила обработки данных и ошибки, которых следует избегать. Каждый раздел нужно чётко отделять маркером ===.

4. Насколько подробными должны быть примеры в промпте?

Примеры должны быть конкретными и охватывать разные возможные сценарии. Например, при извлечении информации о товарах укажите разные форматы, валюты и единицы измерения, которые могут встретиться.

5. Какую часть промпта нельзя пропускать?

Особенно важны разделы об обработке ошибок и ошибках, которых следует избегать. Они предотвращают распространённые проблемы и помогают получать единообразные результаты даже при работе с неожиданными данными или сценариями.