- Дата публикации
Как перестать мучить ChatGPT промптами и научить ИИ самому проектировать задачи
Что произошло
Продуктовый маркетолог Garage Eight Артём Колесников провёл внутри компании воркшоп по работе с нейросетями и потом перенёс ключевые идеи в открытый туториал на Habr ML. Материал собрал более 32 000 просмотров за 30 дней, у корпоративного блога Garage Eight на платформе сейчас 193 подписчика, рейтинг компании — 119,44, средняя оценка работодателя — 4,67.
Колесников описывает, как перестать играть в угадайку с промптами и переключиться на другой режим работы с ИИ — когда нейросеть не просто отвечает на запрос, а сначала сама проектирует для себя задачу. Такой подход он называет рекурсивным метапромптингом и показывает, как использовать его на практике для аналитики, маркетинга и работы с данными.
Контекст
Большинство пользователей GPT‑подобных моделей работает по старой схеме: долго шлифует один большой промпт, надеясь попасть в «магическую» формулировку. Колесников называет это ручным промптингом: человек один раз задаёт огромный запрос, описывает роли, формат ответа, ограничения — и всё равно упирается в нюансы, о которых заранее не подумал.
Любая мелочь, которую вы не прописали, бьёт по результату: нейросеть достраивает факты, лезет в неподходящие источники, меняет структуру данных. Дальше начинается серия правок, уточнений и новых промптов — по сути, текстовая игра в угадайку.
Garage Eight предлагает смотреть на ИИ иначе. Не как на «умную клавиатуру», а как на цифрового стажёра, которому можно делегировать не только выполнение, но и архитектуру задачи. Вместо «сделай отчёт» — «спроектируй, как ты будешь делать такой тип отчётов, а уже потом примени свой план».
Это и есть метапромптинг: вы просите не один готовый ответ, а шаблон рассуждений для целого класса задач. Модель сначала описывает себе цель, роль, шаги, правила и ограничения. Потом сама использует этот мастер‑промпт, чтобы решать конкретные кейсы — без бесконечных донастроек.
В туториале есть показательный пример из продакт‑маркетинга. Команда держит большую CSV‑«царь‑таблицу» с конкурентным анализом и отдельный PDF с ресерчем: комментарии продуктовой команды, уточнения по функциональности, новые гипотезы. Нужно:
- выровнять расхождения между таблицей и документом;
- аккуратно обогатить мастер‑таблицу данными из PDF;
- при этом не ломать структуру CSV и не придумывать несуществующие факты.
Вместо того чтобы вручную собирать идеальный промпт для Deep Research, Колесников передаёт модели весь хаос входящих данных и ясно формулирует задачу: сначала спроектировать мастер‑промпт, а уже потом трогать CSV и PDF.
Нейросеть реагирует предсказуемо: назначает себе роль «старший аналитик по конкурентной разведке в продуктовой компании», фиксирует цель — не абстрактный «обзор рынка», а технический мэтчинг двух файлов и список точечных правок в CSV. Дальше она прописывает правила:
- CSV — мастер‑таблица, структура неизменна, обновлять можно только значения в уже существующих колонках.
- PDF — дополнительный источник, из него берутся только данные, которые не конфликтуют с мастер‑таблицей и вписываются в её логику.
Так получается не разовый ответ, а схема, по которой потом можно прогонять аналогичные аналитические задачи.
Что это значит для вас
Если вы работаете с ИИ как с обычным чат‑ботом, вы тратите слишком много времени на подбор формулировок. Рекурсивный метапромптинг предлагает другой сценарий:
- Сначала вы формулируете тип задачи, а не единичный кейс: «анализ конкурентов», «письма клиентам», «проверка гипотез в продукте».
- Просите нейросеть спроектировать для себя мастер‑промпт: выбрать роль, уточнить цель, прописать шаги, ограничения, формат результата.
- Только потом даёте реальные файлы и ситуации — и модель решает их уже по собственной инструкции.
Плюсы для вас:
- меньше рутины с переписыванием промптов;
- воспроизводимый результат: одна и та же логика для похожих задач;
- меньше галлюцинаций, если в мастер‑промпте жёстко заданы источники и запрет на выдуманные факты.
Минусы тоже есть:
- порог входа выше, чем у «просто напиши письмо» — нужно один раз сесть и продумать класс задач;
- если вы плохо описали контекст и цель, модель честно зафиксирует это в мастер‑промпте и будет воспроизводить те же ошибки;
- не каждая повседневная задача требует отдельного метапромпта — для одноразовых запросов это будет избыточно.
Кому пригодится такой подход:
- продакт‑менеджерам и маркетологам, которые регулярно анализируют конкурентов и рынки;
- аналитикам, работающим с «царскими» таблицами и несколькими источниками данных;
- всем, кто пишет типовые письма, отчёты, резюме исследований.
Если вы замечаете, что повторяете одни и те же запросы к GPT‑подобной модели, имеет смысл хотя бы один раз попросить её спроектировать шаблон рассуждений, а не очередной разовый ответ. Это не магия и не серебряная пуля, но хороший способ превратить хаотичный чат с ИИ в понятный рабочий процесс — особенно там, где от качества результата зависит разговор с топ‑менеджментом или клиентами.