Привет, Хабр! На связи Артём Колесников, продуктовый маркетолог Garage Eight. Недавно у нас в компании я проводил воркшоп, где учил ребят делегировать построение задач нейросети. Они формулировали запросы так, чтобы ИИ-модель понимала контекст и на его основе сама выбирала подходящие промпты. Такой подход называется рекурсивным метапромптингом, и он может сэкономить вам кучу времени. Хочу рассказать, что это такое и с чем его едят.
Заваривайте чай — и погнали!
Какие режимы работы с ИИ существуют
Сначала выдам немного базы, которая поможет сориентироваться в теме.
Глобально в работе с ИИ можно выделить два подхода:
1) «Я сам всё напишу», или ручной промптинг. Это классика. Мы садимся и пытаемся сформулировать идеальный запрос с первой попытки. Расписываем задачу максимально подробно: стараемся задать максимальный контекст, роли, правила, формат результата. Кажется, что, если учесть всё заранее, модель сделает как надо. Спойлер: не сделает.
В таком подходе любое упущение — даже самое мелкое — обязательно выйдет боком. Например, если не уточнили, что данные нужно брать только из одного источника, модель может допридумывать факты из воздуха. И понеслось: бесконечные уточнения, правки. Процесс напоминает угадайку: вы пытаетесь подобрать магическую формулировку, которая наконец сработает.
2) «Я передам это ИИ», или делегирование архитектуры. Здесь мы меняем фокус с формулировки запроса на проектирование задачи. Вы говорите модели: «Слушай, у меня тут сплошной хаос. Вот кусок контекста, вот еще один, и тут что-то тоже есть по теме. А вот что хочется увидеть на выходе. Спроектируй мне план решения, потом уже будем разбираться».
В итоге модель сначала продумывает, как решать задачу, а уже потом приступает к решению. И вот здесь происходит магия. Стандартный чат-бот превращается в настоящего цифрового стажера.
Когда вы переходите на второй режим работы с ИИ, в игру вступает метапромптинг.
Что такое метапромптинг и какие задачи он помогает решать
Обычно вы задаете модели один вопрос, и она дает один ответ, после чего вы закрываете диалог — и расходитесь. Завтра у вас возникает похожий вопрос, вы снова его печатаете, снова объясняете контекст, снова сталкиваетесь с теми же неточностями.
Метапромптинг предлагает другой подход. Вместо того чтобы каждый раз просить решить конкретную задачу, вы даете модели проверенный шаблон, который она же и написала, — инструкцию, как подходить к целому классу задач. И внезапно она начинает решать их быстрее и качественнее.
✍️ Обычный промпт: «Напиши письмо клиенту».
💪 Метапромпт: «Спроектируй шаблон, по которому я буду писать письма разным клиентам в разных ситуациях».
Метапромпт — это не запрос на выполнение задачи, а шаблон рассуждений, который помогает ее проектировать
Шаблон учит модель не тому, что сказать, а тому, как думать над ответом. Он фиксирует внимание на структуре и паттернах рассуждений, а не на конкретном примере.
Технику метапромптинга можно описать тремя шагами:
Определить задачу. Выбираете категорию проблемы, а не единичный случай.
Создать структурированный промпт. Модель проектирует для себя пошаговую инструкцию: сама себе назначает роль, продумывает этапы, закладывает правила и ограничения.
Выполнить и получить результат. Когда шаблон готов, модель берет конкретные файлы и прогоняет их через созданный алгоритм. На выходе получаем не просто ответ, а результат, который нейросеть сделала по четкой воспроизводимой схеме.
Пример для понимания
Возьмем типовую задачу из продакт‑маркетинга.
Контекст. У команды есть большая «царь‑таблица» по конкурентам в формате CSV и отдельный аналитический документ в PDF: результаты продуктового ресерча по конкурентам, комментарии продуктовой команды, новые гипотезы.
Задача. Привести эти источники к одному знаменателю: сверить данные, убрать противоречия, аккуратно обогатить мастер‑таблицу и при этом не сломать ее структуру.
«Нужен очень качественный промпт для Deep Research. Задача ответственная: результат пойдет в презентацию топ‑менеджменту.
У меня есть две сущности:
— большая рабочая таблица в формате CSV с текущим конкурентным анализом (это мастер‑таблица, ее структура меняться не должна);
— дополнительный аналитический документ в PDF с комментариями продуктовой команды, уточнениями по функциональности и новыми гипотезами.
Цель: привести данные к одному знаменателю.
Хочу:
— выровнять расхождения между таблицей и документом;
— аккуратно обогатить мастер‑таблицу теми данными, которые есть в PDF;
— не поломать структуру CSV и не придумывать факты, которых нет в исходниках.
Пожалуйста, задай сам себе роль, четко сформулируй цель, пропиши шаги работы и ограничения.
Твоя первая задача — не решать бизнес‑задачу, а спроектировать для себя подробный мастер‑промпт под эту задачу. Сначала опиши рамки и алгоритм, по которому ты будешь действовать, а уже потом переходи к выполнению».
Вместо того чтобы пытаться сразу написать идеальный промпт, я отдал модели весь хаос как есть и честно сформулировал запрос. После чего модель не стала сразу «лезть» в данные, а сначала сгенерировала себе инструкцию — мастер‑промпт. Что она сделала:
Назначила себе роль: «старший аналитик по конкурентной разведке в продуктовой компании».
Четко зафиксировала цель: не «общий обзор рынка», а технический мэтчинг двух файлов и подготовка списка точечных правок в CSV.
Задала правила:
CSV — мастер-таблица. Ее структуру не меняем, только уточняем и обогащаем значения в существующих колонках.
PDF — дополнительный источник. Из него берем только то, что не противоречит мастер-таблице и может быть однозначно сопоставлено с конкретными строками.
Никаких внешних источников, только эти два файла. Если информации нет, фиксировать это как «нет данных в исходных материалах».
В итоге без какого‑либо «магического» промпта от человека модель сама собрала себе жесткий каркас: роль, рамки, источники, формат результата. Дальше этот мастер‑промпт можно отдать в исполнение другой модели — и это уже не разовая импровизация, а алгоритм, который можно масштабировать на любые похожие задачи по сверке и обновлению конкурентных таблиц в команде.
Но даже при таком раскладе ИИ может выдавать ошибки или неправильно понимать структуру промпта. Чтобы подшлифовать мелочи и довести результат до нужного уровня, лучше работать итерационными циклами через рекурсивный метапромптинг (РМП).
В чем особенность рекурсивного метапромптинга
При метапромптинге мы создаем шаблон рассуждений, а при РМП повторяем цикл. Работа с ИИ превращается из схемы «человек → модель» в «человек → модель → человек». Так качество результатов растет итеративно.
При РМП работа по шагам выглядит чуть иначе. Давайте разберем ее на том же примере с конкурентным анализом.
Человек задает цель и выгружает весь хаос данных. Например, как я делал выше, рассказывает модели всё как есть, со всеми нестыковками, противоречиями и сырыми данными. И просит ее разобраться.
Модель проектирует мастер‑промпт. Показывает «чертеж», по которому будет работать.
Человек указывает на неточности. Например, я смотрю на чертеж и понимаю: вот здесь модель слишком вольна в трактовках, здесь не учла важный нюанс про структуру CSV, а вот тут вообще написано что-то странное про «обогащение из открытых источников», хотя я четко просил только два файла. Я поправляю не ответы, а архитектуру промпта и прошу переделать заново. Чем подробнее описываю контекст, тем быстрее получаю нужный результат.
Модель обновляет промпт и только потом идет работать с данными. ИИ берет мои замечания, пересобирает инструкцию, показывает мне новый шаблон. И только после того, как я его согласовываю, нейросеть начинает работу с материалами. На выходе мы получаем результат, в котором учитываются все нюансы.
Когда нужен метапромптинг
Для коротких писем или постов в соцсети рекурсивный метапромптинг — избыточная штука. Но когда задача сложная, а цена ошибки слишком высока, например на кону стратегия для топ-менеджмента, цикл «человек → модель → человек» становится бесценным.
Рекурсивный подход — это еще и про воспроизводимость. Когда нужно строить внутренние фреймворки и гайды для команды, он выручает лучше всего. Однажды собранный и отлаженный мастер-промпт превращается в рабочий инструмент, который можно:
запускать на новых данных каждый месяц и получать стабильный результат на выходе;
передать коллеге, который просто скопирует промпт, нажмет Enter и получит анализ того же качества;
масштабировать на смежные задачи, немного модифицируя под новые категории данных.
При чем здесь агентный подход
РМП особенно хорошо раскрывается, когда его соединяют с агентным подходом — разделением ролей между архитектором и исполнителем.
Вот как это выглядит:
Архитектор. Эта модель получает от вас сырой контекст и цель. Помните тот самый хаос, который мы выгружали на первом шаге? Архитектор с ним и работает. Он не лезет в данные, не ищет факты, не заполняет таблицы. Его задача — спроектировать мастер-промпт: четко определить роли, расписать шаги, зафиксировать правила и источники, утвердить формат результата. По сути, архитектор создает техническое задание.
Исполнитель. Эта модель берет уже готовый мастер-промпт и выполняет по нему работу. Она идет в данные, бродит по интернету, заполняет таблицы, пишет код, строит сравнительные срезы. При этом действует строго в рамках задачи и не импровизирует. Дело исполнителя — четко отработать заданную инструкцию.
Благодаря такому подходу снижается предвзятость. Одна модель отвечает за структуру, другая — за фактуру, что уменьшает риск системных ошибок одной модели. А еще один и тот же мастер-промпт от архитектора можно многократно запускать на новых данных или делиться им с командой. Снова получается вин-вин для всех.
Почему финальное слово всё равно за человеком
Даже при идеально выстроенной архитектуре, когда модель блестяще спроектировала себе задачу и четко ее выполнила, расслабляться рано. Нейросети по-прежнему не понимают смысл так, как его понимает человек, и они не несут ответственность за свои решения.
Именно поэтому даже при РМП работает принцип Zero Trust, или нулевого доверия. Это подход из мира информационной безопасности, при котором ни одному компоненту системы не доверяют по умолчанию, даже если он официально считается внутренним и надежным. Каждый запрос проверяют, каждый доступ подтверждают. Принцип идеально ложится на работу с ИИ. Мы вдохновляемся и перекладываем его на наш фреймворк.
Нужно относиться к результату модели как к крутому, но всё же черновику, который обязательно нужно проверить.
Роль человека в этой схеме проста: вы финальный валидатор. Модель максимально улучшает качество черновика и снижает объем ручной работы. Но именно вы контролируете, чтобы результаты соответствовали законам логики и здравого смысла.
Вот два главных правила, которые помогают мне самому не терять бдительность:
Все сомнительные и тем более ключевые мысли нужно просить обосновать. Даже если отчет выглядит как работа супераналитика, помните: это всё еще нейросеть. Она не знает, а генерирует. Просите ее приводить ссылки на данные, показывать ход рассуждений, перепроверять за собой.
Типы данных, которые отправляете модели, стоит разделять и четко фильтровать. Публичные ИИ-сервисы по умолчанию не предназначены для работы с NDA, персональными данными и чувствительной финансовой информацией. Ваши запросы могут логироваться, использоваться для дообучения моделей или просто утечь через уязвимости интеграций. Именно поэтому не выгружайте в ИИ-чат конфиденциальную информацию. Проще говоря: что не показали бы внешнему подрядчику, не шлите в паблик‑модель.
Вывод
Рекурсивный метапромптинг в связке с агентным подходом и принципом Zero Trust превращает нейросеть в мощный, но контролируемый инструмент. ИИ берет на себя проектирование и выполнение сложных задач, а человек остается тем, кто ставит цели, управляет архитектурой и несет ответственность за финальный результат.
Как у вас дела с промптингом? Пробовали рекурсивный подход или опасаетесь, что всё равно придется тратить на него кучу времени? Давайте обсуждать в комментариях.
