reymer.ai
Новости
/
Данные
/
Инструменты
/
Знания
reymer.ai

Медиапортал об автономном бизнесе, AI-трансформации и автономизации.

hello@reymer.ai

Новости

  • Все новости
  • AI-дайджесты

Инструменты

  • Каталог
  • Коллекции
  • Сравнения
  • Промпты
  • Поиск для агентов

Данные

  • AI-рынки
  • Value Chain
  • Цены API
  • Калькулятор
  • AI Intelligence: инсайдеры и фонды

Знания

  • Вся база знаний
  • Карта профессий и AI
  • AI-агенты для бизнеса
  • AI для профессий
  • Gartner MQ анализы
  • Оценка автономизации
  • Глоссарий
  • Кейсы внедрения ИИ
  • FAQ

Справочники

  • Автономный бизнес
  • Claude Code Tips
  • Вайб-кодинг
  • MCP Protocol
  • AI-кодинг агенты
  • Agent Frameworks
  • Deep Thinking Prompts
  • Гид по AI-агентам
  • OpenClaw vs NanoClaw
  • Конституция Claude

Курсы

  • Все курсы
  • Основы AI
  • Промпт-инжиниринг
  • Claude 101
  • Claude Code
  • Claude Agent Skills
  • Perplexity Pro 101
  • OpenClaw 101
  • NanoClaw 101
  • PicoClaw 101

© 2026 reymer.ai · СТАТУС СИСТЕМЫ: РАБОТАЕТ

О проектеПолитика конфиденциальности
Промпт-инжиниринг: от основ до мастерства

Введение

  • Введение в промпт-инжиниринг10 мин

Принципы написания промптов

  • Принцип 1: Чёткие и специфичные инструкции20 мин
  • Принцип 2: Дайте модели время подумать15 мин

Итеративная разработка промптов

  • Итеративный подход к промптам15 мин

Суммирование текстов

  • Техники эффективного суммирования12 мин

Извлечение и анализ информации

  • Извлечение данных из текста15 мин

Трансформация контента

  • Преобразование и трансформация текста15 мин

Расширение и генерация

  • Генерация развёрнутого контента12 мин

Создание чат-ботов

  • Архитектура разговорных AI-систем18 мин

Лучшие практики

  • Продвинутые техники и паттерны15 мин

Заключение

  • Что дальше?8 мин
Урок 8 из 11•12 мин

Генерация развёрнутого контента

Цели урока

После прохождения этого урока вы сможете:

  • 1Научиться генерировать развёрнутый контент из кратких вводных
  • 2Освоить технику персонализации
  • 3Понять параметр температуры и его влияние на результат

Expanding: из точки в развёрнутый текст

Expanding — это генерация развёрнутого контента из краткой информации. Ответы на email, статьи из тезисов, документация из спецификаций. Это противоположность суммированию.

Автоматические ответы на email

Классический кейс из оригинального курса — генерация персонализированных ответов на отзывы клиентов.

python
review = """
Очень разочарован покупкой. Заказал кофемашину за 45000 рублей,
а она перестала работать через неделю. Техподдержка не отвечает уже 3 дня.
Если не решите проблему, буду требовать возврат через банк.
"""

# Извлекаем sentiment (из предыдущего урока)
sentiment = "негативный"

prompt = f"""
Ты — менеджер службы поддержки премиального бренда бытовой техники.
Напиши ответ на отзыв клиента.

КОНТЕКСТ:
- Тональность отзыва: {sentiment}
- Клиент ждёт ответа 3 дня (это критично!)
- Товар на гарантии

ПРАВИЛА ОТВЕТА:
1. Начни с извинения и эмпатии
2. Признай проблему конкретно (не общими словами)
3. Предложи решение с чётким дедлайном
4. Дай прямой контакт для связи
5. Заверши позитивно

СТИЛЬ:
- Профессиональный, но человечный
- Без шаблонных фраз типа "Ваше мнение важно для нас"
- Конкретика вместо обещаний

ОТЗЫВ: """{review}"""
"""

Температура: контроль креативности

Температура (temperature) — ключевой параметр, влияющий на "креативность" модели. Это важнейший инсайт из оригинального курса.

ТемператураПоведениеКогда использовать
0Детерминированный, предсказуемыйАнализ, извлечение данных, код
0.3-0.5Немного вариативностиДеловые письма, документация
0.7-0.9Креативный, разнообразныйМаркетинговые тексты, идеи
1.0+Очень креативный, рискованныйБрейншторм, художественные тексты
python
# API вызов с температурой (пример для OpenAI)
from openai import OpenAI
client = OpenAI()

# Для аналитического ответа — низкая температура
response_analytical = client.chat.completions.create(
    model="gpt-4",
    messages=[{"role": "user", "content": prompt}],
    temperature=0  # Максимально предсказуемый
)

# Для креативного контента — высокая температура
response_creative = client.chat.completions.create(
    model="gpt-4",
    messages=[{"role": "user", "content": prompt}],
    temperature=0.9  # Креативный
)

Правило большого пальца: если есть "правильный ответ" — температура 0. Если нужна вариативность — 0.7-0.9.

Генерация из тезисов

Частая задача: у вас есть буллеты или тезисы, нужно развернуть в полноценный текст.

python
bullets = """
- AI-стартап из Москвы
- Привлекли $5M
- Продукт: автоматизация найма
- Клиенты: Сбербанк, Яндекс, МТС
- Планы: выход на рынок СНГ
"""

prompt = f"""
Напиши пресс-релиз на основе тезисов.

СТРУКТУРА:
1. Заголовок (до 80 символов, attention-grabbing)
2. Лид (1 абзац, кто-что-когда-где)
3. Детали раунда (1-2 абзаца)
4. О продукте (1 абзац)
5. Цитата основателя (выдумай правдоподобную)
6. О компании (бойлерплейт, 2-3 предложения)

СТИЛЬ:
- Профессиональный, но живой
- Цифры и факты вместо прилагательных
- Без воды и очевидных утверждений

ТЕЗИСЫ:
{bullets}
"""

Практический кейс: персонализированные рассылки

Представьте: у вас база из 1000 клиентов с разными характеристиками. Нужны персонализированные письма.

python
def generate_personalized_email(customer: dict) -> str:
    prompt = f"""
    Напиши персонализированное email-письмо для клиента.

    ДАННЫЕ КЛИЕНТА:
    - Имя: {customer['name']}
    - Сегмент: {customer['segment']}  # premium/standard/new
    - Последняя покупка: {customer['last_purchase']}
    - Дней с последнего визита: {customer['days_inactive']}
    - Любимая категория: {customer['favorite_category']}
    - LTV: {customer['ltv']} ₽

    ЦЕЛЬ ПИСЬМА:
    Вернуть клиента с персональным предложением

    ПРАВИЛА:
    - Для premium: эксклюзивное предложение, VIP-тон
    - Для standard: скидка 15%, акцент на выгоде
    - Для new: приветственный бонус, помощь с выбором

    - Если неактивен > 90 дней: добавь "мы соскучились"
    - Если неактивен < 30 дней: акцент на новинках

    - Упомяни любимую категорию в предложении
    - Длина: 100-150 слов
    - Тема письма: до 50 символов, интригующая

    ФОРМАТ:
    Subject: [тема]

    [тело письма]
    """

    return call_llm(prompt, temperature=0.7)

# Пример использования
customer = {
    "name": "Анна",
    "segment": "premium",
    "last_purchase": "кофемашина DeLonghi",
    "days_inactive": 45,
    "favorite_category": "техника для кухни",
    "ltv": 250000
}

email = generate_personalized_email(customer)

При массовой генерации контента всегда добавляйте случайный seed или варьируйте промпт, чтобы письма не были идентичными.

Вопросы для размышления

  • •Какой контент вы чаще всего генерируете с нуля?
  • •Как персонализация могла бы улучшить ваши коммуникации с клиентами?
Преобразование и трансформация текстаАрхитектура разговорных AI-систем
DL

Адаптация курса «ChatGPT Prompt Engineering for Developers» от DeepLearning.AI + OpenAI. © DeepLearning.AI & OpenAI