10 привычек промптинга, которые новые модели ИИ уже не прощают

Есть привычки промптинга, которые год назад считались хорошим тоном: расписывать задачу подробнее, копить библиотеку лучших промптов, накидывать больше правил «на всякий случай». С моделями уровня Opus 5, Fable 5 и GPT-5.6 часть этих привычек промптинга работает наоборот — и никто не присылает уведомление, что совет устарел. Консультант по ИИ Dylan Davis в своём разборе собрал десять таких привычек и показал, чем их заменить. Многое из этого напрямую касается тех, кто ежедневно работает с Claude и Claude Code, а не только с чат-ботами.

Почему привычки промптинга устаревают быстрее, чем мы успеваем их усвоить

Слабые модели нуждались в максимально разжёванной инструкции: чем подробнее и жёстче задача, тем предсказуемее результат. Рассуждающие модели работают иначе — они сами достраивают недостающее, если понимают цель, и наоборот, тонут в противоречивых указаниях, если инструкция раздута. Отсюда парадокс: чем умнее модель, тем меньше её нужно контролировать вручную и тем больше — объяснять, зачем вообще нужна эта задача.

Три группы привычек, которые тянут результат вниз

Задача без цели

Первая и самая частая ошибка — формулировать задачу без «зачем». «Сделай выжимку контракта» и «сделай выжимку контракта, потому что в пятницу продление и меня волнуют цена и условия» — для новой модели это два разных запроса с принципиально разным качеством ответа. Когда модель знает намерение, она сама заполняет пробелы, которые вы забыли прописать; без намерения она гадает.

Регенерация вместо правки и вопрос «ты уверен?»

Вторая привычка — нажимать «сгенерировать заново», не меняя вход, в надежде на другой результат. С новыми моделями это чаще всего просто повторяет ту же ошибку. Правильный ход — спросить саму модель, чего не хватало в исходном запросе, и подправить вход. Похожая ловушка — спрашивать у модели «ты уверена в ответе?» в том же чате: она будет защищать уже данный ответ. Оценку стоит просить в новом чате, без истории и без bias в пользу собственного вывода.

Раздувание инструкций

Третья группа — привычка бесконечно добавлять правила: «никогда не делай так», «всегда делай эдак». Для пользователей Claude Code это узнаваемо: system-промпты, CLAUDE.md, конфиги skills часто пухнут месяцами и в какой-то момент начинают противоречить сами себе. Разумный порядок действий — сначала проверить, системная ли это ошибка, затем попробовать уточнить существующее правило и только в последнюю очередь добавлять новое, причём максимально узкое и с явным логом того, что именно добавлено.

Как обновить привычки промптинга под новые модели

Замены довольно конкретны. Вместо максимума контекста — указывать модели, на какой части документа сосредоточиться. Для длинных задач — просить модель самой задать до трёх уточняющих вопросов перед стартом, а не полагаться на угадывание. Вместо оценки уверенности («confidence score») — требовать доказательства: цитату, номер страницы, явную пометку «не найдено», если данных не было. И, пожалуй, главная практика — просить модель показать журнал решений (decision log) до того, как показать сам результат: так видно, где модель додумала за вас, и можно поправить именно эти места, а не спорить с готовым текстом.

Отдельная привычка касается долгоживущих промптов внутри проектов и skills: то, что отлично работало на старой модели, с выходом новой часто начинает деградировать по тем же причинам — избыточная инструкция мешает более умной модели. Раз в крупный релиз стоит прогонять свои три главных промпта заново и сверять результат, вырезая лишнее, а не добавляя.

Что это значит на практике

Общий вектор один: новым моделям не хочется больше контроля — им нужно больше доверия, подкреплённого прозрачностью с обеих сторон. Вы делитесь целью и нужным контекстом, модель — журналом решений и источниками. Кто выстраивает работу с ИИ именно так, а не по инерции прошлогодних лайфхаков, получает точный результат с первой попытки чаще, чем после десятой регенерации.