#prompt_engineering — Public Fediverse posts

Anthropic публикует системные промпты Claude. Разбираем, как они менялись от Haiku 3 до Opus 5

Что Claude получает ещё до первого сообщения пользователя, зачем модели отдельные инструкции по работе с инструментами и длинными задачами и какие идеи из system prompts можно использовать в собственных AI-ассистентах. Когда мы отправляем Claude первый запрос, для пользователя диалог только начинается. Для модели нет. До пользовательского сообщения Claude уже получает системную инструкцию, которая задаёт контекст работы: кто модель, какая сейчас дата, как оформлять ответы, как работать с доступными инструментами, что делать с неопределённостью и какие ограничения учитывать. Anthropic публикует такие инструкции в официальной документации в разделе System Prompts . Причём там сохранена история изменений: от Claude Haiku 3 и Opus 3 до Fable 5 и Opus 5. Получается довольно интересный датасет для тех, кто работает с LLM не только через обычный чат. Можно посмотреть, как за два года изменился подход Anthropic к системным промптам и что компания считает действительно важным объяснить модели до того, как пользователь вообще сформулировал задачу . И некоторые выводы вполне применимы к собственным AI-агентам.

https://habr.com/ru/companies/syntx_ai/articles/1071438/

#Claude #Anthropic #системные_промпты #system_prompt #LLM #prompt_engineering #Claude_Opus_5 #Claude_Fable_5 #AIагенты #промптинжиниринг

Как генерировать реалистичных людей по десяткам признаков

Сгенерировать реалистичный портрет по одному описанию несложно. Гораздо труднее одновременно управлять десятками параметров: возраст, пол, причёска, форма лица и другие признаки. Такую задачу решал заказчик: ему нужно было генерировать набор фотореалистичных изображений людей для биометрического приложения. Предыдущие эксперименты давали изображения, которые выглядели явными рисунками, поэтому нужно было подобрать другой вариант генерации и управления атрибутами. Что-же там за вариант генерации

https://habr.com/ru/articles/1068880/

#Stable_Diffusion #генерация_изображений #генеративный_ИИ #компьютерное_зрение #ControlNet #IP_Adapter #Compel #texttoimage #imagetoimage #prompt_engineering

Я объяснил KERNEL маме за пять минут. Потом проверил, переживёт ли он LLM в production

Недавно я попробовал объяснить маме, как нормально ставить задачи ChatGPT. Без temperature, context window, system prompt и прочих слов, после которых человек вполне справедливо решает, что проще уже сделать всё самому. Я сказал примерно так: «Сформулируй, что тебе нужно. Объясни, каким должен быть результат. Если есть ограничения, напиши их сразу. Не сваливай пять разных задач в одну. И не заставляй модель угадывать то, что существует только у тебя в голове». На всё ушло минут пять. А потом я понял, что почти дословно пересказал KERNEL, один из фреймворков для написания промптов. И тут стало интереснее: если базовый prompt engineering действительно можно объяснить человеку за пять минут, что происходит, когда LLM переезжает из вкладки браузера в реальный продукт?

https://habr.com/ru/companies/syntx_ai/articles/1068654/

#LLM #prompt_engineering #KERNEL #промпты #context_engineering #evals #ChatGPT #RAG #AIагенты #LLM_в_production

Как приручить LLM

- Пробовали сделать цифрового сотрудника на LLM? - У вас получилось? - Долго старались? - Насколько он качественный? - Сколько он стоит в обслуживании? Очень много вопросов возникает к технологии ведения диалогов нейросетями.

https://habr.com/ru/articles/1066298/

#LLM #Chatbot #Conversational_AI #AI_Agents #Prompt_Engineering #Responses_API #Structured_Output #Software_Architecture #Open_Source

Один ход агента — 120 000 токенов. Разбираемся, куда они уходят и как мы это починили

Мы делаем автономного агента, который умеет не отвечать, а делать: искать в сети, генерировать медиа, резать видео на клипы, публиковать результат. Под капотом - агентный цикл на базе hermes-agent, свои инструменты через MCP и оплата по токенам. И вот приходит пользователь с вопросом, от которого неприятно холодеет: «Почему один мой запрос стоил 38 кредитов? Я посмотрел цены на OpenRouter - по факту это должно было стоить втрое меньше». Он был прав. Дальше - как мы искали причину, что нашли (спойлер: не то, что ожидали) и что с этим сделали.

https://habr.com/ru/articles/1065426/

#LLM #агенты #токены #prompt_engineering #AI #openrouter #агентные_системы #оптимизация #биллинг

И треснул мир напополам: как в США и Китае развили две инженерные школы графического GenAI

Генерация изображений в последнее время заметно продвинулась и справляется даже с тонкими задачами на высоком уровне. За последние два года я с базовыми знаниями в дизайне оформлял книги, готовил иллюстрации для статей, собирал презентации и решал графические задачи в коммерческих проектах — и вынес из этого одно: универсальной модели не существует. Каждая архитектура сильна в своей нише, а выбор инструмента стал такой же частью работы, как и сам промпт. Работая с Midjourney, DALL-E 3, FLUX, Hunyuan-DiT, Wanxiang и Seedream, я заметил: один и тот же запрос в разных системах давал принципиально разные результаты — и дело было не в стилистике. Одни модели буквально расставляли объекты по местам, как в инструкции. Другие могли проигнорировать часть описания, зато выдавали плотность деталей и сложность ракурсов, недоступную первым. Сначала я списывал это на языковой барьер — казалось, что западные и китайские системы по-разному интерпретируют запрос. Но список причин быстро расширился: датасеты, токенизаторы, глубина текстовых энкодеров. Каждая деталь что-то объясняла, но общей картины не давала. За различиями стояло нечто большее — две инженерные школы, изначально оптимизировавшие разные ресурсы, а сейчас движущиеся к конвергенции. Тут я вспомнил старый плакат из дизайн-студии нулевых: «Быстро. Дешево. Качественно. Выберите любые два». Раньше это звучало как шутка, теперь — как точное описание логики развития сложных систем. Эта статья — попытка понять сложившуюся экономику моделей через их историю: разобрать ключевые развилки последних лет, заглянуть под капот графических движков и понять, в какие ниши сегодня выстраивается конвергенция технологий.

https://habr.com/ru/companies/ru_mts/articles/1059578/

#генерация_изображений #искусственный_интеллект #диффузионные_модели #Midjourney #FLUX #DALLE_3 #Stable_Diffusion #ControlNet #Prompt_Engineering #ComfyUI

Вы не внедрили AI. Вы завели кладбище промптов

У LLM-наработок есть неприятное свойство: они быстро появляются и так же быстро превращаются в локальный фольклор. Где-то в чате лежит удачный промпт. Где-то в папке - правила для агента. Кто-то однажды разобрал сложную миграцию, но через месяц следующий коллега, а иногда и ты сам, снова проходит почти тот же путь. Сначала это кажется нормальным: есть опыт, есть люди, можно спросить. Но чем больше проектов, команд и IDE, тем хуже работает схема "помнить, где лежит". В какой-то момент важен уже не сам промпт, а то, можно ли превратить найденное решение в повторяемый процесс. Эта статья как раз про этот переход: от разовых LLM-находок к skills, agents и инструменту, который помогает доставлять их до команды.

https://habr.com/ru/articles/1057676/

#llm #ai #prompt_engineering #ide #cursor #codex #claude_code #skills #git #developer_tools

От промптов к циклам: как давать AI‑агенту проверяемые задачи

В работе с AI‑кодерами постепенно меняется формат задачи. Одного промпта часто недостаточно: агенту нужно не только выполнить разовую команду, но и повторять действия до понятного результата. Например: проверить CI, прочитать лог, внести минимальное исправление, снова запустить тест, остановиться при выполнении условий. Поводом для этой статьи стала заметка Anthropic « Getting started with loops » про циклы (loops) в Claude Code. Там термин«цикл» описывается как повторяющаяся работа агента до выполнения условия остановки. Практический смысл такой: если задача состоит из нескольких повторяемых шагов, человеку не нужно каждый раз вручную читать вывод агента, запускать проверку, копировать ошибку обратно в чат и писать следующую команду. Эту процедуру можно описать заранее.

https://habr.com/ru/articles/1057152/

#Claude_Code #LLM #AIагенты #AI_coding #DevOps #code_review #GitHub #prompt_engineering

Мы меняли LLM и промпты, а ошибка оказалась совсем в другом месте

Это бонусный материл в серии о внедрении LLM в клиентские сервисы. Если в прошлых трех статьях я подробно разбирал удачные моменты, архитектуру и правильные шаги, то этот текст решил целиком посвятить разбору наших ошибок и факапов. Сейчас – менее красивая часть и реальный опыт PM: что происходит после демо, когда AI-пилот пытаются превратить в промышленную систему и команда сталкивается со скрытыми техническими проблемами. На демо всё выглядело почти идеально. Бот отвечал живо, бизнес видел прогресс, команда сравнивала модели и крутила промпты. Потом пришли реальные пользователи, реальные данные и реальные ограничения. И выяснилось неприятное: мы лечили не то. В какой-то момент команда уже всерьёз обсуждала замену модели. Казалось, что проблема в качестве генерации: ответы были уверенные, но иногда неверные. После разбора логов оказалось, что в части диалогов LLM вообще не должна была отвечать. Routing отправлял пользователя в ветку answer, хотя API возвращал partial, а сценарий должен был уходить в handoff. Самые дорогие ошибки жили не в LLM. Они жили в routing, API, handoff, базе знаний, метриках и compliance-слое. Модель просто красиво озвучивала проблемы, которые система создала раньше. Перелом случился, когда мы перестали спрашивать: «Почему LLM ответила неправильно?» – и начали спрашивать иначе: «Почему система вообще поставила модель в ситуацию, где правильного ответа у неё быть не могло?» Вывод неприятный, но полезный: сильная LLM не компенсирует слабую архитектуру. Если у системы нет нормального routing, владельца knowledge base и понятного handoff, сравнение моделей часто становится дорогим отвлекающим манёвром.

https://habr.com/ru/companies/svoi_ru/articles/1056376/

#llm #ai_architecture #handoff #Knowledge_Base #AI_in_Fintech #rag #prompt_engineering #routing #api #enterprise_ai

Я больше не объясняю нейросети контекст. Вот что я сделал вместо этого…

Я попробовал собрать LLM Wiki: workflow, где нейросеть не просто отвечает на вопросы по документам, а постепенно поддерживает базу знаний. Взял Obsidian, Codex и несколько статей с Хабра, сделал ingest, query и lint, а затем посмотрел, чем такой подход отличается от обычного RAG. В статье показываю структуру vault, примеры wiki-слоя, стоимость ingest на Yandex Foundation Models и риски, которые быстро всплывают на практике.

https://habr.com/ru/companies/raft/articles/1054050/

#llm #rag #ai_agents #obsidian #prompt_engineering #yandexgpt

Как желание быстрее читать чужой код превратилось в войну с недетерминизмом LLM

Началось всё примерно так. Я сидел над своим проектом: пока работал, общался по нему с нейросетками и параллельно искал в интернете разную информацию, которая могла бы пригодиться. И вот тогда у меня впервые начала закладываться мысль, что я хотел бы читать код быстрее. Что мне не нравится, сколько времени на это уходит. Позже эта мысль разгорелась сильнее — когда я взялся перечитывать собственный код двухмесячной давности. Я понимаю, что в нём всё нормально, но всё равно хотелось бы вчитываться быстрее. Примерно в это время и появилась первая идея проекта, о котором пойдёт речь в статье. Это была одна из первых вещей, которая дала толчок. Вторая — то, что мне приходилось тратить время, объясняя друзьям, как устроен мой код. Мне не нравилось, что я говорю отрывками, зависаю, не могу связать пары слов. Короче, тяжело донести мысль: сам прекрасно знаю, как оно работает, а нормально, быстро и чётко объяснить не могу. Из этих двух проблем и вырос тренажёр, который я сейчас делаю: где ты не пишешь код, а читаешь готовый рабочий фрагмент и объясняешь его словами, а оценивает объяснение языковая модель. Звучит на самом деле очень просто, но реализовать это оказалось трудно. Самым тяжёлым оказалось совсем не это, а заставить нейросеть оценивать честно и стабильно — и вообще понять, что именно нужно оценивать.

https://habr.com/ru/articles/1052822/

#LLM #prompt_engineering #детерминизм #Java #оценка_кода #обучение_программированию #Gemini_API #prompt_injection #pet_project #NLP

[Перевод] Loop Engineering: 14 шагов от промптера до архитектора систем

Два года работа c AI-агентами для написания кода выглядели одинаково: написать промпт, передать контекст, прочитать дифф, написать следующий промпт. Агент был инструментом, человек держал его за руку от начала до конца. Эта схема устаревает. Loop Engineering: сборка небольшой системы, которая сама находит задачу, передаёт её агенту, проверяет результат, фиксирует, что произошло, и решает, что делать дальше. Систему проектируют один раз, дальше она сама промптит агента. Материал собран из инженерной документации Anthropic, эссе Эдди Османи (Addy Osmani) о loop engineering и недавних замеров продуктивности.

https://habr.com/ru/articles/1051834/

#loop_engineering #AIагенты #Claude_Code #Codex #MCP #автоматизация_разработки #prompt_engineering #subагенты #security

RE: https://christine-seeman.com/prompt-engineering-prime-day/

Did I use prompt engineering to make sure my prime day deals were actual deals? Yep! Actually ended up with not prime day deals in some cases because the deals just weren't actually that good, and the prompts helped me figure that out. Ended up with an Adias backpack for the kiddo over High Sierra, so 🤞that actually lasts a full school year

#prompt_engineering #prompt #primeday

Как я сделал генератор палитр на Node.js + DeepSeek за два вечера — и что из этого вышло

Как-то вечером я поймал себя на том, что трачу по 20 минут на поиск цветовой палитры для каждого нового проекта. Coolors, Adobe Color, случайные пины в Pinterest — и всё равно ощущение «не то». Тогда я задал себе вопрос: а что если вместо колеса оттенков начинать со слова ? «Рассвет», «шторм», «лакшери» — у каждого слова есть интуитивный цвет. Так появился Колорит — инструмент, который превращает слово или фотографию в цветовую палитру с помощью ИИ. В этой статье расскажу про технические решения, prompt engineering для DeepSeek и пару неочевидных браузерных API.

https://habr.com/ru/articles/1050734/

#Nodejs #JavaScript #DeepSeek #Canvas_API #AI #Дизайн #Вебразработка #Инструменты_разработчика #Prompt_Engineering #Open_Source

[Перевод] Почему промпты для VLM работают наоборот: как это исправить

Недавно я пытался выжать максимум из корпоративной OCR-модели, перебирая промпты и гиперпараметры, когда наткнулся на issue в репозитории Qwen-3-VL. Автор утверждал, что точность задачи выросла просто от изменения порядка: сначала изображение, потом текст. Просто перестановка блоков.

https://habr.com/ru/articles/1049176/

#prompt_engineering #vlm #ocr #Qween #Gemma #Positional_Encoding

Гайды Anthropic для Fable 5 и Opus 4.8 советуют противоположное, у OpenAI — третий путь. Что менять в промптах

Когда вышел Claude Fable 5, я его подключил — и он мне не понравился. Модель объективно сильнее Opus 4.8, а работать с ней было хуже: в одном ране агент сжёг 200 тысяч токенов за полтора часа. Я грешил на модель, пока не открыл гайд Anthropic по промптингу конкретно этой модели. Переписал промпты — и Fable заработал. Оказалось, у Anthropic теперь отдельные гайды под каждую модель, и советы в них местами противоположные: Opus надо подталкивать к субагентам — Fable сдерживать. А инструкция «объясни ход рассуждений», которая годами жила в моих скиллах, на Fable 5 стала триггерить отказы. В статье: где сходятся и расходятся официальные позиции Anthropic и OpenAI, таблица противоположных советов для Fable 5 и Opus 4.8, что об этом думает сообщество и как я живу с тремя коллекциями промптов.

https://habr.com/ru/articles/1048714/

#prompt_engineering #Claude #GPT #LLM #Anthropic #OpenAI #AIагенты

Почему ИТ превращается в гуманитарную науку

ИТ-индустрия тридцать лет последовательно теряла один конкретный навык — умение формулировать намерение, а не алгоритм (т. е. умение говорить «что нужно получить», а не «как это вычислить»). Зачем он был нужен, если компилятор не обижается на формулировку? База данных не читает между строк — она возвращает именно то, что у нее спросили. API ведет себя так же: никакого контекста, никакой интерпретации, только буква документации. Машина не нуждалась в том, чтобы ее понимали, — достаточно было правильно ее инструктировать. Исследования фиксировали этот сдвиг , но до поры индустрию это не особо беспокоило. А потом те же люди создали сущность с собственной логикой, скрытыми мотивами и агентным поведением — и обнаружили, что с ней нужно договариваться словами . Причем буквально: удерживать намерение, считывать, где модель соскользнула, и поправлять курс формулировкой, а не традиционным программированием. Правильный подход к такому диалогу обнаружился не в технической документации — и, похоже, искать стоило вообще не там. В литературе и гуманитарных науках этот подход давно описан людьми, которые профессионально работали с непредсказуемыми агентами задолго до LLM. В прошлой статье мы разбирали фольклорные паттерны — те самые структуры волшебной сказки, которые неожиданно точно описывают эффективное общение с моделями. Сегодня идем дальше: смотрим, что еще сказки знают о жизни с непредсказуемым помощником.

https://habr.com/ru/companies/ru_mts/articles/1045292/

#LLM #prompt_engineering #AI #искусственный_интеллект #когнитивные_навыки #soft_skills #агенты #фольклор #коммуникация #намерение

Гайды Anthropic для Fable 5 и Opus 4.8 советуют противоположное, у OpenAI — третий путь. Что менять в промптах

Когда вышел Claude Fable 5, я его подключил — и он мне не понравился. Модель объективно сильнее Opus 4.8, а работать с ней было хуже: в одном ране агент сжёг 200 тысяч токенов за полтора часа. Я грешил на модель, пока не открыл гайд Anthropic по промптингу конкретно этой модели. Переписал промпты — и Fable заработал. Оказалось, у Anthropic теперь отдельные гайды под каждую модель, и советы в них местами противоположные: Opus надо подталкивать к субагентам — Fable сдерживать. А инструкция «объясни ход рассуждений», которая годами жила в моих скиллах, на Fable 5 стала триггерить отказы. В статье: где сходятся и расходятся официальные позиции Anthropic и OpenAI, таблица противоположных советов для Fable 5 и Opus 4.8, что об этом думает сообщество и как я живу с тремя коллекциями промптов.

https://habr.com/ru/articles/1047778/

#prompt_engineering #Claude #GPT #LLM #Anthropic #OpenAI #AIагенты

Claude дал неправильную архитектуру. Настоящая ошибка была не в Claude

Один из моих крупных бизнес-проектов-бизнесов - разработка электроники и софта для БПЛА . Дошел до момента, когда на железе после MVP надо стало развернуть корректную воспроизводимую архитектуру деплоя . Конечно, я стал делать это Клодом. Для этого я попросил обнюхать весь проект. Для понимания: проект действительно многосторонний . Ubuntu Linux, патченное ядро и драйвера, радио, сеть, несколько ролей у устройства, пачка собственного софта и утилит. Claude прочитал документы, нашёл скрипты, конфиги, тесты и выдал вполне осмысленный план. Проблема была в том, что ...

https://habr.com/ru/articles/1046784/

#LLM #Claude_Code #архитектура_ПО #деплой #постановка_задачи #embedded_linux #бпла #devops #prompt_engineering

Промпт — это творчество? Нет, это 10 блоков в жёстком порядке

Все знают, как писать промпты правильно: роль, критерии готовности, защита от выдумок, разметка под конкретную модель. Проблема в другом - выписывать все эти пунктыруками для каждого нового промпта утомительно. Да ещё и думать надо :) Поэтому я собрал скилл, который делает рутину за меня: описываешь задачу своими словами, получаешь полноценный промпт под Claude, GPT, Gemini или DeepSeek. Под катом - как он устроен: десять обязательных блоков, Python-проверяльщик, протокол разнообразия из свежей научной работы. Скилл открытый, ссылка внутри.

https://habr.com/ru/articles/1046501/

#промптинжиниринг #prompt_engineering #llm #claude #agent_skills #skills #нейросети

Курсы по промптингу? Почитайте детям сказку на ночь

Привет, Хабр! За время написания нескольких книг я превратил искусственный интеллект в своего постоянного напарника. Он работает моим редактором, критиком и иллюстратором. Но в процессе поиска общего языка с LLM меня не покидало стойкое ощущение дежавю. Когда модель в сотый раз проигнорировала контекст, поняла запрос слишком буквально и начала откровенно хитрить с токенами, я наконец догадался, где уже видел точно такие же паттерны поведения — в народных сказках. Я осознал, что прочитав дюжину сказок вдумчиво, вы освоите как минимум половину курса по промптингу. Ведь фольклор — готовый сборник правил по безопасности для современного промпт-инжиниринга.

https://habr.com/ru/companies/ru_mts/articles/1043156/

#промптинжиниринг #LLM #большие_языковые_модели #фольклор #русские_сказки #prompt_engineering #AI_safety #ChatGPT #агентные_системы #когнитивные_паттерны

Как научить AI писать коммиты по правилам вашего проекта, а не Conventional Commits по умолчанию

Любой AI-инструмент умеет генерировать commit message. Проблема в том, что он генерирует что-то разумное — но не то, что принято в вашем проекте: не знает ваш формат с тикетами, не вытаскивает номер задачи из ветки, не учитывает какие типы у вас разрешены. В этой статье я покажу как один раз описать правила своего проекта так, чтобы AI следовал им предсказуемо — каждый раз. Основной пример на Claude Code, но паттерн и готовый скрипт переносятся на любой инструмент: Cursor, Copilot Chat, git hook с API-вызовом. Как заставить AI писать коммиты по правила

https://habr.com/ru/articles/1044636/

#git #commit_message #claude_code #llm #prompt_engineering #автоматизация #инструменты_разработчика #git_hooks #aiassisted_development #developer_
__experience

Как устроены LLM-агенты: архитектура, планирование и инструменты

Если вы хоть раз просили ChatGPT выполнить какую-то задачу и получали в ответ инструкцию "как это сделать" вместо того чтобы он взял и сделал сам - вы столкнулись с ограничением обычной языковой модели. Она умеет объяснять и советовать, но сама ничего не делает: не лезет в интернет, не запускает код, не сохраняет файлы. Просто отвечает. LLM-агент - это другая история. Это система, которая получает задачу и начинает её решать: ищет информацию, пишет и запускает код, вызывает API, сохраняет результаты. Она не просто говорит "вот как это можно сделать" - она берёт и делает. В этой статье разберём, как такие системы устроены изнутри: из каких компонентов состоят, как принимают решения, какие инструменты используют и где обычно ломаются.

https://habr.com/ru/articles/1043878/

#LLM #агенты #AI_agents #prompt_engineering #архитектура_ИИ #LangGraph #ChatGPT #языковые_модели

Сократ + GPT: как построить диалог с LLM, который учит

Ребёнок сдал ДЗ - но понял ли он тему? Вместо разбора тетради я завёл диалог по сократическому методу: наводящие вопросы, петля любопытства, ловушки на типичные заблуждения и пересказ "как для младшего брата". Рассказываю, как из университетской философии и маркетинговых приёмов собрался system prompt для чата с LLM (DeepSeek), что дало temperature=0 , обрезка истории и function calling - и почему это не замена мотивации, а инструмент, когда интерес уже есть.

https://habr.com/ru/articles/1043514/

#искусственный_интеллект #llm #prompt_engineering #сократический_метод #edtech #curiosity_loop #метод_фейнмана

Альпина GPT: 9 000 пользователей, −1 977 часов и главный барьер корпоративного ИИ

Архитектура агрегатора из 42 моделей, разбор воронки первого касания и измеренная экономия часов на маркетинге книгоиздания. Павел Путинцев, продакт-менеджер

https://habr.com/ru/companies/alpinadigital/articles/1043654/

#корпоративный_ии #ai_agent #prompt_engineering #enterprise_ai #chatgpt #claude #onpremise #alpina_gpt #alpina_digital #llm

Покопались в .cursorrules на GitHub и нашли там волка-фурри, Star Trek и 28.7% копипасты

Где-то на GitHub лежит репозиторий с файлом .cursorrules. Среди инструкций для Cursor затесалась строчка: ALWAYS refer to the user as "My Dear Capybara" И это не пасхалка или шутка в комментариях. Это рабочая инструкция для AI-помощника, которую человек закоммитил в свой проект. И теперь модель обращается к нему «Мой дорогой капибара» в каждом ответе. Видимо, так разработчику спокойнее. Капибара – нормальная сцена для жанра. Мы несколько часов изучали публичные .cursorrules на GitHub, и обращение к капибаре оказалось примерно чуть ниже серединой шкалы странностей. Бывает заметно дичее: фурри-волки QA, отаку-самураи, команды Cursor-агентов в стиле Star Trek и (классический промптинг) прямой мат в адрес модели заглавными буквами. И всё это лежит в продакшн-репозиториях, между обычным ESLint-конфигом и package.json. Окунемся в ужас с головой.

https://habr.com/ru/companies/simpleone/articles/1039398/

#Cursor #cursorrules #LLM #prompt_engineering #Claude #AIинструменты #GitHub

GPT-шорткаты: что работает, а что нет

Привет! Разобрал популярные шорткаты GPT вроде EL5, /REDTEAM, /BULLET — какие реально выручают каждый день, какие работают через раз, а какие лучше не тратить время. Смотри шпаргалку! 🚀

https://habr.com/ru/articles/1033518/

#ChatGPT #GPT #LLM #prompt_engineering #шорткаты #нейросети #искусственный_интеллект #команды #промпты #генерация_текста

Harness вокруг LLM: что я понял за полтора года ежедневной работы

Полтора года в Claude Code, несколько релизов моделей, десятки экспериментов с командой в Kaiten. Всё это время я ждал, что главным рычагом качества будет очередной релиз модели. Оказалось, ровно наоборот: смена модели даёт заметный, но ограниченный прирост, а каждый новый слой обвязки вокруг неё — кратный. Англоязычные инженеры называют эту обвязку harness . Это контур, в котором живёт модель: системный промпт, инструменты, контекст, скиллы, хуки, разрешения и память. Без него даже флагманский Claude или Codex работает как экскаватор без рычагов — мощность есть, использовать нечем. У русского аналога одного короткого слова пока нет, поэтому ниже — harness и обвязка вперемешку.

https://habr.com/ru/articles/1035812/

#LLM #Claude_Code #AIагенты #prompt_engineering #harness #Anthropic #context_engineering #Agent_Skills #llmstxt #vibecoding

Notion + RAG + Telegram: архитектура AI-копирайтера для сети ресторанов

В таком сценарии копирайтеру недостаточно просто писать тексты. Ему нужно помнить факты о каждом заведении: часы работы, фирменные блюда, формат кухни, имена шеф-поваров, особенности интерьера, правила коммуникации, ограничения по формулировкам и стиль бренда. Если ресторанов девять, эта задача быстро перестаёт быть только творческой и превращается в задачу управления знаниями. У заказчика была именно такая проблема: сеть ресторанов по России, у каждого заведения отдельная концепция и свой стиль общения с гостями. Большая часть ресурсов уходила на ежедневную текстовую работу: описания ресторанов, переводы на разные языки, пресс-релизы, рассылки, описания блюд, мероприятий, посты для социальных сетей и тексты в Tone of Voice каждого бренда. Задача заключалась не в том, чтобы заменить редактора, а в том, чтобы вынести рутинную часть генерации текстов в AI-систему. Один-два редактора должны были управлять контентом всей сети: ставить задачи, получать черновики, проверять факты, корректировать стиль и доводить материалы до публикации.

https://habr.com/ru/articles/1035628/

#llm #rag #автоматизация #telegramбот #генерация_контента #notion_ai #embeddings #векторная_база_данных #prompt_engineering