Модель отримує один довгий текст. У ньому: системний промт сервісу, твої постійні інструкції, файли проєкту, історія розмови - і десь наприкінці твоє повідомлення. Модель не відрізняє "промт" від "решти": для неї це один суцільний вхід.
[системний промт сервісу: правила поведінки, формат, відмови] [інструкція проєкту: "Ти юрист компанії-покупця. Документи українською."] [памʼять: "користувач працює зі спорами щодо поставок"] [файл: договір поставки, 40 сторінок] [твоє повідомлення: "проаналізуй договір"]
Пʼять шарів, один текст. Три слова запиту - найменша його частина. Відповідь залежить від усіх пʼяти.
Звідси перший висновок. Шліфувати одне речення в кінці довгого входу - слабкий важіль. Сильні важелі - решта входу: що лежить в інструкціях, які файли додані, що накопичилося в історії. Питання "як сформулювати запит" насправді звучить "що модель знає про мою задачу".
Порівняй два входи. Перший: "перевір договір" плюс файл. Другий: той самий файл плюс політика компанії щодо договорів, перелік типових ризиків цієї категорії, приклад попереднього висновку і згадка, для кого висновок пишеться. Модель та сама, формулювання однакове - результати непорівнянні.
Механізм простий: модель добудовує те, чого не сказано, з найзагальніших закономірностей. Без контексту вона вгадує, що тобі треба, - і вгадує "середню по інтернету" відповідь. З контекстом вгадувати нема чого. Тому найкраща інвестиція часу перед запитом - не переписування речення, а збирання матеріалу: документи, приклади, обмеження.
Anthropic описує той самий механізм з іншого боку: контекст і мотивація за інструкцією покращують результат, бо модель узагальнює з пояснення і застосовує його до випадків, які ти не перерахував.
Не використовуй юридичні терміни.
Модель прибирає "неустойка" і "форс-мажор", але лишає "субсидіарна відповідальність", бо не вважає це терміном.
Текст читатиме директор без юридичної освіти. Він має зрозуміти ризик з першого прочитання і ухвалити рішення. Тому кожен термін поясни одним реченням або заміни побутовим словом.
Заборона - одне правило. Причина - критерій, з якого модель виводить багато правил сама, включно з термінами, яких ти не назвав.
Другий сильний важіль - чіткий образ доброго результату. Формат: таблиця, меморандум, лист. Обсяг: сторінка чи десять. Критерії: що обовʼязково має бути всередині, чого бути не повинно. Найсильніший варіант - приклад: "ось висновок, який нас влаштував минулого разу, зроби в цьому форматі".
Anthropic ставить це першим принципом: модель добре виконує явні, конкретні інструкції. Якщо потрібна робота понад мінімум - це треба сказати прямо. Перевірка з гайду: покажи промт колезі без контексту задачі. Дослівно: "If they'd be confused, Claude will be too."
Проаналізуй договір.
Відповідь: переказ договору на дві сторінки, без висновку. Модель не знає, для кого і навіщо.
Проаналізуй договір поставки у файлі. Мета: знайти умови, невигідні покупцю. Результат: таблиця з трьома колонками - пункт, ризик, пропозиція правки. До 10 рядків. Українською.
Відповідь: таблиця з ризиками. Змінилося три речі: названа мета, названий формат, названий обсяг.
Розписувати процес крок за кроком здебільшого не треба: шлях модель обере сама, і часто кращий за продиктований. Виняток - коли процес і є вимогою: методика розрахунку, порядок перевірки, регламент. Тоді кроки записуються нумерованим списком - модель тримає послідовність краще, коли послідовність записана.
1. Випиши з договору строки оплати по кожній поставці. 2. Порівняй їх з фактичними датами з таблиці оплат. 3. Порахуй прострочення по кожній поставці кодом, не в тексті. 4. Дай підсумок: загальна сума пені і три найбільші позиції.
Без нумерації модель часто робить крок 4 одразу, пропустивши крок 3.
Коли результат не той - не переписуй запит з нуля і не додавай "будь уважнішим". Скажи, що саме не так, як у правці колезі: "розділ два поверхневий, розгорни аргументацію по строках". Це додає контекст. Загальні заклинання не додають нічого.
Anthropic називає приклади найнадійнішим способом задати формат, тон і структуру. Рекомендація: три-пʼять прикладів; релевантні задачі, різноманітні - щоб модель не вивчила випадкову закономірність, - і обгорнуті в теги, щоб модель відрізняла приклад від інструкції. OpenAI описує те саме як few-shot: дай можливі входи і бажані виходи.
Пиши коротко і по суті, без води.
Результат нестабільний: одного разу три речення, іншого - абзац.
Формат кожного рядка - як у прикладі: <example> Пункт 4.2. Ризик: пеня 0,5% на день без верхньої межі. Правка: обмежити пеню 10% від суми простроченої поставки. </example>
Модель повторює структуру рядка точно. Зразок у контексті - найкоротший шлях показати, який текст має йти далі.
Про різноманітність. Якщо всі приклади містять ризик, модель знайде ризик у кожному пункті, навіть де його нема. Додай приклад без ризику:
<example> Пункт 7.1. Ризик: нема. Правка: не потрібна. </example>
Тепер модель має обидві відповіді як дозволені.
Anthropic: одне речення ролі в системному промті вже змінює поведінку і тон. Механіка з кроку про LLM: роль звужує простір ймовірних продовжень ще до першого слова відповіді.
Ти юрист компанії-покупця, готуєш позицію для переговорів.
Без ролі та сама задача дає збалансований огляд "для обох сторін". З роллю - позицію покупця.
Структура. Anthropic радить XML-теги: окремий тег для інструкцій, контексту, вхідних даних, прикладів. OpenAI радить секції: ідентичність, інструкції, приклади, контекст. Обидва гайди кажуть одне: модель має бачити, де закінчується інструкція і починаються дані.
<роль>Юрист компанії-покупця.</роль> <контекст>Спір щодо прострочення поставки, переговори наступного тижня.</контекст> <документи> <документ джерело="договір_поставки.docx">...</документ> <документ джерело="листування.pdf">...</документ> </документи> <задача>Знайди умови, які посилюють позицію покупця.</задача> <формат>Таблиця: пункт, аргумент, цитата.</формат>
Навіщо теги: договір містить фрази "Постачальник зобовʼязаний надіслати..." - інструкції всередині документа. Без розмітки модель іноді читає їх як інструкції для себе.
OpenAI додає ієрархію: інструкції розробника мають пріоритет над повідомленнями користувача. Це системний промт зі сторінки основ - шар, який ти не бачиш і не змінюєш.
Anthropic для входів від 20 тисяч токенів радить три речі. Перше: документи на початок промту, питання і інструкції - в кінець. У тестах питання в кінці покращує якість до 30 відсотків, особливо з кількома документами. Друге: кожен документ у власному тезі з назвою джерела. Третє: попроси модель спершу виписати доречні цитати, а вже потім робити задачу.
Що каже договір про строки оплати? [договір, 80 сторінок] [листування, 40 сторінок]
<документи> [договір, 80 сторінок] [листування, 40 сторінок] </документи> Спершу випиши дослівні цитати з пунктів про строки оплати і відповідальність за прострочення. Кожна цитата - з номером пункту. Постав їх у <цитати>. Потім, спираючись лише на ці цитати, дай висновок у <висновок>.
<цитати> п. 5.3: "Оплата здійснюється протягом 10 банківських днів з дати поставки." п. 9.1: "За прострочення оплати покупець сплачує пеню 0,1% за кожен день." </цитати> <висновок> Строк оплати - 10 банківських днів. Пеня 0,1% на день. Верхньої межі пені договір не містить. </висновок>
Цитати спершу - модель тримається за текст, а не за память. Перевірка займає секунди: кожна цитата має номер пункту.
OpenAI додає планування контексту: перевіряй, чи входить усе у вікно моделі, і став матеріал, що повторюється між запитами, на початок - так працює кешування.
Anthropic: кажи, що робити, а не чого не робити. Другий прийом: стиль промту впливає на стиль відповіді. Третій: для точного контролю дай докладну інструкцію про формат.
Не пиши списками.
Модель пише списки через раз. Заборона не каже, що робити замість.
Відповідь - три абзаци прози: факти, ризик, рекомендація. Без заголовків і списків.
І сам промт написаний прозою: промт зі списками дає відповідь зі списками.
У довгих розмовах формат дрейфує. Після пʼяти-шести повідомлень модель повертається до списків. OpenAI радить повторювати інструкцію формату кожні три-пʼять повідомлень. Для GPT-5 є окремий параметр багатослівності: він керує довжиною відповіді незалежно від довжини міркування.
Нагадую формат: три абзаци прози, без списків.
Частину задач не витягне жодне формулювання, бо їм бракує не слів, а можливостей. Розрахунок стає надійним, коли модель пише код або формули, а не передбачає цифри. Питання про свіже стає точним, коли увімкнений пошук. Робота з документами - коли файли передані, а не переказані.
Тому коли результат слабкий, спершу перевір не формулювання, а оснащення: чи має асистент доступ до того, з чим працює? Приріст від правильно підключеного інструмента зазвичай більший, ніж від будь-якої правки тексту запиту.
Суперечності. OpenAI прямо пише: GPT-5 виконує інструкції з високою точністю, тому суперечливі інструкції шкодять сильніше, ніж раніше. Модель витрачає міркування на спроби узгодити те, що узгодити не можна.
Будь максимально стислим. ... Поясни кожен пункт докладно.
Пункти без ризику - одним рядком. Пункти з ризиком - докладно, з цитатою.
Надмірні інструкції. Anthropic: сучасні моделі самі досліджують задачу ширше, ніж раніше. Інструкції на кшталт "якщо сумніваєшся - використай інструмент" тепер спричиняють надмірне використання. Заміни загальні правила на цільові.
Якщо сумніваєшся - шукай в інтернеті.
Сучасна модель сумнівається часто. Результат - пошук на кожне питання, повільно і дорого.
Шукай в інтернеті лише для рішень судів і для змін законодавства після 2025 року.
Вигадки через відсутній контекст. Anthropic для роботи з кодом дає правило: ніколи не роби тверджень про файл, який не відкрив. Для документів це переноситься дослівно.
Що каже пункт 12 нашого договору?
Модель складає правдоподібний пункт 12.
[договір у контексті] Процитуй пункт 12 дослівно. Якщо пункту 12 у документі нема - напиши, що його нема.
Друге речення дає моделі дозволений вихід "нема". Без нього найімовірніше продовження - вигаданий пункт.
Межа методу. Anthropic у вступі до гайду: промтинг має сенс лише за наявності критеріїв успіху і способу їх перевірити. Не кожну проблему розвʼязує промт: швидкість і ціну часто краще міняти вибором моделі. OpenAI: тримай набір тестових прикладів і проганяй промт через нього після кожної зміни і кожної нової версії моделі.
Разовий вдалий запит зникає разом з чатом. Робочий шлях - накопичення: вдале формулювання переїжджає в постійні інструкції, повторювана задача - у проєкт з файлами і шаблонами, регулярний процес - у збережений конвеєр, який запускається однією командою. OpenAI формулює те саме для розробників: зберігай робочі промти як код, з версіями.
Проєкт "Договори поставки": Ти юрист компанії-покупця. Документи українською. Аналіз договору - таблиця: пункт, ризик, правка. Спершу цитати, потім висновок. Пункти без ризику - одним рядком.
Тепер кожен запит у проєкті починається з цих правил, і в чаті досить написати "проаналізуй".
З кожним кроком запити стають коротшими: контекст уже вбудований, критерії вже записані. Досвідчений користувач пише "зроби апдейт по справі" - і отримує результат кращий, ніж новачок з ретельно виписаним запитом на пів сторінки. Різниця не в таланті формулювання, а в накопиченому сетапі.
Покращення промту моделлю. Обидва гайди радять використовувати модель для правки власного промту. OpenAI називає це метапромтингом; Anthropic радить те саме для прикладів - попроси модель оцінити їх або згенерувати додаткові.
Ось мій промт і два результати: один добрий, один поганий. Скажи, які фрази додати або прибрати, щоб добрий результат виходив стабільно.
І головна звичка: коригуй сетап, а не слова. Кожна помилка моделі - це питання "чого їй бракувало?" Відповідь іде в інструкції або файли проєкту - і помилка не повторюється. Так "метод тику" перетворюється на систему, яка щотижня працює трохи краще.