Промпт для генерации промпта складывается из роли, задачи, входных данных, формата ответа и критерия проверки — и всё это поручают модели вместо того, чтобы придумывать рабочий запрос с нуля каждый раз. Работает это по-разному: где-то мета-промпт снимает часть работы с сотрудника, а где-то начинает выдумывать лишние требования сверх исходной задачи. Проверка на собственных данных отличает рабочий мета-промпт от красивого, но бесполезного черновика.
Что такое мета-промпт
Промпт для генерации промпта — мета-промпт: сотрудник поручает модели самой написать рабочий запрос под свою задачу, готовый к повторному использованию.
Разница с обычным промптом простая: обычный промпт ставит саму задачу — написать письмо, разобрать таблицу, сжать текст, — а мета-промпт ставит задачу написать промпт для этой задачи, с готовой структурой под конкретную роль сотрудника. Базовые принципы формулировки запроса собраны в статье как писать промпты для ИИ — мета-промпт строится поверх той же логики, только на уровень выше.
Такой приём удобен там, где однотипная задача повторяется у разных сотрудников — письмо клиенту, разбор таблицы, оформление регламента, — и держать структуру запроса в голове каждого человека накладнее, чем один раз поручить модели собрать шаблон и переиспользовать его.
У мета-промпта есть встроенная проверка на здравый смысл — если модель заполняет одну из частей структуры общими фразами без конкретики, это сигнал, что сама исходная задача сформулирована слишком расплывчато, и её стоит уточнить у постановщика, прежде чем передавать запрос модели.
Мета-промпт особенно выручает при подключении нового сотрудника к работе с моделью — ему выдают готовую структуру, собранную один раз и проверенную на реальных примерах, и это быстрее, чем каждый раз объяснять заново, как формулировать запрос под конкретную задачу компании.
Структура запроса
| Часть мета-промпта | Что туда пишут | Пример |
|---|---|---|
| Роль | кто отвечает — редактор, аналитик, юрист | «ты аналитик, который разбирает выгрузку из CRM» |
| Задача | что сделать за один проход | «напиши промпт для разбора отзывов клиентов» |
| Входные данные | что модель получит на входе | «текст письма клиента, объёмом до одной страницы» |
| Формат ответа | структура итогового промпта | «пять пунктов: роль, задача, вход, формат, критерий» |
| Критерий проверки | как понять, что промпт готов | «ответ модели совпадает с эталоном на трёх примерах» |
| Просьба уточнить | явная просьба задать вопрос при нехватке данных | «если данных мало, задай уточняющий вопрос перед ответом» |
Шесть частей таблицы редко заполняют равномерно — для короткой рабочей задачи хватает роли, задачи и формата, а критерий проверки и просьбу уточнить добавляют, когда промпт уходит в постоянное использование командой.
Порядок частей в таблице выше выстроен по одной логике — от общего к конкретному: сначала роль и задача задают рамку, затем входные данные и формат уточняют детали, и только в конце добавляют критерий проверки и просьбу уточнить. Такой порядок проще держать в голове при сборке запроса с нуля.
На практике таблицу заполняют постепенно — черновая версия дорабатывается после первого реального использования, когда становится видно, какой части структуры нужна более точная и подробная формулировка под конкретную задачу компании.
Три примера на практике
- Письмо клиенту — мета-промпт задаёт роль «менеджер поддержки», формат «три абзаца», ограничение «сохранить факты из переписки», и просьбу уточнить тон, если исходное письмо клиента резкое
- Разбор таблицы — роль «аналитик», формат «три вывода и один риск», вход «выгрузка из CRM за период», критерий «цифры совпадают с исходником»
- Регламент — роль «методолог», формат «шаги по порядку действий», ограничение «термины компании без синонимов», просьба переспросить, если шаг непонятен без остального контекста документа
Три примера намеренно взяты из разных ролей — поддержка, аналитика, методология, — чтобы показать: структура мета-промпта одна и та же для любой задачи компании, меняется только содержание конкретных пунктов под конкретную роль сотрудника.
Все три примера объединяет один приём: мета-промпт задаёт форму будущего промпта — роль, формат, ограничение, — а содержание письма, таблицы или регламента остаётся за рамками этой структуры и приходит уже из реальной задачи сотрудника.
Проверка на своих данных
- Получить готовый промпт от модели по структуре из таблицы выше
- Прогнать этот промпт на трёх реальных примерах компании
- Сравнить каждый результат с эталонным ответом, который сотрудник написал бы сам
- При расхождении уточнить одну часть структуры — роль, формат или ограничение — вместо переписывания всего заново
- Сохранить рабочую версию только после того, как она прошла проверку на всех трёх примерах
Сравнение с эталоном на практике полезно делать вдвоём — постановщику исходной задачи и автору мета-промпта вместе: два взгляда на один и тот же результат вылавливают больше несостыковок, чем один.
Ошибка на этом этапе встречается одна и та же — команда проверяет промпт один раз на одном примере и сразу считает его готовым. Одного примера мало: он может случайно совпасть с эталоном, а на втором и третьем примере всплывут пропущенные детали структуры, которые стоило учесть сразу. Такая проверка занимает у сотрудника считаные минуты, а экономит часы на переделке готового текста позже.
Какую повторяющуюся задачу вашей команды стоит оформить мета-промптом?
Где это мешает
Мета-промпт вредит в двух случаях: модель добавляет в структуру требования сверх исходного запроса сотрудника, и итоговый промпт раздувается лишними пунктами ради вида полноты.
Условный пример: мета-промпт для письма клиенту вдруг добавляет пункт про извинение в каждом ответе, хотя изначальная задача обходилась без такого условия вовсе — лишний пункт находят как раз на этапе проверки на реальных примерах, тогда как при первом чтении красивая структура выглядит убедительно сама по себе.
Рабочие мета-промпты полезно хранить в общей таблице или документе компании — с датой, автором и задачей, для которой промпт собирали, — и обновлять запись при изменении самой задачи вместо новой похожей версии рядом. Обучение команды единому подходу к промптам разобрано на курсе обучение промптингу: один язык запросов на команду, а готовые шаблоны без сборки с нуля — в каталоге проверенных промптов для бизнеса.
Настроить библиотеку промптов и обучить команду формулировать задачи для модели, включая разбор готовых мета-промптов на реальных задачах компании и разбор типичных ошибок из практики внедрений, помогает курс на странице обучения сотрудников работе с ИИ.