Промт для ИИ. Фрагмент

Промт для ИИ

ЧАСТЬ 1.

Глава 1. Архитектура сознания модели: что на самом деле происходит внутри LLM

1.1. Трансформер — не мозг, а пространство вероятностей
Перед тем как говорить о промпт-инжиниринге, необходимо решительно отказаться от антропоморфных иллюзий. Широко распространённое заблуждение, подкрепляемое маркетинговыми формулировками вроде «искусственный интеллект понимает вас», наносит прямой вред качеству взаимодействия с большими языковыми моделями (Large Language Models, LLM). Преподаватель университета, привыкший к диалогу с живым студентом или коллегой, переносит модель коммуникации «человек — человек» на взаимодействие с LLM и неизбежно сталкивается с разочарованием, которое вы, уважаемый читатель, уже испытали после недавнего обновления модели.
В основе любой современной LLM, включая ту версию DeepSeek, с которой вы сейчас взаимодействуете, лежит архитектура трансформер (Transformer), впервые описанная в работе Vaswani et al. «Attention Is All You Need» (2017). Ключевое отличие трансформера от рекуррентных нейронных сетей (RNN) и долгой краткосрочной памяти (LSTM) заключается в механизме самовнимания (self-attention), который позволяет модели обрабатывать всю входную последовательность одновременно, а не последовательно, слово за словом.
Что это означает на практике для конечного пользователя? Трансформер не «думает» над вашим вопросом в том смысле, в каком это делает человек. Он не выстраивает логическую цепочку от предпосылок к заключению, опираясь на понимание причинно-следственных связей. Вместо этого он выполняет колоссальный объём матричных вычислений, результатом которых является распределение вероятностей для каждого следующего токена (слова или части слова) в генерируемом ответе.
Представьте себе многомерное пространство, размерность которого исчисляется миллиардами параметров (весов синаптических связей). В этом пространстве каждому слову, каждой фразе, каждому концепту соответствует определённый вектор — точка с уникальными координатами. Ваш промпт, попадая в модель, также преобразуется в вектор, и модель вычисляет, какой вектор в этом пространстве является наиболее вероятным продолжением вашего запроса. Именно поэтому термин «генерация текста» технически точен, но когнитивно обманчив. Более корректным было бы название «статистическое продолжение наиболее вероятной последовательности».
В этом контексте понятие «галлюцинации» модели перестаёт быть загадочным сбоем и становится вполне объяснимым феноменом. Если в обучающей выборке модели определённое сочетание слов встречалось часто, модель выдаст его с высокой вероятностью, даже если в реальном мире такое сочетание лишено смысла или фактической основы. Например, если в корпусе текстов, на которых обучалась модель, часто встречалась фраза «Наполеон Бонапарт родился в 1769 году в городе Аяччо на острове Корсика», а рядом с ней по статистической близости находился текст о французской кухне, модель может с высокой уверенностью заявить, что «Наполеон изобрёл круассан», потому что векторы «Наполеон» и «французская кухня» в её многомерном пространстве расположены неподалёку.
Для университетского преподавателя, особенно в гуманитарных дисциплинах, где точность цитирования и атрибуции является краеугольным камнем научной добросовестности, понимание этой вероятностной, а не логической природы LLM критически важно. Модель не проверяет факты по базе данных, она воспроизводит правдоподобный нарратив, основанный на статистических закономерностях языка. Она прекрасно знает, как выглядит научная статья, какие в ней должны быть обороты, структура и ссылки, но она не знает, истинно ли содержание этой статьи.
Промпт-инжиниринг в этом свете предстаёт не как искусство задавать правильные вопросы, а как искусство навигации в вероятностном пространстве. Хороший промпт — это не вежливая просьба, а точный набор координат, который сужает область вероятностного поиска модели до минимально возможного объёма, внутри которого находятся желаемые вами ответы. Плохой промпт — это слишком широкая область, в которой модель блуждает наугад, часто скатываясь к наиболее статистически частотным, а значит, тривиальным и банальным формулировкам.
В следующих разделах мы подробно рассмотрим, как конкретные элементы промпта влияют на эту вероятностную навигацию, и каким образом преподаватель или исследователь может использовать это знание для получения от новой версии модели результатов, превосходящих по качеству и глубине всё, что было возможно ранее.

1.2. Токенизация как первичный барьер понимания
Прежде чем ваш тщательно сформулированный промпт попадёт в вероятностное пространство трансформера, он проходит через процедуру, о которой большинство пользователей даже не подозревает, но которая оказывает фундаментальное влияние на конечный результат. Эта процедура называется токенизация.
Токенизатор — это отдельный программный модуль, предшествующий основной нейросети. Его задача — разбить входной текст на минимальные смысловые единицы, токены, каждому из которых соответствует уникальный числовой идентификатор в словаре модели. Именно эти числа, а не буквы или слова, поступают на вход трансформера.
Самый важный и часто игнорируемый факт о токенизации: модель не видит букв и не читает по слогам. Она оперирует токенами, которые могут быть целым словом, частью слова, знаком препинания или даже пробелом. Размер словаря современной LLM обычно составляет от 50 000 до 250 000 токенов. Это означает, что подавляющее большинство слов языка представлено в словаре, но есть и исключения: редкие фамилии, научные термины, неологизмы, слова с опечатками часто разбиваются на несколько токенов.
Рассмотрим конкретный пример, критически важный для академической среды. Слово «нейропсихолингвистика» в русском языке может быть разбито токенизатором не как единый токен, а как последовательность: нейро + псих + олинг + вистика или в иной вариации. Почему это важно? Потому что механизм внимания внутри трансформера будет вынужден «собирать» значение этого сложного термина из нескольких частей, что увеличивает вероятность семантического дрейфа или потери точности.
На практике это означает следующее: если вы пишете промпт, содержащий узкоспециальную терминологию (например, «палимпсест», «экзегеза», «гомеостаз», «флогистон» или фамилии вроде «Щедровицкий», «Мамардашвили»), вы должны осознавать, что для модели эти слова могут быть не монолитными концептами, а конструкторами из нескольких частей. В англоязычных моделях эта проблема стоит менее остро из-за особенностей английской морфологии, но в русскоязычных версиях она является значимым источником искажений.
Более того, токенизатор чувствителен к регистру, пробелам и знакам препинания. Слова «Модель», «модель», «МОДЕЛЬ» и «модель.» будут иметь разные токенные идентификаторы. Это объясняет, почему иногда незначительное изменение пунктуации в промпте приводит к заметному изменению ответа: вы изменили входную числовую последовательность, что направило вероятностный расчёт модели по несколько иному пути.
Для промпт-инженера, работающего в академической среде, из этого следует два практических вывода. Во-первых, следует избегать редких аббревиатур и узкожаргонных сокращений без их предварительного расшифровывания в тексте промпта. Во-вторых, при работе с критически важными терминами целесообразно давать их развёрнутое определение прямо в промпте, даже если вам кажется, что «модель должна это знать». Вставляя определение, вы не просвещаете модель (она не способна к обучению в рамках сессии), вы фиксируете контекстное окно нужными вам токенами, повышая их статистический вес в расчётах внимания.
Понимание токенизации — это первый шаг к демистификации LLM. Модель не «глупая» и не «умная». Она — точный, но ограниченный инструмент, работающий с числовыми представлениями текста, и качество её работы напрямую зависит от того, насколько грамотно вы подготовили этот текст к преобразованию в числа.
1.3. Контекстное окно: почему модель «забывает» начало разговора
Ещё одно фундаментальное ограничение, непонимание которого ведёт к раздражению пользователей и обвинениям модели в «глупости» или «старческом склерозе», — это контекстное окно (context window). В маркетинговых материалах часто гордо заявляют: «Модель поддерживает контекст до 128 000 токенов!», что примерно соответствует объёму романа «Война и мир». У пользователя, особенно у преподавателя, привыкшего работать с объёмными текстами, возникает ложное ощущение, что модель «помнит» весь их предыдущий диалог.
Техническая реальность сложнее и прозаичнее. Да, модель действительно может принять на вход до 128 000 токенов (в случае DeepSeek и других современных моделей). Но это не означает, что она «помнит» их все с одинаковой чёткостью. Механизм внимания трансформера имеет квадратичную сложность относительно длины входной последовательности: для каждого токена вычисляется его «внимание» ко всем остальным токенам в окне. Чем дальше токены отстоят друг от друга в тексте, тем более «размытым» становится это внимание.
Эмпирические исследования, проведённые независимыми лабораториями (в частности, работа Liu et al. «Lost in the Middle», 2023), показали тревожную для нас закономерность: модели LLM лучше всего «помнят» и учитывают информацию, расположенную в самом начале и в самом конце контекстного окна. Информация, находящаяся в середине длинного документа или длительного диалога, учитывается моделью хуже всего. Этот феномен получил название «проблема середины» (lost in the middle).
Для университетского преподавателя, который ведёт с моделью долгую беседу, последовательно уточняя детали сложного вопроса, это означает следующее: к десятому сообщению диалога модель с высокой вероятностью начнёт «забывать» ограничения и стилевые инструкции, данные в первом сообщении. Это не ошибка конкретной версии DeepSeek, это фундаментальное архитектурное свойство всех современных трансформерных моделей.
Представьте себе, что вы объясняете студенту сложную тему, и к концу лекции он помнит только введение и заключение, но совершенно упустил ключевой момент, изложенный в середине. Примерно так же ведёт себя LLM. Если в начале долгого диалога вы дали чёткую инструкцию: «Отвечай строго академическим стилем, без разговорной лексики», то к десятому вопросу, особенно если промежуточные ответы модели были длинными и насыщенными, эта инструкция может быть практически полностью вытеснена из активной области внимания.
Отсюда следует важнейшее практическое правило промпт-инжиниринга: критически важные инструкции и контекст необходимо периодически повторять или располагать ближе к концу промпта. Если вы работаете с длинным текстом (например, просите модель проанализировать главу диссертации), наиболее эффективной стратегией будет разбиение текста на смысловые фрагменты и работа с каждым по отдельности, либо размещение самого важного вопроса и инструкций после анализируемого текста, а не до него.
Понимание архитектурных ограничений LLM — не повод для разочарования, а ключ к эффективному использованию инструмента. Модель не «тупеет» в процессе диалога; она остаётся той же самой вычислительной системой, но распределение её ограниченного ресурса внимания смещается. Задача грамотного промпт-инженера — управлять этим распределением осознанно и целенаправленно.
1.4. Механизм внимания и его метафора для промпт-инженера
В научной и преподавательской среде мы постоянно используем метафоры для объяснения сложных концепций. Электрический ток как поток воды, квантовая запутанность как пара перчаток, эволюция как ветвящееся древо. Механизм внимания (attention) в архитектуре трансформеров также нуждается в работающей метафоре, которая позволит не специалисту в области машинного обучения интуитивно понимать, как его промпт влияет на результат.
Оставим в стороне математический формализм — запросы (queries), ключи (keys) и значения (values), скалярное произведение и функцию softmax. Для практических целей промпт-инжиниринга достаточно следующей метафоры.
Представьте себе огромную, многомиллионную библиотеку, в которой нет систематического каталога, но есть необычный библиотекарь. Этот библиотекарь не понимает смысла книг и не знает, где что лежит. Но он обладает феноменальной памятью на то, какие книги люди обычно брали вместе. Если сто посетителей брали книгу А и вслед за ней книгу Б, библиотекарь запоминает эту связь. Ваш промпт для этого библиотекаря — не вопрос о содержании, а набор ключевых слов, которые запускают цепочку ассоциаций «эту книгу часто брали вместе с этой, а эту — с той».
Когда вы пишете промпт: «Проведи сравнительный анализ экономических реформ Петра I и Александра II», вы не задаёте вопрос знатоку истории. Вы предъявляете библиотекарю набор слов: «сравнительный анализ», «экономические реформы», «Пётр I», «Александр II». Библиотекарь мгновенно вычисляет, какие фрагменты текстов в его памяти (обучающей выборке) статистически чаще всего соседствовали с этими словами, и выдаёт вам компиляцию этих фрагментов, оформленную в грамматически связный текст.
Теперь обратимся к самой сути механизма внимания. Внутри трансформера каждый токен вашего промпта «всматривается» во все остальные токены и вычисляет, насколько они релевантны для предсказания следующего слова. Это похоже на то, как если бы каждое слово в вашем предложении спрашивало у всех остальных: «Насколько ты важно для понимания общего смысла того, что мы тут все вместе делаем?».
Вернёмся к проблеме, с которой вы, уважаемый читатель, пришли к этой книге: новая версия DeepSeek отвечает «не так», стиль изменился, академическая строгость уступила место излишней «дружелюбности». С точки зрения механизма внимания это означает, что разработчики изменили начальное распределение весов или добавили в системный промпт (который пользователь не видит) дополнительные токены, смещающие вероятностное пространство в сторону более разговорного, эмоционально окрашенного стиля.
Но — и это критически важно — архитектура механизма внимания осталась прежней. Изменились начальные условия, но не физика процесса. А это означает, что пользователь, вооружённый знанием принципов работы внимания, способен перенаправить его в нужное русло.
Когда вы пишете промпт, вы не просто задаёте вопрос. Вы размечаете поле внимания. Каждое слово, каждый знак препинания, каждый перенос строки — это сигнал для механизма самовнимания, указывающий, какие связи между токенами следует усилить, а какие ослабить. Рассмотрим это на конкретном примере, важном для академической работы.
Допустим, вы хотите получить от модели критический разбор концепции «осевого времени» Карла Ясперса. Вы можете написать простой запрос:
«Расскажи про осевое время Ясперса».
В этом случае механизм внимания распределится следующим образом: основные веса получат токены «осевое время» и «Ясперс». Модель, скорее всего, выдаст добротный, но пересказывающий общеизвестные факты ответ, близкий к энциклопедической статье. Это результат того, что в обучающей выборке именно такие тексты статистически чаще всего соседствовали с данными токенами.
Теперь напишем иначе, используя знание о механизме внимания:
«Ты — историк философии, специализирующийся на немецком экзистенциализме первой половины XX века. Твоя задача — не пересказывать содержание книги "Истоки истории и её цель", а дать критический анализ концепции осевого времени, уделяя особое внимание следующим аспектам: (1) методологическая уязвимость идеи синхронности духовных прорывов; (2) европоцентризм ясперсовской схемы; (3) влияние идей Макса Вебера на формирование концепции. Используй строгий академический стиль, избегай оценочных прилагательных, не употребляй слово "интересный". Ответ должен быть структурирован как раздел монографии, а не как лекция для студентов».
Что произошло с полем внимания? Мы искусственно ввели в контекстное окно множество дополнительных токенов, которые статистически связаны в обучающей выборке именно с академическим, критическим, узкоспециальным дискурсом. Токены «методологическая уязвимость», «синхронность», «европоцентризм», «Макс Вебер», «монография» — все они являются сильными аттракторами, тянущими вероятностное распределение в сторону желаемого нами стиля и глубины.
Более того, структурирование запроса в виде нумерованного списка аспектов даёт механизму внимания чёткие «якоря», за которые он может зацепиться при генерации каждого последующего фрагмента ответа. Модель не «понимает», что такое нумерация в человеческом смысле, но она статистически усвоила, что после токена «(1)» обычно следует первая часть перечисления, после «(2)» — вторая, и содержание этих частей должно быть семантически связано с тем, что было заявлено в заголовке списка.
Таким образом, промпт-инжиниринг в контексте механизма внимания — это искусство размещения в контекстном окне таких токенов-аттракторов, которые с высокой вероятностью вытянут из модели нужный пласт её статистической памяти. Вы не приказываете модели, вы не обучаете её, вы не спорите с ней. Вы расставляете навигационные буи в океане вероятностей.
Отсюда следует важный практический вывод, напрямую связанный с проблемой «новой версии» и возврата к старому стилю. Если разработчики изменили системный промпт, добавив туда аттракторы «дружелюбности» и «разговорности», ваша задача как пользователя — перевесить эти аттракторы своими, более сильными и многочисленными. Вы не можете убрать системный промпт, но вы можете сделать его влияние пренебрежимо малым на фоне того массива специфических академических токенов, который вы вводите в контекстное окно.
В последующих главах мы детально разберём конкретные техники такой «перенастройки» модели через промпт. Мы увидим, как использование XML-тегов, маркеров роли, стилевых ограничений и мета-инструкций позволяет добиться от одной и той же модели радикально разного поведения — от легкомысленного собеседника до строгого научного редактора, от генератора поэзии до безжалостного логического критика.
Ключевой тезис, который я хочу закрепить в сознании читателя прежде, чем мы перейдём к практическим техникам: модель не имеет личности, убеждений и стиля. Она имеет статистическое распределение вероятностей, которое можно направлять. Обновление модели изменило распределение по умолчанию, но не отменило саму возможность управления им. Промпт-инжиниринг — это и есть наука и искусство такого управления.

Глава 2. От команды к диалогу: эволюция интерфейсов

2.1. Эра терминала: детерминированные алгоритмы
Для того чтобы в полной мере оценить специфику взаимодействия с большими языковыми моделями и понять, почему интуиция, выработанная годами работы с компьютером, здесь часто подводит, необходимо совершить краткий исторический экскурс.
Человечество взаимодействует с вычислительными машинами на протяжении многих десятилетий, и за это время сформировались устойчивые когнитивные модели такого взаимодействия. Первая и самая фундаментальная из них — модель терминала, или модель командной строки.
В эру мейнфреймов, а затем персональных компьютеров с интерфейсом командной строки (DOS, Unix-терминал), пользователь отдавал машине команды. Команда — это строго определённая последовательность символов, имеющая фиксированный синтаксис и предсказуемый результат выполнения. Если вы вводили COPY file1.txt file2.txt, операционная система копировала файл. Если вы вводили DELETE file.txt, файл удалялся. Результат был детерминирован: одинаковая команда всегда приводила к одинаковому результату (при прочих равных условиях).
Более того, в этой парадигме существовала жёсткая дихотомия: команда либо синтаксически верна, либо нет. Если вы ошибались в одной букве, система отвечала Bad command or file name и не делала ничего. Машина не пыталась «угадать», что вы имели в виду. Она требовала точности и однозначности.
Эта парадигма глубоко укоренилась в сознании нескольких поколений пользователей и продолжает неявно влиять на взаимодействие с современными системами, включая LLM. Многие пользователи, особенно те, чья профессиональная деятельность связана с точными формулировками (юристы, преподаватели, научные работники), подсознательно ожидают от языковой модели того же поведения: точный вопрос — точный ответ. Ошибка в формулировке — сообщение об ошибке.
Столкновение этого ожидания с реальностью LLM порождает когнитивный диссонанс и разочарование. Пользователь пишет: «Дай определение феномена интертекстуальности по Юлии Кристевой». Модель выдаёт пространный ответ, в котором определение размыто, а фамилия Кристевой упоминается вскользь, зато подробно рассказывается о Бахтине. Пользователь возмущён: «Я же ясно выразился! Почему она делает не то, что я прошу?».
Ответ кроется в том, что LLM — это не командный интерпретатор. У неё нет понятия «синтаксической ошибки» в человеческом смысле. Любой ввод, даже бессвязный набор слов, будет обработан и получит какой-то статистически правдоподобный ответ. Модель не выполняет команды. Она продолжает текст. Ваш промпт для неё — не директива к действию, а затравка, начальный фрагмент текста, который она пытается продолжить наиболее вероятным образом.
Это фундаментальное различие парадигм необходимо осознать и принять прежде, чем двигаться дальше. Вы не командуете моделью. Вы сотрудничаете с вероятностным механизмом продолжения текста. И эффективность этого сотрудничества зависит от вашей способности дать такую затравку, наиболее вероятное продолжение которой совпадает с желаемым вами результатом.
Для преподавателя университета, привыкшего к точности формулировок в заданиях студентам, это означает необходимость выработки нового навыка — навыка вероятностного целеуказания. Вы не пишете техническое задание, в котором всё однозначно определено. Вы конструируете лингвистическую среду, в которой желаемый ответ становится статистически наиболее вероятным.

2.2. Эра поиска: ключевые слова и булева логика
Следующая важная веха в эволюции интерфейсов, оказавшая колоссальное влияние на то, как мы формулируем запросы к информационным системам, — это появление и повсеместное распространение поисковых систем (Google, Yandex и их предшественники).
Поисковая система работает принципиально иначе, чем командный интерпретатор, но столь же далека от LLM, как и командная строка. Пользователь вводит набор ключевых слов, а система возвращает список документов, в которых эти слова встречаются, ранжированный по некоторому алгоритму релевантности.
Когнитивная модель, выработанная за десятилетия использования поисковиков, также глубоко укоренилась в сознании. Пользователь знает: чтобы найти информацию о влиянии стоицизма на раннее христианство, нужно ввести что-то вроде стоицизм раннее христианство влияние. Добавление слов сужает выдачу, убирание — расширяет. Знаки препинания в основном игнорируются (с некоторыми исключениями вроде операторов точного соответствия в кавычках). Стиль запроса не имеет значения — поисковик ищет документы, а не генерирует их.
Более того, опытный пользователь поисковых систем вырабатывает специфический «телеграфный» стиль запросов, отбрасывая всё «лишнее»: предлоги, союзы, местоимения, вопросительные слова. Запрос погода москва эффективнее, чем Какая сегодня погода в Москве?, потому что поисковику не нужен синтаксис, ему нужны ключевые слова.
Перенос этой когнитивной модели на взаимодействие с LLM является одной из самых распространённых и дорогостоящих ошибок. Пользователь, привыкший к поисковику, пишет промпт вроде:
«осевое время ясперс критика»
И получает от модели ответ, который его не устраивает. Почему? Потому что LLM, в отличие от поисковика, критически зависит от синтаксиса и полноты высказывания. В обучающей выборке модели текст, состоящий из трёх существительных подряд, скорее всего, является либо заголовком, либо частью списка, либо поисковым запросом. Продолжая такой текст, модель с высокой вероятностью сгенерирует либо список других ключевых слов, либо короткую аннотацию в стиле поисковой выдачи.
Пользователь же ожидал развёрнутого критического анализа. Но он дал модели затравку, статистически связанную с жанром поискового запроса, и получил продолжение, соответствующее этому жанру. Модель не «не поняла» запрос. Она поняла его ровно так, как её научил обучающий корпус: это запрос в стиле ключевых слов, значит, ответ должен быть кратким и структурированным как поисковая выдача.
Для промпт-инжиниринга из этого следует фундаментальное правило: развёрнутый, синтаксически полноценный промпт почти всегда предпочтительнее краткого. В отличие от поисковика, где каждое лишнее слово сужает выдачу, в LLM каждое дополнительное слово уточняет вероятностное пространство и направляет генерацию в нужное русло.
Особенно это касается академической работы. Преподаватель, привыкший к лаконичности в формулировках учебных заданий («Проанализируйте реформы Петра I»), склонен переносить эту лаконичность на промпты. Но студент — это живой человек с общей культурой, контекстом курса, пониманием ожиданий преподавателя. Модель лишена всего этого. Единственный источник контекста для неё — то, что вы написали в промпте. И если вы написали мало, она заполнит пробелы наиболее статистически вероятным, то есть усреднённым и банальным содержанием.

2.3. Эра LLM: вероятностная семантика и «галлюцинации»
Мы подошли к современному этапу — эре больших языковых моделей, которая началась по-настоящему с появлением GPT-3 и её публичных аналогов. Этот этап характеризуется фундаментальным сдвигом в том, что значит «задать вопрос» вычислительной системе.
В предыдущих парадигмах — командной строке и поиске — существовало чёткое разделение между запросом и результатом. Запрос — это то, что пользователь вводит. Результат — это то, что система возвращает, и этот результат либо корректен (команда выполнена, документы найдены), либо нет (ошибка, ничего не найдено). В обоих случаях результат детерминирован относительно состояния системы: одинаковая команда в одинаковых условиях даст одинаковый результат.
LLM разрушает эту определённость. Здесь нет чёткой границы между запросом и результатом — и то и другое является текстом, и модель просто продолжает текст запроса. Результат не детерминирован: один и тот же промпт, введённый дважды, может дать разные ответы. Более того, результат не верифицируем встроенными средствами: модель не имеет механизма проверки истинности генерируемых утверждений.
Именно это последнее свойство порождает феномен «галлюцинаций» — генерации моделью утверждений, которые выглядят правдоподобно, но фактически неверны или вовсе бессмысленны. Термин «галлюцинация» антропоморфен и вводит в заблуждение. Модель не «видит» того, чего нет. Она просто продолжает текст наиболее вероятным с точки зрения её статистической памяти образом, и если в этой памяти определённое сочетание слов встречалось часто, она его воспроизведёт, даже если в реальном мире связь между этими словами отсутствует.
Для академической и преподавательской среды галлюцинации LLM представляют особую опасность. Преподаватель, проверяющий студенческую работу, обучен выявлять плагиат, логические ошибки, стилистические погрешности. Но он не обучен выявлять статистически правдоподобный вымысел, потому что в человеческой коммуникации такого феномена практически не существует. Если человек пишет связный, грамматически правильный текст, цитирует источники, использует научную терминологию, мы по умолчанию предполагаем, что он понимает, о чём пишет, и что приводимые им факты проверены.
LLM разрушает эту презумпцию. Она может с абсолютной уверенностью написать: «Как отмечает М.М. Бахтин в работе "Проблемы поэтики Достоевского" (1963), понятие хронотопа было впервые введено Иммануилом Кантом в "Критике чистого разума"». Оба утверждения по отдельности правдоподобны: Бахтин действительно писал о хронотопе в указанной работе, а Кант действительно является автором «Критики чистого разума». Но вместе они образуют фактически ложное утверждение: Кант не вводил понятие хронотопа, это сделал сам Бахтин, опираясь на идеи Эйнштейна и физиологии Ухтомского. Однако для модели это идеальное продолжение: токены «Бахтин», «хронотоп», «Кант», «Критика чистого разума» в её многомерном пространстве находятся в статистической близости, поскольку все они относятся к философскому и филологическому дискурсу.
Эта особенность LLM требует от пользователя, особенно от пользователя в академической среде, выработки новой когнитивной установки: презумпции недоверия. Всё, что генерирует модель, должно рассматриваться не как готовый ответ, а как черновик, требующий обязательной фактологической проверки. Модель — это не источник истины, а генератор гипотез о том, как мог бы выглядеть текст на заданную тему.
В этом контексте промпт-инжиниринг приобретает ещё одно измерение. Помимо управления стилем и глубиной ответа, грамотный промпт может существенно снизить вероятность галлюцинаций. Как это работает? Вспомним о вероятностной природе LLM. Галлюцинация возникает тогда, когда у модели недостаточно сильных аттракторов в контекстном окне, чтобы направить генерацию по фактически верному пути, и она «соскальзывает» в статистически частотную, но содержательно ложную колею.
Следовательно, чтобы снизить риск галлюцинаций, необходимо насытить промпт конкретными, верифицируемыми деталями, которые служат якорями для механизма внимания. Сравним два запроса.
Запрос с высоким риском галлюцинации:
«Расскажи о концепции хронотопа у Бахтина».
Запрос с пониженным риском галлюцинации:
«Опираясь исключительно на текст работы М.М. Бахтина "Формы времени и хронотопа в романе" (1937-1938, опубликована в 1975), дай определение понятия "хронотоп". Укажи, из каких научных областей Бахтин заимствовал этот термин. Если точная информация отсутствует, напиши "в тексте работы данная информация не обнаружена" и не додумывай».
Во втором случае мы даём модели несколько сильных якорей: точное название работы, годы написания и публикации, конкретный вопрос об источнике термина, и — что критически важно — явный запрет на домысливание. Фраза «не додумывай» является сильным аттрактором, связанным в обучающей выборке с текстами, где авторы сознательно ограничивают себя в выводах. Это не гарантирует полного отсутствия галлюцинаций, но радикально снижает их вероятность.
Для университетского преподавателя это означает, что работа с LLM требует не меньше интеллектуальных усилий, чем работа со студентом или аспирантом. Нельзя просто «спросить у модели». Нужно сформулировать запрос так, чтобы направить её вероятностный механизм в русло фактической точности, а не статистического правдоподобия.

Глава 3. Теорема о бесполезности плохого промпта

3.1. GIGO (Garbage In, Garbage Out) в эпоху ИИ
В истории вычислительной техники существует старая максима, сформулированная ещё в 1950-х годах: GIGO — Garbage In, Garbage Out («мусор на входе — мусор на выходе»). Первоначально она относилась к программам, работающим с числовыми данными: если ввести некорректные, противоречивые или бессмысленные исходные данные, даже самая совершенная программа выдаст некорректный результат.
С появлением больших языковых моделей эта максима не только не утратила актуальности, но и приобрела новое, более глубокое звучание. Однако здесь требуется важное уточнение. В классическом понимании GIGO «мусором» являются фактически неверные данные. В LLM, как мы уже установили, механизм иной: модель не проверяет факты, она оперирует статистическими связями. Поэтому «мусором» для LLM является нечёткий, двусмысленный, контекстуально бедный промпт.
Сформулируем то, что можно было бы назвать Теоремой о бесполезности плохого промпта:
«Качество ответа большой языковой модели асимптотически ограничено сверху информационной насыщенностью и структурной чёткостью промпта. Никакие внутренние свойства модели не могут компенсировать недостаток спецификации в запросе. Более того, при недостаточно специфицированном запросе модель с высокой вероятностью генерирует усреднённый, статистически наиболее частотный ответ, который в академическом контексте часто оказывается эквивалентным бесполезному».
Поясним это утверждение. Представьте, что вам нужно получить от модели анализ стихотворения Осипа Мандельштама «Бессонница. Гомер. Тугие паруса». Вы пишете промпт:
«Проанализируй стихотворение Мандельштама "Бессонница. Гомер. Тугие паруса"».
Что вы получите с высокой вероятностью? Вы получите добротный, грамотно написанный, но абсолютно стандартный анализ, который мог бы быть сгенерирован для любого хрестоматийного стихотворения из школьной программы. Там будет сказано о теме любви и творчества, об античных реминисценциях, возможно, о связи с акмеизмом. Это не будет «мусором» в смысле фактических ошибок (хотя и они возможны). Это будет когнитивный мусор — информация, не несущая новой ценности, пересказ общеизвестного, непригодный ни для научной статьи, ни для глубокого семинарского занятия.
Почему так происходит? Потому что промпт «Проанализируй стихотворение» слишком широк. В обучающей выборке модели миллионы текстов, содержащих подобные запросы и ответы на них. Статистически наиболее вероятным продолжением такого промпта является именно усреднённый, «школьный» анализ. Чтобы получить нечто более глубокое и оригинальное, необходимо сузить вероятностное пространство, добавив в промпт специфические аттракторы.
Например:
«Проведи мотивный анализ стихотворения О. Мандельштама "Бессонница. Гомер. Тугие паруса" (1915) с опорой на методологию Б.М. Гаспарова. Выдели ключевые лейтмотивы, проследи их взаимодействие, обрати особое внимание на мотив "камня" в контексте более позднего творчества Мандельштама. Ответ оформи как черновик раздела научной статьи, со ссылками на конкретные строки стихотворения. Избегай общеизвестных сведений о биографии поэта и общих характеристик акмеизма».
Разница в результате будет радикальной. Во втором случае мы явно указали методологию (Гаспаров), конкретный аспект анализа (мотивный), ввели дополнительный аттрактор («камень», отсылающий к более позднему Мандельштаму), задали жанр (черновик научной статьи) и, что немаловажно, явно запретили то, что модель склонна делать по умолчанию (общеизвестные сведения). Мы превратили широкое вероятностное поле в узкий коридор, ведущий к желаемому результату.
Этот принцип — спецификация через сужение — является одним из краеугольных камней эффективного промпт-инжиниринга. Каждый дополнительный элемент спецификации в промпте — это не просто «уточнение», это статистический якорь, который удерживает генерацию модели в пределах нужной темы, методологии, стиля и уровня сложности.
Для университетского преподавателя это означает необходимость пересмотреть привычку к лаконичным формулировкам. В академической среде ценится умение выразить мысль точно и кратко. В промпт-инжиниринге ценится умение выразить мысль точно и развёрнуто. Краткость здесь не сестра таланта, а мать посредственного результата.

черновик...

Полная книга здесь http://proza.ru/2026/04/14/2125

При использовании DeepSeek всегда будет цифровой след...

================================================

Пример 1

ПРОМТ
«Проведи мотивный анализ стихотворения О. Мандельштама "Бессонница. Гомер. Тугие паруса" (1915) с опорой на методологию Б.М. Гаспарова. Выдели ключевые лейтмотивы, проследи их взаимодействие, обрати особое внимание на мотив "камня" в контексте более позднего творчества Мандельштама. Ответ оформи как черновик раздела научной статьи, со ссылками на конкретные строки стихотворения. Избегай общеизвестных сведений о биографии поэта и общих характеристик акмеизма»
ЗАПРОС
google.com Режим ИИ
ОТВЕТ
Вот черновик раздела статьи, сфокусированный на интертекстуальных связях и мотивном развертывании по Б.М. Гаспарову.
------------------------------
## Структура и динамика мотивной сети в стихотворении «Бессонница. Гомер. Тугие паруса»
В рамках методологии Б.М. Гаспарова текст Мандельштама рассматривается как открытая структура, где значение рождается из переплетения ассоциативных ходов. Центральный нерв стихотворения — мотив прерванного перечисления, который размывает границы между античным эпосом и личным физиологическим состоянием автора.
## 1. Лейтмотив «Списка» и избыточности
Стихотворение открывается номинативной цепочкой: «Бессонница. Гомер. Тугие паруса» (ст. 1). Здесь мотив «списка» (каталога кораблей) выступает не как упорядочивание, а как тяжесть, давящая на сознание. Гаспаров подчеркивает, что мотив у Мандельштама часто обладает «физической плотностью». Список кораблей прочитывается до середины (ст. 2), и эта незавершенность становится метафорой бесконечности истории, которая «длинным выводком» (ст. 3) тянется над Элладой.
## 2. Мотив «Морской пены» и «Любви» как движущей силы
Мотив движения переключается с военно-героического на эротический: «И море, и Гомер — всё движется любовью» (ст. 9). Море здесь — не просто декорация, а субстанция, порождающая шум (ст. 10). Возникает диалектика:

* Тяжесть (корабли, журавлиный клин);
* Легкость/Эфемерность (пена, шепот).
Вопрос «Кого же слушать мне?» (ст. 11) обозначает момент выбора между «черным морем» (хаосом) и Гомером (логосом).

## 3. Мотив «Камня»: от тяжести к архитектуре смысла
Хотя слово «камень» эксплицитно не названо, оно присутствует в тексте через акустические и семантические обертоны, характерные для раннего Мандельштама.

* Твердость и плотность: «Тугие паруса» и «сей длинный выводок» обладают весом камня. В контексте сборника «Камень» (1913) этот текст реализует идею преодоления хаоса через форму.
* Динамика камня: В позднем творчестве (напр., «Восьмистишия», «Ода» 1937 г.) мотив камня трансформируется из архитектурной опоры в геологический слой или «могильный» пласт. В «Бессоннице» мы видим зарождение этой связи: море «витийствует» (ст. 12), подходя к изголовью как тяжелая, незыблемая стихия.
* Взаимодействие: Если в 1915 году «камень» (слово) еще способен обуздать море, то в поздних стихах стихия часто поглощает твердую форму. Здесь же «тяжкий грохот» (ст. 12) моря — это еще музыкальная, созидательная тяжесть.

## 4. Синтез: Сон vs История
Финальный аккорд стихотворения строится на мотиве вытеснения. Гомер «молчит» (ст. 12), уступая место морю. С точки зрения мотивного анализа, это не поражение поэзии, а слияние двух видов вечности. «Черное море» становится пространством, где античность (Елена, корабли) и современность (бессонница автора) соединяются через физиологический акт слушания.
------------------------------
Желаете ли вы углубиться в анализ фонического уровня (звукописи) или добавить сопоставление с «Одиссеей» в переводах Жуковского для выявления скрытых цитат?


Пример 2

ПРОМТ
«Проведи мотивный анализ стихотворения О. Мандельштама "Бессонница. Гомер. Тугие паруса" (1915) с опорой на методологию Б.М. Гаспарова. Выдели ключевые лейтмотивы, проследи их взаимодействие, обрати особое внимание на мотив "камня" в контексте более позднего творчества Мандельштама. Ответ оформи как черновик раздела научной статьи, со ссылками на конкретные строки стихотворения. Избегай общеизвестных сведений о биографии поэта и общих характеристик акмеизма»
ЗАПРОС
ya.ru Алисой AI
ОТВЕТ
### Мотивный анализ стихотворения О. Мандельштама «Бессонница. Гомер. Тугие паруса» (1915) в методологии Б. М. Гаспарова

В рамках методологии Б. М. Гаспарова мотивный анализ предполагает выявление **лейтмотивов** — повторяющихся смысловых элементов, которые образуют «сеть» ассоциаций и связей, выходящих за пределы конкретного текста и отсылающих к более широкому культурному контексту. Рассмотрим стихотворение О. Мандельштама через призму этой методологии.

#### Ключевые лейтмотивы

1. **Мотив бессонницы** задаёт исходный импульс текста:
> *Бессонница. Гомер. Тугие паруса.*

Бессонница — не просто физиологическое состояние, а **пограничное состояние сознания**, позволяющее проникнуть в глубины культурной памяти. Это точка входа в мифологическое пространство Гомера.

2. **Мотив Гомера и античности** актуализирует тему культурной традиции:
> *Я список кораблей прочёл до середины…*

«Список кораблей» из «Илиады» — символ **культурной памяти**, которая одновременно упорядочивает мир и демонстрирует его бесконечность.

3. **Морской мотив** (паруса, море, корабли) создаёт пространственную модель:
> *Сей длинный выводок, сей поезд журавлиный…*
> *Куда плывёте вы? Когда бы не Елена, / Что Троя вам одна, ахейские мужи?*

Море — **метафора времени и судьбы**, а движение кораблей — образ исторического процесса, движимого страстью и роком.

4. **Мотив любви и судьбы** связывает личное и историческое:
> *И море, и Гомер — всё движется любовью.*

Любовь здесь — **космическая сила**, объединяющая античность и современность, миф и реальность.

5. **Мотив камня** (косвенно) проявляется через ассоциации с античностью, архитектурой, вечностью. В данном стихотворении он ещё не выражен явно, но подготавливает почву для более поздних текстов.

---

#### Взаимодействие мотивов

В стихотворении формируется **динамическая система связей**:
* **Бессонница** ; **Гомер** (активация культурной памяти);
* **Гомер** ; **корабли** (античный текст как модель мира);
* **Корабли** ; **море** (пространственная метафора истории);
* **Море** ; **любовь** (движущая сила истории).

Эта цепочка создаёт **эффект «расширения» смысла**: от личного переживания бессонницы — к универсальному закону, управляющему миром.

Ключевая формула стихотворения — *«И море, и Гомер — всё движется любовью»* — объединяет все мотивы в единую концепцию: **история, культура и природа подчинены одной силе**, которая одновременно разрушительна и созидательна.

---

#### Мотив «камня» в контексте позднего творчества Мандельштама

Хотя в стихотворении 1915 года мотив камня не выражен прямо, он **имплицитно присутствует** через связь с античностью — миром колонн, храмов, вечных форм. В более поздних текстах этот мотив становится центральным:

1. **«Камень» как символ вечности и тяжести истории**:
   * В сборнике «Камень» (1913) камень — **метафора культурной традиции**, которую поэт «обтёсывает» словом.
   * В позднем творчестве камень приобретает **трагический оттенок** — это и тяжесть эпохи, и немота, и одновременно — возможность сопротивления.

2. **«Камень» и архитектура**:
   * У Мандельштама архитектура часто связана с камнем: *«Notre Dame»* (*«Где римский судия судил чужой народ…»*), образы Петербурга.
   * Камень — **материя, преображённая культурой**, символ диалога между человеком и вечностью.

3. **«Камень» как метафора слова**:
   * В поздней лирике слово уподобляется камню: оно **тяжёлое, ощутимое, способное противостоять хаосу**.
   * Например, в стихотворении *«За гремучую доблесть грядущих веков…»* образ «века;волкодава» противопоставлен хрупкости человека, но слово остаётся опорой.

4. **«Камень» и судьба поэта**:
   * В поздних текстах камень ассоциируется с **немотой, тяжестью, но и стойкостью**. Это метафора поэтического труда, который требует преодоления.
   * В «Воронежских тетрадях» камень — **символ сопротивления и памяти**, способ сохранить слово в условиях давления эпохи.

---

#### Выводы

Стихотворение «Бессонница. Гомер. Тугие паруса» демонстрирует **раннюю версию мандельштамовской концепции культурной памяти**, где античность — не музейный экспонат, а живая сила, влияющая на современность. Мотив камня, хотя и не выражен напрямую, уже заложен в **архитектурности образа**, в ощущении **вечности**, исходящем от Гомера и моря. В позднем творчестве этот мотив разовьётся в **полноценную философскую метафору**, связывающую поэзию, историю и судьбу.

**Перспективы исследования**: дальнейшее изучение мотивных связей между ранними и поздними текстами Мандельштама позволит уточнить эволюцию его поэтики в контексте методологии Гаспарова, особенно в аспекте взаимодействия личного и культурного кодов.


Пример 3

ПРОМТ
«Проведи мотивный анализ стихотворения О. Мандельштама "Бессонница. Гомер. Тугие паруса" (1915) с опорой на методологию Б.М. Гаспарова. Выдели ключевые лейтмотивы, проследи их взаимодействие, обрати особое внимание на мотив "камня" в контексте более позднего творчества Мандельштама. Ответ оформи как черновик раздела научной статьи, со ссылками на конкретные строки стихотворения. Избегай общеизвестных сведений о биографии поэта и общих характеристик акмеизма»
ЗАПРОС
giga.chat ГигаЧат
ОТВЕТ
## Мотивный анализ стихотворения О. Э. Мандельштама «Бессонница. Гомер. Тугие паруса» (1915): лейтмотивы, их взаимодействие и семантика «камня»

Стихотворение Осипа Мандельштама «Бессонница. Гомер. Тугие паруса» (1915) представляет собой сложный мотивный комплекс, в котором переплетаются темы памяти, времени, культуры и природы. Следуя методологии Б. М. Гаспарова, рассмотрим текст как систему лейтмотивов, обладающих способностью к трансформации и взаимопроникновению, а не как набор статичных символов.

### Ключевые лейтмотивы и их взаимодействие

В стихотворении выделяются несколько устойчивых мотивных линий: **бессонница**, **море/паруса**, **список кораблей**, **Елена/Троя**, **божественный порядок**.

**Мотив бессонницы** выступает не просто как физическое состояние, но как состояние пограничное, открывающее доступ к глубинным пластам культурной памяти. Он маркирует разрыв между настоящим и прошлым, между личным и надличным: *«Бессонница. Гомер. Тугие паруса»*. Бессонница здесь — это условие для созерцания, для «чтения» времени.

**Мотив моря и парусов** реализует амбивалентную семантику. С одной стороны, это символ движения, пути, исторического потока: *«Тугие паруса»*. С другой — море становится пространством забвения и вечного возвращения. *«И море, и Гомер — всё движется любовью»*. Здесь движение и покой сливаются в едином мотиве бытия.

Центральным структурным элементом становится **мотив списка кораблей**. Это не просто отсылка к *«Илиаде»*, а метафора самого процесса культурной трансляции. *«Кого же слушать мне? / И вот Гомер молчит, / И море чёрное, витийствуя, шумит / И с тяжким грохотом подходит к изголовью»*. Список кораблей — это каталог имён, попытка удержать исчезающее, придать форму хаосу истории. Однако этот список оказывается бесконечным и в итоге поглощается морем, символизируя тщетность и одновременно величие человеческой памяти.

### Мотив «камня» и его проекция в позднее творчество

В анализируемом тексте мотив «камня» присутствует имплицитно, через семантику твёрдости, тяжести и основы. Он реализуется в образе *«тяжкого грохота»* моря, который *«подходит к изголовью»*. Этот грохот — не просто звук стихии, а тяжесть бытия, материальность мира, которая давит на сознание поэта.

Прямая экспликация этого мотива происходит в более позднем творчестве Мандельштама, где «камень» становится одной из центральных категорий. В *«Утре акмеизма»* (1913) поэт определяет архитектуру как «прекрасное остановленное мгновение», а камень — как основной строительный материал культуры. В стихотворении 1915 года эта идея находит своё поэтическое воплощение: культурная память (Гомер) и природная стихия (море) сталкиваются, порождая тяжесть осознания.

В позднем цикле *«Воронежские тетради»* мотив камня приобретает трагические и эсхатологические черты. Если в 1915 году это был *«тяжкий грохот»* как предчувствие материальности мира, то в 1937 году камень становится символом не только созидания, но и окаменения, застывания в страхе и немоте: *«И меня только равный убьёт»*. Таким образом, мотивный комплекс 1915 года содержит в себе зародыш будущих тем: тяжесть культурного наследия, противостоящая хаосу, но одновременно способная превратиться в гнёт.

Взаимодействие мотивов в стихотворении строится по принципу нарастания напряжения: от личного переживания (*бессонница*) поэт переходит к вселенскому масштабу (*Гомер*, *море*), чтобы в финале вернуться к точке максимального давления на субъект — к *«тяжкому грохоту»*, который становится физическим воплощением бремени культуры и времени.