Промпты — не настоящие: иллюзия prompt engineering
Почему промпты — это не навык и не продукт, а иллюзия контроля. Разбираем природу промптинга, его пределы и то, что приходит ему на смену.
Введение: иллюзия, которая стоит миллиарды
В LinkedIn сотни тысяч людей указывают в резюме «Prompt Engineer». Курсы по промптингу продаются за сотни долларов. Статьи с заголовками «100 магических промптов для ChatGPT» набирают миллионы просмотров.
Но что, если промпты — не то, чем кажутся? Что, если всё это здание «prompt engineering» возведено на зыбком фундаменте?
Идея «Prompts aren’t Real» — не отрицание полезности текстовых инструкций для LLM. Это радикально более честный взгляд на то, что на самом деле происходит, когда вы пишете запрос языковой модели, и почему индустрия уже движется дальше.
Что такое промпт на самом деле?
В народном представлении промпт — это «правильный вопрос», магическая формулировка, которая «разблокирует» возможности ИИ. Отсюда охота за «идеальными промптами», продажа готовых шаблонов и карьерные треки «промпт-инженера».
Реальность прозаичнее. Промпт — это подсказка. Он смещает следующий токен в распределении вероятностей языковой модели. Не больше.
Когда вы пишете «отвечай только проверенными фактами», модель не начинает проверять источники. Она движется к текстам, которые по паттерну похожи на «проверенные» — но никакой таблицы истинности внутри нет. Модель не сверяется с источниками. Она производит текст, который выглядит как прошедший проверку.
В глубинном смысле промпт — это «сформулированный вопрос, кристаллизованное мировоззрение». То, как мы просим машину «обобщить», «отразить» или «исправить» что-то, раскрывает наш способ работы с неопределённостью, намерением и знанием. Но это философия, а не инженерия.
Промптинг — не навык, а иллюзия контроля
Мы начали называть себя prompt engineers, добавлять это в LinkedIn, и вести себя так, будто умение правильно спросить — то же самое, что умение построить систему. Но это не так.
Настоящая проблема хорошо сформулирована в разработческом сообществе: «Это не навыки промптинга. Это те же самые навыки, которые разработчикам были нужны всегда. Изменился способ ввода — но не суждение, которое требуется. Промптинг прост. Суждение — сложно. Нам нужно перестать путать их.»
Особенно опасна эта путаница для начинающих специалистов. Называть промптинг навыком — не безобидный ребрендинг, это имеет реальные последствия. Джунов учат prompt engineering как будто это основа — как будто это заменяет понимание структур данных, отладки, системного проектирования. Джун, который умеет промптить, но не умеет рассуждать о своём коде, быстро производит результат и медленно замечает проблемы.
«Реальный навык — тот, что всегда имел значение и никогда не менялся — это знать, что просить. Знать, правилен ли ответ. Знать, что модель предположила, что упустила и что тихо сломала.»
Три фундаментальных ограничения промптов
Почему же промпты «не настоящие» — в смысле, не являются надёжным инструментом? Разберём три системных причины.
1. Контекстное окно и «гниение контекста»
LLM могут потреблять огромные контекстные окна и выполнять сложные рассуждения, но большее пространство не означает автоматически лучшую производительность. Трансформеры ограничены в способности «обращать внимание» на информацию, и когда вы перегружаете окно длинным неструктурированным текстом, модели сложно определить, что важно. Это называется context rot — «гниение контекста»: чем больше вы туда кладёте, тем труднее модели найти релевантное.
Исследование Chroma Research в июле 2025 года, протестировавшее 18 LLM включая Claude 4, GPT-4.1, Gemini 2.5 и Qwen3, показало: модели не используют контекст равномерно — их производительность становится всё менее надёжной по мере роста входных данных. Даже на тривиальных задачах (воспроизведение последовательности повторяющихся слов) модели давали сбой по мере роста контекста.
Dex Horthy в своих «12 Factor Agents» выявил «тупую зону», где производительность деградирует, когда занято более примерно 40% контекстного окна.
2. Неявное знание не передаётся через промпт
Исследователи называют это «tacit knowledge» — неявным знанием: то, что люди знают, но не могут чётко сформулировать. По оценкам одного исследования, 40% ценных знаний компании хранится в головах сотрудников и нигде не записано.
Это проблема, которую промпт-ориентированный ИИ не может решить: он не может скорректировать курс в сторону контекста, который так и не был озвучен. Промпт описывает только то, что вы можете описать — но не то, что вы делаете.
3. Промпт — это демо, не продукт
Отличный промпт может однажды создать отличный результат. Сам по себе он не может производить надёжный продукт каждое утро. Это различие важно, потому что большая часть AI-разговоров всё ещё сваливает демо и продукты в одну категорию.
Демо оптимизированы для момента удивления, а реальные продукты должны выдерживать проверку.
Что приходит на смену: Context Engineering
graph TD
A[Эпоха промптов\n2022–2024] --> B[Ограничения\nстановятся очевидны]
B --> C{Что не работает?}
C --> D[Context Rot]
C --> E[Неявное знание]
C --> F[Демо ≠ Продукт]
D --> G[Context Engineering\n2025+]
E --> G
F --> G
G --> H[Управление историей\nдиалога]
G --> I[RAG и внешняя\nпамять]
G --> J[Оркестрация\nагентов]
G --> K[Демонстрация\nвместо инструкций]
Context engineering возник в середине 2025 года как эволюционный преемник prompt engineering. Он набрал обороты, потому что решал производственные проблемы, которые промптинг решить не мог. Базовое различие простое: prompt engineering сосредоточен на одноразовых текстовых инструкциях для LLM, тогда как context engineering — на архитектуре контекстной информации для непрерывного взаимодействия с моделью.
18 июня 2025 года Тоби Лютке сформулировал каноническое определение: context engineering — это искусство предоставления всего контекста, необходимого для того, чтобы задача была правдоподобно решаема LLM. Неделю спустя Андрей Карпати усилил концепцию: в любом промышленном LLM-приложении context engineering — это тонкое искусство и наука наполнения контекстного окна именно той информацией, которая нужна для следующего шага.
Ключевой инсайт: prompt engineering теперь является подмножеством context engineering. Написание хороших промптов всё ещё важно, но это лишь малая часть от общего контекста в производственных агентных системах. Остальное — история диалога, найденные документы, результаты инструментов, состояние агента и динамически собранные знания.
Параллельный сдвиг: от инструкций к демонстрациям
Одновременно происходит ещё один сдвиг. Этим летом OpenAI и Anthropic оба анонсировали функции, позволяющие их ИИ-системам обучаться задаче, наблюдая за её выполнением, вместо того чтобы получать инструкции в промпте. OpenAI запустил Record & Replay — функцию, позволяющую показать ChatGPT рабочий процесс и превратить его в повторно используемый навык. Несколько недель спустя Anthropic представил Record a Skill внутри Claude Cowork: запишите экран с выполнением задачи, прокомментируйте рассуждения — и Claude превратит это в навык.
При демонстрации задачи ИИ-система захватывает последовательность, точки принятия решений и мелкие суждения, которые составляют суть того, как человек выполняет работу. Демонстрация наблюдает за всеми нюансами рабочего процесса, потому что контекст и действие идут рука об руку с самого начала.
Что реально работает: практическое сравнение
| Подход | Что делает | Когда работает | Когда ломается |
|---|---|---|---|
| Промпт (один запрос) | Смещает вероятность следующего токена | Простые, разовые задачи | Сложные, многошаговые, продакшн |
| Системный промпт | Задаёт «личность» и границы | Чат-боты, ограниченные агенты | При заполнении контекстного окна |
| Few-shot примеры | Показывает желаемый формат | Структурированный вывод | Много токенов, «забывание» примеров |
| RAG | Подтягивает внешние знания | Фактические вопросы, документы | Плохой retrieval, шум в контексте |
| Context Engineering | Управляет всем контекстным окном | Агентные системы, продакшн | Требует архитектурного мышления |
| Демонстрация (Record) | Обучает через наблюдение | Повторяемые рабочие процессы | Уникальные, творческие задачи |
Переосмысление: что значит «хорошо работать с ИИ»
Если промпты — не настоящие, то что является настоящим навыком?
Дефолтное прочтение запроса моделью может выявить угол, который вы не рассмотрели, или указать на неоднозначность, которую вы не замечали, — потому что модель является чёрным ящиком и вероятностной системой: стоит убедиться, что ваши ожидания хотя бы в общих чертах совпадают с ожидаемым результатом.
Настоящие навыки работы с LLM в 2026 году:
- Системное мышление — понимание того, как контекст, память, инструменты и модель взаимодействуют как система
- Суждение о выводе — способность оценить, прав ли ответ, что модель предположила и что упустила
- Контекстная архитектура — умение решить, что и когда попадает в контекстное окно
- Оценка ограничений — знание того, когда ИИ вообще не подходит для задачи
Есть реальный риск на другом конце спектра, о котором практики говорят недостаточно: over-engineering. Загрузите модель обширными ограничениями и многомерными строительными лесами — и вы рискуете привязать её к фрейму проблемы ещё до того, как она обработает весь запрос.
Плохой подход: «Напиши маркетинговый текст. Ты — опытный копирайтер с 20-летним стажем, пиши живо, без штампов, учитывай ЦА 25-35 лет, используй AIDA-структуру, избегай пассивного залога, длина 200 слов, не используй слова ‘уникальный’, ‘инновационный’…»
Лучший подход: Дать модели образец желаемого текста (few-shot), описать контекст бизнеса и попросить следовать тому же стилю. Показать — не объяснять.
Заключение: за пределами промптов
Промпты существуют. Они полезны. Но они не являются тем, чем их считают большинство людей — магическим ключом, профессиональной специализацией или надёжной основой для производственных систем.
Промпты — это начало, а не система.
Индустрия это уже признаёт. Context engineering, агентные архитектуры, обучение через демонстрацию — всё это сигналы того, что эпоха «охоты за идеальным промптом» заканчивается. Главный предиктор успеха AI-агента в 2025 году — не выбор модели. Это context engineering.
Что остаётся настоящим — это понимание задачи, критическое суждение о выводе и системная архитектура. Это навыки, которые были нужны всегда. ИИ их не отменил — он просто сделал их ещё более очевидными.
В следующий раз, когда вы откроете чат с языковой моделью, спросите себя не «как правильно сформулировать?», а «что на самом деле нужно знать модели, чтобы помочь мне?». Это разные вопросы — и именно второй ведёт к реальным результатам.