Мега-промпт: как собрать один запрос, который заменит десять

Большинство людей общаются с AI как с поисковиком — одним коротким вопросом. И получают расплывчатый, шаблонный ответ. Мега-промпт решает эту проблему: вы собираете один детальный запрос из пяти структурных блоков — и модель выдаёт результат, который раньше потребовал бы пяти-десяти итераций уточнений.

Организации, внедрившие структурированный промпт-инжиниринг, фиксируют рост продуктивности в среднем на 67% в процессах с участием AI.

Задача

Собрать один запрос-инструкцию, который даёт AI полный контекст с первого раза: роль, задачу, ограничения, формат вывода и примеры. Это устраняет цикл «запрос → невнятный ответ → уточнение → снова не то».

Для кого

Маркетологи и контент-менеджеры — генерация текстов, планов, рассылок
Продакт-менеджеры — анализ требований, написание спецификаций
Разработчики — генерация кода, ревью, документации
Все, кто работает с LLM ежедневно и хочет тратить меньше токенов и времени

Структура мега-промпта


graph TD
    A["🎭 РОЛЬ
Кто ты?"] --> B["📋 КОНТЕКСТ
Что я знаю"]
    B --> C["🎯 ЗАДАЧА
Что сделать"]
    C --> D["📐 ФОРМАТ
Как выглядит результат"]
    D --> E["🚫 ОГРАНИЧЕНИЯ
Чего избегать"]
    E --> F["✅ ГОТОВЫЙ РЕЗУЛЬТАТ"]

    style A fill:#4A90D9,stroke:#2C5F8A,color:#fff
    style B fill:#7B68EE,stroke:#5B48CE,color:#fff
    style C fill:#50C878,stroke:#30A858,color:#fff
    style D fill:#FFB347,stroke:#DF9327,color:#fff
    style E fill:#FF6B6B,stroke:#DF4B4B,color:#fff
    style F fill:#2ECC71,stroke:#0EAC51,color:#fff

Пять блоков — пять вопросов, на которые вы отвечаете до отправки запроса. Разберём каждый.

1. Роль (Role)

Задаёт экспертизу и «тон мышления» модели. Чем точнее роль, тем точнее ответ.

Плохо	Хорошо
«Ты маркетолог»	«Ты — email-маркетолог в B2B SaaS с 8-летним опытом, специализируешься на onboarding-цепочках для продуктов с пробным периодом 14 дней»
«Ты программист»	«Ты — senior Python-разработчик, пишешь продакшн-код в стиле Google Python Style Guide, используешь type hints и pytest»

2. Контекст (Context)

Всё, что модель не может узнать сама: данные о продукте, аудитории, текущей ситуации.

3. Задача (Task)

Конкретное действие с глаголом: «напиши», «проанализируй», «сравни», «составь список из N пунктов».

4. Формат (Format)

Как должен выглядеть результат: markdown-таблица, JSON, нумерованный список, письмо с темой и телом.

5. Ограничения (Constraints)

Чего избегать: «не используй жаргон», «максимум 300 слов», «без вводных фраз».

💡 Золотое правило

Один мега-промпт = одна задача. Не просите в одном запросе «напиши статью, сделай SEO-аудит и придумай заголовки для соцсетей». Разделяйте на отдельные мега-промпты.

Промпт-шаблон

Готовый мега-промпт, который можно адаптировать под любую задачу:

# РОЛЬ
Ты — [специализация] с [N] годами опыта в [область].
Ты отлично разбираешься в [навык 1], [навык 2] и [навык 3].

# КОНТЕКСТ
Я работаю над [проект/продукт]. Целевая аудитория — [описание ЦА].
Текущая ситуация: [что уже есть, что не работает, какие ограничения].
Дополнительные данные: [метрики, примеры, ссылки].

# ЗАДАЧА
[Глагол] [что именно нужно сделать].
Результат должен [критерий качества 1] и [критерий качества 2].

# ФОРМАТ
Выведи результат в виде:
- [структура: таблица / список / JSON / markdown и т.д.]
- Объём: [лимит слов или пунктов]
- Язык и тон: [формальный / разговорный / технический]

# ОГРАНИЧЕНИЯ
- НЕ используй [что исключить]
- НЕ превышай [лимит]
- Обязательно включи [что должно быть]

# ПРИМЕР (опционально)
Вот пример того, что я хочу получить:
"""
[Образец желаемого вывода]
"""

ℹ Совет для Claude

Claude лучше всего воспринимает структуру через XML-теги (<role>, <task>, <format>), а не через markdown-заголовки. Если работаете через API — оборачивайте блоки в теги. В чате с Claude подойдут и заголовки #, как в шаблоне выше.

Пример: мега-промпт для onboarding-цепочки

Ниже — конкретный, готовый к использованию мега-промпт:

# РОЛЬ
Ты — email-маркетолог в B2B SaaS с 8-летним опытом.
Специализация: onboarding-цепочки, retention, поведенческие триггеры.

# КОНТЕКСТ
Продукт: SaaS-платформа для управления проектами (аналог Asana).
Пробный период: 14 дней. Конверсия trial → paid сейчас 6% (цель — 12%).
Аудитория: менеджеры проектов в командах 10-50 человек.
Главная проблема: пользователи регистрируются, но не создают первый проект
в первые 48 часов и уходят.

# ЗАДАЧА
Напиши onboarding-цепочку из 5 писем на 14 дней пробного периода.
Каждое письмо должно подводить к одному конкретному действию в продукте.

# ФОРМАТ
Для каждого письма укажи:
1. День отправки и триггер (время или действие пользователя)
2. Тема письма (до 50 символов, с эмодзи)
3. Тело письма (100-150 слов)
4. CTA-кнопка (текст)
5. Метрика успеха

Тон: дружелюбный, без корпоративного канцелярита.
Язык: русский.

# ОГРАНИЧЕНИЯ
- НЕ используй фразы «уважаемый клиент», «мы рады сообщить»
- НЕ отправляй два письма в один день
- Каждое письмо — ровно одно целевое действие, не больше
- Обязательно учти: если пользователь уже выполнил действие — письмо не отправляется

Пример результата (сокращённо)

Вот что модель генерирует по этому мега-промпту (первые два письма из пяти):

Письмо 1 — День 0 (сразу после регистрации)

Тема: 🚀 Один шаг до вашего первого проекта

Тело: Привет! Вы только что зарегистрировались в ProjectFlow — и это лучшее решение для вашей команды на этой неделе. Сейчас у вас 14 дней, чтобы попробовать всё бесплатно. Но начнём с малого: создайте первый проект. Это займёт 30 секунд — просто нажмите кнопку ниже и введите название. Всё остальное настроится автоматически.

CTA: Создать первый проект →

Метрика: % пользователей, создавших проект в первые 24 часа

Письмо 2 — День 2 (если не пригласил коллег)

Тема: 👥 Проект создан — теперь добавьте команду

Тело: Отлично, ваш проект уже живёт! Но один в поле не воин. Добавьте 2-3 коллег — и вы увидите, как задачи начнут двигаться. Пригласить можно по email прямо из проекта. Мы отправим им понятное письмо с инструкцией, так что объяснять ничего не придётся.

CTA: Пригласить коллег →

Метрика: % пользователей, пригласивших ≥1 коллегу до дня 3

📝 Обратите внимание

Модель автоматически учла все ограничения: каждое письмо привязано к одному действию, тон разговорный, нет «уважаемый клиент», указаны триггеры и метрики. Это результат одного запроса — без доработок.

Адаптация под разные модели

Разные LLM по-разному реагируют на структуру промпта. Вот ключевые отличия:

Параметр	Claude (Sonnet/Opus)	GPT-4o	Gemini
Лучший формат структуры	XML-теги (`<role>`, `<task>`)	Markdown-заголовки (`##`)	Чёткая маркировка блоков
Следование ограничениям	Точное, почти буквальное	Хорошее, иногда «творит»	Среднее, нужны повторы
Chain-of-thought	Встроен (режим thinking)	Добавлять вручную: «Думай пошагово»	Добавлять вручную
Сильная сторона	Длинные тексты, анализ, код	Скорость, широта знаний	Мультимодальность
Стоимость (input/1M токенов)	$3 (Sonnet) / $5 (Opus)	$2.50	$1.25 (Pro)

⚠ Про стоимость

Мега-промпт длиннее обычного запроса — это 300–800 токенов вместо 30–50. Но он экономит деньги: один точный запрос вместо 5–10 итераций. При стоимости Claude Sonnet 4.6 в $3/1M входных токенов один мега-промпт обойдётся в доли цента.

Вариации и настройки

Мини-версия (для простых задач)

Если задача несложная, можно сократить до трёх блоков:

Роль: [кто]
Задача: [что сделать]
Формат: [как вывести]

Цепочка мега-промптов (для сложных проектов)

Для больших задач — разбейте на последовательность:


graph LR
    A["Мега-промпт 1
Исследование"] --> B["Мега-промпт 2
Структура"]
    B --> C["Мега-промпт 3
Черновик"]
    C --> D["Мега-промпт 4
Редактура"]

    style A fill:#4A90D9,stroke:#2C5F8A,color:#fff
    style B fill:#7B68EE,stroke:#5B48CE,color:#fff
    style C fill:#50C878,stroke:#30A858,color:#fff
    style D fill:#FFB347,stroke:#DF9327,color:#fff

Передавайте результат предыдущего промпта как контекст в следующий.

Добавление примеров (Few-shot)

Блок # ПРИМЕР в шаблоне — самый мощный рычаг. Одного примера достаточно, чтобы модель точно поняла формат. Два-три примера — и она понимает стиль и уровень детализации.

Советы по улучшению

1. Начните с результата. Прежде чем писать промпт, напишите одно предложение: «Я хочу получить [что именно]». Это ваш якорь — всё остальное подчиняется ему.

2. Тестируйте по одному блоку. Если результат не тот — меняйте один блок за раз. Обычно проблема в контексте (недостаточно данных) или в формате (модель не поняла структуру вывода).

3. Используйте chain-of-thought для аналитики. Для задач с рассуждениями добавьте в секцию «Задача»: «Сначала проанализируй ситуацию шаг за шагом, затем дай рекомендации». В Claude это активирует режим thinking автоматически.

4. Сохраняйте библиотеку промптов. Каждый удачный мега-промпт — это шаблон для будущих задач. Храните в Notion, Obsidian или простой папке с .txt файлами.

Мега-промпт — это не «длинный запрос». Это техническое задание для AI. Чем точнее ТЗ — тем точнее результат. Один хорошо собранный промпт экономит десятки минут и сотни токенов.

5. Итерируйте формулировку роли. Роль — самый недооценённый блок. Попробуйте заменить «Ты — маркетолог» на «Ты — маркетолог, который выиграл три награды за email-кампании в SaaS» — и увидите, как изменится качество.