Знакомство с Gemini и LLM2. Промпты
Структурированная информация в промптах
Засчитывается, когда отвечены все вопросы квиза
Зачем это нужно
Когда в промпте много контекста, модель может смешивать инструкции и данные. Из-за этого теряются условия, появляются ошибки в выводах и падает предсказуемость ответа. Четкая структура с тегами помогает модели понимать, где правила, где входные данные, а где задача.
Теория
Почему структура важна
Представь задачу: нужно проанализировать 20 страниц отчётов о продажах. Если просто вставить всё одним блоком текста, модель может путать:
- твои инструкции;
- сами данные;
- дополнительные комментарии.
Если обернуть данные в явные границы, например <sales_records>...</sales_records>, модель лучше понимает, что это именно входные данные для анализа, а не команда к действию.
Именование тегов: чем конкретнее, тем лучше
Не обязательно использовать «официальные» XML-теги. Можно создавать свои, но с понятными именами.
Хорошо:
<sales_records>вместо<data><athlete_information>для профиля спортсмена<my_code>и<docs>для разделения кода и документации
Плохая практика — слишком общие названия (<info>, <content>, <block>), из которых неясно назначение секции.
Когда теги особенно полезны
Используй структурные теги, когда:
- даёшь большой объём контекста;
- смешиваешь разные типы контента (код, документация, данные, требования);
- вставляешь несколько переменных или блоков данных;
- хочешь явно разделить «что анализировать» и «что сделать».
Даже в коротких промптах теги работают как визуальные разделители и делают задачу прозрачнее для модели.
Реальный шаблон
<athlete_information>
- Height: 6'2"
- Weight: 180 lbs
- Goal: Build muscle
- Dietary restrictions: Vegetarian
</athlete_information>
Составь план питания на основе информации о спортсмене выше.
Здесь модели ясно, что рост, вес, цель и ограничения — одна связанная группа данных, которую нужно учитывать вместе.
Главная идея
На простых запросах разница может быть умеренной. Но чем сложнее промпт и разнообразнее контекст, тем больше выигрыша от структуры и явных границ секций.
Практика
Задание: переписать неструктурированный промпт в структурированный
Цель: увидеть, как структура с тегами повышает качество и управляемость ответа.
-
Выбери рабочую задачу, где ты обычно даёшь много контекста. Примеры: анализ отчёта, ревью кода по требованиям, генерация текста по брифу.
-
Напиши версию А промпта без структуры: просто одним текстом с инструкциями и данными вперемешку.
-
Отправь версию А в LLM и сохрани результат.
-
Напиши версию Б того же промпта, но структурируй его тегами. Используй минимум 3 секции, например:
<task>— что нужно сделать;<context_data>— входные данные;<constraints>— ограничения по формату, стилю, длине.
-
Отправь версию Б и сохрани результат.
-
Сравни ответы А и Б по критериям:
- учтены ли все ограничения;
- не перепутала ли модель данные и инструкции;
- насколько точный и полезный итог.
-
Сделай вывод, какие теги и названия секций ты добавишь в свои шаблоны промптов.
Как понять, что всё получилось
- У тебя есть одна задача в двух версиях: без структуры и со структурой.
- Структурированная версия лучше удерживает контекст и ограничения.
- У тебя появился свой мини-шаблон тегов для повторяемых задач.
Проверь себя
Почему теги в промпте помогают модели?
<sales_records>
явно отмечают, где входные данные, а где инструкции, и модель меньше их путает. Работать только с XML модели не нужно — названия тегов можно придумывать свои.
Какой вариант имени тега обычно лучше?
<data>
<info>
<block>
<sales_records>
<sales_records>
сразу говорит, что внутри записи о продажах, а
<data>
,
<info>
или
<block>
подходят к чему угодно и ничего не объясняют.
В какой ситуации польза от структурных тегов обычно максимальна?
Дополнительно
Практичный шаблон для сложных задач:
<task>: конечная цель<input_data>: данные для анализа<constraints>: ограничения и формат<output_format>: как именно должен выглядеть результат
Если в задаче много переменных, давай им осмысленные названия тегов. Это уменьшает путаницу и повышает воспроизводимость ответа между итерациями.
Текст подготовлен с помощью LLM и может содержать неточности.