Как создавать промпты с помощью LLM для других нейросетей

В этой статье я хочу показать, как делать промпты с помощью других промптов. Звучит немного запутанно, но на деле всё довольно просто: мы даём LLM инструкцию, а она составляет хороший запрос для другой нейросети.

Например, можно загрузить изображение, попросить модель подробно описать, что на нём находится, а затем на основе этого описания сделать готовый промпт для Gemini, Stable Diffusion, Midjourney или другого генератора изображений.

Такой подход можно использовать не только для картинок. LLM умеет готовить запросы для текстовых моделей, генераторов видео, музыки, озвучки, программного кода и анализа данных.

Проще говоря, вы рассказываете LLM свою идею обычными словами, а она помогает оформить её так, чтобы другая модель лучше поняла задачу.

Что такое промпты для создания промптов

Промпт для создания промпта — это инструкция, в которой мы просим нейросеть не выполнять задачу сразу, а сначала подготовить хороший запрос для другой модели.

Допустим, вы хотите сгенерировать картинку, но не знаете, как описать сцену, освещение, ракурс, стиль и остальные детали. Можно просто рассказать языковой модели свою идею обычными словами. Она поможет дополнить описание и соберёт готовый промпт, который останется вставить в нужный генератор изображений.

По сути, одна нейросеть помогает поставить задачу другой. Это удобно, потому что вам не приходится каждый раз вспоминать, что именно нужно указать в промпте и в каком порядке всё написать.

Простая схема выглядит так:

1. Вы описываете свою задумку.
2. LLM уточняет недостающие детали.
3. Модель составляет готовый промпт.
4. Промпт передаётся другой нейросети.
5. Вы смотрите на результат и при необходимости вносите правки.

Как LLM помогает формулировать задачи для других моделей

Не всегда получается сразу нормально объяснить нейросети, что именно от неё нужно. В голове идея вроде бы есть, но когда начинаешь писать промпт, выходит что-то слишком короткое и непонятное.

В такой ситуации можно использовать LLM. Вы рассказываете ей свою задумку обычными словами, а она помогает превратить её в более точный запрос.

Допустим, вы хотите сделать изображение робота в старой мастерской. Можно написать:

Нарисуй робота в мастерской.

Но результат, скорее всего, будет случайным. Непонятно, какой должен быть робот, как выглядит мастерская, какое там освещение и с какого ракурса показана сцена.

Здесь как раз пригодится LLM. Она поможет дополнить задумку: предложит внешний вид робота, обстановку мастерской, подходящий свет и положение камеры.

То есть вам не нужно сразу придумывать идеальный запрос. Достаточно набросать основную мысль своими словами, а затем довести её вместе с моделью до рабочего варианта.

Как может измениться короткая идея

Что такое метапромптинг и как он работает

Метапромптинг — это способ поручить нейросети подготовку самого промпта. Вы коротко объясняете, что хотите получить, а она помогает превратить эту идею в подробную инструкцию для другой модели.

Допустим, вам нужна картинка заброшенного города, но пока вы представляете её только в общих чертах. Можно попросить LLM составить промпт для генератора изображений. Она поможет описать здания, погоду, освещение, ракурс и другие детали, о которых вы могли сразу не подумать.

Работает это примерно так:

• сначала вы описываете свою задумку;
• LLM задаёт вопросы, если ей чего-то не хватает;
• вы уточняете важные детали;
• модель собирает готовый промпт;
• получившийся запрос отправляется в нужную нейросеть.

Главное здесь в том, что вам не нужно с первого раза писать точную и подробную инструкцию. Можно начать с пары обычных предложений, а затем постепенно довести их до рабочего промпта.

Метапромптинг не избавляет от необходимости думать над задачей. Он помогает быстрее оформить уже имеющуюся идею.

Зачем поручать создание промпта языковой модели

Хороший промпт не всегда получается написать с первого раза. Иногда идея уже есть, но непонятно, как её нормально сформулировать и какие детали стоит добавить.

Вместо того чтобы долго подбирать слова, можно описать задачу языковой модели так, как вы её понимаете. Даже если это будет всего пара предложений. LLM поможет собрать из них более подробный запрос.

Особенно удобно это в следующих случаях:

• вы работаете с новой для себя моделью;
• не знаете, какие детали важно указать;
• хотите получить несколько вариантов промпта;
• нужно быстро переделать один запрос под другую нейросеть;
• промпт будет использоваться много раз;
• задача состоит из нескольких этапов.

Готовый вариант необязательно использовать без изменений. Его можно подправить под себя, убрать ненужные детали или попросить модель сделать ещё одну версию.

В итоге на подготовку запроса уходит меньше времени, а результат обычно получается ближе к тому, что вы изначально задумали.

Для каких нейросетей LLM может создавать промпты

Языковая модель может готовить запросы практически для любых нейросетей. Главное — объяснить ей, с какой системой вы собираетесь работать и что хотите получить.

Чаще всего такой подход используют для генераторов изображений: Gemini, Midjourney, Stable Diffusion, Flux и других. Вы описываете задумку своими словами, а LLM помогает оформить её в более подробный запрос.

Точно так же можно делать промпты для видео, музыки, озвучки и программного кода.

При этом один и тот же запрос может по-разному работать в разных моделях. То, что хорошо показало себя в Midjourney, не обязательно даст такой же результат в Gemini или Stable Diffusion. Поэтому лучше сразу написать, для какой именно нейросети готовится промпт.

Из каких элементов состоит хороший промпт

Для начала достаточно своими словами написать, что именно должна сделать нейросеть. Нужен текст — так и напишите. Нужна картинка, перевод, сценарий или проверка кода — сразу укажите это.

Потом добавьте детали, которые помогут модели лучше понять вашу задумку. Например, для кого пишется текст, где он будет опубликован и каким должен получиться результат.

Если речь идёт о картинке, опишите, что хотите на ней увидеть: кто будет в кадре, где всё происходит, какое нужно освещение и настроение. Для текста обычно хватает темы, примерного объёма и пары слов о том, как он должен звучать.

Что обычно стоит указать

1. Задачу. Что именно должна сделать модель.
2. Контекст. Для чего нужен результат и где он будет использоваться.
3. Важные детали. Что обязательно должно попасть в ответ.
4. Ограничения. Чего делать не нужно.
5. Формат ответа. Текст, список, таблица, HTML, JSON или только готовый промпт.
6. Целевую модель. Для какой нейросети составляется запрос.

В конце можно написать, в каком виде вы хотите получить ответ. Например, обычным текстом, списком, таблицей, готовым HTML-кодом или промптом без дополнительных объяснений.

При этом необязательно делать запрос огромным. Иногда нескольких точных предложений хватает больше, чем длинного текста, в котором требования повторяются или противоречат друг другу.

Хороший промпт — не самый длинный, а тот, который помогает модели понять вашу задачу.

Как превратить обычное описание задачи в точную инструкцию

Обычно всё начинается с простой мысли вроде:

Хочу красивую картинку ночного города.

Или:

Нужно написать статью про солнечные батареи.

Для человека этого иногда достаточно, а нейросети обычно не хватает деталей.

Для ночного города можно уточнить, что идёт дождь, улицы пустые, вывески отражаются в лужах, а камера находится почти на уровне дороги.

Для статьи стоит написать, кому она адресована, насколько подробно нужно раскрыть тему и какие вопросы обязательно затронуть.

Пример

Было:

Напиши статью про солнечные батареи.

Стало:

Напиши понятную статью для начинающих о том, как работают солнечные батареи. Объясни основной принцип работы, расскажи о преимуществах и недостатках, а также о том, от чего зависит их эффективность. Избегай сложных формул и профессиональных терминов. Объём — около 6 000 знаков.

Не нужно сразу пытаться написать идеальный запрос. Проще сначала набросать задачу своими словами, а потом посмотреть, чего в ней не хватает.

Обычно стоит уточнить:

• какой результат вам нужен;
• для кого он предназначен;
• какие детали обязательны;
• что модель не должна делать;
• в каком формате нужен ответ.

После такой доработки расплывчатая идея превращается в инструкцию, с которой нейросети уже намного проще работать.

Почему LLM должна сначала задавать уточняющие вопросы

Когда вы описываете задачу в двух словах, модели часто не хватает информации.

Например, просьбу «сделай картинку с машиной» можно понять десятками способов. Какая это машина? Где она находится? Какое время суток? В каком стиле должна быть картинка?

Поэтому не стоит сразу просить LLM выдать готовый промпт. Лучше дать ей возможность уточнить то, что осталось непонятным: какой нужен результат, для какой нейросети пишется запрос и что в нём обязательно должно быть.

Пара вопросов в начале может сэкономить много времени. Иначе модель составит промпт на основе собственных догадок, а вам потом придётся переделывать половину текста.

Хорошие уточняющие вопросы могут выглядеть так:

• Для какой модели нужен промпт?
• Что должно быть главным объектом?
• Какой стиль вам нужен?
• Какой должен быть формат результата?
• Есть ли детали, которых не должно быть?
• Нужно ли сделать один вариант или несколько?

Особенно полезны такие вопросы, когда вы сами ещё не до конца понимаете, чего хотите. Отвечая на них, вы постепенно уточняете собственную идею.

Как адаптировать промпт под конкретную модель

Один и тот же промпт может по-разному работать в разных нейросетях. Где-то лучше заходят короткие и точные описания, а где-то нужно подробнее расписать сцену, стиль и важные детали.

Поэтому перед созданием промпта лучше сразу указать, для какой модели он нужен.

Можно прямо написать:

Сделай этот промпт для Gemini.

Или:

Адаптируй этот запрос под Stable Diffusion.

LLM подправит текст с учётом выбранной модели: что-то сократит, что-то уточнит, а при необходимости добавит нужные детали.

Иногда полезно подготовить несколько вариантов и проверить их на практике. Даже хорошо составленный промпт не всегда даёт нужный результат с первого раза, поэтому его можно немного менять, пока изображение, текст или видео не станет похоже на то, что вы задумали.

Создание промптов для текстовых моделей

Сначала определитесь, что именно хотите получить от модели: статью, письмо, описание товара, пост или перевод. После этого добавьте тему, примерный объём и пару слов о том, для кого пишется текст.

Также стоит объяснить, как он должен звучать. Например:

• просто и по-человечески;
• официально;
• с юмором;
• без сложных терминов;
• как личный рассказ;
• как техническая инструкция.

Чем понятнее вы опишете задачу, тем меньше потом придётся переписывать.

LLM можно попросить не только подготовить новый промпт, но и переделать уже готовый. Например, сократить его, убрать повторы или адаптировать под другую текстовую модель.

Создание промптов для генераторов изображений

Для генерации картинки одной общей идеи обычно мало. Фраза «нарисуй дом в лесу» оставляет модели слишком много свободы, поэтому результат может оказаться совсем не таким, как вы ожидали.

Лучше добавить несколько деталей:

• какой это дом;
• что находится вокруг;
• какое время суток;
• какая погода;
• откуда показана сцена;
• какое настроение должно быть у изображения;
• в каком стиле оно должно быть выполнено.

При желании можно указать, что это должна быть фотография, рисунок, комикс, акварель, техническая схема или другой вид изображения.

Здесь LLM особенно полезна. Вы рассказываете ей задумку обычными словами, а она помогает собрать из этого подробный промпт для Gemini, Midjourney, Stable Diffusion, Flux или другой модели.

Создание промптов для генераторов видео

В промпте для видео важно описать не только то, что находится в кадре, но и то, что происходит.

Нужно уточнить:

• кто или что движется;
• куда направлена камера;
• меняется ли ракурс;
• как ведёт себя освещение;
• что происходит на фоне;
• сколько примерно длится сцена.

Например, недостаточно написать:

Машина едет по ночному городу.

Можно уточнить, что камера движется рядом с автомобилем, на мокром асфальте отражается свет вывесок, идёт дождь, а сама сцена выглядит как фрагмент фильма.

LLM поможет превратить короткую задумку в более понятное описание движения, камеры и окружающей обстановки.

Создание промптов для музыки и синтеза речи

При создании музыки обычно указывают жанр, настроение, темп и инструменты.

Например, можно попросить:

Спокойную фоновую мелодию с пианино и лёгкими электронными звуками.

Или:

Быструю энергичную композицию для короткого рекламного ролика.

Для синтеза речи важен не только сам текст. Стоит указать, каким должен быть голос, с какой скоростью он говорит, где делает паузы и какое настроение передаёт.

Один и тот же текст можно прочитать:

• спокойно;
• радостно;
• тревожно;
• официально;
• почти шёпотом;
• как рассказчик в документальном фильме.

LLM помогает собрать все эти пожелания в один запрос. Особенно это удобно, когда вы примерно слышите нужный результат в голове, но не знаете, как его описать.

Создание промптов для программирования и анализа данных

При работе с кодом лучше сразу указать язык программирования, задачу и условия, в которых код будет использоваться.

Например, недостаточно попросить:

Сделай загрузку файлов.

Нужно уточнить:

• куда загружаются файлы;
• какие форматы разрешены;
• какой максимальный размер;
• как проверяется имя файла;
• что должно происходить при ошибке;
• какой язык и фреймворк используется.

Если у вас уже есть код, его можно приложить и попросить найти ошибку, ускорить работу или переписать отдельную часть.

С анализом данных всё похоже. Нужно объяснить, какие данные у вас есть, что именно вы хотите узнать и в каком виде нужен результат.

Это может быть:

• таблица;
• график;
• SQL-запрос;
• Python-скрипт;
• поиск аномалий;
• сравнение показателей;
• обычное объяснение выводов.

Как проверить качество созданного промпта

Понять, хорошо ли написан промпт, можно только после проверки. Вставьте его в нужную модель и посмотрите, насколько результат совпадает с тем, что вы хотели получить.

Если текст получился слишком сухим, картинка выглядит не так, как вы представляли, или в видео неправильно движется камера, значит, каких-то деталей в запросе не хватило.

Посмотрите, где именно модель вас не поняла, и уточните этот момент.

Небольшой список для проверки

Перед повторным запуском спросите себя:

• Модель выполнила основную задачу?
• Все важные детали попали в результат?
• Не добавила ли она что-то лишнее?
• Правильно ли поняла стиль?
• Соблюдён ли нужный формат?
• Нет ли в промпте противоречий?
• Можно ли убрать часть текста без потери смысла?

Не стоит каждый раз полностью переписывать запрос. Чаще всего достаточно изменить одну или две фразы: подробнее описать стиль, убрать лишнее, уточнить действие или добавить важное ограничение.

Хороший промпт — это не обязательно длинный текст. Главное, чтобы после него модель выдавала примерно тот результат, который вам нужен.

Как улучшать промпт после первой генерации

Первая генерация редко получается идеальной, и это нормально. Посмотрите на результат и отметьте, что именно вам не понравилось.

Может быть:

• текст вышел слишком официальным;
• на картинке появился лишний объект;
• камера в видео движется не в ту сторону;
• музыка получилась слишком быстрой;
• код не учитывает обработку ошибок.

После этого не нужно переписывать весь промпт заново. Лучше поправить конкретное место. Например, попросить сделать текст проще, изменить освещение, приблизить камеру или убрать ненужную деталь.

Лучше не менять сразу весь запрос, а править его понемногу. Сначала измените одну вещь и посмотрите, что получилось. Тогда будет понятно, помогло это или нет.

Если переписать всё сразу, потом сложно разобраться, какое именно изменение дало нужный результат.

Когда промпт начнёт работать так, как нужно, сохраните его. Позже его можно будет взять за основу, немного переделать и использовать для похожей задачи.

Типичные ошибки при автоматическом создании промптов

Часто человек просто просит нейросеть написать хороший промпт, но не рассказывает, зачем он вообще нужен.

Модели приходится самой угадывать задачу, поэтому на выходе получается большой текст обо всём сразу. Выглядит он серьёзно, но пользы от него обычно немного.

Иногда LLM, наоборот, слишком усложняет запрос. Добавляет модели какую-нибудь роль, расписывает правила на несколько экранов, требует проверять каждый шаг и оформлять ответ строго по шаблону.

Для сложных задач это может пригодиться, но в простых случаях только запутывает работу.

Частые ошибки

Бывает и так, что модель пишет слишком общий запрос. Например:

Создай красивое реалистичное изображение.

Что именно должно быть на картинке, где происходит действие и какое у неё настроение — остаётся непонятно.

Поэтому готовый промпт лучше всегда перечитать. Уберите повторы, проверьте, нет ли противоречий, и убедитесь, что в нём действительно описан нужный результат.

Для обычных задач языковой модели чаще всего вполне хватает. Она может помочь написать запрос для текста, картинки, видео, музыки или кода, даже если вы не разбираетесь в промпт-инжиниринге.

Но в сложных проектах одной LLM уже мало. Там нужно проверять промпт на разных примерах, смотреть, где он работает хорошо, а где начинает давать сбои, и постепенно его дорабатывать.

Поэтому правильнее считать LLM помощником, а не полной заменой специалисту.

Она быстро делает первый вариант и помогает не начинать с пустого листа. Дальше человек проверяет результат и решает, что стоит изменить.

LLM хорошо составляет черновик промпта. Но понять, действительно ли он решает задачу, всё равно должен человек.

Как автоматизировать передачу промпта между моделями

Если вы работаете с нейросетями через API, промпт необязательно каждый раз копировать вручную. Можно сделать так, чтобы одна модель сама передавала результат другой.

Например, пользователь пишет пару предложений о том, что хочет получить. Это описание сначала уходит в LLM, которая превращает его в нормальный промпт. Потом готовый текст автоматически отправляется в генератор изображений, видео или другую нужную модель.

Пример цепочки

Пользователь
    ↓
Короткое описание задачи
    ↓
LLM составляет промпт
    ↓
Промпт передаётся генератору
    ↓
Готовый результат возвращается пользователю

Так же можно работать и с картинками:

Загруженное изображение
    ↓
Модель описывает содержимое
    ↓
LLM составляет новый промпт
    ↓
Генератор создаёт изображение

Чтобы такая цепочка работала без ошибок, лучше заранее определить формат ответа.

Например, попросить LLM возвращать только сам промпт, без пояснений и лишних фраз. Тогда полученный текст можно сразу отправлять дальше.

Если модели обмениваются данными автоматически, удобно использовать строгий формат:

{
  "prompt": "готовый промпт",
  "model": "название модели",
  "language": "ru",
  "task_type": "image"
}

Так программе будет проще понять, где находится сам промпт и куда его нужно передать.

Универсальный метапромпт для создания промптов

Ниже простой шаблон, который можно использовать для разных задач. Вместо текста в квадратных скобках нужно подставить свою информацию.

Универсальный метапромпт

Ты помогаешь составить промпт для модели [название или тип модели].

Мне нужно получить следующий результат: [опишите задачу своими словами].

Сначала задай мне несколько вопросов, если информации недостаточно. Спрашивай только о тех деталях, которые действительно повлияют на результат.

После моих ответов составь готовый промпт с учётом особенностей выбранной модели.

Промпт должен быть понятным, без повторов и противоречивых требований.

Не добавляй пояснения до или после него. Выведи только готовый текст промпта.

Этот шаблон можно использовать для генерации:

• статей;
• изображений;
• видео;
• музыки;
• озвучки;
• программного кода;
• запросов для анализа данных.

Нужно только назвать модель и объяснить, что вы хотите получить.

Главное о создании промптов с помощью LLM

Необязательно уметь сразу писать большие и подробные промпты. Для начала достаточно обычными словами рассказать LLM, что вы задумали.

Если каких-то деталей не хватает, пусть модель сначала задаст вопросы. Так ей не придётся додумывать всё самой, а результат получится ближе к вашей идее.

Готовый промпт всё равно стоит проверить на практике. Первая версия может оказаться неидеальной, поэтому её можно понемногу менять и снова запускать.

Самое удобное в этом подходе — не приходится каждый раз начинать с пустого листа. Можно сохранить удачный метапромпт и использовать его как основу для новых задач.

Коротко

• Сначала опишите задачу обычными словами.
• Укажите, для какой модели нужен промпт.
• Разрешите LLM задать уточняющие вопросы.
• Проверьте готовый запрос на практике.
• Не меняйте сразу всё — исправляйте по одной детали.
• Сохраняйте удачные варианты для следующих задач.

LLM не придумывает вашу цель за вас. Она помогает понятнее её сформулировать и быстрее передать другой модели.