Что это такое
Prompt Engineering Guide — открытый учебный проект про работу с большими языковыми моделями. Он появился в момент, когда стало ясно: качество ответа зависит не только от модели, но и от постановки задачи, контекста, примеров, формата вывода и проверки результата.
Репозиторий dair-ai/Prompt-Engineering-Guide существует на GitHub с 2022 года. Основной формат — MDX, лицензия MIT, официальный сайт — promptingguide.ai. Темы проекта связаны с промптами, RAG, агентами, ChatGPT, OpenAI и языковыми моделями, то есть это не один список советов, а постоянно расширяемый учебный корпус.
Что внутри
Внутри — руководства, статьи, лекционные материалы, ноутбуки и ссылки на исследования. Проект закрывает базовую механику промптов, более сложные техники, работу с retrieval-augmented generation, агентные сценарии и ограничения моделей.
Пример структурированного промпта
Фрагмент показывает, почему проект полезен: хороший запрос задает роль, входные данные, ограничения и формат ответа. Это не магическая формула, а способ сделать задачу проверяемой.
## Задача
Сжать текст для карточки каталога.
## Контекст
Проект: библиотека для поиска по документам.
## Ограничения
- 1 предложение
- без рекламного тона
- сохранить технический смысл
## Формат
Верни только итоговый текст.Где он полезен
Руководство полезно разработчикам, аналитикам, редакторам, исследователям и продуктовым командам, которые уже используют LLM, но хотят лучше управлять качеством вывода. Оно помогает перейти от случайных запросов к повторяемым шаблонам.
Особенно важны разделы про ограничения. Промпт не заменяет факты, тесты и проверку человеком. Но он помогает задать задачу так, чтобы модель меньше угадывала, лучше следовала структуре и давала результат, который можно оценивать.
Сильные стороны и ограничения
Сильная сторона проекта — ширина и актуальность темы. Он собирает разные подходы в одном месте: от базовых примеров до RAG и агентных систем. Это удобно, когда нужно быстро объяснить команде общий язык работы с LLM.
Ограничение в том, что область меняется быстрее учебника. Приемы, которые хорошо работали на одной модели, могут хуже переноситься на другую. Поэтому материалы стоит воспринимать как карту и набор проверяемых практик, а не как вечный набор правил.