Польза от AI начинается с трёх решений: выбрать модель под задачу, передать ей нужный контекст и вовремя завершить перегруженный чат. Слабый результат часто указывает на ошибку в одном из этих решений.

Почему модель даёт слабый ответ

Типичный запрос звучит как «сделай мне стратегию». Модель не знает устройство компании, ограничения, желаемый формат и факты, которые нельзя выдумывать, поэтому возвращает общий текст.

Языковая модель работает с тем входом, который получила. От неё нельзя ожидать, что она сама восстановит скрытый бизнес-контекст.

Обычно причина находится в одном из трёх мест:

  • модель плохо подходит для задачи;
  • запрос не содержит достаточных вводных;
  • история чата переполнена старыми версиями, противоречиями и потерянными инструкциями.

Эта статья посвящена выбору модели и подготовке контекста. Отдельный материал разбирает промпт как рабочее техническое задание.

Модели решают разные задачи

Абстрактного рейтинга «хороших» и «плохих» моделей недостаточно. Полезнее сравнивать их на конкретной работе и собственных проверочных примерах.

Claude в моём рабочем процессе используется для кода, длинных документов, архитектурных разборов и сложных инструкций. На таких задачах мне удобно работать с его структурой ответа.

Gemini подходит для больших входных данных: документов, записей встреч, видео, аудио и объёмных отчётов. Google открыл разработчикам Gemini 1.5 Pro контекстное окно до 2 млн токенов.

“Today, we’re opening up access to the 2 million token context window on Gemini 1.5 Pro for all developers.” — Google Developers Blog

Источник: Google Developers Blog, Gemini API and Google AI Studio

Большое окно не повышает интеллект модели автоматически. Оно позволяет передать больше исходных данных за один запрос, если эти данные отобраны и структурированы.

Perplexity я использую для первичного поиска со ссылками. Результат помогает построить карту источников, после чего важные факты нужно сверить с первоисточниками.

Qwen и другие локальные модели подходят для сценариев, где внутренние документы, черновики или персональный контекст должны оставаться в контролируемой среде. Конкретный выбор зависит от требований к качеству, инфраструктуре и защите данных.

DeepSeek API и другие недорогие API-модели могут быть полезны для массовой классификации, предварительной обработки данных и проверки гипотез. Здесь важны стоимость серии прогонов и измеримое качество, а не впечатление от одного ответа.

ChatGPT удобен многим командам, хотя в моём стеке долго не был основным инструментом для сложных инструкций. Модель следует проверять на собственных задачах, а не выбирать по общему спору в интернете.

Что хранит контекстное окно

Контекстное окно содержит информацию, доступную модели в текущем запросе: сообщения, системные инструкции, файлы, фрагменты документов и результаты поиска. Его можно сравнить с кратковременной памятью, но модель каждый раз получает вход заново и строит следующий ответ из попавших в него данных.

В первом анонсе Gemini 1.5 Google описывал возможности длинного контекста так:

“This means 1.5 Pro can process vast amounts of information in one go — including 1 hour of video, 11 hours of audio, codebases with over 30,000 lines of code or over 700,000 words.” — Google Blog

Источник: Google Blog, Gemini 1.5

Длинный контекст нужен для релевантного массива материалов и конкретного вопроса. Бесконечный чат на несколько недель создаёт другую проблему: в истории накапливаются устаревшие требования и случайные уточнения.

Почему длинный чат теряет качество

После 30–40 сообщений в диалоге могут одновременно остаться старые версии решения, отменённые требования и фрагменты, которые уже не относятся к задаче. Модель всё равно получает их как часть входа.

При заполнении окна продукт может обрезать или сжать историю. Пользователь обычно не видит, какая инструкция исчезла и какое ограничение перестало учитываться.

Моё рабочее правило: один чат обслуживает одну задачу. Если диалог начал отклоняться, я прошу составить краткое резюме решений, проверяю его и продолжаю в новом чате.

Примеры для бизнеса

Подготовка к встрече. История переписки, прежние решения, открытые вопросы и документы превращаются в краткую справку, список рисков и вопросы собеседнику.

Работа с документами. Модель быстрее готовит черновик договора, коммерческого предложения, письма или технического задания, когда получает шаблон, вводные, ограничения и формат результата.

Аналитика. AI помогает первично разобрать отчёт, таблицу, исследование рынка или обратную связь клиентов. Выводы и цифры затем проверяются по источникам.

Прототипирование. Описание идеи можно превратить в структуру MVP, пользовательские сценарии, риски и перечень вопросов до начала разработки.

Устойчивый рабочий процесс

  • Выбирайте модель по типу входа: код, документы, поиск или локальные данные.
  • Передавайте исходные материалы вместо просьбы угадать контекст.
  • Заранее задавайте критерии качества и формат ответа.
  • Разделяйте разные задачи по чатам.
  • Проверяйте факты и запрашивайте ссылки для данных о внешнем мире.
  • Повторно используемые знания храните в RAG, базе знаний или проектной памяти.

Anthropic отдельно предупреждает, что новый промпт решает не каждую проблему с качеством:

“Not every success criteria or failing eval is best solved by prompt engineering.” — Anthropic Claude Docs

Источник: Anthropic Claude Docs, Prompt engineering overview

Если модель регулярно ошибается на задаче, стоит проверить сам инструмент, состав контекста, интеграцию с данными и способ оценки. Переформулировка запроса полезна только тогда, когда причина действительно находится в запросе.

AI становится рабочим инструментом, когда команда осознанно выбирает модель, готовит контекст, ограничивает задачу и проверяет результат. Эти привычки дают больше, чем поиск универсального «волшебного промпта».