🎯 О чём этот конспект: Разбор фундаментальных принципов составления инструкций для автономных AI-агентов (Claude Code, Codex, Cursor). Автор объясняет механику работы LLM через токены и предлагает 5 практических правил, которые превращают промпт из «волшебного заклинания» в четкое техническое задание.

👤 Кому будет полезно: Вайбкодерам, разработчикам и предпринимателям, которые используют ИИ для создания IT-продуктов и хотят минимизировать галлюцинации нейронок при написании сложного кода.

✨ Что получите: Методологию создания предсказуемых AI-агентов, умение обходить ограничения контекстного окна и готовую стратегию для реализации крупных проектов через субагентов и цели (goals).

1. Никаких абстракций: Требования вместо фантазий

Контекст: Самая частая ошибка — давать ИИ слишком общее описание задачи (например, «сделай умный календарь»). Модель в таких случаях начинает «фантазировать», создавая бесполезные HTML-заглушки без логики и интеграций. Чтобы агент работал эффективно, нужно описывать конкретные механизмы: с какими API взаимодействовать, какие данные хранить и какие ограничения соблюдать.

Тайминг: [03:27]

Выгода: Получение работающего функционала с первого раза, отсутствие «мусорного» кода и четкое соответствие бизнес-логике.

Как применить:

• Шаг 1: Определите интеграции — Укажите конкретные инструменты (например, Apple Calendar API, локальная база данных SQLite).
• Шаг 2: Опишите логику «умности» — Вместо слова «умный» пропишите алгоритм оценки сложности задачи в часах через LLM.
• Шаг 3: Задайте границы — Укажите лимиты (например, задача не может быть дольше 3 часов) и рабочие диапазоны времени.

Пример промпта:

Создай приложение для букинга слотов в Apple Calendar (MacOS). 
Задача — это текст, который должен быть расставлен по свободным дням. 
Логика: при создании задачи запусти оценку сложности через LLM (от 15 мин до 3 часов). 
Если оценка > 3 часов — выдай ошибку. 
Если норм — бронируй ближайшее свободное время в диапазоне с 9:00 до 18:00, исключая обед с 12:00 до 13:00.

Результат: Агент создает консольную или GUI утилиту, которая реально взаимодействует с системой и соблюдает ваши правила.

2. Императивный подход: Описывайте «Как», а не только «Что»

Контекст: Декларативный промпт («сделай бота-модератора») часто упускает детали реализации, например, реакцию на изменение уже отправленных сообщений. Императивный подход заставляет вас продумать полный алгоритм: триггеры, циклы и условия. Это позволяет обнаружить дыры в логике еще до написания первой строки кода.

Тайминг: [05:38], [06:44]

Выгода: Исключение «дыр» в безопасности и логике приложения. Модель становится переводчиком вашей идеи на язык кода, а не архитектором, который может ошибиться.

Как применить:

• Шаг 1: Определите триггеры — Укажите, на какие события должен реагировать агент (onMessage, onEdit, onStart).
• Шаг 2: Пропишите пошаговый алгоритм — Используйте конструкцию «Если условие], то действие], иначе действие]».

Пример промпта:

Создай Telegram бота-модератора. 
Алгоритм: 
1. Отслеживай события 'new_message' и 'edit_message'. 
2. При получении текста отправляй его в LLM с вопросом: "Содержит ли текст хейт в сторону аниме?". 
3. Если LLM возвращает true — немедленно удали сообщение. 
4. Если false — ничего не делай. 
Токен бота: [ВАШ_ТОКЕН].

Результат: Бот корректно обрабатывает даже отредактированные сообщения, которые обычный «декларативный» бот пропустил бы.

3. Язык промпта: Суть важнее формата

Контекст: Качество генерации выше на популярных языках (английский, русский, китайский). Если вы носитель русского языка, вам будет проще выразить сложные требования именно на нем. Современные фронтир-модели (GPT-4o, Claude 3.5 Sonnet) отлично понимают русский и не теряют в качестве кода по сравнению с английскими промптами.

Тайминг: [08:06], [08:55]

Выгода: Повышение точности инструкций за счет использования нюансов родного языка.

Как применить:

• Шаг 1: Используйте родной язык — Если это высокоресурсный язык (русский входит в топ), пишите на нем для максимальной точности формулировок.
• Шаг 2: Выбирайте популярные стеки — Для кода лучше использовать Python или JavaScript/TypeScript, так как на них обучалось большинство моделей.

Результат: Вы тратите меньше времени на перевод своих мыслей и получаете более точный код.

4. Управление контекстным окном: Субагенты и Goals

Контекст: Оперативная память LLM (контекстное окно) ограничена. При выполнении длинных задач модель начинает «забывать» начало инструкции или сжимать данные, теряя точность. Для решения этой проблемы нужно использовать субагентов (параллелизация) и цели (goals), которые удерживают фокус модели.

Тайминг: [09:18], [09:40]

Выгода: Возможность реализовывать масштабные проекты (20,000+ строк кода или данных) без потери качества.

Как применить:

• Шаг 1: Настройте параллелизм — В конфигах агента (например, в Codex) увеличьте лимиты потоков.
• Шаг 2: Используйте субагентов — Поручите главному агенту распределить задачи между «рабочими».
• Шаг 3: Установите измеримую цель (Goal) — Опишите результат, который можно проверить (например, «собака должна дойти до финиша»).

Пример настройки конфига:

Результат: Агент может генерировать огромные объемы уникального контента (например, тысячи анекдотов на разные темы) одновременно, не выходя за рамки контекста.

5. Петля обратной связи и самопроверка

Контекст: Агенты склонны выдавать «кое-как работающий» код за успех. Чтобы этого избежать, в промпт нужно встраивать правила самопроверки: запуск тестов, линтеров или визуальную оценку результата.

Тайминг: [10:55], [11:13]

Выгода: Автоматическое исправление ошибок на этапе разработки, а не после запуска в продакшн.

Как применить:

• Шаг 1: Задайте критерии успеха — Опишите, что именно считается выполненной задачей (отсутствие глитчей, прохождение тестов).
• Шаг 2: Интегрируйте проверки — Требуйте от агента написания и запуска Unit-тестов после каждого изменения.

Пример промпта для Goal:

Цель: Написать симуляцию эволюции 3D-существ. 
Критерий успеха: Существо должно научиться ходить и достичь финиша только после 100+ эпох обучения. 
Если оно доходит с первой попытки — это баг, переделай логику физики.

Результат: Агент сам итерирует код, пока не добьется реалистичного поведения программы.

FAQ

В: Почему мой агент пишет код, который не работает, хотя промпт был длинным? О: Скорее всего, промпт был декларативным («фантазией»). Перепишите его в императивном стиле: опишите пошагово, как программа должна обрабатывать данные и какие инструменты использовать.

В: На каком языке лучше писать промпты для Claude 3.5 Sonnet? О: Если вы хорошо владеете русским, пишите на нем. Для фронтир-моделей разница в качестве кода между русским и английским промптом минимальна, но на родном языке вы опишете требования точнее.

В: Что делать, если проект слишком большой для контекстного окна? О: Используйте субагентов. Разбейте задачу на независимые модули и попросите главного агента делегировать их выполнение. Также используйте goals для фиксации ключевых требований.

В: Как заставить агента не «галлюцинировать» при написании сложных алгоритмов? О: Используйте Spec Driven Development. Сначала напишите подробную текстовую спецификацию (документацию) проекта, и только потом просите ИИ реализовать её в коде.

В: Зачем нужны линтеры и тесты в промпте? О: В интерпретируемых языках (Python, JS) ошибки часто всплывают только в специфических кейсах. Автоматизированная проверка заставляет агента исправлять баги до того, как вы их заметите.

Ресурсы и ссылки

• Mellow — Платформа для работы с международными исполнителями и легальных выплат — https://mellow.io/
• Mellow MCP — Протокол для подключения финансовых инструментов Mellow в Cursor/Claude — упомянут в видео
• Codex / Claude Code — AI-агенты для терминала и кодинга — упомянуты в видео
• Клуб Вайбкодеров — Сообщество с эксклюзивными промптами и исходниками — упомянут в видео

Конспект создан на основе видео «5 Правил Промптинга для AI Агентов» канала Олег (вайбкодер). Все права на оригинальный материал принадлежат авторам. Источник: https://youtu.be/iZXi1si4sjo