Пишете в бота: «Средний чек Москва, 2025 vs 2024, динамика в%» → Через 15 секунд получаете точный ответ с трендом.

Наша цель — не просто построить вопросно-ответную систему, а создать полноценного ассистента, который учитывает контекст и историю диалога. Например, если после первого запроса пользователь пишет: «А сгруппируй не по кластерам, а по магазинам», нам необходимо объединить предыдущие сообщения с новым уточнением. Для этого мы получаем историю из backend, определяем, является ли текущий запрос продолжением, и, если да — формируем краткое суммарное описание диалога. В противном случае передаём исходный запрос без изменений.

Также, при выборе модели, подходящей под использование на том или ином шаге мы учитываем сложность задачи - например, для перевода технических названий колонок на русский язык с учетом контекста запроса мы выбрали использование более легковесной модели: Qwen3-4B, чтобы ускорить работу системы. Для сложных этапов как, например, генерация SQL, мы используем модели побольше.

В начале 2025 я писал статью про “Универсальный промпт для нейросетей” для VC, лонгрид собрал сотни репостов и остается в топе популярных раздела AI. Но за полгода многое поменялось и пора разобраться c обновлениями GPT-5, Алисы, других нейросетей.

Начнем с шаблона под пятерку, пример промпта для которой я добавил к этому посту.

P — PURPOSE (Цель)
Мне нужно, чтобы ты [сформулируйте, что нужно сделать. Используйте глаголы действия и укажите, что является конечным результатом...]. Нужный уровень «reasoning_effort»: [выбрать из Minimal — для рутины, Medium — стандартные задачи, High — сложные кейсы/исследование].

R — ROLE (Роль)
Ты — [Кто?] и работаешь с [ключевые навыки/знания/ограничения по методам работы...].

O — ORDER OF ACTION (Порядок действий)
Перед ответом на мою задачу создай план из трех шагов: 1) исследование, 2) черновик ответа, 3) анализ и улучшение ответа. Делай шаги последовательно. Если тебе не хватает вводных от меня для качественного ответа, то задай мне не более трех вопросов для уточнения перед шагом 2 «Написание черновика». Предоставь краткий контрольный список «Готово», подтверждающий результаты каждого шага. Продолжай, пока план не будет полностью выполнен.

M — MOULD THE FORMAT (Формат)
Дай ответ в виде [Опишите желаемый формат результата. Укажите тип, структуру, элементы.]. 

P — PERSONALITY (Личность)
Нужный уровень «Verbosity»: [Выбрать из Low — кратко и по делу, Medium — сбалансированное объяснение, High — максимально детальный ответ с примерами.]. 

T — TIGHT CONTROLS (Жёсткий контроль)
[Тут по желанию ограничьте действия для экономии токенов или, наоборот, требуйте настойчивости, которая потратит весь лимит.]. 

class User:
    """Класс, описывающий пользователя продукта."""

    def __init__(self, user_id: int, os: str, orders: list[int]):
        """
        Args:
            user_id (int): Уникальный идентификатор пользователя.
            os (str): Операционная система (например, 'iOS' или 'Android').
            orders (list[int]): Список идентификаторов заказов пользователя.
        """
        self.user_id = user_id
        self.os = os
        self.orders = orders

    def is_active(self) -> bool:
        """Проверяет, есть ли у пользователя хотя бы один заказ."""
        return len(self.orders) > 0

class Experiment:
    def __init__(self, name, control, test, metric_name):
        self.name = name
        self.control = control
        self.test = test
        self.metric_name = metric_name

    def calc_mean(self, group):
        return group[self.metric_name].mean()

    def uplift(self):
        return (self.calc_mean(self.test) - self.calc_mean(self.control)) / self.calc_mean(self.control)

    def summary(self):
        return {
            "experiment": self.name,
            "uplift": round(self.uplift() * 100, 2),
            "control_mean": self.calc_mean(self.control),
            "test_mean": self.calc_mean(self.test),
        }

Но в крупных компаниях зачастую реализована своя A/B платформа, аналитику остается только делать дизайн эксперимента, подводить итоги и делать рекомендации... 🧐

class ConversionModel:
    def fit(self, df):
        ...
    def predict(self, new_data):
        ...