От нуля до работающего AI-продукта с оплатой за 10 недель — Рома РайтРаздел 2 · урок 1 из 5
12345уроки раздела 2
Раздел 2. Промпт-инжиниринг нового поколения — фреймворк, Claude Projects и Skills

Четырёхшаговый промпт-фреймворк — почему готовые шаблоны больше не работают

≈ 10 минРома Райт

Взял ты из телеграм-канала распиаренный промпт в одну строчку вроде «Дай мне 10 идей для бизнеса» или «Сделай продающий лендинг для моего сервиса», вставил в чат и получил в ответ стерильную воду, которую стыдно даже на черновик поставить. А если провести ту же задачу по четырёхшаговому конвейеру — от голосового исследования до пошаговой реализации, — через 48 минут и четыре промпта на экране лежит рабочий, живой лендинг для Yoolip.ai с проработанным УТП и сравнением с конкурентами, при том что руками не написано ни единой строчки кода.

Разница здесь не в секретных словах-заклинаниях и не в магии формулировок. Современным думающим моделям вроде Opus 4.6 и Sonnet 4.6 давно не нужны искусственные ритуалы из 2023 года — им нужен плотный контекст и правильная последовательность этапов.

Смерть «волшебных шаблонов»: почему чужой промпт без твоего контекста генерирует воду

Я сам за последние несколько лет перепробовал сотни, если не тысячи готовых шаблонов из блогов и чатов, пока не понял простую вещь: 99% того, что в интернете называют промптами, — это не инструкции, а просто идеи. Когда кто-то продаёт или раздаёт шаблон из трёх строк без контекста, модель не понимает ни твою аудиторию, ни экономику рынка, ни ограничения твоего продукта.

Сам Anthropic формулирует подход предельно просто: объясняй нейросети задачу так, как объяснял бы её новому сильному сотруднику. Представь, что к тебе в команду вышел компетентный специалист, который отлично знает маркетинг или разработку, но впервые слышит название твоей компании и не представляет, как устроен продукт.

Если бросить такому сотруднику фразу «сделай нам классный сайт», он либо сделает шаблонную заготовку, либо потратит время впустую. С нейросетью всё работает ровно так же: качество результата определяется не длиной хитрого заклинания, а тем, сколько фактуры ты загрузил на входе и разбил ли большую задачу на управляемые звенья.

КритерийСтарый промптинг (2023)Инженерия контекста (2026)
Основной фокусПоиск одной «идеальной» фразы или ролевого заклинанияСбор плотного контекста и цепочка специализированных промптов
Масштаб одного запросаВсё сразу: исследование, структура, текст, код и выводыСтрого одна задача на один промпт
Способ ввода задачиСухой текст с клавиатуры, сокращённый из-за лени печататьПотоковая голосовая надиктовка с максимум деталей
Работа с незнанием моделиМодель додумывает факты и выдаёт галлюцинацииВстроенное правило проверки файлов и запроса недостающих вводных
Итог на выходеОдноразовый усреднённый черновикПовторяемая система: отчёт, скилл, утверждённый прототип и готовый продукт

Даже компактный промпт должен опираться на шесть несущих опор: роль, конкретную задачу, контекст бизнеса, формат ответа, жёсткие ограничения и критерии качества. Тебе не нужно каждый раз выписывать эти шесть блоков вручную с нуля — ниже мы разберём, как собирать их за пару минут голосом через улучшатель промптов @raytsystem_bot.

Шаг 1 и Шаг 2: голосовое исследование контекста и компиляция рабочей базы знаний

Главная ошибка новичка — пытаться получить готовый лендинг, стратегию или модуль кода с первого же сообщения. Когда мне нужно было собрать новый продающий лендинг для Yoolip.ai (сервиса аналитики и автоматизации рекламы на маркетплейсе Ozon), я не стал сразу просить Claude сверстать index.html, потому что без опоры на рынок он сгенерировал бы обычный нейрослоп.

Вместо этого вся работа делится на четыре шага, где результат предыдущего этапа становится входом для следующего — как в матрёшке. На первых двух шагах мы не создаём конечный продукт, а добываем фактуру и превращаем её в систему знаний:

  1. Шаг 1 — Голосовое исследование рынка и задачи. Ты наговариваешь голосом всё, что крутится в голове: суть продукта, типы сайтов для разбора (например, сервисы аналитики, образовательные проекты, агентства услуг), на какие блоки смотреть и какие англоязычные блоги вроде medium.com изучить. Я намеренно опираюсь на английские источники, потому что в рунете слишком много рекламного шума на единицу полезной информации.
  2. Прогон сырого потока через улучшатель промптов. Ты берёшь хаотичную расшифровку голоса и отправляешь её в @raytsystem_bot — бот переводит бытовую речь на структурированный язык, понятный модели, и сам исправляет опечатки. Даже если при надиктовке слово «Claude» превратилось в кривую транслитерацию, улучшатель добавляет правило интерпретировать его корректно и собирает подробное задание на исследование.
  3. Запуск исследования в диалоге с Web Search. Полученный промпт уходит в обычный чат Claude (или в браузерного агента Perplexity, когда нужно быстро пройтись по закрытым страницам и аналитике YouTube). На выходе Claude синтезирует около 50 источников и выдаёт развёрнутый отчёт примерно на 3 000 строк с разбором блоков, офферов, триггеров доверия и призывов к действию.
  4. Шаг 2 — Компиляция базы знаний или скилла. Ты не оставляешь этот отчёт лежать мёртвым грузом в одном чате, а просишь Claude упаковать выводы в рабочий регламент — документ в Project или модульный Skill с библиотекой блоков, диагностическими вопросами и правилами сборки. Да, на старте это занимает на 10–15 минут больше, зато завтра, через неделю и через месяц любой следующий сайт соберётся в разы быстрее.

Четырёхшаговый промпт-фреймворк от голосового исследования контекста до управляемой реализации решения.

Почему обычный диалог с Web Search обходит Deep Research

Встроенные режимы глубокого исследования (Deep Research в Google и ChatGPT) нередко генерируют объёмную, но водянистую обзорную справку. Если тебе нужна прикладная фактура под конкретную задачу, запусти хорошо структурированный промпт в обычном диалоге Claude с включённым веб-поиском — и обязательно проверь, что переключатель поиска активен.

Голосовой ввод здесь — не просто вопрос удобства, а прямой рычаг качества. Когда ты печатаешь руками, из-за лени неизбежно вырезаешь половину нюансов, а когда говоришь вслух, выдаёшь живой поток деталей и примеров, при этом нейросети абсолютно всё равно на оговорки и шероховатости речи.

Для наглядности посмотри, как выглядят два базовых промпта для старта цепочки: первый запускает глубокое исследование до начала работы, а второй превращает добытый отчёт в повторяемую базу знаний.

[Промпт для Шага 1 — Исследование]
Задача: проведи глубокое исследование, каким должен быть продающий лендинг для онлайн-сервиса аналитики [название/ниша] в 2026 году.
Источники: опирайся в первую очередь на англоязычные разборы SaaS-продуктов, кейсы на medium.com и живые примеры лидеров рынка.
Что разобрать: структура первого экрана, формулировка УТП, блоки демонстрации интерфейса, отработка болей (Excel, рутина в личном кабинете маркетплейса), сравнение с конкурентами, форматы социального доказательства и призывы к действию (CTA).
Ограничения: не придумывай кейсы и цифры. Если не удаётся прочитать страницу или не хватает вводных о продукте — остановись и запроси данные у меня.
[Промпт для Шага 2 — Упаковка в базу]
На основе полученного отчёта собери структурированный Markdown-регламент (Skill / базу знаний) по проектированию лендингов для моего продукта.
Включи в него:
1. Обязательную последовательность блоков страницы и задачу каждого экрана.
2. Библиотеку готовых паттернов для блоков «Проблема → Решение», «Демо продукта», «Тарифы» и «FAQ».
3. Чеклист приёмки готового прототипа перед передачей в разработку.

В первом блоке обрати внимание на последнюю строку: она блокирует главную болезнь других моделей — привычку проигнорировать нечитаемый файл и выдумать ответ с потолка. Во втором блоке мы превращаем разовый ресёрч в переиспользуемый актив, поэтому на Шаге 3 модели уже не придётся каждый раз заново объяснять законы конверсии.

Шаг 3 и Шаг 4: согласование структуры решения до генерации и управляемая реализация

Когда база знаний и исследование готовы, мы не скачем сразу в редактор кода, а возвращаемся в тот же диалог с улучшателем промптов. Это важная хитрость: поскольку улучшатель уже помнит первый промпт и созданный регламент, он встраивает этот контекст в следующее звено цепочки.

На Шаге 3 ты ставишь задачу подготовить текстовый прототип или структуру будущего решения, причём запускаешь этот промпт внутри нужного проекта в Claude, где уже загружена проектная документация (в случае Yoolip.ai — это документация на 2 000 строк, брендбук и список доменов). Модель сама проходит по файлам, сверяется с прошлыми диалогами, заглядывает в скилл и только потом выдаёт скелет страницы с готовыми УТП и отработкой болей селлеров.

Именно на этапе структуры нужно проверить логику и отсечь лишнее: например, для Yoolip.ai модель предложила прямое сравнение с конкурентами по именам, а я вовремя отметил, что такое сравнение лучше не публиковать, оставив только контраст с ручным трудом в Excel и ограничениями кабинета Ozon. Готовый прототип ты скачиваешь одним .md-файлом — это твой точный чертёж для финала.

  1. Перенеси утверждённый прототип в проектную папку. Положи скачанный Markdown-файл в новый или рабочий проект в Cursor или VS Code, чтобы агент в редакторе опирался на утверждённый план, а не придумывал тексты на ходу.
  2. Собери промпт для Шага 4 — реализации. Попроси Claude составить задание для Claude Code на основе прототипа и UI Kit, обязательно уточнив технологический стек (например, что это чистый статический лендинг на index.html с нуля, а не доработка основного приложения).
  3. Запусти генерацию на максимальной думающей модели. Выбери Opus 4.6 с максимальным усилием размышления и отправь собранный промпт вместе со ссылкой на локальный файл прототипа.
  4. Прими рабочий результат и доработай визуал точечно. Через считанные минуты агент поднимает локальный дев-сервер с готовой страницей, куда остаётся только подставить логотип и сгенерированные картинки под блоки.
Правило скорости 80% против бесконечной полировки

При работе с нейросетями выигрывает скорость итераций, а не перфекционизм на промежуточных шагах. Если исследование или прототип закрывает задачу на 80% верно — не вычитывай каждую запятую, двигайся дальше по цепочке, а финальную правку вноси уже на готовом продукте.

Пройдя эту связку целиком, ты начинаешь мыслить не отдельными запросами, а пайплайном, где на каждом звене у модели ровно одна задача и полный контекст от предыдущего этапа. При этом разные инструменты спокойно дополняют друг друга: например, надиктовывать текст мне часто удобнее в голосовом вводе ChatGPT или через Wispr Flow, улучшать формулировку в @raytsystem_bot, быстрый поиск по страницам делать в Perplexity, а всю тяжёлую логику, структуру и разработку вести в Claude.

Техника обратного брифинга: как заставить Claude самому вытащить из тебя недостающие вводные

Даже с хорошим четырёхшаговым планом ты всё равно будешь забывать важные детали — просто потому, что они кажутся тебе очевидными. Если оставить такие слепые зоны, модель либо угадает наугад, либо уедет не в тот стек, как это бывает, когда вместо нового одностраничника агент начинает встраивать лендинг внутрь архитектуры основного сервиса.

Чтобы полностью закрыть эту дыру, в конце любого серьёзного промпта используй технику обратного брифинга. Вместо того чтобы требовать немедленный ответ, прикажи модели сначала задать тебе 10–15 уточняющих вопросов и запрети приступать к работе, пока не получишь твои ответы.

Прежде чем предлагать архитектуру, структуру или писать код, изучи приложенные вводные и задай мне 10–15 уточняющих вопросов о продукте, целевой аудитории, ограничениях и ожидаемом результате.
Правила работы:
- Задавай вопросы порциями по 5 штук, чтобы мне было удобно отвечать голосом.
- Если не можешь открыть файл или в моих словах есть противоречие — прямо укажи на это.
- Не приступай к реализации, пока я не подтвержу ответы и не дам команду переходить к следующему шагу.

Такой короткий блок полностью переворачивает роль ИИ: из исполнителя, который молча гадает на кофейной гуще, Claude превращается в въедливого арт-директора или техлида. Ты отвечаешь на его вопросы голосом за пять минут, и на стол ложится решение, в котором не приходится переписывать половину смысла.

Главный принцип этого фреймворка прост: качество ответа нейросети всегда равно сумме твоего контекста и точности декомпозиции на четыре этапа (исследование → база → структура → реализация). Возьми прямо сейчас свою ближайшую рабочую задачу — сайт, рассылку, анализ ниши или прототип функции — и проверь себя: сможешь ли ты разбить её на эти четыре звена, прежде чем нажать Enter? А чтобы собранный контекст не исчезал каждый раз после закрытия вкладки, в следующем уроке мы уберём его в долгосрочную память Claude Projects.