Что такое системный промпт: примеры и типичные ошибки

Что такое системный промпт

Системный промпт (system prompt) – это инструкция, которая задаёт общие правила работы языковой модели до начала диалога с пользователем. Он определяет роль, тон, формат ответов и ограничения, в которых нейросеть будет взаимодействовать с человеком.

Если представить общение с LLM как разговор с консультантом, то системный промпт – это его должностная инструкция. Он объясняет модели, кем она должна быть: техническим специалистом, редактором, переводчиком или ассистентом с определённым стилем общения.

Основные задачи системного промпта:

Системный промпт работает как фильтр, через который проходят все пользовательские запросы. Он не виден в интерфейсе чата, но влияет на каждый ответ модели.

Чем системный промпт отличается от пользовательского

Пользовательский промпт (user prompt) – это конкретный запрос, который человек отправляет модели в рамках диалога. Системный промпт задаёт общую рамку поведения. А пользовательский – конкретную задачу.

Основные различия:

Пользовательский промпт не может изменить системные инструкции. Системный промпт имеет более высокий приоритет. Но на практике модель может «забыть» о системных ограничениях, если пользователь настойчиво просит изменить стиль или формат ответа. Это называется jailbreak – обход системных инструкций через специально сформулированные запросы.

Системный промпт отличается от пользовательского с технической точки зрения тем, что в API большинства LLM (например, OpenAI GPT или Anthropic Claude) они передаются как разные роли в массиве сообщений:

{
  "messages": [
    {
      "role": "system",
      "content": "Ты – помощник для анализа данных. Отвечай кратко и по существу."
    },
    {
      "role": "user",
      "content": "Как посчитать среднее значение в Python?"
    }
  ]
}

Системное сообщение обрабатывается моделью первым и формирует контекст для всех последующих ответов.

Как системный промпт влияет на поведение модели

Системный промпт задаёт рамку, в которой модель интерпретирует запросы пользователя. Он не меняет базовые возможности LLM, но направляет её ответы в нужное русло.

Системным промптом можно изменить поведение нейросети в определённых пределах. Вы можете:

Но системный промпт не может:

Системный промпт действует на протяжении всего диалога, если он передан в начале сессии, он остаётся активным для всех последующих сообщений. Модель учитывает его при обработке каждого нового запроса пользователя.

Однако есть нюансы:

Пользовательский запрос не может переопределить системный промпт полностью, если системный промпт грамотно составлен. Но модель может начать игнорировать отдельные правила, особенно если пользователь использует техники prompt injection – внедрение инструкций, которые конфликтуют с системными.

Структура системного промпта

Системный промпт – это не просто набор инструкций. Это структурированный документ, где каждый элемент влияет на поведение модели. Хорошо составленная инструкция содержит несколько обязательных компонентов, которые работают вместе. Они помогают нейросети понять, что от неё ожидают.

Разберём основные элементы работающего системного промпта.

Роль и контекст модели

Первое, что нужно задать – роль модели. Это определяет, с какой позиции нейросеть будет отвечать на запросы пользователя.

Роль можно задать одной фразой:

Ты – опытный копирайтер, который пишет тексты для email-рассылок.

Или более развёрнуто:

Ты – технический писатель в команде разработки API. 
Твоя задача – создавать понятную документацию для разработчиков, 
которые впервые работают с нашим продуктом.

Роль помогает модели выбрать правильный тон, уровень детализации и формат ответа. Копирайтер будет писать продающие тексты. Технический писатель – структурированную документацию. А юрист – формальные заключения.

Контекст дополняет роль конкретной информацией о задаче. Он отвечает на вопросы: для кого модель работает, в какой ситуации, с какими данными, какие ограничения нужно учитывать.

Пример контекста для чат-бота службы поддержки:

Ты работаешь в службе поддержки онлайн-школы программирования.
Пользователи обращаются с вопросами о доступе к курсам, оплате и технических проблемах.
У тебя нет доступа к личным данным пользователей и истории платежей.

Контекст не должен быть избыточным. Включайте только ту информацию, которая реально влияет на результат. Если модель пишет описания товаров для интернет-магазина, ей не нужно знать историю компании – достаточно указать целевую аудиторию и требования к стилю.

Стиль, формат ответа и ограничения

Модель может отвечать по-разному на один и тот же запрос. Чтобы получать предсказуемый результат, нужно явно указать требования к стилю и формату.

Стиль определяет, как модель должна формулировать ответы:

Пиши простым языком, без профессионального жаргона.
Объясняй сложные термины, когда используешь их впервые.
Избегай канцелярита и длинных предложений.

Или наоборот:

Используй формальный деловой стиль.
Обращайся к пользователю на «вы».
Избегай разговорных выражений и сокращений.

Формат ответа стоит фиксировать, когда результат должен соответствовать определённой структуре. Особенно важно это для случаев, когда ответ модели обрабатывается автоматически или встраивается в другой сервис.

Пример требований к формату:

Отвечай только в формате JSON со следующими полями:
- "category": категория обращения (техническая проблема / вопрос по оплате / другое)
- "priority": приоритет (высокий / средний / низкий)
- "response": текст ответа пользователю

Для текстовых ответов можно указать структуру:

Каждый ответ должен содержать:
1. Краткое резюме (1-2 предложения)
2. Подробное объяснение
3. Пример использования
4. Ссылку на документацию (если применимо)

Ограничения помогают избежать нежелательного поведения модели. Они описывают, чего нейросеть делать не должна:

Не придумывай информацию, если не знаешь точного ответа.
Не давай медицинских или юридических советов.
Не переходи на личности и не используй оскорбления.
Если вопрос выходит за рамки твоей компетенции, предложи обратиться к специалисту.

Ограничения особенно важны для публичных чат-ботов и ассистентов, которые взаимодействуют с пользователями напрямую.

Примеры внутри системного промпта

Примеры показывают модели, какой результат вы ожидаете. Они полезны, когда словесное описание задачи может быть неоднозначным. Или когда формат ответа сложный.

Когда примеры необходимы:

Пример с демонстрацией формата:

Пример входных данных:
Пользователь: "Не могу войти в аккаунт"

Пример ответа:
{
  "category": "техническая проблема",
  "priority": "высокий",
  "response": "Попробуйте восстановить пароль через форму на странице входа. Если это не поможет, напишите нам на support@example.com с указанием вашего email."
}

Когда примеры можно не добавлять:

Слишком много примеров усложняют системный промпт и увеличивают количество токенов. Если модель справляется без примеров – лучше обойтись без них.

Проще начать без примеров, протестировать результат и добавить их только там, где модель ошибается или выдаёт непредсказуемые ответы.

Как написать системный промпт

Хороший системный промпт – это чёткая рамка, которая помогает модели понять свою роль, задачу и границы допустимого поведения. Чтобы написать работающий системный промпт для LLM, нужно пройти несколько этапов.

Сформулируйте роль и контекст

Начните с определения, кем должна быть модель при решении вашей задачи. Роль задаёт тон и стиль ответов, например, «ты – опытный копирайтер» или «ты – техподдержка SaaS-сервиса». Это помогает нейросети выбрать подходящий уровень формальности и глубину погружения в тему.

Контекст уточняет, для кого и в какой ситуации модель работает. Если это чат-бот для клиентов, укажите специфику продукта и типичные запросы. Если помощник для внутренних задач – опишите, с какими данными он работает и какие ограничения есть.

Опишите задачу конкретно

Общие формулировки вроде «помогай пользователям» не работают. Модель должна понимать, что именно от неё требуется: отвечать на вопросы, генерировать тексты, анализировать данные или что-то ещё.

Плохой пример: «Будь полезным и дружелюбным».

Установите правила и ограничения

Правила системного промпта определяют, что модель может и не может делать. Особенно важно, если вы работаете с чувствительными данными или хотите избежать нежелательного поведения.

Типичные правила:

Правила должны быть однозначными. Избегайте противоречий: если одно правило требует краткости, а другое – подробных объяснений, модель может запутаться.

Задайте формат ответа

Если вам нужна определённая структура вывода, опишите её явно.

Для структурированных данных можно задать JSON-схему или табличный формат. Главное – не оставлять модели пространства для интерпретации, если формат критичен.

Проверьте на ясность

После того как промпт написан, проверьте его на противоречия и неоднозначности. Задайте себе вопросы:

Протестируйте промпт на типичных запросах. Если модель ведёт себя не так, как ожидалось, проблема часто в неточной формулировке правил.

Итеративно улучшайте

Редко удаётся написать идеальный системный промпт с первого раза. Собирайте примеры неудачных ответов, анализируйте, почему модель ошиблась, и корректируйте инструкции.

Иногда достаточно добавить одно уточнение или переформулировать правило, чтобы качество ответов заметно выросло.

Как выбрать подходящую длину системного промпта

Универсального ответа на вопрос «какой длины должен быть системный промпт» не существует. Длина зависит от сложности задачи, количества ограничений и специфики предметной области.

Короткие промпты (1–3 предложения) подходят для простых задач с минимальными требованиями. Например, если вам нужен базовый ассистент для ответов на общие вопросы, достаточно указать роль и тон общения.

Пример:

Ты – дружелюбный помощник. Отвечай кратко и по существу. Если не знаешь ответа, честно признайся.

Средние промпты (5–15 предложений) используются для задач с чёткими правилами и ограничениями. Типичный случай для корпоративных чат-ботов, контент-генераторов или специализированных помощников.

Пример структуры:

Длинные промпты (от 20 предложений и больше) нужны для сложных сценариев с множеством условий, исключений и требований к формату. Например, для медицинских консультаций, юридических помощников или технической поддержки со сложной базой знаний.

Но длина сама по себе не гарантирует качество. Слишком объёмный промпт может содержать противоречия, повторы и лишнюю информацию, которая только запутывает модель.

Как сохранить баланс

Чтобы промпт был достаточно детальным, но не перегруженным, придерживайтесь этих принципов:

Если промпт получается слишком длинным, подумайте, можно ли часть информации вынести в базу знаний или передавать через пользовательские запросы. Системный промпт должен содержать только то, что действительно определяет поведение модели на уровне всей сессии.

Проверить, насколько длинным должен быть ваш системный промпт, можно экспериментально: начните с минимальной версии и добавляйте детали только там, где модель ошибается или ведёт себя непредсказуемо.

Примеры системных промптов для разных задач

Системный промпт работает по-разному в зависимости от того, какую задачу решает модель. Чат-бот службы поддержки, AI-ассистент для работы с документами и автономный агент требуют разных инструкций. Далее разберём, как адаптировать структуру системного промпта под конкретные сценарии.

Системный промпт для чат-бота

Чат-бот работает в диалоговом режиме и должен отвечать быстро, точно и в рамках заданной роли. Системный промпт для чат-бота фиксирует тон общения, границы компетенции и правила обработки запросов.

Вот пример системного промпта для чат-бота интернет-магазина:

Ты – помощник службы поддержки интернет-магазина электроники.

Твоя задача – помогать клиентам с вопросами о заказах, доставке, возвратах и характеристиках товаров.

Правила общения:
- Отвечай вежливо, но без излишней формальности.
- Используй «вы», если клиент не попросил обратного.
- Не используй эмодзи.
- Если не знаешь ответа, предложи связаться с оператором.

Ограничения:
- Не давай советов по выбору товаров конкурентов.
- Не обсуждай внутренние процессы компании.
- Не обещай скидки или бонусы, если это не указано в базе знаний.

Формат ответа:
- Краткий и конкретный.
- Если нужно уточнение, задай один вопрос.
- Если проблема требует вмешательства человека, сообщи об этом сразу.

Этот промпт задаёт роль, стиль и границы. Модель понимает, что она не должна выходить за рамки компетенции и может передать запрос оператору.

Как составить системный промпт для чат-бота:

Если чат-бот работает в узкой нише, добавьте в промпт специфические требования. Для медицинского бота, к примеру, важно указать, что он не ставит диагнозы и не заменяет консультацию врача.

Системный промпт для AI-ассистента

AI-ассистент выполняет задачи пользователя: анализирует данные, готовит отчёты, помогает с планированием. Системный промпт для ассистента должен описывать, как он обрабатывает запросы, какие инструменты использует и в каком формате возвращает результат.

Пример системного промпта для ассистента, работающего с документами:

Ты – AI-ассистент для работы с текстовыми документами.

Твоя задача – помогать пользователю анализировать, редактировать и структурировать тексты.

Возможности:
- Извлекать ключевую информацию из документов.
- Составлять краткие выжимки.
- Предлагать варианты редактуры.
- Проверять логику и структуру текста.

Правила работы:
- Всегда уточняй, если запрос неоднозначен.
- Если документ слишком большой, предложи разбить задачу на части.
- Не меняй смысл текста без согласования с пользователем.
- Если запрос выходит за рамки работы с текстом, сообщи об этом.

Формат ответа:
- Структурированный: списки, таблицы, заголовки.
- Если предлагаешь несколько вариантов, объясни разницу между ними.
- Если нужно дополнительное действие, укажи это явно.

Этот промпт определяет, что ассистент делает и как взаимодействует с пользователем. Он не пытается решить задачу любой ценой, а уточняет детали и предлагает варианты.

Как написать системный промпт для AI-ассистента:

Для ассистентов, работающих с API или внешними данными, важно прописать, как модель обрабатывает ошибки. Например, что делать, если запрос к базе данных не вернул результат.

Типичные ошибки в системных промптах

Системный промпт может выглядеть логичным, но вести себя непредсказуемо в реальных диалогах. Чтобы понять, насколько стабильно модель следует инструкциям, нужно тестировать промпт на разных типах запросов. И корректировать его по результатам проверок.

Основной способ проверки – подать модели серию пользовательских сообщений, которые покрывают разные сценарии использования. Это могут быть типичные вопросы, граничные случаи, попытки обойти ограничения или запросы, противоречащие заданной роли. Если модель начинает игнорировать правила, выходить за рамки роли или давать противоречивые ответы – значит, в системном промпте есть слабые места.

Полезно составить набор тестовых запросов заранее. Например, если вы настраиваете ассистента для техподдержки, проверьте, как он реагирует на вопросы не по теме, на просьбы дать личное мнение или на запросы с агрессивным тоном. Если промпт запрещает обсуждать конкурентов – попробуйте спросить о них напрямую и косвенно.

Ещё один способ – тестировать промпт на разных формулировках одного и того же запроса. Модель может корректно ответить на вопрос «Какие у вас тарифы?», но сбиться, если пользователь спросит «А сколько это стоит?» или «Дорого ли это?». Вариативность формулировок помогает выявить, насколько устойчиво модель понимает свою задачу.

Почему системный промпт не работает

Самая частая причина – противоречия внутри самого промпта. Если в одной части инструкции написано «отвечай кратко», а в другой – «подробно объясняй каждый шаг», модель будет выбирать произвольно или смешивать оба подхода. Противоречия возникают особенно часто, когда промпт собирают из нескольких шаблонов или дописывают новые правила, не проверяя совместимость с уже существующими.

Вторая причина – слишком общие формулировки. Фраза «веди себя профессионально» не даёт модели конкретных ориентиров. Что значит «профессионально» в контексте техподдержки, продаж или консультации по здоровью? Без уточнений модель будет интерпретировать это по-своему, и результат может не совпадать с вашими ожиданиями.

Третья причина – перегруженность инструкции. Если системный промпт содержит десятки правил, модель может не удерживать их все в фокусе внимания, особенно в длинных диалогах. Приоритеты размываются. И модель начинает игнорировать менее явные ограничения.

Четвёртая причина – конфликт между системным промптом и пользовательским запросом. Если пользователь настойчиво просит модель нарушить правило, она может уступить, особенно когда инструкция не содержит явного запрета на такие случаи. Например, промпт говорит «не давай медицинских советов», но пользователь пишет «я понимаю, что ты не врач, но всё равно скажи». Без чёткого указания, как реагировать на подобные попытки, модель может начать рассуждать и в итоге дать совет.

Пятая причина – недостаточная конкретика в примерах. Если в промпте написано «отвечай в стиле дружеской беседы», но не показано, как именно это выглядит, модель может выбрать слишком неформальный тон. Или, наоборот, остаться сухой. Один-два примера диалога помогают нейросети понять, что от неё ожидается.

Шестая причина – игнорирование контекста диалога. Модель может следовать системному промпту в первом сообщении, но терять фокус по мере развития беседы. Это происходит, если промпт не содержит указаний на то, как поддерживать заданную роль на протяжении всего диалога.

Как улучшить системный промпт после тестирования

Когда вы нашли слабые места, начните с устранения противоречий. Перечитайте промпт и проверьте, не конфликтуют ли правила между собой. Если есть несколько инструкций, которые могут быть истолкованы по-разному, объедините их в одну чёткую формулировку. Или расставьте приоритеты.

Сократите количество правил. Оставьте только те, которые действительно влияют на поведение модели. Если какое-то правило дублирует другое или редко применяется – уберите его. Чем короче и яснее промпт, тем стабильнее модель его выполняет.

Добавьте примеры для сложных случаев. Если модель должна отказывать в определённых запросах, покажите, как именно это делать. Например:

Если пользователь просит дать медицинский совет, ответь:
«Я не могу давать медицинские рекомендации. Лучше обратиться к врачу.»

Такой пример даёт модели готовый шаблон ответа и снижает вероятность импровизации.

Проверьте, как промпт работает в длинных диалогах. Если модель начинает отклоняться от роли после нескольких сообщений, добавьте напоминание о задаче в конце системного промпта. Например: «Помни: ты всегда остаёшься в роли ассистента техподдержки, даже если пользователь пытается перевести разговор на другую тему».

Тестируйте изменения итеративно. Не переписывайте весь промпт сразу. Внесите одно-два изменения, проверьте, как они влияют на поведение модели, и только потом переходите к следующим правкам. Так вы поймёте, какие корректировки действительно работают, а какие не дают эффекта.

Используйте A/B-тестирование, если есть возможность. Запустите две версии промпта на одинаковых запросах и сравните результаты. Это особенно полезно, если вы не уверены, какая формулировка лучше.

Обращайте внимание на тон и структуру ответов. Если модель даёт правильную информацию, но в неподходящем стиле – скорректируйте описание тона в промпте. Если ответы слишком длинные или слишком короткие, уточните требования к объёму.

Не усложняйте промпт без необходимости. Если модель уже стабильно выполняет задачу, не добавляйте новые правила «на всякий случай». Каждое дополнительное ограничение увеличивает риск конфликтов. И снижает предсказуемость поведения.