Тема 1.2. Запросы к языковой модели для инженерных задач
Модель отвечает на тот вопрос, который ей задали. Если в запросе нет исходных данных, она подставит типовые. Если не сказано, в каком виде нужен ответ, получится связный текст на полторы страницы, из которого цифры придётся выписывать руками. Поэтому исходные данные, ограничения и нужный вид ответа лучше указать сразу.
1. Из чего состоит хороший запрос
Удобно держать в голове шесть частей. Не в каждом запросе нужны все, но если ответ не устраивает, сначала стоит проверить, какой из них не хватило.
| Часть | Что написать | Пример для учебного узла ЭС-24 |
|---|---|---|
| Контекст | Кто вы и о чём речь | «Я инженер-электрик, разбираю замечания по испытаниям системы электроснабжения 24 В грузового автомобиля» |
| Задача | Что нужно получить | «Предложи возможные причины замечания З-2 и способы их проверить» |
| Исходные данные | Факты, на которые модель должна опираться | Описание узла, пункт 4.3 ТЗ, текст замечания с цифрами |
| Ограничения | Чего делать не надо, что считать заданным | «Генератор и батареи исправны, их не рассматривай. Не предлагай замену узлов без проверки» |
| Формат ответа | Как оформить | «Таблица: причина – как проверить – чем измерить – ожидаемый результат» |
| Критерии проверки | По чему вы поймёте, что ответ годится | «Отдельно объясни превышение 40 мА и снижение тока с 85 до 62 мА. Допускай сочетание нескольких причин и укажи, какие измерения их различат» |
Критерии проверки задают модели понятную цель и помогают вам оценить ответ.
2. Приёмы, которые помогают
Давать все исходные данные сразу. Модель не знает вашего узла. Если данных не хватает, она подставит типовые предположения, которые могут оказаться неподходящими. Цифры из замечаний и номера пунктов ТЗ лучше вставить в запрос, чем пересказывать.
Разбивать задачу на шаги. Вместо «разберись с замечанием» можно попросить по очереди: сначала сравнить измеренное с требованием, потом перечислить причины, потом план проверки. Каждый шаг проще проверить. На этом приёме построены методы декомпозиции задачи, которые описаны в исследованиях: сначала план или более простые подзадачи, затем выполнение по пунктам [8], [14].
«The key idea in this strategy is to break down a complex problem into a series of simpler subproblems and then solve them in sequence.»
Перевод: «Основная идея этого подхода – разбить сложную задачу на ряд более простых подзадач и решать их последовательно.» – Zhou и соавт., 2022, препринт arXiv [14]
«Despite the success of Zero-shot-CoT, it still suffers from three pitfalls: calculation errors, missing-step errors, and semantic misunderstanding errors.»
Перевод: «Несмотря на успех рассуждения по шагам без примеров, у него остаются три слабых места: ошибки в вычислениях, пропущенные шаги и ошибки понимания смысла.» – Wang и соавт., 2023, препринт arXiv [8]
Показать образец. Одна заполненная строка таблицы объясняет формат лучше абзаца описания. Модель повторит структуру, единицы измерения и уровень подробности.
Просить таблицу. Таблицу проще сверить с документом, чем сплошной текст. Если ответ будет использоваться дальше, сразу назовите столбцы.
Разрешить модели задавать вопросы. Фраза «если данных не хватает, сначала задай мне уточняющие вопросы» меняет поведение: вместо догадок модель спрашивает про температуру, режим измерения, комплектацию.
Просить ссылку на источник внутри ваших данных. «Для каждого вывода укажи пункт ТЗ или номер замечания, на который опираешься». Ссылку на пункт легко проверить, и выдуманный пункт сразу заметен.
Дорабатывать запрос по ответу. Первый ответ редко бывает окончательным. Если модель ушла не туда, лучше уточнить запрос в том же диалоге: «не рассматривай генератор, сосредоточься на потребителях стоянки». Не нужно начинать всё заново. Когда диалог запутался, полезно открыть новый чат и сразу дать полный исправленный запрос.
Фразы, которые задают границы ответа
К. Мокевнин в книге «Agentic Design Patterns» собрал короткие фразы, которые программисты вписывают в постоянные инструкции агента [21]. Они написаны для работы с кодом, но хорошо переносятся на инженерные запросы. По сути это и есть граничные условия для модели.
| Фраза из книги | Как сказать модели в инженерной задаче | Что меняется |
|---|---|---|
| «Предпочитайте проверку источников знаниям модели из обучения» | «Опирайся на приложенный документ, а не на общие знания. Если в документе этого нет, так и скажи» | Меньше выдуманных пунктов, значений и стандартов |
| «Явно называйте допущения, которые меняют поведение решения» | «Перечисли допущения, от которых зависит результат» | Видно, где модель додумала за вас |
| «Сообщайте, что проверено и что проверить не удалось» | «Отдельно напиши, что ты сверил с документом, а что нет» | Понятно, что проверять в первую очередь |
| «Найди и исправь причину ошибки» | «Ищи причину замечания, а не способ его закрыть» | Ответ про физику узла, а не про формулировку |
| «Предпочитай зрелые, поддерживаемые библиотеки самописным реализациям» | «Сначала предложи стандартные и покупные решения, потом – своё» | Меньше изобретения того, что уже есть |
| «Сохраняйте границы поставленной задачи» | «Не меняй то, о чём не просили» | При правке ТЗ или письма не переписаны соседние пункты |
Фразы не заменяют исходных данных и проверки: модель может написать «сверено» и ошибиться. Но они делают её работу видимой, и проверять становится проще.
3. Чего опасаться в самом запросе
Неверная посылка. Если в вопрос заложено ошибочное утверждение, модель обычно принимает его и развивает дальше. В исследовании каждый клинический вопрос дополнили одной выдуманной деталью. Модели подхватывали её в 50–82 % ответов в зависимости от модели и способа запроса. Дополнительная инструкция опираться только на подтверждённые сведения и прямо говорить о неопределённости снижала долю таких ответов в среднем с 66 до 44 %, но не до нуля [5]. Похожая картина описана для юридических вопросов: модели часто некритично соглашаются с неверными допущениями пользователя [6].
«While prompt engineering reduces errors, it does not eliminate them.»
Перевод: «Составление запросов уменьшает число ошибок, но не устраняет их.» – Omar и соавт., 2025 [5]
«we show that LLMs hallucinate at least 58% of the time, struggle to predict their own hallucinations, and often uncritically accept users’ incorrect legal assumptions.»
Перевод: «Мы показываем, что языковые модели галлюцинируют как минимум в 58 % случаев, плохо предсказывают собственные галлюцинации и часто некритично принимают неверные юридические допущения пользователей.» – Dahl и соавт., 2024 [6]
Спорить с моделью тоже нужно осторожно. В исследовании 2025 года трём популярным моделям задавали задачи по математике и медицинские вопросы, а затем возражали на их ответ. Модели меняли ответ под возражение пользователя в 58 % случаев, и почти в 15 % случаев – с верного на неверный. Чаще всего верный ответ ломался, когда возражение подкрепляли ссылкой на источник [25]. Если ответ вызывает сомнение, проверьте его сами, а если спорите – давайте модели исходные данные, а не своё мнение.
«Sycophantic behavior was observed in 58.19% of cases… Progressive sycophancy, leading to correct answers, occurred in 43.52% of cases, while regressive sycophancy, leading to incorrect answers, was observed in 14.66%.»
Перевод: «Угодливое поведение наблюдалось в 58,19 % случаев… Угодливость, приводившая к верному ответу, встречалась в 43,52 % случаев, а приводившая к неверному – в 14,66 %.» – Fanous и соавт., 2025 [25]
Вывод для инженера: допущения нужно писать как допущения («предположим, что генератор исправен»), а не как факты. Полезно отдельно попросить: «если какие-то из моих исходных данных противоречат друг другу или физике, скажи об этом».
Лишнее в запросе. Длинная переписка, вставленная целиком, мешает больше, чем помогает. Модель может зацепиться за случайную фразу. Оставляйте то, что относится к задаче.
Почему лишнее мешает, показывают и исследования. В работе 2024 года модели искали нужный факт среди многих документов в длинном запросе: лучше всего они справлялись, когда нужное стояло в начале или в конце, и заметно хуже – когда оно оказывалось в середине [22]. Поэтому задачу и ключевые цифры лучше ставить в начало запроса или повторять в конце.
«Performance is often highest when relevant information occurs at the beginning or end of the input context, and significantly degrades when models must access relevant information in the middle of long contexts, even for explicitly long-context models.»
Перевод: «Качество часто наивысшее, когда нужные сведения стоят в начале или в конце входного контекста, и заметно падает, когда модели нужно найти их в середине длинного контекста, даже у моделей, рассчитанных на длинный контекст.» – Liu и соавт., 2024 [22]
В другой работе к арифметическим задачам для школьников добавляли одну фразу, которая выглядит важной, но на решение не влияет. Авторы сообщили о снижении точности у всех проверенных моделей, у отдельных моделей падение достигало 65 % [23]. Позднейшая перепроверка оспорила статистическую обоснованность общих выводов этой работы, сила эффекта у разных моделей разная [24]. Вывод для инженера тот же: каждая лишняя фраза в запросе – шанс, что модель за неё зацепится.
«Adding a single clause that seems relevant to the question causes significant performance drops (up to 65%) across all state-of-the-art models, even though the clause doesn't contribute to the reasoning chain needed for the final answer.»
Перевод: «Добавление в вопрос одной фразы, которая кажется относящейся к делу, вызывает значительное падение качества (до 65 %) у всех современных моделей, хотя эта фраза не участвует в цепочке рассуждений, нужной для ответа.» – Mirzadeh и соавт., 2024, препринт arXiv [23]
Служебные сведения. С первого занятия правило одно: в сервисы отправляются только учебные и открытые материалы. Подробно о том, что и куда можно передавать, – в теме 2.1.
4. Как меняется работа с запросами в новых моделях
П. Гагарин в вебинаре о разработке с агентами (28.07.2026) описал три ступени работы с моделями [20]. Первая – инженерия запроса: как сформулировать один вопрос, какую роль, примеры и формат задать. Вторая – инженерия контекста: «не как спросить, а что показать модели», то есть какие документы и данные ей дать. Третья – инженерия цикла: не один ответ, а управляемый процесс со стадиями, проверками и границами для человека. Для инженера отсюда простой вывод. Хорошая формулировка важна, но ещё важнее, какие исходные данные получила модель и как проверяется результат.
Несколько лет назад заметный прирост давали примеры решений с промежуточными шагами [7] и даже простая приписка «давай рассуждать пошагово» [15]. Модель расписывала шаги и реже ошибалась в задачах с вычислениями. Сейчас во многих сервисах есть отдельный режим рассуждения, в котором модель сама строит цепочку шагов. В работе 2025 года на медицинских вопросах сравнивали несколько техник запроса с рассуждением по шагам. Усложнённые варианты не дали статистически значимого преимущества перед более простыми, сильнее влияли модель и тип данных [9]. Это одно исследование в одной области, переносить его на инженерные задачи нужно осторожно.
«We explore how generating a chain of thought -- a series of intermediate reasoning steps -- significantly improves the ability of large language models to perform complex reasoning.»
Перевод: «Мы исследуем, как построение цепочки рассуждений – последовательности промежуточных шагов – значительно улучшает способность больших языковых моделей выполнять сложные рассуждения.» – Wei и соавт., 2022, препринт arXiv [7]
«Complex prompting techniques do not significantly enhance performance compared to simpler approaches.»
Перевод: «Сложные техники составления запросов не дают значимого улучшения по сравнению с более простыми подходами.» – Jeon, Kim, 2025 [9]
Что из этого следует на практике:
- искать «волшебную фразу» – не лучшая трата времени;
- полнота исходных данных, понятная задача и формат ответа по-прежнему важны;
- проверка результата нужна при любом запросе и в любой модели.
На практическом занятии посмотрим на это сами: отправим одну и ту же задачу коротким и подробным запросом и сравним ответы. Одно сравнение – это демонстрация, а не доказательство.
5. Шаблон запроса
Шаблон можно копировать и заполнять:
Контекст: я [должность], работаю с [узел/документ].
Задача: [что нужно получить].
Исходные данные:
[вставить текст, цифры, пункты]
Ограничения: [что считать заданным, чего не делать].
Формат ответа: [таблица со столбцами ... / список / не более N строк].
Проверка: для каждого вывода укажи, на какой пункт исходных данных он опирается.
Опирайся только на исходные данные. Если чего-то в них нет, так и скажи.
Перечисли допущения, от которых зависит результат.
В конце отдельно: что ты сверил с исходными данными, а что проверить не удалось.
Если данных не хватает или они противоречат друг другу, сначала задай вопросы.
6. Чек-лист проверки ответа

Интерактивная версия схемы – файл 08-Схемы/d1-rabota-s-otvetom.html.
Перед тем как использовать ответ в работе:
- Цифры совпадают с исходными данными? Сверьте каждую, которую модель взяла из запроса.
- Расчёты сходятся? Повторите все расчёты, от которых зависит решение. Проверьте единицы измерения.
- Ссылки на пункты документа существуют и говорят то, что утверждает модель?
- Нет ли утверждений, которых не было в исходных данных? Отметьте каждое. Подтвердите его источником, расчётом или измерением, а неподтверждённое не используйте как основание для решения.
- Физика и здравый смысл: не противоречит ли вывод тому, что вы знаете об узле?
- Ответ решает поставленную задачу, а не соседнюю?
- Что модель пропустила? Сравните с тем, что вы сами ожидали увидеть.
Свой вариант чек-листа вы соберёте на практике. Его стоит держать под рукой до конца курса.
Источники
Нумерация общая для тем 1.1 и 1.2.
Научные публикации
- [5] Omar M., Sorin V., et al. Multi-model assurance analysis showing large language models are highly vulnerable to adversarial hallucination attacks during clinical decision support // Communications Medicine. 2025. https://doi.org/10.1038/s43856-025-01021-3
- [6] Dahl M., Magesh V., et al. Large Legal Fictions: Profiling Legal Hallucinations in Large Language Models // Journal of Legal Analysis. 2024. https://doi.org/10.1093/jla/laae003
- [7] Wei J., Wang X., et al. Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. 2022. https://doi.org/10.48550/arXiv.2201.11903
- [8] Wang L., Xu W., et al. Plan-and-Solve Prompting: Improving Zero-Shot Chain-of-Thought Reasoning by Large Language Models. 2023. https://doi.org/10.48550/arXiv.2305.04091
- [9] Jeon S., Kim H.-G. A comparative evaluation of chain-of-thought-based prompt engineering techniques for medical question answering // Computers in Biology and Medicine. 2025. https://doi.org/10.1016/j.compbiomed.2025.110614
- [14] Zhou D., Schärli N., et al. Least-to-Most Prompting Enables Complex Reasoning in Large Language Models. 2022. https://doi.org/10.48550/arXiv.2205.10625
- [15] Kojima T., Gu S. S., et al. Large Language Models are Zero-Shot Reasoners. 2022. https://doi.org/10.48550/arXiv.2205.11916
- [22] Liu N. F., Lin K., et al. Lost in the Middle: How Language Models Use Long Contexts // Transactions of the Association for Computational Linguistics. 2024. https://doi.org/10.1162/tacl_a_00638
- [23] Mirzadeh I., Alizadeh K., et al. GSM-Symbolic: Understanding the Limitations of Mathematical Reasoning in Large Language Models. 2024. Препринт arXiv. https://doi.org/10.48550/arXiv.2410.05229
- [24] Długosz D. A., Oliveira A., Rodríguez N. The Importance of Being Statistically Earnest: A Critical Re-evaluation of GSM-Symbolic // Proceedings of EMNLP 2026. https://aclanthology.org/2026.emnlp-main.1487/
- [25] Fanous A., Goldberg J., et al. SycEval: Evaluating LLM Sycophancy // Proceedings of the AAAI/ACM Conference on AI, Ethics, and Society. 2025. https://doi.org/10.1609/aies.v8i1.36598
- [20] Гагарин П. Разработка с агентами: от постановки задачи до деплоя. Вебинар учебного центра «МАСКОМ», 28.07.2026 (презентация вебинара).
Практические руководства
- [21] Мокевнин К. Agentic Design Patterns. Приложение «Фразы для AGENTS.md» (книга о паттернах агентного программирования, при поддержке Хекслета и Праксора; дата не указана, страница открыта 11.11.2026). https://mokevnin.github.io/agentic-coding-design-patterns/ru/agents-md-phrases.html
Работы [7], [8], [14], [15] и [23] доступны на arXiv. Полный список источников дня – в файле «Источники» в папке дня.
Автор курса
Виталий Пиков
- Архитектор информационной безопасности • РБПО • DevSecOps • AppSec
- Лектор и автор образовательных программ по ИБ и РБПО
Телефон: +7 (963) 782-92-78 · E-mail: vitaly@pikov.expert · Сайт: https://pikov.expert · Telegram: @UnderLineSecurity