Создание библиотеки шаблонов промптов

Анатомия эффективного шаблона

Шаблон промпта — это параметризованная структура, которая превращает разовый успешный промпт в переиспользуемый актив. В отличие от простого копирования текста, шаблон содержит переменные части и чёткую документацию.

Базовая структура шаблона:

# [Название шаблона]

## Назначение
Краткое описание задачи и сценария использования

## Параметры
- {context}: описание контекста задачи
- {input_data}: формат входных данных
- {constraints}: специфические ограничения
- {output_format}: требуемый формат вывода

## Шаблон промпта
Ты — {role}. Твоя задача — {task_description}.

Контекст: {context}

Входные данные:
{input_data}

Требования:
- {constraint_1}
- {constraint_2}

Формат ответа: {output_format}

## Примеры использования
[Конкретные примеры с заполненными параметрами]

## Рекомендуемые параметры генерации
- Temperature: 0.3
- Top-p: 0.9

## Версия и changelog
v1.2 (2024-01): добавлена валидация формата

Практический пример — шаблон для анализа отзывов:

REVIEW_ANALYSIS_TEMPLATE = """
Ты — аналитик клиентского опыта с экспертизой в {domain}.

Проанализируй следующий отзыв и извлеки структурированную информацию:

Отзыв: {review_text}

Извлеки:
1. Тональность (положительная/нейтральная/отрицательная)
2. Ключевые темы (до {max_topics} тем)
3. Упомянутые проблемы
4. Предложения по улучшению

Формат ответа: JSON
{{
  "sentiment": "...",
  "topics": ["...", "..."],
  "issues": ["..."],
  "suggestions": ["..."]
}}
"""

# Использование
prompt = REVIEW_ANALYSIS_TEMPLATE.format(
    domain="электронная коммерция",
    review_text="Доставка задержалась на 3 дня, но товар отличный",
    max_topics=3
)

Система хранения и версионирования

Для команды достаточно структурированного Git-репозитория:

prompts/
├── templates/
│   ├── content_generation/
│   │   ├── product_description_v2.md
│   │   └── email_campaign_v1.md
│   ├── data_analysis/
│   │   └── review_analysis_v3.md
│   └── customer_support/
│       └── ticket_classification_v1.md
├── system_prompts/
│   ├── support_bot_base.md
│   └── analyst_assistant.md
└── examples/
    └── successful_cases/

Ключевые принципы версионирования:

1. Семантическое версионирование: v1.0 → v1.1 (улучшения) → v2.0 (breaking changes)
2. Changelog в каждом файле: что изменилось, почему, какие результаты
3. Тегирование в Git: связь версии промпта с версией продукта
4. Deprecation policy: старые версии помечаются, но сохраняются для обратной совместимости

Пример метаданных для отслеживания:

# metadata.yml для шаблона
template_id: "review_analysis_v3"
created: "2024-01-15"
last_updated: "2024-02-20"
author: "team_analytics"
model_tested: ["gpt-4", "gigachat-pro"]
avg_tokens: 450
use_cases:
  - "e-commerce_feedback"
  - "app_store_reviews"
deprecated: false
replaces: "review_analysis_v2"

Стандартизация в команде

Стандартизация превращает индивидуальные находки в командный актив. Ключевые элементы:

1. Naming conventions: - {domain}_{task}_{version}.md для шаблонов - sys_{persona}_{context}.md для системных промптов - Понятные имена переменных: {user_input}, не {x}

2. Обязательные секции документации: - Purpose: одно предложение — что делает шаблон - When to use / When NOT to use: границы применимости - Parameters: тип, формат, примеры значений - Expected output: формат и структура ответа - Known limitations: где шаблон работает плохо

3. Code review для промптов:

## Review checklist
- [ ] Параметры документированы с примерами
- [ ] Есть минимум 2 примера использования
- [ ] Протестировано на разных входных данных
- [ ] Указаны рекомендуемые параметры генерации
- [ ] Добавлен changelog
- [ ] Обновлён индекс шаблонов

4. Централизованный индекс:

5. Переиспользуемые компоненты:

# common_components.py
ROLE_DEFINITIONS = {
    "analyst": "Ты — аналитик данных с опытом работы в {domain}",
    "writer": "Ты — профессиональный копирайтер, специализирующийся на {style}",
    "support": "Ты — специалист технической поддержки уровня {level}"
}

OUTPUT_FORMATS = {
    "json_structured": "Ответь в формате JSON со следующей структурой:\n{schema}",
    "markdown_list": "Ответь списком в формате Markdown",
    "table": "Представь результат в виде таблицы"
}

# Композиция шаблонов
def build_prompt(role_key, task, output_key, **params):
    role = ROLE_DEFINITIONS[role_key].format(**params)
    output = OUTPUT_FORMATS[output_key].format(**params)
    return f"{role}\n\n{task}\n\n{output}"

Библиотека промптов эффективна, когда каждый шаблон — это самодостаточная единица с чёткими параметрами, документацией и примерами. Версионирование через Git + структурированное хранение + обязательные метаданные превращают коллекцию в масштабируемую систему. Стандартизация naming, документации и процесса review обеспечивает, что команда говорит на одном языке и может быстро находить, адаптировать и улучшать существующие решения.