Формулы промптов для текста: письмо, саммари, разбор документа

Почему один и тот же промпт не работает для всех текстовых задач

С текстовыми нейросетями есть соблазн писать промпт одной строкой: "напиши письмо клиенту" или "сделай саммари этого текста". Модель действительно что-то выдаст — но чаще всего это будет обтекаемый, ничем не примечательный текст, который потом приходится переписывать заново. Не потому что модель "не умеет", а потому что в промпте не хватило структуры: не задана роль, не обозначен объём, не указан формат вывода.

У разных текстовых задач разная логика, и формула промпта должна под неё подстраиваться. Письмо требует тона и контекста получателя. Саммари требует чёткого ограничения объёма и указания, что именно нужно оставить. Разбор документа требует структуры вывода — иначе модель просто перескажет текст своими словами, не выделив то, что действительно важно.

Ниже — три рабочие формулы под эти три задачи, с примерами промптов и разбором частой ошибки, которая портит результат в каждой из них.

Формула для делового письма

Письмо — это не просто текст, а текст с адресатом и целью. Если не задать оба параметра явно, модель напишет усреднённо вежливое сообщение, которое одинаково годится и не годится для любой ситуации. Формула строится так:

Роль автора → получатель и контекст → цель письма → тон → ограничения по объёму

• Роль автора — от чьего лица пишется письмо: менеджер проекта, руководитель отдела, служба поддержки. Это задаёт словарь и уровень формальности с самого начала.
• Получатель и контекст — кому адресовано письмо и что предшествовало: новый клиент, партнёр, с которым уже есть переписка, коллега после встречи. Контекст экономит целый абзац объяснений.
• Цель письма — что должно произойти после прочтения: получатель соглашается на встречу, подтверждает оплату, узнаёт о переносе сроков. Без явной цели письмо получается информативным, но ни к чему не подталкивающим.
• Тон — формальный, дружелюбно-деловой, извиняющийся, благодарственный. Тон сильно меняет формулировки даже при одинаковой цели.
• Ограничения по объёму — сколько абзацев, нужна ли подпись, нужен ли постскриптум с призывом к действию.

Пример:

Роль: менеджер проекта в digital-агентстве.
Получатель: клиент, с которым обсуждали запуск сайта на прошлой неделе,
дедлайн сдвигается на 5 дней из-за доработки дизайна.
Цель: сообщить о переносе сроков, не потерять доверие клиента,
предложить созвон для уточнения деталей.
Тон: спокойный, без извинений через каждое предложение,
но с признанием неудобства.
Объём: 3 коротких абзаца, в конце — предложение выбрать время созвона.

Такой промпт даёт письмо, которое можно отправить почти без правок — потому что модели не нужно додумывать ни адресата, ни цель, ни допустимую длину.

Частая ошибка здесь — просить "вежливое письмо" без указания цели. Модель тогда добавляет обтекаемые фразы вроде "надеемся на дальнейшее сотрудничество" вместо конкретного следующего шага, и письмо приходится дописывать вручную. Указывайте не тон в отрыве от цели, а тон вместе с тем, что письмо должно вызвать у получателя.

Формула для саммари

Саммари — самая обманчиво простая задача: кажется, что достаточно попросить "сократи текст". На деле без уточнений модель либо оставляет слишком много деталей, либо, наоборот, срезает то, что было важно именно для вашей цели. Формула:

Исходный материал и его тип → целевая длина → что обязательно сохранить → что можно опустить → формат вывода

• Тип материала — статья, протокол встречи, научная статья, переписка. Это влияет на то, что модель считает "главным" по умолчанию.
• Целевая длина — не "покороче", а конкретно: 5 предложений, 100 слов, три буллета. Без числа модель выбирает длину сама, и она редко совпадает с ожиданиями.
• Что сохранить — цифры, даты, имена, решения, договорённости. Если не сказать явно, модель может обобщить именно то, что вам было нужно дословно.
• Что опустить — вводные, риторические отступления, повторы. Полезно, когда исходный текст многословный.
• Формат вывода — связный абзац, маркированный список, таблица "тезис — комментарий".

Пример для протокола встречи:

Материал: расшифровка часовой встречи по проекту, много обсуждений
и отступлений.
Длина: не больше 8 буллетов.
Сохранить: все принятые решения, ответственных за задачи, дедлайны.
Опустить: общие рассуждения без конкретики, повторяющиеся реплики.
Формат: список "Решение — ответственный — срок".

Разница с промптом "сделай саммари встречи" разительная: без структуры модель выдаёт связный, но общий пересказ, из которого решения и ответственных приходится вылавливать вручную. С формулой результат сразу пригоден для рассылки участникам.

Отдельный случай — саммари не текста, а иностранного материала. Если исходник на другом языке, часто быстрее сначала перевести, а затем сжимать: это отдельная задача, и в статье «Как перевести текст нейросетью» разобрано, какие модели каталога Most AI справляются с переводом лучше остальных.

Формула для разбора документа

Разбор документа — задача сложнее саммари: нужно не просто сжать текст, а извлечь из него структуру — риски, обязательства, цифры, противоречия. Здесь формула требует явно заданной роли эксперта и формата вывода, иначе модель просто перескажет документ своими словами.

Роль эксперта → тип документа → на что обратить внимание → формат вывода → что делать при неясности

• Роль эксперта — "как юрист, проверяющий договор", "как бухгалтер, читающий счёт", "как редактор, вычитывающий текст на противоречия". Роль задаёт критерии, по которым модель ищет проблемы.
• Тип документа — договор, счёт, техническое задание, научная статья, регламент. Это сужает то, что модель считает "важным".
• На что обратить внимание — конкретные пункты: сроки, суммы, штрафные санкции, недостающие реквизиты, противоречащие друг другу формулировки.
• Формат вывода — таблица с пунктами и комментариями, нумерованный список рисков, отдельный блок "требует уточнения".
• Что делать при неясности — явно попросить модель не додумывать: если в тексте нет ответа, писать "не указано", а не предполагать.

Пример для разбора договора:

Роль: юрист, проверяющий договор поставки перед подписанием.
Документ: договор поставки оборудования, полный текст ниже.
Обратить внимание: сроки поставки, условия оплаты, штрафные санкции,
основания для расторжения.
Формат: таблица "Пункт договора — суть — риск для заказчика".
При неясности: если пункт сформулирован двусмысленно —
пометить отдельно как "требует уточнения", не додумывать смысл.

Последний пункт формулы — "что делать при неясности" — критичен именно для документов. Без него модель, встретив нечёткую формулировку, скорее всего интерпретирует её в наиболее вероятную сторону и представит это как факт, а не как предположение. При работе с договорами, счетами или техническими заданиями такая "уверенная" интерпретация опаснее честного "не указано в тексте" — её проще принять за анализ документа, а не за догадку модели.

Похожая логика работает и при разборе учебных и научных материалов — если нужно вытащить из статьи только методологию и выводы, а не пересказ целиком. Подробнее о работе с такими текстами — в статье «Нейросети для учёбы».

Какую модель выбрать под задачу

Все три формулы работают в любой текстовой модели каталога Most AI, но модели отличаются тем, насколько строго они держат заданную структуру вывода. Для длинных документов и разборов с таблицами лучше подходят модели с большим окном контекста и аккуратным следованием формату — Claude Opus 4.8, Claude Sonnet 4.6 или GPT-5.4. Для быстрых саммари и коротких писем, где не критична глубина, достаточно более лёгких и дешёвых моделей — GPT-5.4 Mini, Gemini 3.1 Flash Lite или Claude Haiku 4.5. Perplexity Sonar Pro пригодится, если разбор документа требует сверки фактов с внешними источниками, а не только анализа исходного текста.

Стоимость запроса зависит от модели и списывается в кредитах только по факту использования — без месячной подписки. Полный список моделей и актуальные цены — на странице тарифов. Если не уверены, какая модель лучше держит формат таблиц и длинных инструкций, сравнение по этому критерию есть в статье «ChatGPT, Claude, Gemini, DeepSeek: сравнение».

Частая ошибка: формат вывода не задан явно

Общая проблема всех трёх формул — если не задать формат вывода явно, модель выбирает его сама, и это редко совпадает с тем, что нужно на выходе. Попросив "разбери договор" без указания формата, вы с равной вероятностью получите то сплошной текст абзацами, то список без структуры, то смесь того и другого. При работе с одним документом это неудобно, но терпимо. При работе с десятком однотипных документов — договоров, резюме, обращений клиентов — несовпадающий формат каждый раз означает, что результаты нельзя свести в одну таблицу без ручной переразметки.

Решение простое: всегда включать в промпт явный шаблон вывода, а не просто просить "структурированный ответ". Разница между "выведи в виде таблицы" и "выведи в виде таблицы с колонками Пункт — Риск — Комментарий" ощутима — во втором случае модель заполняет ровно те поля, которые нужны, и не добавляет от себя дополнительные разделы. Это особенно важно, если результат потом копируется в Excel, CRM или общий документ команды — единый формат экономит время не на одном запросе, а на каждом последующем.

Второе следствие того же принципа — если задача повторяющаяся (еженедельные саммари встреч, разбор однотипных заявок), формулу стоит сохранить как шаблон и менять в нём только исходный текст. Так не приходится каждый раз заново формулировать роль, объём и формат — а результат остаётся предсказуемым от запроса к запросу.

Частые вопросы

Нужно ли писать промпт по-английски, если модель зарубежная?

Нет, современные текстовые модели каталога Most AI одинаково хорошо работают с промптами на русском языке, включая GPT, Claude и Gemini. Переходить на английский имеет смысл только для узкоспециализированных технических задач, но для писем, саммари и разбора документов это не даёт заметного преимущества.

Можно ли использовать одну формулу для всех трёх задач сразу?

Частично — общий принцип "роль, контекст, цель, ограничения по формату" работает везде. Но конкретные поля разные: письму нужен тон и получатель, саммари — целевая длина, разбору документа — критерии риска и формат таблицы. Универсальный промпт без этих деталей даст более общий результат.

Что делать, если модель всё равно додумывает детали, которых нет в документе?

Добавить в промпт явное указание: при отсутствии информации писать "не указано в тексте", а не предполагать. Это особенно важно для формулы разбора документа — без такого ограничения модель может выдать уверенную интерпретацию нечёткой формулировки как факт.

Как разобрать документ, который не помещается в один запрос?

Разбить документ на логические части (разделы, главы, пункты) и анализировать каждую по той же формуле, а затем попросить модель свести отдельные разборы в один итоговый список рисков. Модели с большим окном контекста, например Claude Opus 4.8, чаще позволяют загрузить весь документ целиком без разбивки.

Какая модель дешевле всего подходит для простых писем и саммари?

Для коротких писем и саммари без глубокого анализа достаточно лёгких моделей вроде GPT-5.4 Mini, Gemini 3.1 Flash Lite или Claude Haiku 4.5 — они стоят меньше кредитов за запрос и справляются со структурированной, но не сложной задачей. Более тяжёлые модели стоит подключать для документов с большим объёмом или высокими рисками.

Можно ли использовать эти формулы для составления контент-плана или соцсетей?

Да, тот же принцип "роль, контекст, цель, формат" применим и к контентным задачам, но там появляются свои нюансы — формат поста, длина под конкретную площадку, тон бренда. Пошаговый пример разобран в статье «Контент для соцсетей за час».