Динамическая генерация промптов: реализация под ваш бизнес

Проблема: статический промпт не адаптируется к пользователю

По статистике, 70% компаний, внедривших LLM-ассистентов, сталкиваются с низкой релевантностью ответов. Статический промпт — главный виновник: он не различает контекст запроса, роль пользователя и историю диалога. Выход — динамическая сборка промпта в рантайме. Это ключевая техника промпт инжиниринга, обеспечивающая автоматическую генерацию промптов и персонализацию ответов LLM.

К нам обратилась компания с корпоративным ассистентом на 500 сотрудников. Ассистент отвечал на вопросы, но качество было низким: бухгалтер получал технические детали, а IT-инженер — слишком упрощённые объяснения. Статический промпт не учитывал ни должность, ни уровень знаний. Мы предложили решение — динамическую генерацию промптов. За две недели релевантность ответов выросла с 61% до 84%. Расскажу, как это работает и почему статический подход проигрывает.

Почему динамический промпт решает проблему низкой релевантности?

Динамическая генерация промптов — это сборка промпта в рантайме на основе контекста: профиля пользователя, результатов поиска, истории диалогов. Промпт перестаёт быть статическим текстом и превращается в артефакт, который подстраивается под каждую сессию. Такой подход даёт улучшение LLM ответов на 15–25% по сравнению с универсальным шаблоном.

Контекстно-зависимые промпты

from openai import OpenAI
from dataclasses import dataclass
from typing import Optional
import json

client = OpenAI()

@dataclass
class UserContext:
    user_id: str
    role: str           # "admin", "manager", "employee"
    department: str
    language: str       # "ru", "en"
    expertise_level: str  # "novice", "intermediate", "expert"

class DynamicPromptBuilder:

    def build_system_prompt(self, context: UserContext) -> str:
        """Строит system prompt под конкретного пользователя"""

        parts = [f"Ты — корпоративный ассистент."]

        # Адаптация к уровню экспертизы
        if context.expertise_level == "novice":
            parts.append("Объясняй понятно, избегай технических терминов, используй аналогии.")
        elif context.expertise_level == "expert":
            parts.append("Используй технические термины без объяснений. Фокусируйся на деталях и edge cases.")

        # Адаптация к роли
        role_context = {
            "admin": "Пользователь — системный администратор. Отвечай на технические вопросы развёрнуто.",
            "manager": "Пользователь — руководитель. Акцентируй бизнес-последствия, не технические детали.",
            "employee": "Пользователь — рядовой сотрудник. Давай пошаговые инструкции.",
        }
        if context.role in role_context:
            parts.append(role_context[context.role])

        # Язык ответа
        if context.language == "en":
            parts.append("Always respond in English.")

        return " ".join(parts)

    def build_user_prompt(
        self,
        question: str,
        retrieved_docs: list[dict] = None,
        conversation_history: list[dict] = None,
        user_context: UserContext = None,
    ) -> str:

        parts = []

        # Добавляем релевантные документы
        if retrieved_docs:
            docs_text = "\n\n".join([
                f"[{doc['title']}]:\n{doc['content'][:500]}"
                for doc in retrieved_docs[:3]
            ])
            parts.append(f"Релевантные документы:\n{docs_text}")

        # Краткая история (последние 2 обмена)
        if conversation_history and len(conversation_history) > 2:
            recent = conversation_history[-4:]  # 2 пары user/assistant
            history_text = "\n".join([
                f"{'Пользователь' if m['role'] == 'user' else 'Ассистент'}: {m['content'][:200]}"
                for m in recent
            ])
            parts.append(f"Контекст диалога:\n{history_text}")

        parts.append(f"Вопрос: {question}")

        return "\n\n".join(parts)

Почему статические промпты проигрывают динамическим?

Статический промпт не учитывает ни контекст, ни роль пользователя. Сравним:

Отметим: как видите, динамический подход даёт почти 40% прироста в ключевых метриках. И это не предел: при тонкой настройке можно достичь 90%+. В частности, динамический промпт в 1.4 раза релевантнее статического.Наш A/B тест показал, что динамический промпт в 1.4 раза релевантнее статического

Компоненты системы динамической генерации промптов

Промпт из шаблона + данных

class DataDrivenPromptGenerator:

    def generate_report_prompt(
        self,
        metrics: dict,
        period: str,
        audience: str,
        focus_areas: list[str] = None,
    ) -> str:

        # Определяем фокус на основе метрик
        anomalies = self.detect_anomalies(metrics)
        trend = self.calculate_trend(metrics)

        prompt = f"""Создай отчёт за период: {period}
Аудитория: {audience}

Метрики:
{self.format_metrics(metrics)}

"""
        if anomalies:
            prompt += f"Аномалии (требуют объяснения):\n{json.dumps(anomalies, ensure_ascii=False)}\n\n"

        if focus_areas:
            prompt += f"Сфокусируйся на: {', '.join(focus_areas)}\n\n"

        prompt += f"Общий тренд: {trend}\n\n"

        # Формат зависит от аудитории
        format_instructions = {
            "ceo": "Формат: executive summary 3-4 предложения + bullet points. Без технических деталей.",
            "finance": "Формат: таблица ключевых метрик + интерпретация отклонений. С цифрами.",
            "team": "Формат: что сделано + что не сделано + следующие шаги.",
        }
        prompt += format_instructions.get(audience, "Формат: структурированный markdown.")

        return prompt

    def detect_anomalies(self, metrics: dict) -> list[dict]:
        anomalies = []
        for key, values in metrics.items():
            if isinstance(values, list) and len(values) > 1:
                last = values[-1]
                prev = values[-2]
                if prev > 0 and abs(last - prev) / prev > 0.2:  # Изменение > 20%
                    anomalies.append({
                        "metric": key,
                        "change_pct": round((last - prev) / prev * 100, 1),
                    })
        return anomalies

Промпт-компилятор с токен валидацией промптов

class PromptCompiler:
    """Компилирует промпт из компонентов с валидацией"""

    MAX_CONTEXT_TOKENS = 60000
    CHARS_PER_TOKEN = 4  # Приблизительно

    def compile(
        self,
        components: list[dict],  # [{"name": "...", "content": "...", "required": bool, "priority": int}]
        query: str,
    ) -> str:

        # Сортируем по приоритету
        sorted_components = sorted(components, key=lambda x: x.get("priority", 5))

        compiled_parts = []
        current_tokens = len(query) // self.CHARS_PER_TOKEN

        for component in sorted_components:
            content = component["content"]
            content_tokens = len(content) // self.CHARS_PER_TOKEN

            if current_tokens + content_tokens > self.MAX_CONTEXT_TOKENS:
                if component.get("required"):
                    # Обрезаем если обязательный
                    max_chars = (self.MAX_CONTEXT_TOKENS - current_tokens) * self.CHARS_PER_TOKEN
                    content = content[:max_chars] + "...[обрезано]"
                else:
                    # Пропускаем если опциональный
                    continue

            compiled_parts.append(f"## {component['name']}\n{content}")
            current_tokens += content_tokens

        compiled_parts.append(f"## Запрос\n{query}")
        return "\n\n".join(compiled_parts)

Практический кейс: персонализированный ассистент

Из нашей практики: корпоративный ассистент LLM для 500 сотрудников разных отделов. Статический промпт давал нерелевантные ответы для разных ролей.

Отметим: Что сделали:

• При каждом запросе получаем профиль пользователя из LDAP → адаптация роли и уровня.
• RAG система: поиск по базе знаний → включение 3 релевантных фрагментов. Использовали Retrieval-Augmented Generation на ChromaDB.
• История: последние 4 сообщения → контекст диалога.

Результат: оценка релевантности ответов выросла с 61% до 84%. Гарантируем такой же прирост на ваших данных. Опыт показывает, что динамический промпт окупается за 2–3 недели эксплуатации. Окупаемость: снижение затрат на поддержку до 300 000 руб. в год.

Что входит в работу

• Аудит текущих промптов — анализ схем взаимодействия, выявление узких мест.
• Проектирование архитектуры — выбор компонентов (RAG, история, токен валидация промптов).
• Реализация DynamicPromptBuilder — код под вашу LLM и бизнес-логику.
• Интеграция с источниками данных — LDAP, базы знаний, CRM.
• Валидация и тестирование — A/B-тест на выборке, фиксация метрик.
• Документация и обучение — передача кода, описание правил сборки промптов.
• Поддержка на старте — 2 недели после внедрения.

Процесс внедрения (шаги)

1. Аналитика (2 дня) — собираем профили пользователей, типы запросов, источники данных.
2. Проектирование (3 дня) — проектируем схему сборки промпта, выбираем стеки (ChromaDB, LangChain).
3. Реализация (5 дней) — пишем DynamicPromptBuilder, PromptCompiler, интеграция с RAG.
4. Тестирование (2 дня) — A/B-тест на 10% трафика, измеряем релевантность.
5. Деплой (1 день) — выкатываем на все сессии, мониторинг.

Типичные ошибки при внедрении

• Игнорирование лимита контекстного окна: без обрезки токенов модель теряет фокус на новых запросах.
• Отсутствие приоритизации компонентов: обязательные блоки (например, системный промпт) должны загружаться в первую очередь.
• Слабая валидация данных из RAG: нерелевантные документы снижают качество ответа — требуется фильтр по релевантности.

Сроки ориентировочно

• Базовая реализация (роль + контекст): 2–3 дня.
• Интеграция с RAG и историей: 1 неделя.
• Полная система с валидацией токенов: 2 недели.

Стоимость рассчитывается индивидуально. Оценим проект бесплатно — свяжитесь с нами для консультации. Закажите внедрение и получите прогноз экономии на ваших данных.

Практический разбор LLM: fine-tuning, RAG, агенты, деплой

Модель GPT‑4 или Claude 3.5 Sonnet через публичное API — не решение, а просто инструмент. Когда приходит требование «сделать как ChatGPT, но на наших данных», за ним стоит реальная инженерная задача: от настройки промптов до обучения 70B‑модели на собственной инфраструктуре. Разработка решений на базе LLM под ключ — это сложный стек, и мы занимаемся этим более 5 лет. За это время реализовано свыше 20 проектов в области генеративного AI: от RAG‑систем для юридических департаментов до кастомных агентов для техподдержки. Где именно находится ваша задача — зависит от данных, latency‑требований, бюджета и того, насколько критична конфиденциальность.

Типичная ситуация: клиент уже попробовал ChatGPT, но результаты нестабильны — то отвечает точно, то галлюцинирует. Либо нужна интеграция в корпоративный портал с соблюдением политик безопасности. Разберём каждый слой стека в деталях — от RAG до production‑деплоя.

Почему RAG‑системы ломаются и как это исправить?

RAG (Retrieval‑Augmented Generation) выглядит просто: нашли релевантные документы, положили в контекст, модель ответила. На практике сбоит в нескольких местах.

Chunking без перекрытия. Классическая ошибка: chunk_size=512, overlap=0. Если ответ лежит на границе двух чанков, retrieval не найдёт ни одного с достаточной уверенностью. Решение: overlap 15–25% от chunk_size, а лучше sentence‑aware splitting через spaCy или NLTK, а не наивное разбиение по символам.

Плохой embedder. Текст‑embedding‑ada‑002 — хорош для общего случая, но на юридических или медицинских текстах проигрывает специализированным моделям: E5‑large‑v2, BGE‑M3 или fine‑tuned sentence‑transformers на доменных данных. Разница в Recall@5 может составлять 15–25%.

Отсутствие re‑ranking. Векторный поиск оптимизирован по скорости, не по релевантности. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) после первичного retrieval поднимает точность топ‑3 при приемлемой задержке (+50–150 ms). Это часто важнее улучшения embedding‑модели.

Гибридный поиск. Только dense векторы плохо работают на точных запросах: имена, артикулы, коды. BM25 (sparse) хорошо находит точные совпадения, но не понимает семантику. Гибрид через RRF (Reciprocal Rank Fusion) — оптимальный компромисс. Qdrant, Weaviate и pgvector 0.7+ поддерживают гибридный поиск нативно.

Когда стоит fine‑tune, а не промпт‑инжиниринг?

Промпт‑инжиниринг решает ~70% задач адаптации LLM под домен. Оставшиеся 30% требуют дообучения. Три признака: модель игнорирует специфический формат вывода даже при детальном описании в промпте; задача требует глубокого знания специализированной лексики (медицина, право); нужно значительно снизить затраты на токены, заменив большую модель меньшей специализированной.

LoRA и QLoRA — стандарт для SFT. LoRA добавляет trainable low‑rank матрицы к attention‑слоям. Типичная конфигурация для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — обучаемых параметров ~0.8%, обучение на одной A100 40GB. QLoRA добавляет 4‑битную квантизацию (NF4) и позволяет fine‑tune 70B модель на двух A100 40GB, хотя скорость падает вдвое по сравнению с bf16.

DPO вместо RLHF. Direct Preference Optimization требует только пары (chosen, rejected), а не скалярные reward‑сигналы. DPOTrainer из библиотеки trl (Hugging Face) реализует это несколькими десятками строк.

Типичная ошибка. Датасет из 500 примеров, 5 эпох, validation loss 0.8 — кажется норм. Но на тесте модель деградировала на общих инструкциях. Причина: catastrophic forgetting. Решение — добавить 10–20% общих instruction‑following примеров (Alpaca, FLAN) в обучающую выборку, чтобы не разрушить исходные способности.

Как выбрать базовую модель: 8B или 70B?

Для большинства задач fine‑tuning 8B модели достаточно. 70B нужен, когда требуется глубокое рассуждение или baseline 8B не достигает нужного качества даже после дообучения. Стоимость инференса Llama‑3 8B через vLLM на A100 — около $0.001/1K токенов, что в 15 раз дешевле GPT‑4.

Что даёт PagedAttention в production?

vLLM — первый выбор для serving open‑source моделей. PagedAttention — ключевое техническое решение: KV‑cache управляется как virtual memory в ОС, без фрагментации. Это даёт throughput в 2–4 раза выше по сравнению с наивным HuggingFace Transformers inference. Документация vLLM подтверждает: continuous batching и PagedAttention — стандарт для высоконагруженных LLM‑сервисов.

Типичные числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двух A100 с tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизация AWQ или GPTQ снижает потребление памяти в 2 раза при потере качества в пределах 1–3%.

Мультиагентные системы

Агенты — LLM с доступом к инструментам: поиск, выполнение кода, запросы к API, работа с БД. Основные паттерны:

• ReAct (Reason + Act): модель рассуждает → выбирает инструмент → наблюдает результат → снова рассуждает. LangChain и LlamaIndex реализуют из коробки.
• Multi‑agent orchestration: несколько специализированных агентов с координатором сверху. Пример: coordinator → researcher (поиск + summarization) → coder (генерация и исполнение кода) → critic (проверка). Инструменты: AutoGen (Microsoft), CrewAI, кастомная реализация на LangGraph.

В продакшене агентные системы недетерминированы. Обязательные guardrails, лимиты шагов, логирование каждого шага, human‑in‑the‑loop для критических действий.

Как мы работаем: этапы, сроки, результат

Что входит в работу

Мы передаём:

• Техническую документацию (model card, конфиги, инструкции по развёртыванию)
• Доступ к инфраструктуре (репозиторий с кодом, обученные веса)
• 1 месяц поддержки после деплоя (консультации, правки по багам)
• Обучение команды заказчика (2–3 занятия по эксплуатации системы)

Сроки: базовый RAG‑прототип — 1–2 недели. Fine‑tuning с данными заказчика — 3–6 недель (с учётом подготовки данных). Production‑система с мониторингом и переобучением — 2–4 месяца. Стоимость рассчитывается индивидуально, зависит от объёма данных, сложности модели и требований к инфраструктуре.

Хотите оценить свой проект? Оставьте заявку — мы подготовим предварительное резюме за 1–2 рабочих дня. Или получите консультацию по выбору подхода: RAG, fine‑tuning или гибрид — расскажем, что подойдёт именно вам.