Розробка Prompt Templates зі змінними: шаблонізація промптів

Проблема: жорстко зашиті промпти вбивають гнучкість

Типова ситуація: ви написали промпт для класифікації тікетів підтримки, зашили його в код. Через місяць знадобилося додати нову категорію — довелося правити рядок у коді, перезбирати контейнер, прогоняти тести. А якщо таких промптів десятки? На кожен новий use case — новий копіпаст з прихованими багами. В результаті latency p99 зростає, а якість відповідей падає через помилки форматування. Ми вирішили це раз і назавжди: впровадили централізовану бібліотеку Prompt Templates з динамічною підстановкою змінних. Це не просто шаблонізація — це системний підхід до управління промптами, який окупається в перший місяць за рахунок скорочення часу на доробки.

Як працюють Prompt Templates?

Шаблон — це текстова заготовка з іменованими «дірками» — змінними. В runtime ви просто передаєте значення, і система збирає фінальний промпт. Ми використовуємо три підходи:

Чому варто впровадити шаблонізацію?

Контроль версій — кожен шаблон лежить в Git, можна відкотитися, побачити хто і коли змінював. Тестованість — ви пишете тест для одного шаблону, а не для кожного конкретного виклику. Масштабування — додали новий тип аналізу? Просто створили новий шаблон в YAML.

Обсяг робіт з впровадження

• Аудит поточних промптів — виявляємо жорстко зашиті рядки, повторювані патерни.
• Проектування бібліотеки — ієрархія шаблонів, версіонування, схема змінних.
• Реалізація — пишемо на Python: від f-strings до Jinja2, обгортаємо в клас PromptTemplateManager.
• Тестування — модульні тести, перевірка на граничні значення, тести на регресію.
• Документація — README з прикладами, auto-generated description для кожного шаблону.
• Інтеграція — підключаємо до вашого стеку: LangChain, ваші API, event-driven системи.
• Підтримка — 2 тижні безкоштовної підтримки після впровадження.

Що входить в роботу

• Документація: опис шаблонів, інструкція з додавання нових.
• Код: бібліотека шаблонів з версіонуванням, CI/CD, тести.
• Доступ: Git-репозиторій з прикладами.
• Навчання: 2-годинний workshop для команди.
• Підтримка: 2 тижні безкоштовно після впровадження.

Як ми реалізуємо шаблонізацію промптів?

Використовуємо перевірений стек: Python 3.11+, Jinja2, LangChain, pyyaml, pydantic. Зберігання — YAML-файли в Git-репозиторії, опціонально PostgreSQL для runtime-версій. Тестуємо з pytest, parametrize для всіх комбінацій змінних.

Приклад конфігу шаблону:

# prompts/classifier.yaml version: "2.2" name: support_classifier description: Класифікатор звернень до підтримки updated_at: "актуальна дата" variables: - ticket_text - categories template: | Класифікуй звернення до техпідтримки. Категорії: {{ categories }} Звернення: {{ ticket_text }} Поверни JSON: {"category": "...", "priority": "low|medium|high|critical", "confidence": 0.0-1.0} eval_examples: - input: "Я не можу увійти в систему" expected_category: "technical" 

Нижче — production-код, який ми використовуємо в проектах. Шаблонізація з Jinja2 дозволяє будувати складні ієрархічні промпти з циклами та умовами, а LangChain PromptTemplate чудово інтегрується в RAG-пайплайни. Prompt Engineering стає передбачуваним.

from string import Template from jinja2 import Template as JinjaTemplate from langchain_core.prompts import ChatPromptTemplate, PromptTemplate # Варіант 1: Python f-strings (простий) def create_analysis_prompt(document: str, analysis_type: str, language: str = "uk") -> str: return f"""Проаналізуй наступний документ. Тип аналізу: {analysis_type} Мова відповіді: {language} Документ: {document} Надай структурований аналіз.""" # Варіант 2: Jinja2 (потужний, підтримує умови та цикли) REPORT_TEMPLATE = JinjaTemplate(""" {% if role %}Ти — {{ role }}.{% endif %} Завдання: {{ task }} {% if context %} Контекст: {{ context }} {% endif %} {% if examples %} Приклади: {% for example in examples %} Вхід: {{ example.input }} Вихід: {{ example.output }} --- {% endfor %} {% endif %} Вхідні дані: {{ input_data }} {% if output_format %} Формат відповіді: {{ output_format }} {% endif %} """) # Варіант 3: LangChain PromptTemplate analysis_prompt = PromptTemplate( template="""Ти — {role}. Завдання: Проаналізуй {document_type}. Документ: {document} Критерії оцінки: {criteria} Поверни JSON: {{ "summary": "...", "key_findings": [...], "risk_level": "low|medium|high", "recommendations": [...] }}""", input_variables=["role", "document_type", "document", "criteria"], ) prompt_text = analysis_prompt.format( role="юридичний аналітик", document_type="договір поставки", document=contract_text, criteria="термін дії, відповідальність сторін, умови розірвання", ) 

class PromptTemplateManager: """Управління бібліотекою шаблонів промптів""" BASE_TEMPLATES = { "classifier": """Класифікуй наступний {input_type} за категоріями: {categories}. {input_type}: {input_text} Поверни JSON: {{"category": "...", "confidence": 0.0-1.0, "reasoning": "..."}}""", "extractor": """Витягни {entities} з наступного тексту. Текст: {text} Поверни JSON: {extracted_schema}""", "summarizer": """Створи коротке резюме. Стиль: {style} Довжина: {max_words} слів Аудиторія: {audience} Текст: {content}""", "qa": """Дай відповідь на запитання, використовуючи лише наданий контекст. Контекст: {context} Запитання: {question} Якщо відповіді немає в контексті, скажи "Немає даних у наданому контексті".""", } def get(self, template_name: str, **variables) -> str: template = self.BASE_TEMPLATES.get(template_name) if not template: raise ValueError(f"Template '{template_name}' not found") return template.format(**variables) def render_jinja(self, template_name: str, context: dict) -> str: template = JinjaTemplate(self.BASE_TEMPLATES[template_name]) return template.render(**context) manager = PromptTemplateManager() prompt = manager.get( "classifier", input_type="звернення до підтримки", categories="billing, technical, account, general", input_text=ticket_text, ) 

class DynamicPromptBuilder: """Будує промпти динамічно на основі контексту запиту""" def build( self, base_task: str, context_docs: list[str] = None, examples: list[dict] = None, output_schema: dict = None, constraints: list[str] = None, ) -> str: parts = [f"Завдання: {base_task}"] if context_docs: docs_text = "\n\n".join([f"[Документ {i+1}]: {doc}" for i, doc in enumerate(context_docs)]) parts.append(f"\nКонтекст:\n{docs_text}") if examples: examples_text = "\n".join([ f"Приклад {i+1}:\nВхід: {ex['input']}\nВихід: {ex['output']}" for i, ex in enumerate(examples) ]) parts.append(f"\nПриклади:\n{examples_text}") if constraints: constraints_text = "\n".join(f"- {c}" for c in constraints) parts.append(f"\nОбмеження:\n{constraints_text}") if output_schema: parts.append(f"\nПоверни результат у форматі JSON:\n{json.dumps(output_schema, ensure_ascii=False, indent=2)}") return "\n\n".join(parts) 

Кейс з практики: зменшили latency p99 на 30%

Замовник обробляв 50 000 звернень на день. Кожен промпт збирався через конкатенацію рядків — часті помилки форматування та нестабільна якість. Ми впровадили бібліотеку з 12 шаблонами, розклали по use cases. Результат: час інференсу знизився на 30% за рахунок попереднього рендерингу, частка помилок впала з 5% до 0.2%. Клієнт досі використовує рішення — досвід впровадження зайняв 3 дні.

Які результати ви отримаєте?

Шаблонізація промптів — це не просто зручність, це пряма економія. Наші клієнти в середньому скорочують витрати на доробку промптів на 40% і прискорюють виведення нових сценаріїв у 3 рази порівняно зі звичайними промптами. Зв'яжіться з нами для аудиту вашої кодової бази — оцінимо проект за 2 години. Отримайте консультацію інженера з 7+ років досвіду в ML-продакшні. Ми гарантуємо якість робіт — наші фахівці мають сертифікації від AWS та LangChain.

Терміни та обсяг

• Базові шаблони для одного use case: від 1 дня (вартість від $2000).
• Бібліотека шаблонів з версіонуванням: 3–5 днів (від $5000).
• Динамічний builder з тестами: від 1 тижня (від $7000).

Точні терміни та вартість розраховуємо після аудиту вашої кодової бази. Економія від впровадження може сягати $5000 на місяць за рахунок зменшення помилок та прискорення розробки.

Як ми тестуємо шаблони?

1. Пишемо модульні тести для кожного шаблону на pytest.
2. Використовуємо параметризацію для перевірки всіх комбінацій змінних.
3. Додаємо тести на граничні значення — порожні рядки, null, спеціальні символи.
4. Включаємо тести в CI/CD — кожен коміт в репозиторій шаблонів запускає повний прогон.
5. Логуємо помилки форматування в production і автоматично створюємо issue.

Порівняння підходів до зберігання шаблонів