Промптинг для каждой модели

Решение: Говорите на диалекте каждой модели

Гайд по промптингу под конкретную модель — это практика адаптировать одну и ту же задачу под соглашения, на которых обучалась каждая семья LLM, вместо того чтобы везде переиспользовать один универсальный промпт. Архитектура моделей у разных провайдеров похожа — трансформер, предсказывающий следующий токен, — но обучающие данные, инструкционное дообучение и рекомендованное форматирование различаются. Именно из-за этого промпт, который блестит на одной модели, на другой может давать посредственный результат. Представь, что это один язык, но разные диалекты: грамматика общая, а идиомы, пунктуация и нормы вежливости — нет.

Как это работает

Каждый провайдер документирует форматирование, которое совпадает с тем, как модель дообучали. Anthropic советует оборачивать секции промпта в XML-теги вроде <document> и <instructions>, потому что Claude обучался на данных, где такая структура несла смысл, и он строго следует системному промпту (system prompt). Модели GPT от OpenAI опираются на markdown-заголовки, нативный function calling и JSON mode для структурированного вывода. Gemini от Google — выраженно мультимодальная (multimodal) модель, ей лучше, когда изображения стоят в начале промпта, плюс search grounding для свежих фактов. Open-source модели (Llama, Qwen, DeepSeek) ждут точный chat template со спец-токенами вроде <|im_start|> / <|im_end|>; пропустишь шаблон — и модель может полностью проигнорировать твоё системное сообщение. Размер контекстного окна (context window) тоже сильно различается — от нескольких тысяч токенов на маленьких open-source моделях до 200K–1M на флагманах, — так что длина промпта тоже часть диалекта.

Когда использовать, компромиссы и разбор примера

Адаптируй под модель всегда, когда в продакшене важны качество, стоимость или надёжность, — и особенно когда ты поддерживаешь сразу несколько провайдеров за одной фичей. Главный компромисс — поддержка: вести параллельные варианты промпта дороже, чем один общий шаблон, а провайдеры со временем меняют дефолты, поэтому гайды устаревают. Частая ловушка — установка «один промпт для всех», а ещё перенос XML-каркаса на GPT (где чище читается markdown) или отказ от chat template на open-source модели. Разбор примера: допустим, ты извлекаешь сумму счёта из PDF. На Claude ты положишь файл в теги <document> и попросишь ответ внутри тегов <total>. На GPT — включишь JSON mode и опишешь функцию, возвращающую {"total": number}. На Gemini — приложишь изображение первым, а инструкцию после. Одна задача, три диалекта — и заметно лучше результат, чем прогонять все три через один промпт.

Форматы промптов для каждой модели

• Claude (Anthropic): XML-теги для структуры, extended thinking, контекст 200K, предзаполненные ответы, строгое следование системному промпту
• GPT-4 / GPT-5 (OpenAI): JSON mode, function calling, предпочтителен markdown, приоритизация инструкций (последние важнее)
• Gemini (Google): Настоящая мультимодальность (изображения в начало промпта), контекст 1M+ токенов, search grounding, шаблоны промптов повышают точность на 40%
• Open-source (Llama, DeepSeek, Qwen): Обязательны chat templates (im_start/im_end), явное форматирование, короткие промпты работают лучше, формат system prompt зависит от модели
• Частая ловушка: один промпт для всех: Промпт, оптимизированный для GPT-4, может давать на 20-30% худший результат на Claude, потому что Claude ожидает XML-структуру, а не markdown-заголовки. Всегда адаптируйтесь под модель.

Попробуйте сами!

Изучите интерактивное сравнение ниже, чтобы увидеть, как одна и та же задача оформляется по-разному для каждой модели, и узнайте их уникальные фичи.