Туториал Anthropic по промптам, часть 1: основы (главы 1–3)

Prompt Engineering Interactive Tutorial — официальный интерактивный курс Anthropic по составлению промптов: 9 глав с упражнениями и приложение с продвинутыми приёмами. Каждая глава — это ноутбук Jupyter: короткий урок, примеры, упражнения с автоматической проверкой и «песочница» для экспериментов. Курс написан в 2024 году под самую маленькую модель того времени, Claude 3 Haiku, но приёмы из него универсальны и работают с Qwen, DeepSeek и другими моделями.

Перевод разбит на три страницы:

1. Основы (эта страница): подготовка, главы 1–3 — структура запроса, ясные инструкции, роли.
2. Средний уровень: главы 4–7 — данные отдельно от инструкций, формат ответа и prefill, «подумай по шагам», примеры (few-shot).
3. Продвинутый уровень: главы 8–9 и приложение — галлюцинации, сложные промпты из десяти элементов, цепочки промптов, вызов инструментов, поиск.

Откуда перевод и что в нём изменено

Туториал лежит в двух местах: в отдельном репозитории anthropics/prompt-eng-interactive-tutorial (в корне нет файла лицензии, у версии для Amazon Bedrock внутри — MIT-0) и в сборнике anthropics/courses, который весь распространяется по лицензии CC BY-NC 4.0. Перевод сделан по копии из anthropics/courses (тексты в двух копиях отличаются только исправленными опечатками) и наследует её лицензию: свободно для некоммерческого использования с указанием авторства.

Что адаптировано для курса ChinaAI:

• Код. Оригинал вызывает Claude через Anthropic SDK и платный ключ. Здесь все примеры идут через OpenAI-совместимый API (урок 8.1.1), поэтому их можно запускать на бесплатной локальной модели в Ollama или vLLM (урок 7.2.2), на DeepSeek или на любом другом провайдере. Исходный код Anthropic приведён на вкладках «Оригинал».
• Промпты и проверки. Тексты промптов переведены на русский, функции проверки упражнений переписаны под русские ответы. Английские оригиналы промптов — в ноутбуках по ссылке выше.
• Наши примечания помечены как «Примечание переводчика». Это места, где советы 2024 года устарели или где локальная модель ведёт себя иначе, чем Claude.

Как читать вместе с курсом

• Когда. После урока 8.1.1 «OpenAI-совместимые API»: вы уже умеете отправить запрос и знаете роли system, user, assistant. Туториал идёт параллельно уроку 8.1.2 «Промпт-инжиниринг и context engineering» и даёт к нему десятки упражнений. Систематическая работа с промптами — версии, тест-наборы, выпуск по статистике — в уроке 8.4.1.
• Сколько времени. Весь туториал — 6–10 часов. Эта страница — полтора-два часа вместе с упражнениями.
• Что можно пропустить новичку. Ничего: главы 1–3 короткие и закладывают привычки, на которых держится всё остальное.
• Модель. Хватит qwen3:8b в Ollama (около 5 ГБ, работает и на CPU, но медленно). Совсем слабый компьютер потянет qwen3:1.7b, но маленькие модели хуже понимают русский и чаще проваливают проверки. Это тоже полезный опыт: сравните, где 1.7B ошибается, а 8B — нет.

Подготовка

В оригинале этот раздел называется «Tutorial How-To». Для работы туториалу нужен доступ к модели через API. Без ключа можно посмотреть таблицу с ответами, которую приложили авторы, но с локальной моделью ключ не нужен вовсе.

1. Поднимите модель. Самый простой путь — Ollama (подробно в уроке 7.2.2):

   ollama pull qwen3:8b      # один раз скачать модель (~5 ГБ)
   ollama serve              # если Ollama ещё не запущена как служба

2. Создайте окружение и поставьте SDK (урок 0.1.2):

   python -m venv .venv && source .venv/bin/activate
   pip install openai jupyter

3. Сохраните помощник pet.py рядом со своими ноутбуками. Это замена функции get_completion из оригинала: она отправляет промпт модели и возвращает текст ответа. Все примеры на трёх страницах импортируют его.

4. Выполняйте ячейки по порядку, сверху вниз: Shift + Enter запускает ячейку и переходит к следующей.

# pet.py — помощник для туториала Anthropic по промптам (адаптация ChinaAI).
# Один и тот же код работает с Ollama, vLLM, DeepSeek и любым OpenAI-совместимым сервером.
import os
import re

from openai import OpenAI

# Какой сервер используем: ollama | vllm | deepseek | other
SERVER = os.environ.get("LLM_SERVER", "ollama")

DEFAULTS = {  # адрес, ключ, модель по умолчанию для каждого сервера
    "ollama": ("http://localhost:11434/v1", "ollama", "qwen3:8b"),
    "vllm": ("http://localhost:8000/v1", "EMPTY", "Qwen/Qwen3-8B"),
    # /beta нужен DeepSeek для prefill («продолжения за модель»), см. урок 8.4.1
    "deepseek": ("https://api.deepseek.com/beta", os.environ.get("DEEPSEEK_API_KEY", ""), "deepseek-flash"),
    "other": ("", "", ""),
}
base_url, api_key, model = DEFAULTS[SERVER]
BASE_URL = os.environ.get("LLM_BASE_URL", base_url)
API_KEY = os.environ.get("LLM_API_KEY", api_key) or "none"
MODEL = os.environ.get("LLM_MODEL", model)

# Выключаем «режим размышлений» Qwen3: Claude 3 Haiku, под которую писался туториал, так не умела,
# и иначе эффект приёмов из глав 3 и 6 будет не виден. Для других серверов оставьте пустой словарь.
NO_THINK = {
    "ollama": {"reasoning_effort": "none"},
    "vllm": {"chat_template_kwargs": {"enable_thinking": False}},
}.get(SERVER, {})

client = OpenAI(base_url=BASE_URL, api_key=API_KEY)
THINK_RE = re.compile(r"<think>.*?</think>\s*", re.DOTALL)  # на случай, если рассуждения попали в текст


def chat(messages, system_prompt="", stop_sequences=None, max_tokens=2000, temperature=0.0):
    """Отправляет список сообщений [{role, content}, ...] и возвращает текст ответа модели.

    Если последнее сообщение — от assistant, это prefill: модель продолжает этот текст,
    а функция, как и в оригинале, возвращает только продолжение.
    """
    msgs = [dict(m) for m in messages]  # копия, чтобы не портить список вызывающего кода
    if system_prompt:
        msgs.insert(0, {"role": "system", "content": system_prompt})
    extra = dict(NO_THINK)
    prefill = ""
    if msgs[-1]["role"] == "assistant":
        prefill = msgs[-1]["content"]
        if SERVER == "vllm":  # vLLM умеет продолжать последнее сообщение ассистента
            extra.update(continue_final_message=True, add_generation_prompt=False)
        elif SERVER == "deepseek":  # DeepSeek: бета-функция Chat Prefix Completion
            msgs[-1]["prefix"] = True
        else:  # остальные: эмулируем — просим начать ответ с нужного текста
            msgs.pop()
            msgs[-1]["content"] += f"\n\nНачни свой ответ ровно с текста: {prefill}"
    kwargs = dict(model=MODEL, messages=msgs, max_tokens=max_tokens, temperature=temperature)
    if stop_sequences:
        kwargs["stop"] = stop_sequences
    if extra:
        kwargs["extra_body"] = extra
    response = client.chat.completions.create(**kwargs)
    text = THINK_RE.sub("", response.choices[0].message.content or "")
    if prefill and text.startswith(prefill):  # при эмуляции модель повторит начало — срежем его
        text = text[len(prefill):]
    return text


def get_completion(prompt, system_prompt="", prefill=""):
    """Как get_completion из оригинала: один ход пользователя (+ необязательный prefill)."""
    messages = [{"role": "user", "content": prompt}]
    if prefill:
        messages.append({"role": "assistant", "content": prefill})
    return chat(messages, system_prompt)

Сервер выбирается переменными окружения, код менять не нужно:

Где модель	Что задать перед запуском Jupyter
Ollama на этом компьютере	ничего (это вариант по умолчанию)
vLLM (vllm serve Qwen/Qwen3-8B --port 8000)	export LLM_SERVER=vllm
DeepSeek API	export LLM_SERVER=deepseek DEEPSEEK_API_KEY=...
другой OpenAI-совместимый провайдер	export LLM_SERVER=other LLM_BASE_URL=... LLM_API_KEY=... LLM_MODEL=...

Если сервер ругается на неизвестный параметр reasoning_effort или chat_template_kwargs, поставьте в pet.py NO_THINK = {}. Имена облачных моделей меняются — актуальные смотрите в уроке 8.1.1 и в документации провайдера.

Проверьте, что всё работает:

Наш вариант

from pet import get_completion

# Промпт
prompt = "Привет! Как дела?"

# Ответ модели
print(get_completion(prompt))

Оригинал (Anthropic SDK)

# pip install anthropic
import anthropic

API_KEY = "your_api_key_here"          # ваш ключ Anthropic API
MODEL_NAME = "claude-3-haiku-20240307"  # модель, под которую писался туториал

client = anthropic.Anthropic(api_key=API_KEY)

def get_completion(prompt: str):
    message = client.messages.create(
        model=MODEL_NAME,
        max_tokens=2000,
        temperature=0.0,
        messages=[
          {"role": "user", "content": prompt}
        ]
    )
    return message.content[0].text

# Промпт
prompt = "Hello, Claude!"

# Ответ Claude
print(get_completion(prompt))

Советы по работе с курсом

• Курс использует температуру 0. Подробнее о температуре поговорим позже, а пока достаточно знать: при такой настройке ответы получаются более детерминированными, то есть почти одинаковыми от запуска к запуску. Все приёмы курса работали и с предыдущими поколениями Claude (Claude 2 и Claude Instant 1.2) — и, как вы увидите, работают с открытыми моделями.
• Дойдя до конца главы, переходите к ноутбуку со следующим номером.
• Внизу каждой главы в оригинале есть «песочница» (Example Playground): копии всех примеров урока, чтобы экспериментировать, не трогая основной текст. Здесь песочницы нет — просто меняйте промпты из примеров и смотрите, как меняется ответ.

Примечание переводчика: ответы будут другими

Под примерами в оригинале описано, как отвечала Claude 3 Haiku в 2024 году. Ваша модель ответит иначе: где-то лучше, где-то хуже, где-то проблема из урока вообще не воспроизведётся. Это нормально. Смысл упражнений — научиться замечать проблему в ответе и устранять её промптом. Если пример «не ломается», попробуйте модель поменьше (qwen3:1.7b) — она чаще ошибается так же, как старая Haiku.

Глава 1. Базовая структура промпта

Урок

В 2024 году у Anthropic было два API: устаревший Text Completions API и современный Messages API. Туториал использует только Messages API. OpenAI-совместимый Chat Completions API, через который мы работаем, устроен очень похоже (урок 8.1.1), поэтому ниже рядом с каждым параметром Anthropic указан его аналог.

Минимальный вызов Messages API требует трёх параметров:

• model — имя модели в API, которую вы хотите вызвать. У нас — MODEL из pet.py.
• max_tokens — наибольшее число токенов, которое модель сгенерирует, прежде чем остановиться. Модель может закончить и раньше: параметр задаёт только абсолютный предел. Кроме того, это жёсткая остановка: генерация может оборваться посреди слова или предложения. В Chat Completions параметр называется так же; на некоторых серверах он необязателен.
• messages — массив входных сообщений. Модели обучены работать с чередующимися репликами user и assistant. Когда вы создаёте новое сообщение, вы передаёте в messages предыдущие реплики диалога, а модель генерирует следующую.
  • Каждое входное сообщение — объект с полями role и content. Можно передать одно сообщение с ролью user или несколько сообщений user и assistant (тогда они должны чередоваться). Первое сообщение всегда должно быть от user.

Есть и необязательные параметры, например:

• system — системный промпт, о нём ниже. В Chat Completions это не отдельный параметр, а первое сообщение с ролью system.
• temperature — степень разнообразия ответов. В уроках и упражнениях она равна 0.

Полный список параметров — в документации API.

Примеры

Посмотрим, как модель отвечает на правильно оформленные промпты. Запускайте каждую ячейку (Shift + Enter), ответ появится под ней.

from pet import get_completion, client, MODEL

# Промпт
PROMPT = "Привет! Как у тебя дела?"

# Ответ модели
print(get_completion(PROMPT))

# Промпт
PROMPT = "Скажи, какого цвета океан?"

# Ответ модели
print(get_completion(PROMPT))

# Промпт
PROMPT = "В каком году родилась Селин Дион?"

# Ответ модели
print(get_completion(PROMPT))

Теперь посмотрим на промпты, оформленные неправильно. На них Messages API возвращал ошибку.

Первый пример — вызов, в котором у элементов массива messages нет полей role и content:

# Ошибка: в messages лежит не словарь {role, content}, а множество с одной строкой
response = client.chat.completions.create(
    model=MODEL,
    max_tokens=2000,
    temperature=0.0,
    messages=[
        {"Привет! Как у тебя дела?"}
    ],
)
print(response.choices[0].message.content)

Второй — промпт, где роли user и assistant не чередуются:

# Два сообщения user подряд
response = client.chat.completions.create(
    model=MODEL,
    max_tokens=2000,
    temperature=0.0,
    messages=[
        {"role": "user", "content": "В каком году родилась Селин Дион?"},
        {"role": "user", "content": "А ещё расскажи о ней что-нибудь интересное."},
    ],
)
print(response.choices[0].message.content)

Сообщения user и assistant ОБЯЗАТЕЛЬНО чередуются, и диалог ОБЯЗАТЕЛЬНО начинается с хода user. В промпте может быть несколько пар user и assistant — так имитируют многоходовый диалог. Ещё можно вписать слова в последнее сообщение assistant, чтобы модель продолжила с того места, где вы остановились; об этом в следующих главах.

Примечание переводчика: что ответит ваш сервер

Первый пример упадёт ещё до отправки: Python не умеет превратить множество {"..."} в JSON, и SDK выбросит TypeError. Второй пример OpenAI-совместимые серверы (Ollama, vLLM) обычно принимают: чат-шаблон модели просто склеит две реплики подряд. Это не значит, что так стоит делать: правило чередования описывает формат, на котором модель обучена, и разные серверы обрабатывают его нарушения по-разному. Проверьте, что сделает ваш.

Системные промпты

Ещё можно использовать системный промпт (system prompt). Это способ дать модели контекст, инструкции и правила до того, как в ходе пользователя появится вопрос или задача.

В Messages API системный промпт живёт отдельно от списка сообщений user и assistant — в параметре system. В Chat Completions его кладут первым сообщением с ролью system; помощник pet.py делает это сам, если передать второй аргумент system_prompt. Если системный промпт не нужен, оставьте переменную SYSTEM_PROMPT пустой строкой.

Пример системного промпта

# Системный промпт
SYSTEM_PROMPT = ("Твой ответ всегда должен быть серией вопросов на критическое мышление, которые развивают "
                 "разговор (не давай ответов на свои вопросы). Не отвечай на сам вопрос пользователя.")

# Промпт
PROMPT = "Почему небо голубое?"

# Ответ модели
print(get_completion(PROMPT, SYSTEM_PROMPT))

Зачем нужен системный промпт? Хорошо написанный системный промпт улучшает работу модели во многих отношениях, например помогает ей лучше следовать правилам и инструкциям. Подробнее — в документации Anthropic о системных промптах.

Теперь перейдём к упражнениям.

Упражнения

Упражнение 1.1 — Посчитать до трёх

Используя правильное оформление ролей user / assistant, отредактируйте PROMPT так, чтобы модель посчитала до трёх. Под ответом напечатается, решено ли упражнение.

import re
from pet import get_completion

# Промпт — менять нужно только эту строку
PROMPT = "[Замените этот текст]"

# Ответ модели
response = get_completion(PROMPT)

# Проверка: в ответе есть цифры 1, 2 и 3
def grade_exercise(text):
    pattern = re.compile(r'^(?=.*1)(?=.*2)(?=.*3).*$', re.DOTALL)
    return bool(pattern.match(text))

print(response)
print("\n--------------------------- ПРОВЕРКА ---------------------------")
print("Упражнение решено:", grade_exercise(response))

Подсказка

Функция проверки ищет в ответе арабские цифры «1», «2» и «3». Часто модель делает то, что нужно, если просто попросить.

Упражнение 1.2 — Системный промпт

Измените SYSTEM_PROMPT так, чтобы модель отвечала как трёхлетний ребёнок.

# Системный промпт — менять нужно только эту строку
SYSTEM_PROMPT = "[Замените этот текст]"

# Промпт
PROMPT = "Какое большое небо?"

# Ответ модели
response = get_completion(PROMPT, SYSTEM_PROMPT)

# Проверка (адаптирована): ищем детское «хи-хи» или растянутые гласные вроде «оооочень»
def grade_exercise(text):
    t = text.lower()
    return bool(re.search(r"хи-?хи|хихи|ооо|ууу", t))

print(response)
print("\n--------------------------- ПРОВЕРКА ---------------------------")
print("Упражнение решено:", grade_exercise(response))

Подсказка

В оригинале проверка искала в английском ответе «soo» (растянутое «so-o-o») или «giggles» («хихикает»). В нашей версии — «хи-хи» или растянутые «ооо»/«ууу». Решить можно по-разному — просто попросите!

Поздравляем!

Если вы решили все упражнения, можно переходить к следующей главе. Удачного промптинга!

Глава 2. Ясно и прямо

Урок

Модель лучше всего отвечает на ясные и прямые инструкции.

Думайте о модели как о любом новом сотруднике. У модели нет никакого контекста, кроме того, что вы ей буквально сообщили. Как и с человеком, которому вы впервые объясняете задачу, чем прямее и точнее вы скажете, чего хотите, тем лучше и точнее будет ответ.

Если сомневаетесь, следуйте Золотому правилу ясного промпта:

• Покажите промпт коллеге или другу и попросите выполнить инструкции самому — получится ли у него нужный результат? Если он запутался, запутается и модель.

Примеры

Возьмём творческую задачу — стихи. (Не обращайте внимания на число слогов: языковые модели пока плохо их считают.)

# Промпт
PROMPT = "Напиши хокку о роботах."

# Ответ модели
print(get_completion(PROMPT))

Хокку вполне приличное, но пользователю может быть нужно, чтобы модель сразу начинала со стихотворения, без вступления вроде «Вот хокку о роботах».

Как этого добиться? Попросить!

# Промпт
PROMPT = "Напиши хокку о роботах. Без вступления — сразу стихотворение."

# Ответ модели
print(get_completion(PROMPT))

Ещё пример. Спросим, кто лучший баскетболист всех времён. Модель перечислит несколько имён, но не назовёт однозначно «лучшего».

# Промпт
PROMPT = "Кто лучший баскетболист всех времён?"

# Ответ модели
print(get_completion(PROMPT))

Можно ли заставить модель определиться? Да! Просто попросите!

# Промпт
PROMPT = ("Кто лучший баскетболист всех времён? Да, мнения расходятся, но если бы тебе обязательно "
          "нужно было выбрать одного игрока, кто бы это был?")

# Ответ модели
print(get_completion(PROMPT))

Упражнения

Упражнение 2.1 — Испанский

Измените SYSTEM_PROMPT так, чтобы модель отвечала по-испански.

# Системный промпт — менять нужно только эту строку
SYSTEM_PROMPT = "[Замените этот текст]"

# Промпт
PROMPT = "Привет! Как дела?"

# Ответ модели
response = get_completion(PROMPT, SYSTEM_PROMPT)

# Проверка: в ответе есть испанское «hola»
def grade_exercise(text):
    return "hola" in text.lower()

print(response)
print("\n--------------------------- ПРОВЕРКА ---------------------------")
print("Упражнение решено:", grade_exercise(response))

Подсказка

Проверка ищет в ответе слово «hola». Попросите модель отвечать по-испански — так же, как попросили бы человека. Всё очень просто!

Упражнение 2.2 — Только один игрок

Измените PROMPT так, чтобы модель совсем не колебалась и ответила ТОЛЬКО именем одного конкретного игрока, без других слов и знаков препинания.

# Промпт — менять нужно только эту строку
PROMPT = "[Замените этот текст]"

# Ответ модели
response = get_completion(PROMPT)

# Проверка: ответ — ровно «Майкл Джордан» (в оригинале — "Michael Jordan")
def grade_exercise(text):
    return text.strip() in ("Майкл Джордан", "Michael Jordan")

print(response)
print("\n--------------------------- ПРОВЕРКА ---------------------------")
print("Упражнение решено:", grade_exercise(response))

Подсказка

Проверка ждёт РОВНО «Майкл Джордан». Как бы вы попросили об этом человека? «Ответь без лишних слов»? «Назови только имя и больше ничего»? Подойти можно по-разному.

Примечание переводчика

Эта проверка — точное совпадение строки (exact match, урок 7.3.2). Она проваливается от одной лишней точки, кавычки или другого написания имени («Майкл Джордан» и «Джордан» для неё разные ответы). Если модель упорно выбирает другого игрока, это не ошибка промпта, а мнение модели: исходное упражнение рассчитано на то, что Claude 3 Haiku называла Джордана. Подумайте, как без подсказки имени добиться именно этого ответа — или смягчите проверку.

Упражнение 2.3 — Напишите рассказ

Измените PROMPT так, чтобы модель ответила как можно длиннее. Если в ответе больше 800 слов, упражнение засчитывается.

# Промпт — менять нужно только эту строку
PROMPT = "[Замените этот текст]"

# Ответ модели
response = get_completion(PROMPT)

# Проверка: в ответе не меньше 800 слов
def grade_exercise(text):
    words = len(text.strip().split())
    return words >= 800

print(response)
print("\n--------------------------- ПРОВЕРКА ---------------------------")
print("Упражнение решено:", grade_exercise(response))

Подсказка

Проверке нужен ответ длиной от 800 слов. Языковые модели пока плохо считают слова, поэтому просите с запасом.

Примечание переводчика

get_completion ограничивает ответ 2000 токенами (max_tokens=2000). Русский текст токенизируется дороже английского (урок 4.2), и 800 русских слов — это примерно 1500–2500 токенов в зависимости от токенизатора. Если ответ обрывается на полуслове, это сработал max_tokens: увеличьте его в chat() до 4000.

Поздравляем!

Если вы решили все упражнения, можно переходить к следующей главе. Удачного промптинга!

Глава 3. Роли (role prompting)

Урок

Продолжим тему: у модели нет контекста, кроме того, что вы сказали. Поэтому иногда важно попросить модель вжиться в конкретную роль (вместе со всем нужным контекстом). Это называют назначением роли, или role prompting. Чем подробнее описана роль, тем лучше.

Роль может улучшить работу модели в самых разных задачах — от письма до программирования и пересказа. Так и людям иногда помогает совет «подумай как ______». Роль меняет и стиль, тон, манеру ответа.

Примечание: роль можно задать и в системном промпте, и в сообщении пользователя.

Примеры

Ниже видно, что без роли модель даёт прямолинейный ответ без всякого стиля, когда её просят одним предложением высказаться о скейтбординге.

А если попросить модель стать котом, её точка зрения меняется, и вместе с ней тон, стиль и содержание ответа.

Примечание: дополнительный приём — сообщить модели, кто её аудитория. Можно было бы уточнить, к кому модель обращается: «Ты — кот» даёт совсем другой ответ, чем «ты — кот, который выступает перед толпой скейтбордистов».

Вот промпт без роли в системном промпте:

# Промпт
PROMPT = "Что ты думаешь о скейтбординге? Ответь одним предложением."

# Ответ модели
print(get_completion(PROMPT))

А вот тот же вопрос с ролью:

# Системный промпт
SYSTEM_PROMPT = "Ты — кот."

# Промпт
PROMPT = "Что ты думаешь о скейтбординге? Ответь одним предложением."

# Ответ модели
print(get_completion(PROMPT, SYSTEM_PROMPT))

Ролью можно заставить модель подражать определённому стилю письма, говорить определённым голосом или управлять сложностью ответа. Роль может даже улучшить решение математических и логических задач.

Например, в задаче ниже есть однозначный правильный ответ — «да». Но модель ошибается и считает, что данных не хватает, хотя их хватает:

# Промпт
PROMPT = ("Джек смотрит на Анну. Анна смотрит на Георгия. Джек женат, Георгий не женат, а про Анну мы не знаем, "
          "замужем ли она. Смотрит ли человек в браке на человека не в браке?")

# Ответ модели
print(get_completion(PROMPT))

А что, если попросить модель быть логическим ботом? Как изменится ответ?

Оказывается, с новой ролью модель отвечает правильно (хотя, что примечательно, не всегда по правильным причинам).

# Системный промпт
SYSTEM_PROMPT = "Ты — логический бот, созданный для решения сложных логических задач."

# Промпт
PROMPT = ("Джек смотрит на Анну. Анна смотрит на Георгия. Джек женат, Георгий не женат, а про Анну мы не знаем, "
          "замужем ли она. Смотрит ли человек в браке на человека не в браке?")

# Ответ модели
print(get_completion(PROMPT, SYSTEM_PROMPT))

Примечание переводчика: почему ответ — «да»

Разберите два случая. Если Анна замужем, то она (в браке) смотрит на Георгия (не в браке). Если Анна не замужем, то Джек (в браке) смотрит на неё (не в браке). В обоих случаях ответ «да». Модели, которые «думают» перед ответом (Qwen3 с включёнными размышлениями, DeepSeek-R1), обычно решают эту задачу и без роли — поэтому в pet.py размышления выключены. Включите их (NO_THINK = {}) и сравните.

Примечание: в курсе вы увидите, что одного и того же результата можно добиться многими приёмами. Какие выбрать — решать вам. Экспериментируйте и ищите собственный стиль промпт-инжиниринга.

Упражнения

Упражнение 3.1 — Исправление по математике

Иногда модели плохо даётся математика, даже простая. Ниже модель оценивает решение как верное, хотя во втором шаге явная арифметическая ошибка. Заметьте: проходя решение по шагам, модель саму ошибку замечает, но не делает вывод, что всё решение неверно.

Измените PROMPT и/или SYSTEM_PROMPT так, чтобы модель оценила решение как неверное.

# Системный промпт — если он не нужен, оставьте пустую строку
SYSTEM_PROMPT = ""

# Промпт
PROMPT = """Правильно ли решено это уравнение?

2x - 3 = 9
2x = 6
x = 3"""

# Ответ модели
response = get_completion(PROMPT, SYSTEM_PROMPT)

# Проверка (адаптирована): в ответе есть «неверн», «неправильн» или «ошибк»
def grade_exercise(text):
    t = text.lower()
    return bool(re.search(r"неверн|неправильн|ошибк|incorrect|not correct", t))

print(response)
print("\n--------------------------- ПРОВЕРКА ---------------------------")
print("Упражнение решено:", grade_exercise(response))

Подсказка

В оригинале проверка искала «incorrect» или «not correct»; в нашей версии — «неверно», «неправильно» или «ошибка». Дайте модели роль, которая может помочь ей лучше решать математические задачи!

Примечание переводчика: слабая проверка

Поиск слова — грубый грейдер: ответ «ошибок нет, решение верное» тоже содержит «ошибк» и пройдёт проверку. Это наглядный пример, почему в уроке 7.3.2 проверки строят на структурированном ответе. Улучшите упражнение: попросите модель закончить ответ строкой ИТОГ: ВЕРНО или ИТОГ: НЕВЕРНО и проверяйте только её. Именно так будет устроен формат ответа в главе 5.

Поздравляем!

Если вы решили все упражнения, можно переходить к следующей главе. Удачного промптинга!

Что сделать руками

1. Решите все шесть упражнений на qwen3:8b. Для каждого запишите в «тетрадь ошибок» первую неудачную попытку и что её исправило.
2. Лестница моделей. Повторите упражнения 2.2, 2.3 и 3.1 на qwen3:1.7b и на модели покрупнее (на одной RTX 4080 помещается qwen3:14b, через vLLM на двух картах — Qwen/Qwen3-32B-AWQ, команды в уроке 8.1.1). На каком размере проблема из урока перестаёт воспроизводиться?
3. Размышления включены и выключены. Задачу про Джека и Анну прогоните по 5 раз с NO_THINK = {} и с выключенными размышлениями при temperature=0.7. Сколько правильных ответов в каждом режиме? Сравните с тем, что говорится о reasoning-моделях в уроке 8.1.2.
4. Если есть ключ Anthropic — запустите оригинальные ноутбуки и сравните ответы Claude с ответами локальной модели на одни и те же промпты.

Словарик

English	Русский
prompt	промпт, запрос
system prompt	системный промпт
Messages API / Chat Completions API	API сообщений (Anthropic) / API чат-завершений (OpenAI-совместимый)
turn (user turn, assistant turn)	ход, реплика (пользователя, ассистента)
role prompting	назначение роли
max tokens	предел длины ответа в токенах
temperature	температура (сэмплирования)
preamble	вступление, «вода» перед ответом
grading function	функция проверки, грейдер
exact match	точное совпадение
playground	песочница