DeepLearning.AI × OpenAI: промпт-инжиниринг для разработчиков и «Reasoning with o1»

На чём основана эта страница

Видео и задания курсов DeepLearning.AI открываются только после регистрации, а условия использования не разрешают их переводить и публиковать. Поэтому здесь не пересказ уроков, а путеводитель по проверяемым сведениям: публичные описания курсов, письма о запуске (их копии собраны в открытом репозитории конспектов dzlab/deeplearning.ai), названия уроков и ноутбуков из открытых копий материалов курсов на GitHub. Что именно говорится в видео, мы не домысливаем.

Что это и для кого

DeepLearning.AI — компания Эндрю Ына, сооснователя Google Brain и Coursera. Её короткие курсы (short courses) длятся от одного до двух часов: видео по 5–15 минут и ноутбуки Jupyter, которые запускаются прямо в браузере, без своего ключа API. Видео бесплатные; сертификаты и часть заданий — по подписке.

С OpenAI сделаны два курса, полезных ученику:

Курс	Ведут	Год	Уровень	Что даёт
ChatGPT Prompt Engineering for Developers	Иза Фулфорд (OpenAI) и Эндрю Ын	2023	начальный	Два принципа хорошего промпта и четыре типовые задачи через API: суммаризация, извлечение (inferring), преобразование текста, «расширение» текста; свой чат-бот
Reasoning with o1	Колин Джарвис, руководитель направления AI Solutions в OpenAI	2024	средний	Как ставить задачи рассуждающим моделям: принципы промптинга o1, планирование, код, рассуждение по изображениям, мета-промптинг

Оба курса на английском, русских субтитров нет. Как смотреть с русской озвучкой или автопереводом субтитров — на странице «Переводы», раздел «Как смотреть английские и китайские видео по-русски».

Как встроить в наш курс

1. После урока 8.1.1 «OpenAI-совместимые API» — пройдите «ChatGPT Prompt Engineering for Developers» целиком. Вы уже знаете, что такое роли и temperature, и курс покажет, как с этим работать на десятках маленьких примеров.

2. Вместе с уроком 8.1.2 «Промпт-инжиниринг и context engineering» — сравните принципы курса 2023 года с тем, что написано в уроке: что осталось (разделители, структурированный вывод, примеры), что изменилось (у рассуждающих моделей «думай по шагам» больше не нужно).

3. После урока 6.4.4 о режимах мышления — «Reasoning with o1». Вы будете понимать, почему у рассуждающей модели свои правила промптинга.

4. Перед уроками 8.3.1 и 8.4.1 — пересмотрите уроки о планировании и мета-промптинге из курса про o1: это мостик к агентам и к автоматическому улучшению промптов по эвалам.

Курс 1. ChatGPT Prompt Engineering for Developers

О чём курс

По официальному описанию, курс показывает, как устроены LLM, даёт лучшие практики промпт-инжиниринга и показывает применение API к четырём типам задач: суммаризация (например, сжать отзывы покупателей), извлечение выводов (inferring: тональность, темы), преобразование текста (перевод, исправление орфографии и грамматики) и «расширение» (например, автоматическое написание писем). Отдельно обещаны два ключевых принципа написания промптов, систематическая работа над промптом и сборка собственного чат-бота.

Карта уроков

Порядок и темы — по ноутбукам курса (в открытых копиях на GitHub они пронумерованы одинаково). Кроме них в курсе есть вводное и заключительное видео.

№	Ноутбук	Что в нём (по заголовкам ноутбука)	Урок нашего курса
1	Guidelines for Prompting	Принцип 1 — ясные и конкретные инструкции: разделители, структурированный вывод, проверка условий, few-shot. Принцип 2 — дать модели «время подумать»: расписать шаги, попросить сначала решить самой, потом проверять. Ограничения модели: галлюцинации	8.1.2
2	Iterative Prompt Development	Итеративная доработка: описание товара по техническому листу; текст слишком длинный → акцент не на тех деталях → нужна таблица размеров	8.1.2, 8.4.1
3	Summarizing	Суммаризация с ограничением длины и фокусом на нужном аспекте	8.1.2
4	Inferring	Тональность и темы текста одним промптом вместо отдельных классификаторов	8.1.2, 7.3.2
5	Transforming	Перевод, исправление орфографии, смена тона, преобразование форматов	8.1.2
6	Expanding	Письмо клиенту с учётом тональности его отзыва; роль temperature	8.1.1
7	Chatbot	Формат чата (роли system, user, assistant) и бот для приёма заказов OrderBot	8.1.1

Как запускать сегодня

Ноутбуки курса написаны для старой версии библиотеки openai (до 1.0): в них вызывается openai.ChatCompletion.create(model="gpt-3.5-turbo", ...). В современной библиотеке так уже не работает. Если хотите повторить примеры у себя — замените вспомогательную функцию get_completion на версию для openai 1.x; с ней ноутбуки запускаются и на локальной модели через Ollama (урок 7.2.2):

from openai import OpenAI

# Локальная модель через Ollama; для облака поменяйте base_url, ключ и имя модели (урок 8.1.1)
client = OpenAI(base_url="http://localhost:11434/v1", api_key="ollama")

def get_completion(prompt, model="qwen3:8b"):
    messages = [{"role": "user", "content": prompt}]
    response = client.chat.completions.create(
        model=model,
        messages=messages,
        temperature=0,  # степень случайности ответа модели
    )
    return response.choices[0].message.content

Ответы маленькой локальной модели будут отличаться от показанных в видео: это хороший повод для упражнения «итеративная доработка промпта» из урока 2. Пробуйте те же приёмы на русских текстах.

Что устарело

Курс записан в 2023 году на gpt-3.5-turbo. Принципы (ясные инструкции, разделители, формат вывода, примеры) не устарели. Но совет «попросите модель рассуждать по шагам» для современных рассуждающих моделей уже не обязателен, а иногда вреден — об этом второй курс.

Курс 2. Reasoning with o1

О чём курс

По письму о запуске курса, он учит использовать модель o1 для сложных задач с рассуждением — кода, планирования, понимания изображений; объясняет, когда и как применять o1, какие стратегии промптинга работают (включая мета-промптинг) и как строить процессы, в которых интеллект модели уравновешен её ценой. В описании упомянуты две особенности o1, позволяющие ей рассуждать: цепочка рассуждений (chain-of-thoughtцепочка рассужденийEN chain of thought (CoT)) и вычисления во время ответа (test-time computeвычисления во время инференса (test-time compute)EN test-time computeБольше вычислений на ответ вместо большей модели: длинное рассуждение, много сэмплов с голосованием, поиск с проверщиком.).

Карта уроков

Названия и длительности уроков — по открытым конспектам курса на GitHub (всего 8 уроков и 6 примеров кода, около часа с небольшим). Содержание — по заголовкам ноутбуков.

№	Урок	Что в нём	Урок нашего курса
1	Introduction (≈3 мин)	Вступление	—
2	Introduction to o1 (≈11 мин)	Что такое рассуждающие модели семейства o1	6.4.4
3	Prompting o1 (≈12 мин)	Четыре принципа: просто и прямо; не нужно явно просить цепочку рассуждений — это мешает встроенному рассуждению; структурированный формат входа (XML или markdown); «показывай, а не рассказывай» — один-два примера	8.1.2
4	Planning with o1 (≈13 мин)	o1-mini составляет план по набору инструментов и ограничений, а исполняет шаги дешёвая gpt-4o-mini	8.3.1, 8.3.3
5	Coding with o1 (≈7 мин)	Генерация приложения на React и рефакторинг неудачного кода; сравнение двух моделей	—
6	Reasoning with images (≈9 мин)	o1 с изображениями: извлечь данные из схемы и отвечать на вопросы по ним; пример с ER-диаграммой	9.1.1
7	Meta-prompting (≈12 мин)	Политика отмены рейсов → o1-mini пишет по ней «рутину» для рабочей модели → прогон по набору эвалов вызова функций → o1 анализирует ошибки и улучшает рутину в цикле	8.4.1, 8.4.2
8	Conclusion (≈1 мин)	Итоги	—

В конспектах курса как связанные работы перечислены статьи «From Medprompt to o1» (стратегии вычислений во время ответа на медицинских задачах), «Chain-of-Thought Prompting Elicits Reasoning in Large Language Models» и «Self-Consistency Improves Chain of Thought Reasoning in Language Models»; две последние разобраны в уроках 8.1.2 и 6.4.4.

Связь с другими материалами OpenAI

Урок о мета-промптинге продолжает рецепты кукбука «Using reasoning for routine generation» и «Enhance your prompts with meta prompting» (см. путеводитель по кукбуку), а «рутина из регламента» — тот же приём, что советует гайд OpenAI по агентам в разделе об инструкциях.

Как запускать сегодня

Модели o1 и o1-mini в 2026 году уже не флагманы, но ноутбуки курса можно повторить с любой рассуждающей моделью через OpenAI-совместимый API — облачной (DeepSeek-R1, Qwen3 в режиме размышления) или локальной в Ollama. Главное — сохранить схему уроков: в уроке 4 «дорогая модель планирует, дешёвая исполняет», в уроке 7 «сильная модель улучшает промпт слабой по результатам эвалов». Включение и выключение режима размышления у Qwen3 — в уроке 6.4.4.

Что сделать руками

1. Перепишите get_completion под современный SDK (код выше) и пройдите ноутбуки 1–7 первого курса на локальной модели и русских текстах. Отметьте в тетради ошибок, где маленькая модель нарушила формат вывода.
2. Возьмите одну задачу на рассуждение (например, логическую задачу из урока 6.4.4) и сравните два промпта для рассуждающей модели: с фразой «думай по шагам» и без неё, просто и прямо. Посмотрите на длину рассуждения и ответ.
3. Повторите схему урока «Planning with o1»: пусть рассуждающая модель составит план из 3–5 вызовов ваших инструментов, а обычная модель исполнит их по одному.

Что читать дальше

• Гайд OpenAI по агентам — конспект.
• Перевод рецепта о вызове функций — техническая основа уроков о планировании.
• Курсы DeepLearning.AI с другими лабораториями: RLHF с Google Cloud, квантование с Hugging Face; курс об MCP с Anthropic пока не переведён — близкие темы в курсе Hugging Face по MCP.