Advanced Prompt Engineering: конспект курса Vanderbilt

Летом 2025 года я конспектировала на Coursera лекции профессора Джулса Уайта из Вандербильта. Часть конкретных тактик быстро устарела, но базовые паттерны работы с контекстом, примерами и форматом результата сохранили ценность.

Этот конспект отделяет фундаментальные идеи курса от приёмов, которые зависят от поколения модели и интерфейса.

Курс: Advanced Prompt Engineering for Everyone Платформа: Coursera Университет: Vanderbilt University Автор: Jules White, Department of Computer Science Длительность: ~10 часов Язык: English (есть русские субтитры) Ссылка: coursera.org/learn/advanced-prompt-engineering-for-everyone Авторский конспект по материалам курса. Не является официальным переводом или публикацией Vanderbilt University или Coursera.

Это часть серии «Учусь вместо вас». Также в серии: Claude 101, AI Fluency for Educators, Claude Code in Action и Agent Skills.

Зачем маркетологу учить промпт-инжиниринг в 2026 году?

Чтобы получать от AI не генерик, а результат, который не нужно переписывать. Модели стали умнее, интерфейсы проще, но базовые запросы дают базовый результат. Это как с фотографией. Любой может навести телефон и нажать кнопку. Но фотограф, который понимает композицию, свет и экспозицию, получит совершенно другой кадр с того же телефона.

Я использую эти паттерны в повторяющихся агентных процессах. In-context learning (обучение на примерах прямо в запросе), шаблоны и критерии результата помогают уменьшить тот самый генерик, о котором я писала в разборе AI-контента.

Промпт-инжиниринг не умер. Он просто перестал быть про хитрые трюки и стал про системное понимание того, как модели обрабатывают информацию. Курс Уайта учит именно этому.

Понимаете, разница между «попросить AI написать пост» и «настроить AI-агента, который стабильно выдаёт посты в вашем стиле» и есть промпт-инжиниринг. Первое может каждый. Второе требует понимания паттернов.

Практический вывод: если результат приходится существенно переделывать, сначала проверьте постановку задачи, контекст, примеры и критерии оценки. Проблема не всегда решается сменой модели.

Какие 5 паттернов промптинга широко применимы?

In-Context Learning, Few-Shot, Template Pattern, Writing Persona и Ask-for-Options применимы во многих языковых моделях. Реализация и качество различаются, но сами способы организации контекста остаются полезными.

Паттерн	Что делает	Пример из моей практики
In-Context Learning	Модель учится из примеров прямо в промпте, без дообучения	Даю агенту несколько опубликованных текстов, чтобы показать тон, длину предложений и структуру
Few-Shot	Несколько примеров входа-выхода показывают модели паттерн	Для карточек соцсетей: даю 5 примеров готовых текстов на карточках, дальше агент генерирует в том же формате
Template Pattern	Шаблон с плейсхолдерами контролирует формат вывода	Мой скилл для генерации контента использует шаблоны с <insert заголовок>, <insert 3 пункта списком>
Writing Persona	Инструкции + разделитель + примеры стиля	Собрала тексты Валерии Ом в один документ, теперь агенты пишут в моём стиле, а не в стиле «I’m thrilled to announce»
Ask-for-Options	Генерация нескольких вариантов вместо одного	«Дай 5 вариантов заголовка для этого поста и сравни их по кликабельности»

Самый недооценённый из них, я считаю, это In-Context Learning. Уайт приводит красивую аналогию: чтобы научиться писать как Фолкнер, нужно читать Фолкнера, а не слушать лекции о его стиле. То же самое с AI. Один пример одновременно показывает тон, выбор слов, длину фраз и структуру, которые трудно полностью описать инструкцией.

Вот как это выглядит на практике. Когда нужно сохранить стиль серии материалов, я даю агенту несколько уже опубликованных примеров и прошу сначала выделить их общие признаки. Это надёжнее, чем ограничиться абстрактной формулировкой вроде «пиши тепло и профессионально».

Template Pattern заслуживает отдельного внимания. Идея простая: всё, что не в плейсхолдере (placeholder, заготовка для подстановки), модель не трогает. Как юридический контракт, где заполняют только пустые поля. Я использую это для генерации карточек соцсетей: у меня есть шаблон с фиксированной структурой и плейсхолдерами для контента.

Для шаблонов, в которые данные могут не поместиться, Уайт предлагает escape valve (запасной выход): инструкцию на случай отсутствующего или неподходящего значения. Например: <insert значение ИЛИ N/A, если данных нет>. Так модель получает явное разрешение не заполнять поле выдуманными данными.

Ask-for-Options полезен, когда у задачи есть несколько допустимых решений. Можно запросить несколько вариантов, заранее определить критерии и сравнить результат. Количество вариантов зависит от задачи: иногда достаточно двух, иногда полезно пять.

Ещё один ценный приём из курса: разделяйте генерацию и оценку. Генерируйте варианты в одном разговоре, а критерии оценки создавайте в другом. Это убирает предвзятость. Потом объединяете и оцениваете решения по метрикам. Получаете таблицу сравнения, а не интуитивный выбор.

5 компонентов промпта

Уайт предлагает модель «Стажёр»: представьте, что объясняете задачу новому сотруднику. Какая информация ему нужна?

1. Instructions (инструкции): что делать и чего не делать
2. Information (данные): факты, цифры, контекст
3. Pattern/Examples (примеры): образцы для обучения
4. Output Format (формат вывода): шаблон результата
5. Trigger (триггер): сигнал начать генерацию

Я проверяю повторяющиеся запросы по этому списку. Особенно часто не хватает Information: без фактов и контекста модель заполняет пробелы вероятными формулировками, которые легко принять за достоверные. Поэтому исходные данные и правила проверки важны не меньше самой инструкции.

Как работает RAG и причём тут поисковая выдача?

RAG (Retrieval Augmented Generation) — это механизм, позволяющий AI-моделям генерировать ответы на основе внешних данных, а не только обучающей выборки. Этот модуль курса был для меня самым интересным: он объясняет механику того, как AI-системы работают с внешними данными. А это напрямую связано с тем, как контент попадает в ответы ChatGPT и Perplexity.

Представьте библиотекаря, который создаёт индексную карточку для каждого абзаца каждой книги в библиотеке. На карточке не текст абзаца, а его числовой отпечаток, embedding. Когда вы приходите с вопросом, библиотекарь сравнивает числовой отпечаток вашего вопроса с карточками и достаёт самые похожие абзацы. Потом передаёт их умному помощнику (модели), который на основе этих абзацев формулирует ответ.

Это и есть RAG. Три шага:

1. Retrieval: поиск релевантных кусков информации
2. Augmentation: вставка найденного в промпт
3. Generation: модель отвечает на основе предоставленных данных

Звучит просто, но дьявол в деталях. Главная боль RAG — chunking (разбиение документов на куски). Большой кусок дает слишком общий смысл. Маленький — потерю контекста. Куски могут быть представлены модели не по порядку. Абзац, отрезанный от заголовка раздела, теряет смысл, и модель может неправильно интерпретировать информацию.

Уайт предлагает конкретные приёмы для работы с RAG:

• Нумеровать исходные факты и просить модель ссылаться на номера
• Использовать template pattern с footnotes для самопроверки
• Формулировать контекст как «potentially relevant» вместо «relevant information», если вы не уверены в релевантности

Мелочи, но они существенно снижают вероятность галлюцинаций.

RAG не решает все проблемы с галлюцинациями автоматически. Но если вы понимаете, как он работает, вы можете писать контент, который RAG-системы лучше находят и корректнее цитируют. Нумеруйте факты. Используйте чёткие заголовки. Структурируйте информацию так, чтобы даже отдельный абзац был самодостаточным.

Что устарело в курсе промпт-инжиниринга 2023 года?

Курс записан в 2023 году, поэтому конкретные тактики стоит отделять от общих принципов. Моя оценка актуальности: 6 из 10.

Быстрее всего стареют приёмы, привязанные к конкретной версии модели: массовая генерация вариантов, сложные цепочки для простых задач и попытки обойти ограничения интерфейса. Их полезность нужно подтверждать качеством результата, стоимостью и временем, а не авторитетом старой инструкции.

Например, модуль про автоматический поиск решений предлагает генерировать очень много вариантов, тестировать и ранжировать их. Для исследовательских задач этот подход может быть оправдан, но в редакционной работе обычно достаточно небольшого набора осмысленных альтернатив.

Уайт много времени уделяет итеративному уточнению в разговоре, и этот принцип сохраняет ценность. Для повторяющихся процессов я чаще использую системные инструкции и skills для Claude Code, но и они требуют проверки и доработки на реальных примерах.

При этом фундаментальные идеи курса не устарели. 5 компонентов промпта, in-context learning, template pattern, разделение генерации и оценки — всё это актуально. Устарела скорее тактика, не стратегия. Соответственно, если вы понимаете стратегию, адаптировать тактику под новые инструменты не составит труда.

Кому стоит пройти этот курс?

На мой взгляд, курс подходит тем, кто только начинает осознанно работать с AI. Если общий запрос даёт слишком общий результат, курс помогает увидеть, какого контекста, формата или критерия не хватает.

Подойдёт:

• Маркетологам и контент-менеджерам, которые хотят понять механику промптов
• Предпринимателям, которые внедряют AI в процессы
• Тем, кто изучает AI с нуля и хочет академическую базу от университета

Не подойдёт:

• Тем, кто уже активно работает с AI-агентами и промптами ежедневно
• Разработчикам, которым нужна техническая глубина (курс для «everyone»)

Курс на английском, но с русскими субтитрами. Уайт объясняет понятно, с примерами из жизни: от плана питания до приложения, от логопедической оценки до кроссвордов. Мне нравится, что он не пытается продать AI как магию. Его метафора «AI это CPU» точная: даёшь данные и инструкции, получаешь результат. Без данных результата не будет, какие бы промпты ты ни писал.

Курс длительный, поэтому его удобно проходить по модулям и отдельно фиксировать паттерны, которые относятся к вашим задачам.

Главное, что я вынесла из этого курса: промпт не одна строка текста, а система из пяти компонентов. Примеры помогают показать детали, которые трудно перечислить абстрактной инструкцией.

---

Серия «Учусь вместо вас»:

• Claude 101
• AI Fluency for Educators
• Advanced Prompt Engineering ← вы здесь
• Claude Code in Action, часть 1
• Claude Code in Action, часть 2
• Agent Skills, часть 1
• Agent Skills, часть 2

FAQ: вопросы о курсе промпт-инжиниринга

Стоит ли проходить этот курс в 2026 году?

Если у вас нет базы в промпт-инжиниринге, да. Фундаментальные паттерны (in-context learning, template pattern, 5 компонентов промпта) актуальны. Но имейте в виду, что часть тактических приёмов устарела, и курс не покрывает современные инструменты вроде Claude Code или агентных систем.

Нужно ли знать программирование для этого курса?

Нет. Уайт специально подчёркивает, что ключевые навыки для промпт-инжиниринга: креативность и навыки письма, а не код. Курс рассчитан на широкую аудиторию.

Чем этот курс отличается от бесплатных гайдов по промптингу?

Академической глубиной. Уайт не просто даёт список «50 промптов для маркетолога». Он объясняет, почему модель реагирует на примеры лучше, чем на инструкции. Почему формат вывода через шаблоны надёжнее, чем словесное описание. Это понимание механики, а не набор рецептов.

Можно ли применить знания из курса к Claude, а не только к ChatGPT?

Да. In-context learning, few-shot и template pattern применимы в разных языковых моделях, хотя точное поведение и качество результата могут различаться. Я использую эти принципы и в Claude Code.

Есть ли сертификат?

Да, Coursera выдаёт верифицируемый сертификат. Ссылка на мой: coursera.org/verify/A8ZXURCS2O9T.

---

Если вы хотите разобраться, как применить промптинг и AI-инструменты именно в вашей нише, можно обсудить на консультации. Разберём ваш стек, покажу конкретные паттерны для ваших задач.