Advanced Prompt Engineering: конспект курса Vanderbilt

Лето 2025. Я сижу на Coursera и конспектирую лекции профессора Джулса Уайта из Вандербильта. Тогда мне казалось, что промпт-инжиниринг (prompt engineering, искусство формулировать запросы к AI) как отдельная дисциплина будет только расти. Спойлер: через полгода половина этих техник стала не нужна.

Но другая половина оказалась фундаментом, на котором я строю всю работу с AI-агентами. Собственно, об этом и статья.

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/verify/A8ZXURCS2O9T Это мой авторский конспект, не официальный перевод. Делюсь бесплатно.

Сертификат Advanced Prompt Engineering — Валерия Ом

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 работаю с 19 AI-агентами каждый день. Каждый агент настроен через промпты с конкретными паттернами. Без понимания того, как работает in-context learning (обучение на примерах прямо в запросе), как строить шаблоны, как давать примеры вместо инструкций, я бы получала тот самый генерик, который так бесит аудиторию.

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 вы тратите больше 10 минут на переделку того, что выдал AI, скорее всего дело не в модели, а в промпте.

Какие 5 паттернов промптинга работают с любой моделью?

In-Context Learning, Few-Shot, Template Pattern, Writing Persona и Ask-for-Options — пять универсальных паттернов, которые работают в ChatGPT, Claude и любой другой LLM. Уайт разбирает каждый детально, и я использую их до сих пор. Не все из пяти модулей курса одинаково полезны, но эти пять техник стоят всего курса.

Паттерн	Что делает	Пример из моей практики
In-Context Learning	Модель учится из примеров прямо в промпте, без дообучения	Даю агенту 3-4 готовых поста клиента, и он подхватывает тон, длину предложений, любимые обороты
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. Примеры информационно плотнее инструкций примерно в 10 раз. Одно предложение-пример содержит информацию о тоне, выборе слов, длине фраз, эмоциях. Описать всё это инструкциями? Нужен целый абзац.

Вот как это выглядит на практике. Когда мне нужно написать пост для клиента-остеопрактика, я не пишу «используй тёплый тон, избегай медицинского жаргона, предложения средней длины». Я даю агенту три готовых поста этого клиента и одну строку: «напиши пост в том же стиле на тему X». Результат в разы лучше.

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.

Важный нюанс, который Уайт подчёркивает: всегда добавляйте escape valve (запасной выход). Это инструкция, что делать, если данные не подходят под шаблон. Например: <insert значение ИЛИ N/A, если данных нет>. Без этого модель будет запихивать квадратный колышек в круглую дырку, выдумывая данные на ходу.

Ask-for-Options звучит банально, но меняет подход. Никогда не генерируйте одну версию чего бы то ни было. Генерация практически бесплатна по времени. Попросите пять вариантов, сравните, выберите лучший. Уайт говорит: «Я не хочу 11 минут экономии. Я хочу создать что-то, что взорвёт мозг качеством». Подписываюсь.

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?

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

Я проверяю каждый свой промпт по этому списку. За 8 месяцев работы с агентами проверила больше 200 промптов. Если чего-то не хватает, результат будет хуже, чем мог бы. Особенно часто забывают про Information: без данных модель начинает галлюцинировать (hallucinate, выдавать несуществующую информацию), потому что ей нечем оперировать. AI, собственно, процессор: данные + инструкции на входе, результат на выходе. Без данных процессор не может работать.

Если хотите разобраться, как эти паттерны ложатся именно на ваши задачи, можно обсудить на консультации. Я покажу, какие компоненты промпта чаще всего пропускают в вашей нише.

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:

Retrieval: поиск релевантных кусков информации
Augmentation: вставка найденного в промпт
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, и с тех пор индустрия ушла далеко вперёд. Я считаю, что честный обзор должен это проговорить. Моя оценка актуальности: 6 из 10.

Вот что изменилось:

Было в 2023	Стало в 2026
Self-consistency hacks: генерируй 10 ответов и голосуй за лучший	Модели стали достаточно надёжными, для большинства задач это избыточно
Сложные цепочки промптов для простых задач	Claude и GPT-4o справляются с одного запроса, если дать контекст
Exploit generation: всегда генерируй 1000 вариантов	Для маркетинга 3-5 вариантов достаточно, модели выдают качественный результат быстрее
Промпт-инжиниринг как отдельная профессия	Промптинг стал частью общей AI-грамотности, а не специализацией
Хаки для обхода ограничений модели	Модели стали лучше следовать инструкциям, хаки не нужны
Акцент на ChatGPT как единственный инструмент	Экосистема выросла: Claude Code, агенты, MCP, целый стек инструментов

Модуль про автоматический поиск решений (генерируй 1000 вариантов, тестируй, ранжируй) был интересен в теории. На практике в маркетинге это избыточно. Мне не нужно 1000 вариантов заголовка. Мне нужно 5 хороших.

Уайт много времени уделяет итеративному уточнению в разговоре, и это до сих пор работает. Но в 2026 году я чаще использую системные промпты и скиллы для Claude Code, чем длинные цепочки диалога. Агент с хорошо настроенным промптом выдаёт нужный результат с первого раза.

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 вы до сих пор пишете «сделай мне контент-план» и удивляетесь, почему результат никакой, этот курс объяснит почему.

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.

10 часов, это немало. Но можно смотреть на 1.5x скорости и пропускать очевидные места.

Главное, что я вынесла из этого курса: промпт не одна строка текста, а система из пяти компонентов. И примеры почти всегда работают лучше инструкций. Этот принцип я применяю каждый день.

Пишу больше об AI-инструментах и маркетинге в Telegram.

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?

Абсолютно. Паттерны промптинга про работу с языковыми моделями в принципе. In-context learning, few-shot, template pattern работают одинаково в ChatGPT, Claude, Gemini и любой другой LLM (Large Language Model, большая языковая модель). Я применяю их в Claude Code каждый день.

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.