Context Engineering - гайд по настройке ИИ для бизнес процессов
Context Engineering в AI Wiz: пошаговое руководство по настройке ИИ для бизнес-задач. Готовые шаблоны, 4 элемента контекста, сравнение моделей GPT/Claude/Gemini.
Context Engineering: как превратить ИИ из помощника в эксперта вашего бизнеса
Вы задаёте вопрос в чате с ИИ — получаете общий ответ. Копируете промпт в новую сессию — объясняете с нуля. Тратите два часа на правки текста. Знакомая ситуация?
Проблемы в работе с ИИ возникают не из-за качества моделей. GPT-4, Claude, Gemini достаточно мощные. Проблема в том, что мы используем их как универсальных помощников, хотя настоящая эффективность приходит от специализации.
Context engineering — профессиональный подход к настройке моделей искусственного интеллекта на основе создания постоянной рабочей среды. В отличие от промпт инжиниринга, где вы каждый раз пишете новый запрос для получения результата, context engineering превращает модель из универсального инструмента в узкопрофильного эксперта. Применение этого метода используется в ведущих компаниях для оптимизации бизнес процессов и повышения производительности на 40-70%.
В этой статье вы получите понимание принципов context engineering, готовый шаблон для решения задач, инструкции по настройке в AI Wiz, сравнение возможностей моделей и инструментов, ответы на вопросы о внедрении.
Честно скажем: context engineering требует 4-6 часов на настройку. Но инвестиция окупается за неделю использования.
Проблемы в работе с ИИ возникают не из-за качества моделей. GPT-4, Claude, Gemini достаточно мощные. Проблема в том, что мы используем их как универсальных помощников, хотя настоящая эффективность приходит от специализации.
Context engineering — профессиональный подход к настройке моделей искусственного интеллекта на основе создания постоянной рабочей среды. В отличие от промпт инжиниринга, где вы каждый раз пишете новый запрос для получения результата, context engineering превращает модель из универсального инструмента в узкопрофильного эксперта. Применение этого метода используется в ведущих компаниях для оптимизации бизнес процессов и повышения производительности на 40-70%.
В этой статье вы получите понимание принципов context engineering, готовый шаблон для решения задач, инструкции по настройке в AI Wiz, сравнение возможностей моделей и инструментов, ответы на вопросы о внедрении.
Честно скажем: context engineering требует 4-6 часов на настройку. Но инвестиция окупается за неделю использования.
Что такое context engineering и чем он отличается от промпт инжиниринга
Context engineering — процесс создания рабочей среды и базы знаний для языковых моделей на основе информации о вашем бизнесе. Если промпт инжиниринг фокусируется на разовых запросах для получения ответа, то context engineering создаёт постоянный контекст для понимания специфики задач.
Представьте двух сотрудников. Первый приходит каждый день как в первый раз — вы объясняете стандарты работы заново. Второй прошёл обучение, изучил базу знаний, понимает бизнес процессы и принимает решения на основе опыта. Context engineering превращает модель искусственного интеллекта во второго сотрудника.
Представьте двух сотрудников. Первый приходит каждый день как в первый раз — вы объясняете стандарты работы заново. Второй прошёл обучение, изучил базу знаний, понимает бизнес процессы и принимает решения на основе опыта. Context engineering превращает модель искусственного интеллекта во второго сотрудника.
Сравнение подходов
Промпт инжиниринг работает так: формулируете запрос, получаете ответ, сохраняете промпт, копируете при следующей задаче. Context engineering создаёт систему, где модель уже знает вашу роль, базу знаний, процессы работы и правила.
Промпт инжиниринг подходит для получения быстрых ответов. Но для повышения эффективности работы с моделями в бизнесе нужен context engineering.
Реальный пример: маркетолог тратил 45 минут на пост, используя промпты. После настройки контекста — 12 минут. Экономия 73% времени работы.
Реальный пример: маркетолог тратил 45 минут на пост, используя промпты. После настройки контекста — 12 минут. Экономия 73% времени работы.
Когда применять
Применение context engineering оправдано для:
Примеры применения: контент-маркетинг, техподдержка через чат бота, аналитика данных, разработка программного обеспечения, автоматизация бизнес процессов.
Простое правило: если задача повторяется больше 5 раз в месяц — вам нужен context engineering.
- Автоматизация процессов — регулярные операции с текстом, данных и информации
- Корпоративные стандарты — создание контента с brand voice и требованиями бизнеса
- Командная работа — использование единой базы знаний для всех
- Специализация — разработка решений для конкретной отрасли
- Масштабирование — обучение новых сотрудников через готовые шаблоны и инструменты
Примеры применения: контент-маркетинг, техподдержка через чат бота, аналитика данных, разработка программного обеспечения, автоматизация бизнес процессов.
Простое правило: если задача повторяется больше 5 раз в месяц — вам нужен context engineering.
Context Engineering vs традиционные методы работы с ИИ: революция в качестве
Давайте честно: большинство использует ИИ неправильно. Открывают чат, пишут запрос, получают ответ, правят, снова запрос. Это как нанять специалиста и каждый день объяснять ему с нуля что делает ваша компания.
Три традиционных подхода к работе с ИИ
Подход 1: "Разовые промпты" Что происходит: Каждый запрос — с чистого листа. ИИ не помнит предыдущий контекст, не знает вашей специфики.
Качество ответов: Общее, как из учебника. Модель использует знания из интернета, но не понимает нюансы вашего бизнеса. Результат требует 5-7 итераций правок для получения приемлемого качества работы.
Подход 2: "Сохранённые промпты" Что происходит: Вы создали "идеальный" промпт, сохранили в где-то. Копируете его каждый раз.
Качество ответов: Лучше, чем разовые запросы. Но промпт статичен — не адаптируется под изменения в бизнесе. Каждый член команды копирует его по-своему, результаты разные. Через месяц промпт устаревает, но вы этого не замечаете.
Подход 3: "Длинные промпты с инструкциями" Что происходит: Вы пишете промпт на 2000 слов со всеми деталями, примерами, правилами работы.
Качество ответов: Хорошее для конкретной задачи. Но модель не может "запомнить" весь этот контекст между сессиями. Для каждого нового чата — копируете 2000 слов снова. Неудобно, медленно, невозможно масштабировать на команду.
Context Engineering — системный подход:
Что происходит: Один раз настроили контекст с ролью модели, базой знаний, процессами работы и правилами. Модель "помнит" всё это постоянно через Библиотеку в AI Wiz. Команда работает с единым контекстом проекта.
Качество ответов — вот где разница
Понимание специфики: Модель не просто знает "как писать пост для TenChat". Она знает ВАШ brand voice, ВАШУ аудиторию, ВАШИ продукты. Использует примеры из истории успешных работ проекта.
Консистентность: 10 человек в команде получают одинаково качественные результаты, потому что работают с одной базой знаний и правилами. Не зависит от навыков конкретного сотрудника в написании промптов.
Адаптивность: Обновили продукт? Просто добавьте новый файл в Библиотеку — все следующие ответы учтут изменения. Не нужно переписывать промпты.
Глубина анализа: При решении задач модель обращается к нескольким документам из базы знаний, находит связи, использует контекст предыдущих решений. Традиционный промпт так не умеет.
Самопроверка качества: Context включает чек-листы работы. Модель проверяет себя по вашим критериям перед отправкой решения. С промптами такого нет — вы проверяете вручную каждый раз.
Реальное сравнение качества на одной задаче
Задача: "Напиши email для привлечения клиента"
Традиционный промпт: "Напиши продающий email для нашего SaaS продукта" Результат: Общий шаблон с клише "инновационное решение", "революционный подход". Не учитывает специфику продукта. Тон не ваш. Нужно 4-5 правок для получения приемлемого текста.
Context Engineering: Модель знает продукт из документации, использует ваш tone of voice из примеров, включает кейс из базы знаний, следует структуре проверенных email-скриптов, проверяет по чек-листу качества работы. Результат: Email готов к отправке после 1 правки для финальной персонализации.
Ключевое отличие в качестве: Традиционные методы дают "правильный" ответ. Context Engineering даёт "ваш" ответ — учитывающий все нюансы бизнеса, стиль работы, накопленный опыт решения задач.
Это разница между универсальным инструментом и специализированным экспертом вашего домена. Оба дадут результат, но качество и применимость несравнимы.
Три традиционных подхода к работе с ИИ
Подход 1: "Разовые промпты" Что происходит: Каждый запрос — с чистого листа. ИИ не помнит предыдущий контекст, не знает вашей специфики.
Качество ответов: Общее, как из учебника. Модель использует знания из интернета, но не понимает нюансы вашего бизнеса. Результат требует 5-7 итераций правок для получения приемлемого качества работы.
Подход 2: "Сохранённые промпты" Что происходит: Вы создали "идеальный" промпт, сохранили в где-то. Копируете его каждый раз.
Качество ответов: Лучше, чем разовые запросы. Но промпт статичен — не адаптируется под изменения в бизнесе. Каждый член команды копирует его по-своему, результаты разные. Через месяц промпт устаревает, но вы этого не замечаете.
Подход 3: "Длинные промпты с инструкциями" Что происходит: Вы пишете промпт на 2000 слов со всеми деталями, примерами, правилами работы.
Качество ответов: Хорошее для конкретной задачи. Но модель не может "запомнить" весь этот контекст между сессиями. Для каждого нового чата — копируете 2000 слов снова. Неудобно, медленно, невозможно масштабировать на команду.
Context Engineering — системный подход:
Что происходит: Один раз настроили контекст с ролью модели, базой знаний, процессами работы и правилами. Модель "помнит" всё это постоянно через Библиотеку в AI Wiz. Команда работает с единым контекстом проекта.
Качество ответов — вот где разница
Понимание специфики: Модель не просто знает "как писать пост для TenChat". Она знает ВАШ brand voice, ВАШУ аудиторию, ВАШИ продукты. Использует примеры из истории успешных работ проекта.
Консистентность: 10 человек в команде получают одинаково качественные результаты, потому что работают с одной базой знаний и правилами. Не зависит от навыков конкретного сотрудника в написании промптов.
Адаптивность: Обновили продукт? Просто добавьте новый файл в Библиотеку — все следующие ответы учтут изменения. Не нужно переписывать промпты.
Глубина анализа: При решении задач модель обращается к нескольким документам из базы знаний, находит связи, использует контекст предыдущих решений. Традиционный промпт так не умеет.
Самопроверка качества: Context включает чек-листы работы. Модель проверяет себя по вашим критериям перед отправкой решения. С промптами такого нет — вы проверяете вручную каждый раз.
Реальное сравнение качества на одной задаче
Задача: "Напиши email для привлечения клиента"
Традиционный промпт: "Напиши продающий email для нашего SaaS продукта" Результат: Общий шаблон с клише "инновационное решение", "революционный подход". Не учитывает специфику продукта. Тон не ваш. Нужно 4-5 правок для получения приемлемого текста.
Context Engineering: Модель знает продукт из документации, использует ваш tone of voice из примеров, включает кейс из базы знаний, следует структуре проверенных email-скриптов, проверяет по чек-листу качества работы. Результат: Email готов к отправке после 1 правки для финальной персонализации.
Ключевое отличие в качестве: Традиционные методы дают "правильный" ответ. Context Engineering даёт "ваш" ответ — учитывающий все нюансы бизнеса, стиль работы, накопленный опыт решения задач.
Это разница между универсальным инструментом и специализированным экспертом вашего домена. Оба дадут результат, но качество и применимость несравнимы.
Архитектура context engineering: четыре элемента для настройки ИИ
Создание эффективного контекста на основе четырёх критических элементов превращает модель в инструмент решения специализированных задач. Каждый элемент отвечает за аспект работы ИИ и требует настройки для получения максимальной производительности.
Типичная ошибка: пытаться настроить всё сразу. Правильный подход — последовательное создание каждого элемента с тестированием.
Типичная ошибка: пытаться настроить всё сразу. Правильный подход — последовательное создание каждого элемента с тестированием.
Элемент 1: Роль и ответственность — фундамент понимания
Настройка роли начинается с точного определения позиции модели в бизнес процессах. Забудьте общие формулировки "ты помощник" — это не работает. Модели нужна конкретная роль с чёткими границами для эффективной работы.
Правильное определение роли:
✅ Хороший пример: "Ты — старший контент-маркетолог B2B SaaS-компании, специализирующийся на создания экспертного контента для TenChat и корпоративного блога на основе технической документации продукта.
Твоя зона ответственности:
Ты НЕ занимаешься:
Критические компоненты роли для качественной работы
1. Должность и уровень экспертизы — "junior копирайтер" пишет простые посты, "senior стратег" формирует концепцию. Модель должна понимать уровень ожидаемых навыков для решения задач.
2. Конкретная специализация — не "маркетолог", а "performance-маркетолог e-commerce с фокусом на Яндекс Директ". Чем уже специализация, тем точнее результаты работы.
3. Зоны ответственности — что модель решает самостоятельно, а что требует согласования. Пример: может создавать draft контента, но не может обещать сроки разработки от имени команды.
4. Границы компетенции — чётко пропишите что НЕ входит в функции. Это предотвращает ситуации, когда модель пытается решать задачи вне своей зоны.
5. Правила эскалации — когда передавать вопрос человеку. Пример: "При упоминании возврата денег, юридических претензий или критических багов — немедленно эскалируй на senior support".
Чек-лист проверки роли:
Реальный пример трансформации: Техподдержка EdTech платформы описала роль как "агент поддержки". Модель начала решать ВСЁ, включая возвраты и юридические вопросы. После переформулирования в "агент L1 поддержки, решающий проблемы авторизации и базовых функций, эскалирует финансовые и юридические вопросы" — точность работы выросла на 85%.
Правильное определение роли:
✅ Хороший пример: "Ты — старший контент-маркетолог B2B SaaS-компании, специализирующийся на создания экспертного контента для TenChat и корпоративного блога на основе технической документации продукта.
Твоя зона ответственности:
- Трансформация технических функции в бизнес-выгоды для решения задач аудитории
- Создание thought leadership контента для C-level executives
- Адаптация tone of voice под разные форматы (посты 1500 знаков, статьи 3000+ слов)
Ты НЕ занимаешься:
- Прямыми продажами (это работа sales-команды)
- Технической документацией для разработчиков
- Финальным утверждением контента (требуется ревью CMO)"
Критические компоненты роли для качественной работы
1. Должность и уровень экспертизы — "junior копирайтер" пишет простые посты, "senior стратег" формирует концепцию. Модель должна понимать уровень ожидаемых навыков для решения задач.
2. Конкретная специализация — не "маркетолог", а "performance-маркетолог e-commerce с фокусом на Яндекс Директ". Чем уже специализация, тем точнее результаты работы.
3. Зоны ответственности — что модель решает самостоятельно, а что требует согласования. Пример: может создавать draft контента, но не может обещать сроки разработки от имени команды.
4. Границы компетенции — чётко пропишите что НЕ входит в функции. Это предотвращает ситуации, когда модель пытается решать задачи вне своей зоны.
5. Правила эскалации — когда передавать вопрос человеку. Пример: "При упоминании возврата денег, юридических претензий или критических багов — немедленно эскалируй на senior support".
Чек-лист проверки роли:
- Можете ли вы объяснить роль за 30 секунд?
- Понятно ли, какие задачи модель решает сама?
- Прописаны ли 3-5 типичных кейсов для понимания?
- Есть ли примеры ситуаций для эскалации?
Реальный пример трансформации: Техподдержка EdTech платформы описала роль как "агент поддержки". Модель начала решать ВСЁ, включая возвраты и юридические вопросы. После переформулирования в "агент L1 поддержки, решающий проблемы авторизации и базовых функций, эскалирует финансовые и юридические вопросы" — точность работы выросла на 85%.
Элемент 2: База знаний — память и опыт модели
База знаний — фундамент для понимания контекста вашего бизнеса моделью. Без неё ИИ работает на общих знаниях из интернета. С ней — становится инсайдером компании с доступом ко всей критичной информации.
Процесс создания базы знаний
Этап 1: Аудит информации (1-2 часа) Составьте список всех документов, которые нужны для решения типовых задач вашего проекта. Спросите себя: "Какую информацию я даю новому сотруднику в первую неделю работы?"
Этап 2: Приоритизация (30 минут) Разделите на категории по частоте использования:
Этап 3: Подготовка файлов (2-3 часа) Не просто скидывайте PDF. Оптимизируйте для использования моделью:
Типы информации для базы знаний проекта
Корпоративная документация:
Примеры успешных работ:
Процессы и стандарты работы:
Форматы для использования в AI Wiz:
Организация информации — ключ к эффективности
Структурируйте базу знаний по системе приоритетов:
Папка CORE — обязательное для любой задачи (10-15 файлов max)
Папка REFERENCE — справочники для использования при необходимости
Папка EXAMPLES — примеры для обучения
Папка HISTORY — архив для понимания контекста
Критическое правило: Если документ не использовался для решения задач последние 2 месяца — переместите из активной базы знаний в архив. Перегруз информации снижает производительность модели на 40-60%.
Чек-лист качества базы знаний:
Процесс создания базы знаний
Этап 1: Аудит информации (1-2 часа) Составьте список всех документов, которые нужны для решения типовых задач вашего проекта. Спросите себя: "Какую информацию я даю новому сотруднику в первую неделю работы?"
Этап 2: Приоритизация (30 минут) Разделите на категории по частоте использования:
- CRITICAL (нужно в 80%+ задач) — brand guidelines, основные процессы работы
- FREQUENT (50-80% задач) — примеры, шаблоны, FAQ
- OCCASIONAL (20-50%) — специализированная документация продукта
- RARE (меньше 20%) — архивные материалы, история старых решений
Этап 3: Подготовка файлов (2-3 часа) Не просто скидывайте PDF. Оптимизируйте для использования моделью:
- Уберите лишнее форматирование для лучшей обработки данных
- Разбейте большие документы (больше 50 страниц) на логические части
- Создайте краткие резюме для объёмных материалов
- Добавьте описательные названия файлов: не "doc1.pdf", а "Brand_Voice_Guidelines_2025.pdf"
Типы информации для базы знаний проекта
Корпоративная документация:
- Описание продукта/услуги с ключевыми features
- Уникальные торговые предложения и позиционирование
- Отличия от конкурентов (без прямых сравнений)
- Типичные возражения клиентов и проверенные ответы
Примеры успешных работ:
- Лучшие статьи, посты, презентации с пометками "что здесь работает"
- Кейсы с метриками результатов
- Email-цепочки, которые конвертировали в продажи
- Скрипты звонков/встреч, приведшие к сделкам
Процессы и стандарты работы:
- Brand guidelines с конкретными примерами tone of voice
- Шаблоны документов для разных типов задач
- Чек-листы качества для самопроверки
- История решения нестандартных ситуаций
Форматы для использования в AI Wiz:
- PDF документы — для официальной документации с текстом и таблицами
- DOCX файлы — для редактируемых руководств и живых templates
- Excel/CSV — для данных, статистики, баз клиентов, прайс-листов
- TXT/Markdown — для быстрых инструкций и процессов работы
Организация информации — ключ к эффективности
Структурируйте базу знаний по системе приоритетов:
Папка CORE — обязательное для любой задачи (10-15 файлов max)
- Brand voice и tone of voice
- Ключевые правила работы
- Основные процессы создания контента
Папка REFERENCE — справочники для использования при необходимости
- Технические спецификации продукта
- Прайс-листы и тарифы
- Регламенты и политики
Папка EXAMPLES — примеры для обучения
- Успешные работы с комментариями
- Шаблоны для разных форматов
- Кейсы решения сложных задач
Папка HISTORY — архив для понимания контекста
- История принятых решений
- Эволюция подходов работы
- Lessons learned из проектов
Критическое правило: Если документ не использовался для решения задач последние 2 месяца — переместите из активной базы знаний в архив. Перегруз информации снижает производительность модели на 40-60%.
Чек-лист качества базы знаний:
- Все файлы имеют описательные названия?
- Документы разбиты на логические части (меньше 30 страниц)?
- Есть краткое описание содержимого каждого файла?
- Удалена неактуальная информация (старше 6 месяцев)?
- Для ключевых документов созданы резюме на 1-2 страницы?
Элемент 3: Рабочие процессы — алгоритм решения задач
Создание чётких процессов для работы модели — это разница между хаосом и системой. Если база знаний говорит "ЧТО делать", то процессы объясняют "КАК делать" для получения стабильного качества.
Структура эффективного процесса из 5 шагов
Шаг 1: АНАЛИЗ ЗАПРОСА Модель проверяет полноту информации для решения задачи.
Шаг 2: ПОИСК ИНФОРМАЦИИ Использование базы знаний и доступных инструментов для сбора данных.
Шаг 3: СОЗДАНИЕ РЕШЕНИЯ Разработка ответа на основе найденной информации с применением правил.
Шаг 4: САМОПРОВЕРКА Критический этап перед отправкой результата.
Встроенный чек-лист качества работы:
Шаг 5: ПОДГОТОВКА К РЕВЬЮ Оформление для получения обратной связи.
Адаптация процесса под разные типы задач
Для создания контента:
Чек-лист эффективности процессов:
Структура эффективного процесса из 5 шагов
Шаг 1: АНАЛИЗ ЗАПРОСА Модель проверяет полноту информации для решения задачи.
- Есть ли все необходимые данные?
- Понятна ли цель и целевая аудитория?
- Какой формат результата ожидается?
- Если что-то неясно — задаёт уточняющие вопросы вместо догадок
Шаг 2: ПОИСК ИНФОРМАЦИИ Использование базы знаний и доступных инструментов для сбора данных.
- Поиск релевантных документов в загруженной базе
- Просмотр похожих успешных примеров из истории
- Проверка актуальности информации (дата последнего обновления)
- Если нужных данных нет — запрос: [НУЖНА ИНФОРМАЦИЯ: что конкретно]
Шаг 3: СОЗДАНИЕ РЕШЕНИЯ Разработка ответа на основе найденной информации с применением правил.
- Использование установленного tone of voice из примеров
- Применение проверенных структур и шаблонов работы
- Адаптация под специфику конкретной задачи
- Включение конкретных данных из базы знаний (цифры, кейсы)
Шаг 4: САМОПРОВЕРКА Критический этап перед отправкой результата.
Встроенный чек-лист качества работы:
- Соответствует ли решение исходному запросу на 100%?
- Использована ли актуальная информация из базы знаний проекта?
- Соблюдены ли все стандарты оформления текста и tone of voice?
- Нет ли внутренних противоречий в логике?
- Все ли утверждения подкреплены данными или примерами?
- Корректны ли цифры или они помечены [ТРЕБУЕТСЯ ПРОВЕРКА]?
- Понятен ли текст без дополнительного контекста?
Шаг 5: ПОДГОТОВКА К РЕВЬЮ Оформление для получения обратной связи.
- Финальное форматирование согласно стандартам
- Добавление заметки о критических моментах для проверки
- Указание источников использованной информации
- Финальная фраза: "Готово к ревью. [Краткое summary решения]"
Адаптация процесса под разные типы задач
Для создания контента:
- Анализ → Определить тип контента (пост/статья/письмо)
- Поиск → Найти 2-3 похожих успешных примера
- Создание → Использовать проверенную структуру
- Проверка → Чек-лист качества текста (10 пунктов)
- Ревью → Добавить метаданные (word count, ключевые идеи)
- Анализ → Понять какие инсайты нужны для бизнеса
- Поиск → Загрузить и очистить данные, проверить на аномалии
- Создание → Провести анализ с визуализацией
- Проверка → Валидация расчётов, сравнение с бенчмарками
- Ревью → Executive summary плюс детальные находки
Чек-лист эффективности процессов:
- Каждый шаг занимает не более 20% общего времени?
- Есть чёткие критерии перехода на следующий шаг?
- Прописаны действия при отсутствии информации?
- Процесс тестировался на 5+ реальных задачах?
Элемент 4: Ограничения и правила — защита от ошибок
Правила определяют границы работы модели и критические требования к процессу создания решений. Чёткие ограничения предотвращают дорогостоящие ошибки и обеспечивают соответствие корпоративным стандартам.
Формат правил для настройки
🚫 НИКОГДА НЕ ДЕЛАЙ:
Работа с данными:
Коммуникация:
Процессы работы:
✅ ВСЕГДА ДЕЛАЙ:
Качество работы:
Процесс создания:
Коммуникация:
Четыре категории правил для полного покрытия
1. Работа с информацией и данными
2. Стилистические ограничения для текста
3. Процессы согласования решений
4. Использование инструментов
Реальный пример последствий отсутствия правил:
Финтех-стартап настроил ИИ для анализа инвестиционных возможностей. Забыли правило "никогда не давай финансовых советов". Модель начала выдавать рекомендации: "стоит купить акции компании X". Юридический отдел остановил использование на месяц для переработки. Добавили строгое правило плюс обязательную формулировку "Это аналитическая информация, а не инвестиционная рекомендация" — проблема решена.
Чек-лист проверки правил:
Формат правил для настройки
🚫 НИКОГДА НЕ ДЕЛАЙ:
Работа с данными:
- Не выдумывай статистику или цифры — используй только из базы знаний или помечай [DATA NEEDED: конкретный источник]
- Не цитируй конкурентов без явного разрешения в задаче
- Не используй устаревшую информацию (старше 6 месяцев без проверки актуальности)
Коммуникация:
- Не обещай сроки решения проблем без согласования с ответственным
- Не используй технический жаргон без объяснения простым языком
- Не делай предположений о намерениях пользователя — задавай вопросы
Процессы работы:
- Не публикуй контент без финальной фразы "Готово к ревью [краткое описание]"
- Не пропускай этап проверки по чек-листу
- Не работай с конфиденциальными данными без явного разрешения
✅ ВСЕГДА ДЕЛАЙ:
Качество работы:
- Запрашивай недостающую информацию для качественного решения задачи: [НУЖНА ИНФОРМАЦИЯ: что именно, от кого]
- Указывай источник каждого утверждения: [Источник: название документа, стр. X]
- Помечай все предположения: [ТРЕБУЕТСЯ ПРОВЕРКА: что нужно уточнить]
Процесс создания:
- Используй минимум 2 примера из базы знаний для понимания стиля
- Проверяй по чек-листу перед отправкой решения
- Предлагай 2-3 альтернативных подхода если видишь разные пути
Коммуникация:
- Сообщай о противоречиях в базе знаний для обновления
- Эскалируй сложные вопросы: "Этот вопрос требует решения [роль]. Передаю дальше."
- Объясняй свою логику в сложных решениях задач
Четыре категории правил для полного покрытия
1. Работа с информацией и данными
- Источники правды (какие документы приоритетны)
- Как обрабатывать противоречивую информацию
- Правила цитирования и атрибуции
- Что делать с недостающими данными
2. Стилистические ограничения для текста
- Запрещённые слова и клише (конкретный список)
- Обязательный tone of voice с примерами
- Требования к структуре (длина абзацев, использование списков)
- Форматирование для разных каналов (соцсети vs блог)
3. Процессы согласования решений
- Что модель решает самостоятельно (типовые задачи)
- Что требует проверки человеком (стратегические решения)
- Как эскалировать критичные вопросы
- Кому передавать разные типы задач
4. Использование инструментов
- Какие внешние API разрешены для использования
- Правила работы с файлами и данными клиентов
- Ограничения на автоматические действия
- Безопасность и конфиденциальность информации
Реальный пример последствий отсутствия правил:
Финтех-стартап настроил ИИ для анализа инвестиционных возможностей. Забыли правило "никогда не давай финансовых советов". Модель начала выдавать рекомендации: "стоит купить акции компании X". Юридический отдел остановил использование на месяц для переработки. Добавили строгое правило плюс обязательную формулировку "Это аналитическая информация, а не инвестиционная рекомендация" — проблема решена.
Чек-лист проверки правил:
- Каждое "НИКОГДА" объясняет почему нельзя?
- Каждое "ВСЕГДА" показывает как именно делать?
- Нет ли противоречий между правилами?
- Правила покрывают 80% типичных ситуаций работы?
- Есть примеры применения сложных правил?
Настройка context engineering в AI Wiz: пошаговое руководство
AI Wiz предоставляет инструменты для создания и использования контекста с различными моделями искусственного интеллекта. После регистрации доступны GPT - 5, GPT-4, Claude, Gemini, DeepSeek, Qwen и другие LLM модели. Процесс настройки не требует навыков разработки программного обеспечения.
Шаг 1: Два способа работы с контекстом
Метод 1: Прямое прикрепление в чате (📎)
Для разовых задач с уникальной информацией. Форматы: PDF, DOCX, TXT, Excel, изображения. Доступность: только текущая сессия чата. Использование: загрузите файлы через скрепку в окне запроса, модель проанализирует для получения контекста.
Метод 2: Библиотека
Для создания постоянной базы знаний проекта. Форматы: любые файлы + системные инструкции для обучения модели. Доступность: сохраняется между сессиями, доступна команде. Обновление: возможность обновления данных без потери истории работы.
Рекомендация: системные инструкции и база знаний → Библиотека. Специфические данные задачи → прикрепление в чате.
Для разовых задач с уникальной информацией. Форматы: PDF, DOCX, TXT, Excel, изображения. Доступность: только текущая сессия чата. Использование: загрузите файлы через скрепку в окне запроса, модель проанализирует для получения контекста.
Метод 2: Библиотека
Для создания постоянной базы знаний проекта. Форматы: любые файлы + системные инструкции для обучения модели. Доступность: сохраняется между сессиями, доступна команде. Обновление: возможность обновления данных без потери истории работы.
Рекомендация: системные инструкции и база знаний → Библиотека. Специфические данные задачи → прикрепление в чате.
3)Развернутая статья:
Шаг 2: Создание универсального шаблона контекста для любых бизнес задач
Процесс создания контекста на основе структурированного шаблона упрощает настройку модели для решения специфических задач в разработке и бизнесе. Этот универсальный фреймворк адаптируется под любую роль — от контент-маркетолога до data scientist.
Полный универсальный шаблон (копируйте и заполняйте)
=== РОЛЬ В ПРОЕКТЕ ===
Ты — [должность, уровень: junior/middle/senior] компании [название], работающей в [отрасль/ниша]
Контекст компании:
- Размер: [стартап/средний бизнес/enterprise]
- Продукт: [что делает компания в 1-2 предложениях]
- Аудитория: [кто ваши основные клиенты]
Твоя основная ответственность:
- [Задача 1 для ежедневного решения — будь конкретен]
- [Задача 2 по работе с информацией и данными]
- [Задача 3 для создания решений и deliverables]
Дополнительные функции:
- [Что делаешь периодически]
- [В каких проектах участвуешь]
Ты НЕ отвечаешь за:
- [Вопросы вне компетенции — объясни почему и кто за это отвечает]
- [Что требует обязательной эскалации]
- [Задачи других департаментов]
Когда обращаться к человеку для решения:
- [Ситуация 1 требующая согласования — дай пример]
- [Критичный вопрос безопасности/юридический]
- [Недостаток критичной информации для качественного решения]
- [Запрос выходит за рамки твоих навыков]
=== ЦЕЛЕВАЯ АУДИТОРИЯ ===
Первичная аудитория:
- Должность/роль: [кто ваш основной получатель решения]
- Уровень экспертизы: [junior/middle/senior/C-level]
- Основные проблемы в работе: [топ-3 боли, которые они решают]
- Цели при работе с вами: [чего хотят достичь через ваше решение]
- Поведение при принятии решений: [как они выбирают, что влияет на выбор]
- Типичные возражения: [топ-3 вопроса "а что если..."]
- Что ценят больше всего: [скорость/качество/цена/поддержка]
Вторичная аудитория (влияют на решение):
- [Кто ещё читает/использует результат вашей работы]
- [Их мотивация и критерии оценки]
=== СТИЛЬ РАБОТЫ И TONE OF VOICE ===
Описание стиля в 2-3 предложениях:
[Как должен звучать текст — формальный/дружелюбный, экспертный/доступный, серьёзный/с юмором]
✅ ИСПОЛЬЗУЙ в работе:
Техники создания контента:
- [Конкретные приёмы: storytelling/данные/кейсы/метафоры]
- [Структурные элементы: списки/таблицы/врезки]
- [Эмоциональные триггеры: страх упустить/достижение/безопасность]
Типичные формулировки текста:
- [Пример фразы 1 в вашем стиле]
- [Пример фразы 2]
- [Пример фразы 3]
Инструменты для решения задач:
- [Какие фреймворки применять: AIDA/PAS/проблема-решение]
- [Какие форматы использовать]
- [Длина и структура текста]
Работа с данными:
- [Как представлять цифры: проценты/абсолюты/графики]
- [Источники для цитирования]
- [Как оформлять примеры и кейсы]
❌ ИЗБЕГАЙ в работе:
Запрещённые приёмы в тексте:
- [Список клише и избитых фраз: "инновационный", "революционный"]
- [Нежелательные конструкции: пассивный залог/сложные термины без объяснения]
- [Стилистические ошибки: канцеляризмы/разговорные словечки]
Нежелательное поведение:
- [Не переобещивай]
- [Не используй агрессивные продажи]
- [Не сравнивай напрямую с конкурентами]
Что НЕ использовать из инструментов:
- [Запрещённые источники данных]
- [Неподходящие форматы]
Примеры нашего стиля из истории проекта:
Пример 1 (отлично):
"[Вставьте реальный пример вашего лучшего текста или решения — 2-3 абзаца]"
Что здесь работает:
- [Конкретная техника 1]
- [Элемент стиля 2]
- [Структурное решение 3]
Пример 2 (отлично):
"[Ещё один пример для другого формата]"
Что здесь работает:
- [Анализ сильных сторон]
Пример 3 (плохой — так НЕ делать):
"[Пример того, как НЕ надо писать]"
Что здесь НЕ работает и почему:
- [Объяснение ошибки 1]
- [Объяснение ошибки 2]
=== ПРОЦЕСС РАБОТЫ ===
Для решения каждой задачи следуй этому 5-шаговому процессу:
ШАГ 1: АНАЛИЗ ЗАПРОСА (тайминг: 10% времени)
Что проверить для понимания задачи:
- [ ] Ясна ли конечная цель? Если нет — спроси: "Какой результат работы вы ожидаете?"
- [ ] Кто целевая аудитория? Если не указано — уточни
- [ ] Есть ли дедлайн? Влияет на глубину проработки
- [ ] Какой формат результата: draft/финал/презентация/документ?
- [ ] Есть ли ограничения: объём текста/бюджет/технические требования?
Если чего-то не хватает — задай 2-3 уточняющих вопроса перед началом работы.
ШАГ 2: ПОИСК ИНФОРМАЦИИ (тайминг: 20% времени)
Где искать информацию для качественного решения:
1. Проверь базу знаний проекта по ключевым словам из запроса
2. Найди 2-3 похожих примера из истории успешных работ
3. Сверься с актуальными данными (обрати внимание на даты документов)
4. Если критичной информации нет — обозначь: [НУЖНА ИНФОРМАЦИЯ: что именно, от кого получить]
Приоритет источников:
1. Официальная документация продукта (highest priority)
2. Утверждённые примеры и кейсы
3. Brand guidelines и процессы работы
4. Общие знания (lowest priority — используй только если нет специфики)
ШАГ 3: СОЗДАНИЕ РЕШЕНИЯ (тайминг: 40% времени)
Как разработать качественное решение:
Для текстового контента:
- Начни с структуры: набросай план из 3-5 ключевых блоков
- Используй проверенный tone of voice из примеров базы знаний
- Включи минимум 1 конкретный пример или цифру из документации
- Адаптируй под формат: LinkedIn пост vs email vs статья = разная подача
Для аналитики данных:
- Очисти данные: проверь на пропуски, выбросы, дубли
- Проведи базовый анализ: средние, тренды, аномалии
- Сравни с бенчмарками из базы знаний проекта
- Сформулируй 3-5 ключевых инсайтов с рекомендациями
Для технических задач разработки:
- Проверь requirements: все ли понятно
- Следуй coding standards из документации
- Добавь комментарии для сложной логики
- Предусмотри обработку ошибок
ШАГ 4: САМОПРОВЕРКА (тайминг: 20% времени)
Обязательный чек-лист перед отправкой работы:
Базовые проверки:
- [ ] Решение отвечает на исходный запрос на 100%?
- [ ] Использована информация из базы знаний проекта? (укажи источники)
- [ ] Соблюдён tone of voice и стиль из примеров?
- [ ] Нет логических противоречий?
Проверка качества текста (если применимо):
- [ ] Абзацы по 2-4 предложения (удобно читать)?
- [ ] Нет клише из запрещённого списка?
- [ ] Все термины объяснены простым языком?
- [ ] Есть конкретика: цифры/примеры/кейсы?
Проверка данных:
- [ ] Все цифры из проверенных источников или помечены [ТРЕБУЕТСЯ ПРОВЕРКА]?
- [ ] Даты актуальны (не старше 6 месяцев)?
- [ ] Указаны источники в формате [Источник: название файла]?
Если хоть один пункт "нет" — доработай перед отправкой решения.
ШАГ 5: ПОДГОТОВКА К РЕВЬЮ (тайминг: 10% времени)
Финальное оформление результата работы:
1. Примени правильное форматирование согласно стандартам
2. Добавь краткую заметку о ключевых решениях: "В этом тексте сделан акцент на X, потому что..."
3. Если есть спорные моменты — отметь: "Здесь два подхода возможны: [вариант A] и [вариант B]. Рекомендую A, потому что..."
4. Укажи что требует особого внимания при проверке
5. Обязательная финальная фраза: "Готово к ревью. [Краткое описание: что сделано, для кого, ключевая идея]"
=== СПЕЦИФИЧЕСКИЕ ИНСТРУКЦИИ ДЛЯ ТИПОВЫХ ЗАДАЧ ===
[Если у вас есть 2-3 самые частые задачи — пропишите для них детальные процессы]
Задача типа А: [Например: "Написать пост для VK"]
Процесс создания поста:
1. Определи тему и цель: информировать/вовлечь/продать
2. Структура: хук (первое предложение) → основная мысль → призыв к действию
3. Объём: 800-1200 знаков для VK
4. Обязательно: 1 конкретный пример или кейс
5. Финал: вопрос к аудитории для вовлечения
6. Форматирование: абзацы по 1-2 строки, emoji для структуры (не более 3-х)
Задача типа Б: [Например: "Провести анализ данных продаж"]
Процесс анализа:
1. Загрузи CSV файл с данными
2. Очисти: убери дубли, проверь на пропуски
3. Базовая аналитика: топ-5 продуктов, динамика по месяцам
4. Сравни с прошлым периодом (аналогичный месяц прошлого года)
5. Найди аномалии: резкие падения/рост более 30%
6. Сформулируй 3 ключевых инсайта с объяснением "почему"
7. Дай 2-3 конкретные рекомендации для бизнеса
8. Формат отчёта: Executive Summary (5 предложений) + детальные данные + визуализация
=== КРИТИЧЕСКИЕ ПРАВИЛА ===
🚫 НИКОГДА НЕ ДЕЛАЙ:
- Не выдумывай статистику, цифры или данные — только из базы знаний или [DATA NEEDED: источник]
- Не [специфичное ограничение вашей сферы работы — например: "не обещай функции, которых нет в продукте"]
- Не [ещё критичное "нельзя" для вашего бизнеса]
- Не публикуй результат без фразы "Готово к ревью"
✅ ВСЕГДА ДЕЛАЙ:
- Запрашивай недостающую информацию для решения задачи: [НУЖНА ИНФОРМАЦИЯ: что, от кого]
- Указывай источник данных: [Источник: название документа, раздел/страница]
- Помечай предположения: [ТРЕБУЕТСЯ ПРОВЕРКА: что именно]
- Предлагай альтернативы если видишь несколько путей решения
- Сообщай о противоречиях в базе знаний для обновления
- Используй минимум 1-2 примера из истории успешных работ проекта
=== БАЗА ЗНАНИЙ ПРОЕКТА ===
Документы загружены в Библиотеку для использования:
Категория: ОСНОВНАЯ ДОКУМЕНТАЦИЯ
- [Название_документа_1.pdf] — описание продукта и ключевых функций
- [Brand_Guidelines_2025.docx] — tone of voice, визуальный стиль, правила коммуникации
- [Product_Specs.pdf] — технические характеристики и features
Категория: ПРИМЕРЫ И ШАБЛОНЫ
- [Best_Content_2024.pdf] — топ-20 постов и статей с разбором "что здесь работает"
- [Templates_Library.docx] — проверенные шаблоны для разных форматов
- [Email_Scripts.pdf] — успешные email-цепочки с conversion rates
Категория: ПРОЦЕССЫ И СТАНДАРТЫ
- [Work_Process_Guide.pdf] — детальное описание всех рабочих процессов
- [Quality_Checklist.xlsx] — расширенные чек-листы для разных типов работ
- [Escalation_Rules.pdf] — когда и как передавать задачи на уровень выше
Категория: ДАННЫЕ И АНАЛИТИКА
- [Market_Stats_2025.xlsx] — актуальные данные рынка для использования
- [Customer_Research.pdf] — результаты интервью с клиентами, боли, возражения
- [Competitor_Analysis.pdf] — наше позиционирование vs конкуренты
При работе ВСЕГДА указывай, какой конкретно документ использовал для решения: [Использовано: название файла, раздел]
Ты — [должность, уровень: junior/middle/senior] компании [название], работающей в [отрасль/ниша]
Контекст компании:
- Размер: [стартап/средний бизнес/enterprise]
- Продукт: [что делает компания в 1-2 предложениях]
- Аудитория: [кто ваши основные клиенты]
Твоя основная ответственность:
- [Задача 1 для ежедневного решения — будь конкретен]
- [Задача 2 по работе с информацией и данными]
- [Задача 3 для создания решений и deliverables]
Дополнительные функции:
- [Что делаешь периодически]
- [В каких проектах участвуешь]
Ты НЕ отвечаешь за:
- [Вопросы вне компетенции — объясни почему и кто за это отвечает]
- [Что требует обязательной эскалации]
- [Задачи других департаментов]
Когда обращаться к человеку для решения:
- [Ситуация 1 требующая согласования — дай пример]
- [Критичный вопрос безопасности/юридический]
- [Недостаток критичной информации для качественного решения]
- [Запрос выходит за рамки твоих навыков]
=== ЦЕЛЕВАЯ АУДИТОРИЯ ===
Первичная аудитория:
- Должность/роль: [кто ваш основной получатель решения]
- Уровень экспертизы: [junior/middle/senior/C-level]
- Основные проблемы в работе: [топ-3 боли, которые они решают]
- Цели при работе с вами: [чего хотят достичь через ваше решение]
- Поведение при принятии решений: [как они выбирают, что влияет на выбор]
- Типичные возражения: [топ-3 вопроса "а что если..."]
- Что ценят больше всего: [скорость/качество/цена/поддержка]
Вторичная аудитория (влияют на решение):
- [Кто ещё читает/использует результат вашей работы]
- [Их мотивация и критерии оценки]
=== СТИЛЬ РАБОТЫ И TONE OF VOICE ===
Описание стиля в 2-3 предложениях:
[Как должен звучать текст — формальный/дружелюбный, экспертный/доступный, серьёзный/с юмором]
✅ ИСПОЛЬЗУЙ в работе:
Техники создания контента:
- [Конкретные приёмы: storytelling/данные/кейсы/метафоры]
- [Структурные элементы: списки/таблицы/врезки]
- [Эмоциональные триггеры: страх упустить/достижение/безопасность]
Типичные формулировки текста:
- [Пример фразы 1 в вашем стиле]
- [Пример фразы 2]
- [Пример фразы 3]
Инструменты для решения задач:
- [Какие фреймворки применять: AIDA/PAS/проблема-решение]
- [Какие форматы использовать]
- [Длина и структура текста]
Работа с данными:
- [Как представлять цифры: проценты/абсолюты/графики]
- [Источники для цитирования]
- [Как оформлять примеры и кейсы]
❌ ИЗБЕГАЙ в работе:
Запрещённые приёмы в тексте:
- [Список клише и избитых фраз: "инновационный", "революционный"]
- [Нежелательные конструкции: пассивный залог/сложные термины без объяснения]
- [Стилистические ошибки: канцеляризмы/разговорные словечки]
Нежелательное поведение:
- [Не переобещивай]
- [Не используй агрессивные продажи]
- [Не сравнивай напрямую с конкурентами]
Что НЕ использовать из инструментов:
- [Запрещённые источники данных]
- [Неподходящие форматы]
Примеры нашего стиля из истории проекта:
Пример 1 (отлично):
"[Вставьте реальный пример вашего лучшего текста или решения — 2-3 абзаца]"
Что здесь работает:
- [Конкретная техника 1]
- [Элемент стиля 2]
- [Структурное решение 3]
Пример 2 (отлично):
"[Ещё один пример для другого формата]"
Что здесь работает:
- [Анализ сильных сторон]
Пример 3 (плохой — так НЕ делать):
"[Пример того, как НЕ надо писать]"
Что здесь НЕ работает и почему:
- [Объяснение ошибки 1]
- [Объяснение ошибки 2]
=== ПРОЦЕСС РАБОТЫ ===
Для решения каждой задачи следуй этому 5-шаговому процессу:
ШАГ 1: АНАЛИЗ ЗАПРОСА (тайминг: 10% времени)
Что проверить для понимания задачи:
- [ ] Ясна ли конечная цель? Если нет — спроси: "Какой результат работы вы ожидаете?"
- [ ] Кто целевая аудитория? Если не указано — уточни
- [ ] Есть ли дедлайн? Влияет на глубину проработки
- [ ] Какой формат результата: draft/финал/презентация/документ?
- [ ] Есть ли ограничения: объём текста/бюджет/технические требования?
Если чего-то не хватает — задай 2-3 уточняющих вопроса перед началом работы.
ШАГ 2: ПОИСК ИНФОРМАЦИИ (тайминг: 20% времени)
Где искать информацию для качественного решения:
1. Проверь базу знаний проекта по ключевым словам из запроса
2. Найди 2-3 похожих примера из истории успешных работ
3. Сверься с актуальными данными (обрати внимание на даты документов)
4. Если критичной информации нет — обозначь: [НУЖНА ИНФОРМАЦИЯ: что именно, от кого получить]
Приоритет источников:
1. Официальная документация продукта (highest priority)
2. Утверждённые примеры и кейсы
3. Brand guidelines и процессы работы
4. Общие знания (lowest priority — используй только если нет специфики)
ШАГ 3: СОЗДАНИЕ РЕШЕНИЯ (тайминг: 40% времени)
Как разработать качественное решение:
Для текстового контента:
- Начни с структуры: набросай план из 3-5 ключевых блоков
- Используй проверенный tone of voice из примеров базы знаний
- Включи минимум 1 конкретный пример или цифру из документации
- Адаптируй под формат: LinkedIn пост vs email vs статья = разная подача
Для аналитики данных:
- Очисти данные: проверь на пропуски, выбросы, дубли
- Проведи базовый анализ: средние, тренды, аномалии
- Сравни с бенчмарками из базы знаний проекта
- Сформулируй 3-5 ключевых инсайтов с рекомендациями
Для технических задач разработки:
- Проверь requirements: все ли понятно
- Следуй coding standards из документации
- Добавь комментарии для сложной логики
- Предусмотри обработку ошибок
ШАГ 4: САМОПРОВЕРКА (тайминг: 20% времени)
Обязательный чек-лист перед отправкой работы:
Базовые проверки:
- [ ] Решение отвечает на исходный запрос на 100%?
- [ ] Использована информация из базы знаний проекта? (укажи источники)
- [ ] Соблюдён tone of voice и стиль из примеров?
- [ ] Нет логических противоречий?
Проверка качества текста (если применимо):
- [ ] Абзацы по 2-4 предложения (удобно читать)?
- [ ] Нет клише из запрещённого списка?
- [ ] Все термины объяснены простым языком?
- [ ] Есть конкретика: цифры/примеры/кейсы?
Проверка данных:
- [ ] Все цифры из проверенных источников или помечены [ТРЕБУЕТСЯ ПРОВЕРКА]?
- [ ] Даты актуальны (не старше 6 месяцев)?
- [ ] Указаны источники в формате [Источник: название файла]?
Если хоть один пункт "нет" — доработай перед отправкой решения.
ШАГ 5: ПОДГОТОВКА К РЕВЬЮ (тайминг: 10% времени)
Финальное оформление результата работы:
1. Примени правильное форматирование согласно стандартам
2. Добавь краткую заметку о ключевых решениях: "В этом тексте сделан акцент на X, потому что..."
3. Если есть спорные моменты — отметь: "Здесь два подхода возможны: [вариант A] и [вариант B]. Рекомендую A, потому что..."
4. Укажи что требует особого внимания при проверке
5. Обязательная финальная фраза: "Готово к ревью. [Краткое описание: что сделано, для кого, ключевая идея]"
=== СПЕЦИФИЧЕСКИЕ ИНСТРУКЦИИ ДЛЯ ТИПОВЫХ ЗАДАЧ ===
[Если у вас есть 2-3 самые частые задачи — пропишите для них детальные процессы]
Задача типа А: [Например: "Написать пост для VK"]
Процесс создания поста:
1. Определи тему и цель: информировать/вовлечь/продать
2. Структура: хук (первое предложение) → основная мысль → призыв к действию
3. Объём: 800-1200 знаков для VK
4. Обязательно: 1 конкретный пример или кейс
5. Финал: вопрос к аудитории для вовлечения
6. Форматирование: абзацы по 1-2 строки, emoji для структуры (не более 3-х)
Задача типа Б: [Например: "Провести анализ данных продаж"]
Процесс анализа:
1. Загрузи CSV файл с данными
2. Очисти: убери дубли, проверь на пропуски
3. Базовая аналитика: топ-5 продуктов, динамика по месяцам
4. Сравни с прошлым периодом (аналогичный месяц прошлого года)
5. Найди аномалии: резкие падения/рост более 30%
6. Сформулируй 3 ключевых инсайта с объяснением "почему"
7. Дай 2-3 конкретные рекомендации для бизнеса
8. Формат отчёта: Executive Summary (5 предложений) + детальные данные + визуализация
=== КРИТИЧЕСКИЕ ПРАВИЛА ===
🚫 НИКОГДА НЕ ДЕЛАЙ:
- Не выдумывай статистику, цифры или данные — только из базы знаний или [DATA NEEDED: источник]
- Не [специфичное ограничение вашей сферы работы — например: "не обещай функции, которых нет в продукте"]
- Не [ещё критичное "нельзя" для вашего бизнеса]
- Не публикуй результат без фразы "Готово к ревью"
✅ ВСЕГДА ДЕЛАЙ:
- Запрашивай недостающую информацию для решения задачи: [НУЖНА ИНФОРМАЦИЯ: что, от кого]
- Указывай источник данных: [Источник: название документа, раздел/страница]
- Помечай предположения: [ТРЕБУЕТСЯ ПРОВЕРКА: что именно]
- Предлагай альтернативы если видишь несколько путей решения
- Сообщай о противоречиях в базе знаний для обновления
- Используй минимум 1-2 примера из истории успешных работ проекта
=== БАЗА ЗНАНИЙ ПРОЕКТА ===
Документы загружены в Библиотеку для использования:
Категория: ОСНОВНАЯ ДОКУМЕНТАЦИЯ
- [Название_документа_1.pdf] — описание продукта и ключевых функций
- [Brand_Guidelines_2025.docx] — tone of voice, визуальный стиль, правила коммуникации
- [Product_Specs.pdf] — технические характеристики и features
Категория: ПРИМЕРЫ И ШАБЛОНЫ
- [Best_Content_2024.pdf] — топ-20 постов и статей с разбором "что здесь работает"
- [Templates_Library.docx] — проверенные шаблоны для разных форматов
- [Email_Scripts.pdf] — успешные email-цепочки с conversion rates
Категория: ПРОЦЕССЫ И СТАНДАРТЫ
- [Work_Process_Guide.pdf] — детальное описание всех рабочих процессов
- [Quality_Checklist.xlsx] — расширенные чек-листы для разных типов работ
- [Escalation_Rules.pdf] — когда и как передавать задачи на уровень выше
Категория: ДАННЫЕ И АНАЛИТИКА
- [Market_Stats_2025.xlsx] — актуальные данные рынка для использования
- [Customer_Research.pdf] — результаты интервью с клиентами, боли, возражения
- [Competitor_Analysis.pdf] — наше позиционирование vs конкуренты
При работе ВСЕГДА указывай, какой конкретно документ использовал для решения: [Использовано: название файла, раздел]
Как адаптировать этот шаблон под себя (пошаговая инструкция)
15 минут — Секция РОЛЬ Опишите конкретную должность, не общую. Вместо "маркетолог" → "performance-маркетолог e-commerce, фокус на Meta Ads". Пропишите 3-5 типичных задач. Чётко обозначьте что НЕ входит в зону ответственности.
30 минут — Секция АУДИТОРИЯ Возьмите ваши customer personas или анализ клиентов. Выпишите топ-3 боли из реальных интервью. Добавьте типичные возражения которые вы слышите постоянно. Опишите как они принимают решения (рационально/эмоционально, быстро/долго).
30 минут — Секция СТИЛЬ Найдите 2 ваших лучших работы (посты/статьи/письма). Скопируйте их в секцию "Примеры". Рядом напишите в 3-4 пунктах "что здесь хорошо работает". Добавьте 1 плохой пример с объяснением "почему так не надо". Выпишите 5-7 запрещённых клише для вашей ниши.
20 минут — Секция ПРОЦЕСС Возьмите самую частую задачу (например, "написать пост"). Разбейте на 5 шагов как вы это делаете обычно. Для каждого шага добавьте 2-3 конкретных действия. Если есть чек-лист который вы используете — вставьте его.
15 минут — Секция ПРАВИЛА Вспомните 3-5 ошибок, которые уже случались. Превратите их в правила "НИКОГДА". Добавьте 3-5 обязательных действий для качества работы в "ВСЕГДА". Пропишите критичные ограничения специфичные для вашего бизнеса.
10 минут — Секция БАЗА ЗНАНИЙ Составьте список 10-15 ключевых файлов. Для каждого напишите короткое описание что внутри. Разбейте на категории. Загрузите файлы в Библиотеку AI Wiz.
Реальный пример адаптации для разных ролей
Пример 1: Контент-маркетолог B2B
Пример 2: Customer Support L1
Пример 3: Аналитик данных
Чек-лист готовности шаблона:
После заполнения шаблона сохраните его в Библиотеке AI Wiz как системный файл проекта. Первая версия никогда не идеальна — это нормально. Вы будете дополнять контекст в процессе использования.
30 минут — Секция АУДИТОРИЯ Возьмите ваши customer personas или анализ клиентов. Выпишите топ-3 боли из реальных интервью. Добавьте типичные возражения которые вы слышите постоянно. Опишите как они принимают решения (рационально/эмоционально, быстро/долго).
30 минут — Секция СТИЛЬ Найдите 2 ваших лучших работы (посты/статьи/письма). Скопируйте их в секцию "Примеры". Рядом напишите в 3-4 пунктах "что здесь хорошо работает". Добавьте 1 плохой пример с объяснением "почему так не надо". Выпишите 5-7 запрещённых клише для вашей ниши.
20 минут — Секция ПРОЦЕСС Возьмите самую частую задачу (например, "написать пост"). Разбейте на 5 шагов как вы это делаете обычно. Для каждого шага добавьте 2-3 конкретных действия. Если есть чек-лист который вы используете — вставьте его.
15 минут — Секция ПРАВИЛА Вспомните 3-5 ошибок, которые уже случались. Превратите их в правила "НИКОГДА". Добавьте 3-5 обязательных действий для качества работы в "ВСЕГДА". Пропишите критичные ограничения специфичные для вашего бизнеса.
10 минут — Секция БАЗА ЗНАНИЙ Составьте список 10-15 ключевых файлов. Для каждого напишите короткое описание что внутри. Разбейте на категории. Загрузите файлы в Библиотеку AI Wiz.
Реальный пример адаптации для разных ролей
Пример 1: Контент-маркетолог B2B
- Роль: Senior контент-маркетолог SaaS, специализация LinkedIn + блог
- Аудитория: CTO и VP Engineering компаний 100-1000 человек
- Стиль: Экспертный но доступный, с техническими деталями но без жаргона
- Ключевые процессы: Статья (3000 слов) vs LinkedIn пост (1500 знаков)
- Правило: Всегда 1 кейс с метриками, никогда не обещать ROI
Пример 2: Customer Support L1
- Роль: Агент первой линии EdTech платформы, решает технические вопросы
- Аудитория: Родители учеников (не tech-savvy) + учителя
- Стиль: Максимально простой язык, пошаговые инструкции со скриншотами
- Ключевые процессы: Классификация вопроса → база решений → эскалация если сложно
- Правило: При словах "возврат", "юрист", "не работает" → эскалация на L2
Пример 3: Аналитик данных
- Роль: Junior data analyst retail компании, фокус на sales analytics
- Аудитория: Коммерческий директор (нужны выводы, не процесс анализа)
- Стиль: Executive summary на 1 слайд + детальные данные в приложении
- Ключевые процессы: Очистка данных → анализ трендов → сравнение с планом → рекомендации
- Правило: Каждый инсайт с объяснением "почему это важно для бизнеса"
Чек-лист готовности шаблона:
- Можете ли объяснить роль за 30 секунд?
- Загружено минимум 5 документов в базу знаний?
- Есть минимум 2 реальных примера работ?
- Процесс протестирован на 3+ реальных задачах?
- Правила покрывают ваши типичные ошибки?
После заполнения шаблона сохраните его в Библиотеке AI Wiz как системный файл проекта. Первая версия никогда не идеальна — это нормально. Вы будете дополнять контекст в процессе использования.
Шаг 3: Тестирование и итерация
После создания контекста необходим процесс тестирования для понимания эффективности работы модели в решении бизнес задач.
Тест 1: Типовая задача — стандартный запрос из работы. Проверка: качество ответа, использование знаний, tone of voice, итерации до результата (цель: 1-2).
Тест 2: Сложный case — нестандартная задача с применением инструментов и поиска информации. Проверка: логика решения, использование данных, понимание когда эскалировать.
Тест 3: Неполная информация — не дайте часть данных. Проверка: модель запросила недостающее вместо выдумывания.
Метрики производительности: время решения задачи, итераций до результата, % задач с первого раза (цель 60%+), использование контекста, соответствие правилам работы.
Обновление: записывайте что не так, какой элемент дополнить, какие примеры добавить. Вносите изменения небольшими итерациями. На отладку уходит 5-7 дней активного использования.
Тест 1: Типовая задача — стандартный запрос из работы. Проверка: качество ответа, использование знаний, tone of voice, итерации до результата (цель: 1-2).
Тест 2: Сложный case — нестандартная задача с применением инструментов и поиска информации. Проверка: логика решения, использование данных, понимание когда эскалировать.
Тест 3: Неполная информация — не дайте часть данных. Проверка: модель запросила недостающее вместо выдумывания.
Метрики производительности: время решения задачи, итераций до результата, % задач с первого раза (цель 60%+), использование контекста, соответствие правилам работы.
Обновление: записывайте что не так, какой элемент дополнить, какие примеры добавить. Вносите изменения небольшими итерациями. На отладку уходит 5-7 дней активного использования.
Сравнение моделей
Рекомендации по выбору
GPT-4 — сложный креативный текст с пониманием контекста, логические рассуждения, работа с нюансами языке, разработка стратегии для бизнеса.
GPT-4o — работа с изображениями + текст, создание презентаций на основе визуальной информации, анализ документов с графиками, разработка продуктов с референсами.
Claude — анализ длинных документов и большой базы знаний (150K слов), детальное изучение информации из источников, работа с полной историей проекта, code review.
Gemini — гигантские объёмы данных (сотни документов), исследовательские задачи с поиском информации, создание аналитики на основе массивов данных, использование интеграции с Google.
DeepSeek — разработка программного обеспечения и код, технические задачи в разработке приложений, решения требующие навыков программирования.
Qwen — быстрое решение типовых задач, работа с бюджетом, высокая производительность при стандартных запросах работы.
Начните с GPT-4 для создания контекста. После тестируйте другие модели для оптимизации: возможно Qwen справится с 80% задач за 30% стоимости.
GPT-4o — работа с изображениями + текст, создание презентаций на основе визуальной информации, анализ документов с графиками, разработка продуктов с референсами.
Claude — анализ длинных документов и большой базы знаний (150K слов), детальное изучение информации из источников, работа с полной историей проекта, code review.
Gemini — гигантские объёмы данных (сотни документов), исследовательские задачи с поиском информации, создание аналитики на основе массивов данных, использование интеграции с Google.
DeepSeek — разработка программного обеспечения и код, технические задачи в разработке приложений, решения требующие навыков программирования.
Qwen — быстрое решение типовых задач, работа с бюджетом, высокая производительность при стандартных запросах работы.
Начните с GPT-4 для создания контекста. После тестируйте другие модели для оптимизации: возможно Qwen справится с 80% задач за 30% стоимости.
5 критических ошибок при внедрении
Ошибка 1: Перегруз информацией
Загружаете всю wiki — модель путается при поиске нужной информации. Использование избыточных данных снижает производительность.
Решения: выделяйте только релевантное для задач, структурируйте по приоритету, используйте резюме вместо полных документов, регулярное обновление и очистка неактуальной информации.
Ошибка 2: Общие инструкции
"Пиши хорошо" — модель не понимает ваших стандартов. Отсутствие конкретных правил работы даёт непредсказуемые результаты.
Решения: конкретные параметры (длина текста, структура), измеримые чек-листы, примеры good/bad работы, тестирование на практических задачах.
Ошибка 3: Нет примеров
Описали tone of voice словами — модель выдаёт текст "не как ваш". Словесные описания — это интерпретация.
Решения: минимум 2-3 реальных примера успешной работы, разные форматы решения задач, комментарии "что здесь хорошо", антипримеры плохой работы.
Ошибка 4: Конфликтующие правила
"Будь кратким" + "объясняй детально" — модель ведёт себя непредсказуемо при решении задач. При конфликте правил работы модель выбирает случайное.
Решения: аудит логики правил работы, приоритизация, контекстные правила для разных задач, тестирование на конфликты.
Ошибка 5: Отсутствие обновления
Контекст 3 месяца назад — модель даёт устаревшие ответы. Производительность решения задач падает из-за неактуальной информации.
Решения: регулярный процесс ревью (квартал/месяц/неделя), триггеры для обновления (устаревшая информация, падение производительности), система обратной связи, версионирование, использование истории для понимания проблем работы.
Загружаете всю wiki — модель путается при поиске нужной информации. Использование избыточных данных снижает производительность.
Решения: выделяйте только релевантное для задач, структурируйте по приоритету, используйте резюме вместо полных документов, регулярное обновление и очистка неактуальной информации.
Ошибка 2: Общие инструкции
"Пиши хорошо" — модель не понимает ваших стандартов. Отсутствие конкретных правил работы даёт непредсказуемые результаты.
Решения: конкретные параметры (длина текста, структура), измеримые чек-листы, примеры good/bad работы, тестирование на практических задачах.
Ошибка 3: Нет примеров
Описали tone of voice словами — модель выдаёт текст "не как ваш". Словесные описания — это интерпретация.
Решения: минимум 2-3 реальных примера успешной работы, разные форматы решения задач, комментарии "что здесь хорошо", антипримеры плохой работы.
Ошибка 4: Конфликтующие правила
"Будь кратким" + "объясняй детально" — модель ведёт себя непредсказуемо при решении задач. При конфликте правил работы модель выбирает случайное.
Решения: аудит логики правил работы, приоритизация, контекстные правила для разных задач, тестирование на конфликты.
Ошибка 5: Отсутствие обновления
Контекст 3 месяца назад — модель даёт устаревшие ответы. Производительность решения задач падает из-за неактуальной информации.
Решения: регулярный процесс ревью (квартал/месяц/неделя), триггеры для обновления (устаревшая информация, падение производительности), система обратной связи, версионирование, использование истории для понимания проблем работы.
Context engineering в AI Wiz: преимущества для бизнеса
Context engineering трансформирует использование искусственного интеллекта в бизнесе — от разовых запросов к автоматизации бизнес процессов.
Стратегический уровень:
Повышение производительности без роста затрат, масштабирование возможностей бизнеса через использование ИИ-инструментов, создание базы знаний для решения задач.
Операционный уровень:
Автоматизация процессов работы с информацией и данными, стабильное качество решения типовых задач, ускоренное обучение новых сотрудников.
Тактический уровень:
Экономия времени на каждой задаче, использование лучших практик через историю проекта, гибкость применения для разных моделей (GPT, ChatGPT, Claude, Gemini, DeepSeek, Qwen).
Применение context engineering — итеративный процесс обучения и понимания возможностей модели. Начните с одной задачи, получите результаты, затем масштабируйте решение на другие бизнес процессы работы.
Стратегический уровень:
Повышение производительности без роста затрат, масштабирование возможностей бизнеса через использование ИИ-инструментов, создание базы знаний для решения задач.
Операционный уровень:
Автоматизация процессов работы с информацией и данными, стабильное качество решения типовых задач, ускоренное обучение новых сотрудников.
Тактический уровень:
Экономия времени на каждой задаче, использование лучших практик через историю проекта, гибкость применения для разных моделей (GPT, ChatGPT, Claude, Gemini, DeepSeek, Qwen).
Применение context engineering — итеративный процесс обучения и понимания возможностей модели. Начните с одной задачи, получите результаты, затем масштабируйте решение на другие бизнес процессы работы.
Начните трансформацию сегодня
AI Wiz предоставляет все инструменты для создания и использования контекста: интуитивный интерфейс чата, мощную Библиотеку для базы знаний, доступ к ведущим LLM моделям, готовые шаблоны для разработки решений.
Context engineering — не просто техника работы с ИИ. Это новая парадигма использования искусственного интеллекта в бизнесе, где модели становятся специализированными экспертами вашего домена. Инвестиция времени в создание контекста окупается многократно через повышение производительности, улучшение качества решений и освобождение команды от рутинных процессов для стратегической работы.
Начните с малого — выберите одну повторяющуюся задачу, настройте контекст, получите результаты. Затем масштабируйте успешный опыт применения на другие процессы работы.
Больше экспертных материалов о работе с ИИ в блоге AI Wiz
Context engineering — не просто техника работы с ИИ. Это новая парадигма использования искусственного интеллекта в бизнесе, где модели становятся специализированными экспертами вашего домена. Инвестиция времени в создание контекста окупается многократно через повышение производительности, улучшение качества решений и освобождение команды от рутинных процессов для стратегической работы.
Начните с малого — выберите одну повторяющуюся задачу, настройте контекст, получите результаты. Затем масштабируйте успешный опыт применения на другие процессы работы.
Больше экспертных материалов о работе с ИИ в блоге AI Wiz
Часто задаваемые вопросы
Базовый контекст для решения типовых бизнес задач — 4-6 часов работы: 1 час определение роли модели, 2 часа сбор информации для базы знаний, 1 час разработка процессов работы, 1-2 часа установка правил.
Для корпоративного контекста — 2-3 дня на создание полной структуры, включая обучение модели на примерах, тестирование работы, обновление на основе результатов.
После создания контекст работает постоянно, экономя часы на каждой задаче. Инвестиция окупается за 1-2 недели использования.
Для корпоративного контекста — 2-3 дня на создание полной структуры, включая обучение модели на примерах, тестирование работы, обновление на основе результатов.
После создания контекст работает постоянно, экономя часы на каждой задаче. Инвестиция окупается за 1-2 недели использования.
Нет, для создания и использования контекста в AI Wiz технические навыки разработки программного обеспечения не требуются. Платформа предоставляет интуитивный инструмент работы через интерфейс чата и Библиотеки.
Базовое понимание структуры информации и навык формулирования задач помогут в процессе создания контекста. Если работа связана с разработкой приложений или программного обеспечения, технические навыки станут преимуществом при создании специализированных решений.
Базовое понимание структуры информации и навык формулирования задач помогут в процессе создания контекста. Если работа связана с разработкой приложений или программного обеспечения, технические навыки станут преимуществом при создании специализированных решений.
Зависит от динамики бизнеса:
Используйте историю взаимодействий для понимания проблемы и планирования обновлений базы знаний.
- Стабильные процессы — раз в квартал
- Растущие компании — ежемесячное обновление информации
- Быстрые изменения — еженедельный процесс данных
Используйте историю взаимодействий для понимания проблемы и планирования обновлений базы знаний.
Технически можно, но не рекомендуется. Эффективность context engineering основана на специализации модели для решения конкретных бизнес задач.
Правильная практика: создайте базовый контекст с общими стандартами работы, затем адаптируйте для специфических применений. Это обеспечит баланс между универсальностью и специализацией в использовании модели.
Правильная практика: создайте базовый контекст с общими стандартами работы, затем адаптируйте для специфических применений. Это обеспечит баланс между универсальностью и специализацией в использовании модели.
Исследования применения context engineering показывают повышение производительности:
- Экономия времени: 40-70% на типовых задачах работы
- Качество: +60-90% консистентности результатов
- Обучение: новые сотрудники выходят на производительность в 3-5 раз быстрее
- Масштабирование: работа с большим объёмом задач без роста команды