Чужой скилл не знает вашей работы: как научить AI своему подходу

Скачали готовые инструкции для AI, а результат всё равно приходится переделывать под свою работу? Даже скилл — набор инструкций для определённого типа задач — из репозитория с двумя тысячами звёзд не знает ваших требований к качеству.

Скачанный файл может быть хорошим. Но вы получили результат без рассуждений, которые к нему привели. Его автор неделями проверял инструкции на своих задачах и вложил в них свои представления о предмете и о том, что считать качественной работой. Эти решения остались у него. Поэтому одни и те же инструменты дают у разных людей разный результат, и чем шире AI входит в работу, тем заметнее эта разница.

Полезнее собрать собственный скилл, который задаёт модели ваш подход к задаче. Ниже разберём, из чего он состоит и как его построить по шагам.

Рецепт и способ думать

Обычный скилл похож на рецепт: шаг первый, шаг второй, шаг третий, готово. Модель выполняет его одинаково, что бы вы ни написали. Результат предсказуем и поэтому средний.

Скилл следующего уровня, его называют мета-навыком, устроен иначе. Он не столько говорит модели, что делать, сколько задаёт, как ей думать о задаче, прежде чем начать. В нём три слоя, и до третьего доходят немногие.

Слой 1. Когда скилл включается

Первый вопрос: в какой ситуации скилл вообще должен сработать?

Слабые скиллы описывают себя размыто: «помогает с презентациями», «ассистент по текстам». Такое описание подходит ко всему и ни к чему конкретно, и модель не понимает, когда ей вступать.

Хорошее описание называет, с какими файлами скилл работает, какие фразы пользователя его запускают и — что особенно важно — чем он не занимается. Вовремя не вмешаться так же важно, как вовремя вмешаться.

Слой 2. Как думать о классе задач

Второй слой задаёт подход ко всему классу задач: как модель должна рассуждать до того, как начнёт составлять ответ.

В результате модель подходит к задаче с той стороны, которую сама бы не выбрала. Именно так получается работа выше среднего.

Слой 3. Проверка на шаблонность

Как скилл понимает, что не выдал очевидный стандартный ответ? Обычно никак: сгенерировали и отправили.

Мета-навык проверяет себя: «Похоже ли это на то, что модель написала бы вообще без инструкций? Если да, результат не принят, нужна новая попытка». Речь не о грамматике и оформлении, а об отличии: изменил ли скилл подход или просто красиво упаковал поведение по умолчанию.

Когда три слоя работают вместе, скилл меняет то, как AI обрабатывает запрос, ещё до начала работы.

Сначала опишите ленивую версию

Главный инструмент, чтобы уйти от среднего результата, — подход от противного. Перед тем как писать первую строку инструкций, ответьте на вопрос: как выглядела бы ленивая версия этой работы?

Опишите подробно, что сделает модель без вашего вмешательства:

• к какой структуре потянется в первую очередь;
• какими словами будет пользоваться по умолчанию;
• какие допущения сделает, ни о чём не спросив;
• какое ощущение оставит готовый текст.

Запишите каждый предсказуемый приём. Теперь задача — сознательно уйти от каждого из них.

Механика здесь простая. Поведение модели по умолчанию — статистическое усреднение: она выдаёт самое вероятное продолжение для данных, на которых училась. Если не обозначить, чего делать нельзя, результат будет тянуться к центру: без конкретных ограничений модель возвращается к привычным формулировкам и структурам.

Пример — скилл для написания текстов. Ленивая версия просит модель «писать убедительно», пользуется словами «цепляющий» и «вовлекающий» и каждый раз строит текст по схеме «крючок, основная часть, призыв к действию». Версия от противного устроена по-другому:

• список из 50 с лишним слов, которые нельзя использовать ни в одном тексте, — тех, по которым сразу видно, что писала машина;
• структуры, которых нужно избегать: перечисления по три, жёсткую одинаковую последовательность, пустые подытоживающие фразы;
• примеры плохих текстов из конкретной области;
• проверку: результат не должен выглядеть как типичный ответ AI — не для того, чтобы что-то скрыть, а чтобы убедиться, что работа действительно отличается от базовой.

Вы говорите модели не столько что писать, сколько чего не писать. Такое ограничение и заставляет искать нестандартное решение.

Список запретов, примеры и проверки увеличивают объём инструкций. Следующий вопрос — что держать в контексте постоянно, а что загружать только на нужном этапе.

Контекст модели — ограниченный ресурс

Контекстное окно, то есть объём текста, который модель держит в голове за один раз, не бездонный блокнот. Каждая строка инструкций конкурирует с вашими реальными материалами и с местом, которое модели нужно для хорошего ответа.

Перегрузка не вызывает видимой ошибки. Качество падает тихо: из длинных инструкций выпадает середина, а начало и конец остаются.

Помогает раскрывать инструкции постепенно, в три уровня:

1. Всегда в контексте. Основной порядок работы: на каком этапе задача, что нужно подгрузить, какие правила не отменяются никогда. Только маршрут, не больше 500 строк.
2. По запросу. Подробные знания, которые нужны конкретному этапу: понятия предметной области, развёрнутые примеры, пошаговые руководства. Они лежат в отдельных файлах, и первый уровень вызывает их в нужный момент.
3. Проверка. Загружается прямо перед сдачей результата: список запрещённых приёмов, антипримеры, проверка «не похоже ли это на ответ по умолчанию». Её загружают последней намеренно — чтобы она была самой свежей в памяти модели при финальном проходе.

Главный файл — это маршрутизатор, а не учебник: он говорит модели, где найти информацию, а не выкладывает всё сразу. Каждый вспомогательный файл самодостаточен и вызывается явным условием — «прочитай это перед третьим этапом», а не «прочитай, когда понадобится». Размытые условия под нагрузкой просто игнорируются.

Эксперт должен быть методом, а не ролью

Во многих скиллах есть шаг «оцени работу глазами эксперта X». Дальше модель изображает расплывчатое представление о том, как этот человек мог бы рассуждать, ставит себе оценку и идёт дальше. Это самопроверка в карнавальном костюме: угадывание того, что эксперт мог бы сказать, вместо применения его настоящего метода.

Работает другой путь: вместо «притворись экспертом X» собрать профиль того, как он принимает решения. Для этого нужны не цитаты и короткие посты, а длинные рассуждения: доклады, где человек разбирает решения по шагам; эссе, где объясняет, почему выбрал один подход и отверг другой; интервью, где он спорит с общепринятым.

Из этих материалов извлекают конкретное:

• повторяющиеся способы принимать решения — не словарь, а настоящие модели мышления;
• порядок приоритетов: на что он смотрит первым, когда оценивает работу;
• тревожные признаки: что сразу вызывает у него подозрение;
• последовательность вопросов, которые он задаёт перед решением.

Всё это упаковывают как порядок принятия решений, который модель может выполнить, а не как персонажа, которого она играет. Разница между «что сказал бы этот эксперт о моей работе» и «разбери эту архитектуру с нуля, сведи каждую часть к базовым требованиям и поставь под сомнение каждый слой» огромна. Первое даёт представление. Второе — процесс, который находит реальные проблемы.

Такие профили строят один раз и используют во всех скиллах. Со временем они становятся постоянной частью проверки.

Как собрать свой скилл: семь этапов

Удобнее всего показать на скилле, который помогает создавать другие скиллы.

1. Соберите то, что уже знаете

Прежде чем писать инструкции, соберите прежние промпты, порядок работы, регламенты, хорошие и провальные результаты.

Опишите, как решаете задачу вручную. Какие решения принимаете, не задумываясь? Этот неосознанный метод — самое ценное.

Скилл должен передавать ваше мышление, а не общие советы из блогов.

2. Ответьте на четыре круга вопросов

Можно попросить модель провести с вами такое интервью:

Я хочу собрать скилл — набор инструкций для AI под мою рабочую задачу.
Задача: [опишите, что должен делать скилл]

Проведи со мной интервью в четыре круга. Задавай вопросы по одному кругу,
дождись моих ответов и только потом переходи к следующему.

1. Охват: что скилл должен делать такого, чего AI не умеет без него?
   Кто будет им пользоваться?
2. Отличие: что AI обычно делает неправильно в этой задаче?
   Как выглядит ленивая версия результата? Что скилл обязан делать лучше всего?
3. Устройство: нужны ли шаблоны, несколько порядков работы,
   внешние инструменты?
4. Слабые места: какие входные данные сломают простую версию?
   От чего скилл должен явно отказываться?

Остановись, когда информации достаточно, — это разговор, а не анкета.
В конце перечисли, что ты понял о моём методе и чего пока не хватает.

3. Найдите, чем вы отличаетесь от стандарта

Опишите типовую версию: что сделает модель без скилла — привычная структура, ожидаемые слова, обычный порядок действий. Оспорьте два-три допущения, которые стандартный подход принимает без проверки. Запишите свой способ решения задачи: он станет ориентиром для всего остального.

4. Выберите устройство

• одна задача и немного знаний — один файл до 300 строк;
• один основной процесс с примерами — главный файл-маршрутизатор и вспомогательные файлы;
• несколько режимов или глубокие специальные знания — полная модульная схема: маршрутизатор направляет в отдельные файлы процессов, понятий, примеров и шаблонов.

Если главный файл перерос 400 строк, делите его. Если процессов больше одного, добавьте наверху выбор режима.

5. Напишите текст скилла

Начните с главного файла — это основа. Дальше несколько правил:

• у каждого вспомогательного файла явное условие загрузки: «прочитай файл с антипримерами перед сдачей», а не «проверь антипримеры при необходимости»;
• важнейшие ограничения стоят в начале и в конце главного файла: прочитанное последним модель воспринимает острее;
• без оговорок: «всегда» и «никогда» работают, «попробуй» и «рассмотри» — нет;
• каждый этап даёт видимый результат или конкретное решение; если ничего не меняется, этап не нужен.

6. Проверьте чужими глазами

Проверяйте конкретными методами, а не общим впечатлением:

• С нуля, от базовых требований: есть ли здесь что-то, что не заслуживает своего места? Можно ли добиться того же меньшим числом частей?
• На практике: стал бы человек пользоваться этим каждый день или скилл хорошо выглядит на бумаге, но мешает в работе?
• По результату: скилл действительно меняет поведение AI или просто обрамляет ответ по умолчанию?

Скилл готов, когда выдержал проверку чужим взглядом. Собственного ощущения готовности здесь мало.

7. Передайте скилл целиком

В комплект входят:

• полное дерево файлов и содержимое каждого;
• объяснение устройства: почему оно такое и какую проблему решает каждая часть;
• результаты проверки на этапе 6;
• инструкция: как установить, когда скилл срабатывает, примеры входных данных и ожидаемый результат.

Заимствовать или проектировать

Разрыв, о котором шла речь в начале, растёт.

Одни собирают готовые скиллы и обмениваются промптами в надежде, что правильная комбинация чужих инструментов сама сделает работу хорошей. Их результаты взаимозаменяемы: под разной упаковкой одно и то же базовое рассуждение.

Другие переносят в инструкции настоящее человеческое мышление и получают то, чего модель не выдаст по умолчанию, — независимо от того, насколько она сильна. Их работа отличается самим устройством.

Поэтому смотрите не только на готовый текст, но и на ход работы модели: чтобы изменить результат, задайте ей свой порядок рассуждений и проверки.

Для начала: возьмите одну задачу, которую регулярно поручаете AI, и напишите её ленивую версию — как ответит модель без ваших инструкций. Отметьте три приёма, которые вас в этом ответе не устраивают, и запишите, как вы делаете эту работу сами. Это и есть первый набросок вашего скилла.

Читать дальше:

• Как сформулировать для AI саму задачу, а не искать «правильный промпт», — как превратить описание проблемы в рабочую задачу для AI;
• Когда скилл готов и хочется поручить AI целый процесс — как подготовить рабочий процесс к AI-агенту: десять проверок.

Если хотите превратить свой способ работы в инструкции для AI — для текстов, аналитики или автоматизации, — разберём вашу задачу на бесплатной 30-минутной встрече с Simplit. Обсудить задачу