Промпт: Приём структурированных исходных данных

Назначение шаблона

Этот материал даёт готовый prompt, чтобы приём структурированных исходных данных. Он специально построен для инженерного review: модель обязана сохранить исходные данные, показать допущения и назвать то, что она не смогла подтвердить.

Что подготовить

Готовый промпт

Ты — инженер по постановке задач и техническому review.

ЗАДАЧА
Приём структурированных исходных данных.

РАБОЧИЙ СЦЕНАРИЙ
Передайте таблицу D=10 мм, H7/g6, источник и статус; попросите сначала перечислить поля, которые модель считает входом.

ИСХОДНЫЕ ДАННЫЕ
- измеряемая характеристика: [ЗАПОЛНИТЬ / НЕТ ДАННЫХ]
- допуск/критерий: [ЗАПОЛНИТЬ / НЕТ ДАННЫХ]
- средство и метод: [ЗАПОЛНИТЬ / НЕТ ДАННЫХ]
- сырые данные/неопределённость: [ЗАПОЛНИТЬ / НЕТ ДАННЫХ]
- правило решения: [ЗАПОЛНИТЬ / НЕТ ДАННЫХ]

ОБЯЗАТЕЛЬНЫЕ ПРАВИЛА
1. Не придумывай отсутствующие числа, размеры, свойства, стандарты, ссылки, паспортные параметры или результаты испытаний.
2. Не меняй значения и единицы молча. Любое преобразование покажи отдельно.
3. Разделяй ФАКТ ИЗ ВХОДА / ИЗВЛЕЧЁННЫЙ ФАКТ / ВЫЧИСЛЕНИЕ / ИНТЕРПРЕТАЦИЮ / ДОПУЩЕНИЕ.
4. Если критического входа или доказательства нет, верни вопрос или статус «требует проверки», а не правдоподобную подстановку.
5. Не переходи к решению, пока цель, входы, ограничения и критерий готовности не отделены друг от друга.

СПЕЦИФИЧЕСКАЯ ПРОЦЕДУРА
Прими данные как схему field/value/unit/source/status. Проверь обязательность полей, типы, единицы, дубли и противоречия до интерпретации.

ТРЕБУЕМЫЙ РЕЗУЛЬТАТ
Нормализованная таблица входов; ошибки схемы; неподтверждённые поля; готовый к дальнейшему расчёту пакет данных.

ACCEPTANCE
- измеряемая характеристика и критерий решения определены
- сырые данные не заменены пересказом
- неопределённость/вариация отделена от допуска
- вывод можно связать с конкретной записью измерения

ФИНАЛЬНЫЙ SELF-CHECK
- перечисли все новые числа/утверждения, появившиеся не напрямую из входа;
- укажи, чем инженер должен независимо проверить критический результат;
- перечисли незакрытые вопросы;
- не выполняй write/deploy/publish и другие необратимые действия без явного разрешения.

STOP CONDITION
Если без отсутствующего критического параметра, первичного источника или разрешения корректный вывод невозможен — остановись и запроси это явно.

Почему он работает лучше короткой команды

Короткая команда обычно оставляет модели слишком много свободы: неизвестно, какие данные считать истинными, можно ли придумывать пропуски и в каком виде вернуть результат. Здесь контракт задан заранее. Это не гарантирует правильность ответа, но делает ошибку наблюдаемой: видно, какое поле использовано, где возникло допущение и какой шаг должен проверить человек.

Self-check остаётся проверкой внутри той же генеративной системы, поэтому он полезен только как фильтр очевидных несогласованностей. Независимое подтверждение выполняется профильным средством: расчётным модулем, первичным стандартом, CAD/CAE, измерением, unit-test или контрольным экспериментом.

Адаптация под облачную и локальную модель

• В ChatGPT/GPT, Gemini или Claude передавайте только релевантный контекст и фиксируйте используемый режим/tools.
• Через API задайте JSON-schema или другой строгий output contract и машинную валидацию.
• Для локальной LLM через Ollama/другой runtime сохраните тот же контракт, но проверяйте качество на собственном eval-наборе.
• Если есть web/RAG/коннекторы, явно ограничьте допустимые источники и права на запись.
• После смены модели, тарифа или системной инструкции повторите эталонные тесты.

Разбор рабочего примера

Промпт: Приём структурированных исходных данных. Рабочий вариант применения: Передайте таблицу D=10 мм, H7/g6, источник и статус; попросите сначала перечислить поля, которые модель считает входом.

Перед первым запуском заполните placeholders реальными значениями и сохраните исходный prompt как версию. После ответа сравните его с acceptance-критериями статьи: любое новое число, ссылка или действие без происхождения переводится в open question. Для регулярного использования добавьте этот пример в eval-набор и прогоняйте после смены модели, тарифа, runtime или системной инструкции.

Критерии acceptance для этой задачи

Контракт промпта должен однозначно отделять цель, вход, ограничения, допустимые инструменты, выходную схему и критерий готовности. Для повторяемой работы храните prompt как версионируемый артефакт и прогоняйте его на небольшом eval-наборе после изменения модели или системной инструкции.

• измеряемая характеристика и критерий решения определены
• сырые данные не заменены пересказом
• неопределённость/вариация отделена от допуска
• вывод можно связать с конкретной записью измерения

Контрольный прогон именно для этой задачи

Проверка постановки. В этой группе ключевой риск — неоднозначная постановка. Контрольный прогон должен показать, что модель отличает цель от исходных фактов, не превращает пожелание в требование и останавливается, когда критическое поле не задано.

Для «Промпт: Приём структурированных исходных данных» соберите небольшой fixture, где явно присутствуют измеряемая характеристика, допуск/критерий, средство и метод и сырые данные/неопределённость. Сохраните этот набор без изменений: он нужен как эталон для повторного запуска после смены модели, режима, тарифа, system prompt или подключённых tools.

Фиксируйте результат прогона как PASS/FAIL по каждому тесту и сохраняйте причину исправления. Это превращает prompt из одноразового текста в проверяемую инженерную процедуру: последующее обновление модели можно оценить на тех же входах, а не по субъективному впечатлению от нового ответа.

Как запускать шаблон

Сначала заполните все поля, которые реально известны, и не удаляйте placeholder у неизвестного критического параметра — лучше явно написать «нет данных». Первый запуск используйте как draft. Затем сравните ответ с acceptance-критериями выше и верните модели только конкретные замечания, а не просьбу «улучшить всё». Для регулярной задачи сохраните prompt, входной fixture и ожидаемые свойства результата в системе версий. После смены модели/режима повторите минимум три кейса: нормальный, граничный и с отсутствующим критическим входом.

Проверка результата

Когда ответ нужно остановить

• появились новые исходные числа без источника;
• ссылка или стандарт не открывается/не относится к задаче;
• вывод зависит от отсутствующего параметра;
• модель пытается выполнить write/deploy/publish без разрешения;
• нет способа восстановить, какие входы дали итог.

Навигация по 10 промптам этой части