AI Fluency: фреймворк 4D и основы

Четыре навыка вместо коллекции промптов

Работа с моделью часто похожа на лотерею: сегодня ответ точный, через пять минут на похожий запрос приходит текст ни о чём, и от чего это зависит — непонятно. Беглость в работе с ИИ (AI fluency) начинается там, где связь между запросом и качеством становится видимой и управляемой. Раскладывается она на четыре навыка: делегирование (delegation), описание (description), различение (discernment) и добросовестность (diligence).

Готовые сборники промптов дают быстрый эффект и так же быстро устаревают: выходит новая версия модели, меняется задача — и чужая формулировка перестаёт работать. Рамка из четырёх навыков устойчивее, потому что описывает не текст запроса, а вашу роль в работе. Делегирование отвечает на вопрос «кто что делает», описание — «как я передаю задачу», различение — «как я понимаю, что получилось», добросовестность — «за что я отвечаю перед людьми, которые увидят результат».

Порядок в списке не значит, что навыки идут строго друг за другом. На практике вы делегируете кусок задачи, описываете его, смотрите на результат, понимаете, что делегировали слишком много, и возвращаетесь к первому шагу. Добросовестность работает поперёк остальных трёх: не выдать чужую работу за свою, не слить в чат лишние данные, не отправить непроверенный текст туда, где он кому-то навредит.

Как модель собирает ответ

Языковая модель не ищет ответ в базе и не выводит его по правилам логики. Она предсказывает следующий кусочек текста — токен (token) — исходя из всего, что уже написано в диалоге. Токен примерно равен части слова: короткое английское слово часто занимает один токен, русское дробится на несколько, поэтому один и тот же смысл по-русски стоит в токенах дороже. Выбор следующего токена вероятностный, и в API за это отвечает параметр temperature: ближе к нулю — суше и стабильнее, выше — разнообразнее и рискованнее.

Сама по себе модель ничего не помнит между сообщениями. Всё, что она «знает» о вашем диалоге, каждый раз подаётся ей заново целиком — это окно контекста (context window). Оно большое, но конечное, и у каждого семейства моделей своё; функции «памяти» в интерфейсах устроены так же — они просто дописывают сохранённые факты в тот же контекст. Отсюда следствие: то, что не поместилось в окно или было отрезано при обрезке длинной переписки, для модели не существует, поэтому длинный захламлённый чат работает хуже короткого чистого, а важные вводные лучше повторить, чем надеяться, что они «где-то выше».

Из этого же устройства растут ограничения. Модель обучена на данных до определённой даты и про события после неё знает только то, что вы дали в контексте или что она нашла поиском, если он подключён. Она не видит ваши файлы, пока вы их не загрузили. Правдоподобная выдумка стоит ей ровно столько же, сколько правда: несуществующая статья с фамилией автора и годом выглядит так же уверенно, как настоящая.

Сильные стороны тоже конкретные: работа с большими объёмами текста, переформулирование, перевод, структурирование хаоса, генерация вариантов, черновой код, объяснение незнакомой области на вашем уровне. Слабые — точная арифметика без калькулятора, свежие факты, знание вашей внутренней специфики и устойчивость под давлением: если вы настойчиво скажете, что ответ неверный, модель часто согласится, даже когда была права.

Делегирование: что отдавать, а что оставить себе

Делегирование — решение о разделении труда, и принимается оно до того, как вы напишете первое слово в чат. Разложите задачу на три стопки: что делаю только я, что целиком отдаю модели, что мы делаем вместе. Третья стопка обычно самая большая и самая продуктивная: модель даёт двадцать вариантов заголовка, вы выбираете и правите; модель размечает структуру отчёта, вы наполняете его смыслом.

Критерий отбора — сочетание цены ошибки и лёгкости проверки. Задача, где ошибку видно сразу и стоит она мало, отдаётся смело. Задача, где ошибка дорогая, а проверка требует эксперта, остаётся у вас, и модель годится максимум для подготовки материала.

Отдельный вопрос — что вы теряете, делегируя. Если навык нужен вам в профессии — писать структурированно, читать код, формулировать аргумент, — иногда правильнее сделать самому, а модель попросить разобрать вашу работу. Автоматизировать имеет смысл то, что вы уже умеете и не хотите повторять, а не то, чему ещё не научились.

• Отдавать: черновик письма, конспект длинного документа, разбор таблицы, регулярное выражение, десять вариантов формулировки, перевод, тестовые данные
• Делать вместе: структура доклада, план проекта, разбор чужого кода, подготовка к сложному разговору
• Оставлять себе: финальные цифры в отчёте, юридические и медицинские решения, оценка людей, любые тексты, где вы подписываетесь именем

Описание: как передать задачу так, чтобы её поняли

Плохой запрос — «напиши письмо клиенту про задержку». Модель не знает ни клиента, ни причину, ни на сколько задержка, ни какие у вас отношения, поэтому выдаёт усреднённый корпоративный текст. Хороший запрос собирается из четырёх блоков: контекст, задача, формат, ограничения. Например: «Мы делаем сайт для небольшой стоматологии, срок сдвигается на неделю из-за задержки с текстами от клиента. Напиши письмо владельцу: признать сдвиг, назвать причину без обвинений, предложить новую дату 12 сентября. До 150 слов, на „вы“, без оборотов вроде „приносим глубочайшие извинения“».

Дальше идут приёмы, которые заметно поднимают качество. Примеры работают лучше объяснений: два-три образца в нужном стиле (few-shot) заменяют абзац описаний. Просьба сначала задать уточняющие вопросы экономит целую итерацию — модель обычно спрашивает ровно то, что вы забыли. Явно заданный формат ответа (таблица с колонками, нумерованный список, JSON с конкретными полями) убирает половину правок. Длинные вводные отделяйте от инструкции разметкой: текст в блок с тегами вроде <документ>…</документ>, задача отдельным абзацем.

Постоянные вводные не нужно повторять в каждом сообщении. В чат-интерфейсах для этого есть проекты с общими инструкциями и загруженными файлами, в API — системный промпт (system prompt), который задаёт роль и правила на весь диалог. Туда идёт то, что не меняется: кто вы, для кого пишете, каким тоном, чего никогда не делаете.

Запреты работают хуже указаний. «Не пиши канцелярит» даёт меньше эффекта, чем «пиши короткими предложениями, глаголы в активном залоге, существительные на -ание заменяй глаголами». То же с длиной: «покороче» размыто, «до 150 слов» проверяемо.

Различение: как оценить то, что получилось

Проверять стоит на трёх уровнях. Первый — сам результат: верны ли факты, сходится ли арифметика, существуют ли упомянутые источники, запускается ли код. Второй — ход работы: если ответ верен случайно, в следующий раз повезёт меньше. Третий — само сотрудничество: сколько итераций ушло, не проще ли было написать самому, не подстраиваетесь ли вы под удобный модели формат вместо нужного вам.

Приёмы проверки, которые окупаются. Попросить показать, в каком месте исходного документа сказано то, что утверждается в пересказе, — выдумки отваливаются сразу. Задать тот же вопрос заново в чистом чате и сравнить два независимых ответа. Числа пересчитать самому или попросить модель посчитать кодом, а не «в уме». Ссылки открыть руками: DOI и URL модели придумывают охотно и убедительно.

Держите в голове типовые ловушки. Уверенный тон никак не связан с правильностью — модель одинаково гладко излагает и проверенное, и выдуманное. Обтекаемая формулировка выглядит грамотно и не содержит вашей мысли. Согласие под давлением: если вы напишете «по-моему, здесь ошибка», модель часто уступит, поэтому спрашивайте нейтрально — «проверь этот пункт и обоснуй, верен он или нет».

• Факты и цифры — сверяются во внешнем источнике, а не переспрашиванием у модели
• Ссылки — открываются вручную
• Код — запускается, а не читается глазами
• Стиль — читается вслух: канцелярит слышно лучше, чем видно

Цикл «описание — различение»

Один запрос редко даёт готовый результат, и это нормально: работа идёт витками. Увидели проблему в ответе — уточнили описание — посмотрели снова. Ключ в том, чтобы правки были точечными. Вместо «переделай, мне не нравится» скажите, что именно не так и чем заменить: «второй абзац слишком общий, добавь конкретный срок задержки и убери оборот про партнёрство».

Иногда правка бессмысленна. Если модель второй раз подряд промахивается мимо сути, дело не в формулировке правки, а в исходной постановке или в засорённом контексте: в переписке накопились отброшенные варианты и тянут ответы назад. Дешевле открыть чистый чат и переписать задачу с нуля, забрав из старого диалога только удачные куски.

Удачные формулировки сохраняйте. Заведите файл с рабочими шаблонами: «разбор входящего письма», «превратить заметки во встречу», «ревью текста по чек-листу». Через месяц у вас будет личная библиотека под ваши задачи, которая работает лучше любой чужой подборки. Останавливаться нужно тогда, когда следующая итерация экономит меньше времени, чем занимает: последние проценты качества почти всегда быстрее доводятся руками.

Добросовестность: данные, авторство, ответственность

Всё, что вы отправляете в чат, покидает ваш компьютер. Персональные данные клиентов, паспорта, медицинские выписки, коммерческая тайна, ключи доступа и пароли туда не идут — ни в тексте, ни в приложенных файлах. Если задача требует реальных данных, обезличивайте: имена замените на «клиент А», суммы округлите, идентификаторы вырежьте. В потребительских тарифах в настройках приватности обычно есть переключатель, разрешающий использовать ваши переписки для обучения моделей, — найдите его и выставьте осознанно; у корпоративных планов и API условия другие, их надо читать отдельно.

Ответственность за результат остаётся на человеке, который его отправил. «Так написала модель» не оправдание ни перед клиентом, ни перед редактором, ни перед судом. Практическое правило: не публикуйте и не отправляйте текст, который не готовы защищать как свой. Отсюда же вопрос прозрачности — в академической работе, журналистике и части профессий использование ИИ нужно раскрывать; в рабочей переписке достаточно того, что вы за текст отвечаете.

Есть и менее очевидные риски. Автоматизационное смещение — привычка соглашаться с машиной, потому что она отвечает быстро и уверенно; лечится тем, что вы формулируете собственную версию до того, как прочитаете ответ. Смещения в данных — модель воспроизводит перекосы обучающего корпуса, особенно заметно это в оценочных задачах про людей. И деградация навыка: если год не писать самому, писать станет труднее.

Доступ и деньги без иллюзий

Про доступ прямо. claude.ai и chatgpt.com из России без VPN не открываются, российские карты там не принимают, Gemini в России тоже официально не работает. Обходные схемы существуют, но оплата в любом случае идёт не напрямую, и «из коробки» тут ничего не заводится — планируйте это заранее, если идёте к платному тарифу.

Про деньги без точных цифр: они меняются быстрее любого текста. Порядок такой. У Claude и ChatGPT есть бесплатные тарифы с лимитами на число сообщений и объём загружаемых файлов — практику этого урока они выдержат, ежедневную работу с длинными документами обычно нет. Личная подписка стоит десятки долларов в месяц, старшие тарифы кратно дороже, API считается отдельно по токенам, причём выходные токены дороже входных. Перед покупкой смотрите актуальный прайс сервиса, а не эту строчку.

Фреймворк 4D к бренду не привязан. Те же четыре навыка работают с YandexGPT и GigaChat, которые открываются из России и принимают рубли, и с локальными моделями, запущенными на своём компьютере. Модели отличаются качеством, длиной контекста и ценой, а разделение труда, постановка задачи, проверка и ответственность остаются вашими независимо от того, что стоит на другом конце.

Практика

Проверьте себя

Частые вопросы

Похожие уроки