Сергей Бережной, директор по взаимодействию с разработчиками в Яндексе и эксперт онлайн-магистратуры «Фронтенд-, бэкенд-разработка и ИИ-решения» ИТМО в партнёрстве с Яндекс Практикумом, поделился наблюдениями о том, как меняется работа с большими языковыми моделями. По его словам, многие разработчики проходят через этап, когда главным кажется умение составлять качественные промпты: изучаются подборки лучших запросов, экспериментируются роли и ограничения. Однако со временем приходит понимание, что качество результата не гарантируется одним запросом, а определяется тем, как устроен процесс решения задачи. Бережной утверждает, что чем больше работаешь с современными LLM, тем меньше думаешь о промптах как о главном инструменте, и всё чаще проектируешь последовательность шагов.

Ключевой тезис эксперта заключается в том, что при неудовлетворительном результате стоит менять не промпт, а весь процесс решения. Например, при добавлении нового механизма авторизации в существующий сервис типичная ошибка — сразу просить модель написать код в одном большом запросе. Такой подход редко даёт хороший результат: ИИ может не учесть архитектурные ограничения, продублировать логику или предложить изменения, сложные для интеграции. Вместо этого Бережной рекомендует сначала попросить модель разобраться в структуре проекта, найти точки изменений, оценить риски, придумать тестовые сценарии и сохранить информацию в файлы — и только потом приступать к написанию кода. Таким образом, задача смещается с поиска идеального промпта на проектирование процесса, где модель помогает на каждом этапе.

Технически такой подход опирается на способность LLM переходить между уровнями абстракции. Если решение не получилось, сама проблема становится новой задачей, которую можно обсуждать с моделью. В разработке это проявляется в построении цепочек взаимосвязанных шагов: сначала модель анализирует кодовую базу и строит план изменений, затем предлагает варианты реализации, после чего пишет отдельные части кода и в конце помогает провести ревью. Бережной подчёркивает, что хороший результат почти никогда не появляется после одного запроса — это особенно заметно на текстах, где начинают работать более сложные конструкции: описание Tone of Voice, примеры, цепочка агентов, проверяющих работу друг друга. В итоге получается не один промпт, а последовательность этапов, где каждый следующий использует результат предыдущего.

В контексте образования этот подход привёл к отказу от обучения «правильным промптам» в магистратуре ИТМО и Яндекс Практикума. По словам Бережного, конкретные техники работы с ИИ меняются слишком быстро, поэтому программа строится вокруг навыков, не зависящих от конкретной модели: декомпозиции задач, проектирования процесса и проверки результата. Студенты получают разные задачи и должны каждую из них попробовать решить с помощью ИИ — удачные и неудачные эксперименты одинаково полезны, так как помогают понять ограничения модели и найти альтернативные пути. Бережной отмечает, что сегодня невозможно научиться работать с ИИ по документации, так как область развивается быстрее, чем формируются общепринятые подходы, и единственный способ разобраться — постоянно нарабатывать собственную эмпирику.

Для российского рынка этот подход особенно актуален в условиях быстрого распространения LLM и появления локальных моделей. Разработчики, привыкшие к традиционным методам, часто сталкиваются с разочарованием при первых попытках использовать ИИ, ожидая мгновенного результата от одного запроса. Переход к процессному мышлению позволяет не только повысить качество кода, но и сократить время на отладку, так как модель последовательно проверяет каждый этап. Кроме того, такой подход снижает зависимость от конкретного инструмента — навыки декомпозиции и проектирования процессов применимы к любым моделям, будь то GPT, YandexGPT или открытые аналоги. Это особенно важно для компаний, которые стремятся встроить ИИ в свои продуктовые циклы, не полагаясь на единственное решение.

Сравнивая с альтернативными подходами, можно отметить, что многие курсы и гайды по-прежнему фокусируются на коллекциях «лучших промптов» или шаблонах запросов. Однако Бережной считает такой подход устаревшим, поскольку он не учит адаптироваться к изменениям в моделях и задачах. В отличие от этого, процессное мышление позволяет разработчику самостоятельно проектировать взаимодействие с ИИ, а не следовать готовым рецептам. Например, при работе с большими проектами последовательный анализ кодовой базы и построение плана изменений даёт более надёжный результат, чем попытка уместить всё в один запрос. Это особенно заметно в задачах рефакторинга или внедрения новых функций, где критически важно не нарушить существующую архитектуру.

Перспективы развития этого подхода связаны с дальнейшей эволюцией LLM и появлением агентных систем. Бережной предполагает, что в будущем разработчики будут всё меньше писать промпты вручную, а вместо этого проектировать цепочки агентов, которые взаимодействуют друг с другом. Открытым остаётся вопрос о том, как измерять эффективность таких процессов и какие метрики использовать для оценки качества. Тем не менее, уже сейчас очевидно, что фокус на процессе, а не на отдельном запросе, позволяет получать более стабильные и воспроизводимые результаты. Для российских разработчиков это означает необходимость пересмотра образовательных программ и внутренних практик — от курсов по промпт-инжинирингу к обучению системному мышлению и проектированию взаимодействия с ИИ.