Открываешь чат с AI-агентом. Пишешь гордое: «Напиши тесты для регистрации». Через пару секунд получаешь набор из серии: “ввести email”, “ввести пароль”, “нажать кнопку”, “проверить, что всё работает”. Спасибо, дорогой искусственный интеллект. Без тебя я бы точно не догадался проверить кнопку регистрации.
Потом делаешь вторую попытку. Добавляешь контекст: что это веб-форма e-commerce, пароль от 8 символов, email должен быть уникальным, после регистрации приходит письмо, а ещё нужно проверить SQL-инъекции и XSS. Просишь вывести ответ в виде таблицы. И тут магия. Вернее, не магия, а нормальная постановка задачи.
Вот в этом и разница: “говорить с ИИ” и “управлять ИИ” разделяет одна вещь — контекст.
Разбираем: плохой промпт vs хороший
Плохой промпт:
«Напиши тесты для регистрации»
Что обычно получаем? Пять одинаковых тест-кейсов, минимум негатива, ноль бизнес-логики и ощущение, что ИИ слегка гадает на кофейной гуще. Потому что, если честно, Вы ему так задачу и поставили: “сделай что-нибудь полезное, а дальше сам как-нибудь”.
Хороший промпт:
«Ты — QA-инженер с опытом тестирования веб-приложений. Напиши тест-кейсы для формы регистрации на сайте электронной коммерции. Учитывай: минимальная длина пароля — 8 символов, email должен быть уникальным, после успешной регистрации приходит письмо с подтверждением, нужно проверить SQL-инъекции и XSS-атаки. Формат: таблица с шагами, ожидаемым результатом и приоритетом».
И вот здесь ответ уже совсем другой: покрытие требований, негативные сценарии, проверки безопасности, нормальная структура. То есть не “что-то похожее на тесты”, а материал, с которым реально можно работать.
Главное: почему контекст решает всё
Первое — ролевой промптинг. Не просите у модели “сгенерировать тесты”. Назначьте роль: «Ты — опытный QA, который тестирует backend/API». Когда ИИ понимает, кем он “работает”, он меньше расползается в абстракции. Это прямо рекомендуют и OpenAI, и Google, и Microsoft.
Второе — few-shot. Покажите пример хорошего ответа: «Напиши автотест в таком же стиле, как этот». Модели гораздо лучше держат формат, когда видят образец, а не угадывают, что Вы считаете “нормально оформленным”. Это тоже один из базовых приёмов в официальных гайдах по prompt engineering.
Третье — контекст проекта. Тип приложения, домен, ограничения, риски, требования безопасности, стек, роли пользователей — всё это не “лишняя простыня”, а топливо для качественного ответа. Чем меньше белых пятен, тем меньше фантазий у модели. OpenAI и Google отдельно советуют добавлять контекст и дробить сложные задачи на более понятные части.
Четвёртое — структурированный вывод. Хотите таблицу, JSON, чек-лист, список high-risk cases — так и пишите. ИИ не обижается на конкретику. Наоборот, он её любит.
История из жизни
Однажды я попросил ИИ: «Проанализируй лог. Что случилось?»
Ответ был почти поэтичный: «Похоже, сервер загрустил».
Спасибо. Очень ценно. Почти как “на проекте что-то сломалось”.
Переформулировал: «Найди исключение, определи вероятную причину, укажи модуль и предложи 3 гипотезы для проверки» — и внезапно получил нормальный разбор. Вывод был болезненный, но честный: загрустил не сервер. Загрустил мой промпт.
Итог
AI-агент — не волшебная палочка. Это инструмент, который усиливает сильного QA и путает того, кто надеется на телепатию. Плохой промпт — это как дать стажёру задачу «сделай что-нибудь». Хороший промпт — это уже почти ТЗ: с примерами, ограничениями и критериями приёмки.
Не случайно эти подходы сегодня повторяются в рекомендациях крупных вендоров и звучат на профильных QA-площадках вроде STAREAST 2026: умение работать с промптами становится частью нормальной инженерной практики.
Вопрос к вам
А вы уже осознанно переписывали свои промпты — и видели, как меняется результат?
Какой самый странный ответ вам выдавал ИИ? Делитесь в комментариях.
P.S. Если тема зайдёт, следующим постом разберём 4 шаблона промптов для QA: для тест-кейсов, API, логов и автотестов.
Эту статью я писал ещё старым методом — с помощью GPT и редактуры. Со следующей — перехожу на живые истории без генерации. Если заметите разницу — напишите.