История одного промпта: как я сэкономил 20 часов с помощью Claude

Привет, друзья!

Сегодня — история из практики. Без громких заявлений про «AI изменит всё», просто рассказ о том, как я за один вечер сделала работу, на которую раньше уходила неделя. С конкретным промптом, разбором и выводами.

Контекст: что за задача

Я работала над аналитическим отчётом для клиента. Нужно было проанализировать 47 PDF-файлов (контракты, акты, протоколы встреч) и сделать сводный отчёт:

• Общая структура обязательств сторон
• Ключевые риски
• Рекомендации по действиям

Объём — примерно 800 страниц текста в сумме. Раньше я бы потратила 15-20 часов: чтение, заметки, структурирование, написание.

Что я сделала

Сначала — неудачная попытка. Я загрузила все PDF в ChatGPT и попросила сделать summary. Получила общую воду. Модель не понимала юридических нюансов, размывала важные детали.

Потом переключилась на Claude Fable 5 с его 1-миллионным контекстом и попробовала другой подход — пошаговую обработку с явными критериями.

Тот самый промпт

Вот что я написала (упрощённо, без конкретики клиента):

Роль: ты юридический аналитик с 15-летним опытом в коммерческом праве. Задача: проанализировать 47 документов и подготовить структурированный отчёт. Формат ответа — JSON со следующими полями: 1. "obligations_summary" — общая структура обязательств сторон, сгруппированная по контрагентам, длиной до 2000 слов 2. "key_risks" — массив объектов {тип, описание, цитаты из документов, severity_1_to_5} 3. "action_items" — массив конкретных рекомендаций с приоритетом и сроком Критерии качества: - Цитаты должны быть дословными, со ссылкой на документ и страницу - Риски должны быть реальными, не теоретическими - Если информация противоречива — указывать это явно - Не делать юридических выводов, только факты из документов Шаг 1: прочитай все документы. Составь список из 47 с кратким описанием каждого (1-2 предложения). Шаг 2: сгруппируй документы по контрагентам и типам. Шаг 3: для каждой группы выдели ключевые обязательства. Шаг 4: найди противоречия, риски, неясности. Шаг 5: сформулируй action items. Если на каком-то шаге нужно вернуться и перечитать документ — возвращайся. Не выдумывай информацию, которой нет.

Что получилось

Через 40 минут я имела:

• Полный список 47 документов с описаниями — готовый для проверки
• Структурированную карту обязательств по 12 контрагентам
• 23 ключевых риска с дословными цитатами и оценкой severity
• 14 конкретных action items с приоритетами

Качество — 90% от того, что я бы сделала вручную. Ещё 2 часа ушло на проверку и финализацию.

Итого: 3 часа вместо 20.

Что сработало в этом промпте

Разбираю свой промпт, чтобы было понятно, почему он сработал:

1. Чёткая роль

«Юридический аналитик с 15-летним опытом» — это не магическое слово (как мы обсуждали в посте про Mollick). Это спецификация контекста, в котором модель будет рассуждать. Без неё модель отвечает «обо всём», с ней — в конкретной профессиональной рамке.

2. Явный формат выхода

JSON с конкретными полями. Без этого модель выдаёт «отчёт», который читать неудобно. С этим — структурированные данные, которые легко проверить и использовать.

3. Критерии качества

«Цитаты дословные», «не выдумывай информацию», «если противоречия — указывать». Без этих критериев модель галлюцинирует и делает уверенные обобщения. С ними — возвращается к первоисточнику.

4. Пошаговая структура

Вместо одного большого запроса — 5 шагов. Это критически важно для сложных задач. Модель делает меньше ошибок, когда может разбить задачу.

5. Контрольная петля

«Если на каком-то шаге нужно вернуться и перечитать документ — возвращайся». Это даёт модели разрешение на самокоррекцию, и она реально этим пользуется.

Что я бы сделала иначе

Несколько вещей, которые я бы улучшила:

• Добавила бы ограничение по объёму для каждого шага. Модель иногда писала слишком длинные описания
• Сделала бы проверочный шаг в конце: «Просмотри весь отчёт ещё раз и найди, что могло быть упущено»
• Разделила бы задачу на две сессии: первая — извлечение фактов, вторая — анализ. Это улучшит качество за счёт свежести контекста

Уроки для вас

Если вы хотите повторить мой опыт:

1. Не начинайте с расплывачатого запроса. Чем конкретнее спецификация — тем лучше результат
2. Используйте структурированный формат выхода (JSON, таблица, чек-лист). Так проще проверять
3. Прописывайте критерии качества. Без них модель будет галлюцинировать
4. Разбивайте сложные задачи на шаги. Один гигантский промпт — путь к разочарованию
5. Всегда проверяйте результат. Даже отличный результат AI — это черновик, не финальный документ
6. Экспериментируйте. Не получилось с первого раза — попробуйте иначе. Это рабочий процесс, а не магия

Что в сухом остатке

AI не заменил меня в этой задаче. Я её сделала — с помощью AI. Экономия — 17 часов. Качество — высокое, но это результат того, что я потратила время на правильную спецификацию, а не магическую формулу.

Это рабочий подход. Не «AI всё сделает за меня». А «я делаю в 5 раз больше с AI, потому что умею правильно ставить ему задачи». Если вы хотите так же — начните со спецификации. Не с промпт-трюков.