{
  "version": "https://jsonfeed.org/version/1.1",
  "title": "Журнал BebrGPT",
  "home_page_url": "https://blog.bebrgpt.ru/",
  "feed_url": "https://blog.bebrgpt.ru/feed.json",
  "description": "Практические статьи об искусственном интеллекте и нейросетях на русском языке",
  "language": "ru",
  "authors": [
    {
      "name": "Редакция BebrGPT",
      "url": "https://bebrgpt.ru/landing/"
    }
  ],
  "items": [
    
    {
      "id": "https://blog.bebrgpt.ru/post.html",
      "url": "https://blog.bebrgpt.ru/post.html",
      "title": "Как выбрать нейросеть под задачу и не переплачивать",
      "summary": "Не рейтинг моделей, а рабочая система выбора — с матрицей задач, тестовым промптом и понятными критериями качества.",
      "content_html": "\u003cp>Споры о том, какая модель «самая умная», почти бесполезны в работе. Письмо клиенту, разбор договора, поиск свежих данных и исправление кода требуют разных способностей. Более того, внутри одной линейки обычно есть быстрые и недорогие модели, а также более сильные — для задач, где ошибка обходится дорого.\u003c/p>\n\u003cp>Поэтому выбирать стоит не бренд вообще, а \u003cstrong>модель, режим работы и доступные инструменты под конкретный результат\u003c/strong>. Ниже — система, которой можно пользоваться каждый раз, когда названия и версии моделей снова меняются.\u003c/p>\n\u003ch2>Короткий ответ\u003c/h2>\n\u003cp>Начинайте с быстрой универсальной модели. Переходите на более сильную или на другого провайдера только тогда, когда видите конкретное ограничение: модель теряет детали документа, плохо работает с изображением, не справляется с многошаговой логикой или требует слишком много правок.\u003c/p>\n\u003caside class=\"article-note\">\n  \u003cstrong>Рабочее правило\u003c/strong>\n  \u003cp>Сложность модели должна быть соразмерна цене ошибки. Переформатировать таблицу можно дешёвой быстрой моделью. Проверять финансовую модель, договор или критичный фрагмент кода — более сильной, а результат всё равно нужно верифицировать.\u003c/p>\n\u003c/aside>\n\u003cfigure class=\"article-table\">\n  \u003cdiv class=\"table-scroll\" tabindex=\"0\" role=\"region\" aria-label=\"Матрица выбора нейросети\">\n    \u003ctable>\n      \u003cthead>\n        \u003ctr>\n          \u003cth>Задача\u003c/th>\n          \u003cth>С чего начать\u003c/th>\n          \u003cth>Когда сравнить альтернативу\u003c/th>\n        \u003c/tr>\n      \u003c/thead>\n      \u003ctbody>\n        \u003ctr>\n          \u003ctd>Письма, краткие тексты, извлечение данных\u003c/td>\n          \u003ctd>Быстрая недорогая модель\u003c/td>\n          \u003ctd>Если не выдерживает стиль или формат\u003c/td>\n        \u003c/tr>\n        \u003ctr>\n          \u003ctd>Смешанная задача: текст, анализ, код, файлы\u003c/td>\n          \u003ctd>Универсальная модель GPT\u003c/td>\n          \u003ctd>Если один тип материала явно важнее остальных\u003c/td>\n        \u003c/tr>\n        \u003ctr>\n          \u003ctd>Большой документ, редактура, синтез аргументов\u003c/td>\n          \u003ctd>Claude или сильная GPT-модель\u003c/td>\n          \u003ctd>Если теряются ссылки на исходный текст\u003c/td>\n        \u003c/tr>\n        \u003ctr>\n          \u003ctd>Изображения, видео, аудио и длинный контекст\u003c/td>\n          \u003ctd>Gemini\u003c/td>\n          \u003ctd>Если нужен другой стиль ответа или работа с инструментами\u003c/td>\n        \u003c/tr>\n        \u003ctr>\n          \u003ctd>Код, математика, многошаговое рассуждение\u003c/td>\n          \u003ctd>Сильная reasoning-модель GPT, Claude или DeepSeek\u003c/td>\n          \u003ctd>Если ответ нельзя подтвердить тестом или расчётом\u003c/td>\n        \u003c/tr>\n      \u003c/tbody>\n    \u003c/table>\n  \u003c/div>\n  \u003cfigcaption>Это стартовые ориентиры, а не рейтинг. Победителя определяет ваш собственный тест на реальной задаче.\u003c/figcaption>\n\u003c/figure>\n\u003ch2>Что на самом деле влияет на результат\u003c/h2>\n\u003cp>Название модели — только один из факторов. На практике качество чаще определяется четырьмя вещами.\u003c/p>\n\u003ch3>Тип задачи\u003c/h3>\n\u003cp>Модель, которая отлично редактирует текст, не обязана лучше всех искать ошибку в программе. Сначала определите главное действие: придумать, найти, извлечь, сравнить, посчитать, переписать или проверить. Если действий несколько, укажите порядок и ожидаемый результат каждого шага.\u003c/p>\n\u003ch3>Класс модели\u003c/h3>\n\u003cp>Быстрые версии подходят для понятных повторяемых операций: классификации, краткого пересказа, перевода, заполнения шаблона. Более сильные модели оправданы, когда задача неоднозначна, состоит из нескольких этапов или требует сопоставить противоречивые данные.\u003c/p>\n\u003cp>Это часто важнее выбора между провайдерами. Флагманская модель одной линейки и её облегчённая версия могут отличаться сильнее, чем две модели сопоставимого класса от разных компаний.\u003c/p>\n\u003ch3>Инструменты\u003c/h3>\n\u003cp>Без веб-поиска даже сильная модель может не знать о вчерашнем событии. Без доступа к файлу она будет рассуждать о документе только по вашему пересказу. Для свежих фактов, таблиц, PDF и изображений сначала проверьте, есть ли у выбранного режима нужный инструмент, и только потом оценивайте ответ.\u003c/p>\n\u003ch3>Стоимость исправлений\u003c/h3>\n\u003cp>Цена генерации — не вся стоимость работы. Полезнее считать так:\u003c/p>\n\u003cdiv class=\"article-formula\" aria-label=\"Формула полной стоимости результата\">\n  \u003cspan>Полная стоимость\u003c/span>\n  \u003cstrong>ответ модели + проверка + исправления + риск ошибки\u003c/strong>\n\u003c/div>\n\u003cp>Дешёвый ответ, который нужно двадцать минут переписывать, может оказаться дороже более качественного ответа с первой попытки.\u003c/p>\n\u003ch2>Сильные стороны разных семейств\u003c/h2>\n\u003cp>Состав и названия моделей меняются, поэтому ниже — не обещание конкретной версии, а практический ориентир для выбора.\u003c/p>\n\u003ch3>GPT — универсальный старт\u003c/h3>\n\u003cp>Подходит, когда в одной задаче смешаны разные режимы работы: понять неидеальный запрос, разобрать файл, написать текст, помочь с кодом и привести результат к заданному формату. Это хороший вариант по умолчанию, если вы пока не знаете, какая способность окажется решающей.\u003c/p>\n\u003cp>\u003cstrong>Сравните другую модель\u003c/strong>, если работаете с очень большим однородным документом, сложным мультимедийным материалом или хотите проверить важное рассуждение независимым способом.\u003c/p>\n\u003ch3>Claude — документы, структура и редактура\u003c/h3>\n\u003cp>Полезен для длинных материалов, вдумчивой редакторской работы, сопоставления аргументов и задач, где важны логичная структура и спокойный тон. Но длинный контекст не гарантирует, что модель одинаково внимательно использует каждую деталь.\u003c/p>\n\u003cp>\u003cstrong>Просите указывать раздел или цитату, на которых основан вывод.\u003c/strong> Так легче заметить, где модель опирается на документ, а где делает собственное предположение.\u003c/p>\n\u003ch3>Gemini — мультимодальные материалы\u003c/h3>\n\u003cp>Удобен, когда исходные данные — не только текст: изображения, аудио, видео, презентации или большой набор разнородных файлов. Это особенно полезно для разбора записи встречи, визуального отчёта или материала, который неудобно сначала вручную превращать в текст.\u003c/p>\n\u003cp>\u003cstrong>Заранее задайте единицу анализа:\u003c/strong> кадр, слайд, эпизод, таблица или временной диапазон. Иначе ответ может быть широким, но поверхностным.\u003c/p>\n\u003ch3>DeepSeek — рассуждение и код\u003c/h3>\n\u003cp>Имеет смысл тестировать на задачах с кодом, математикой и многошаговой логикой, особенно когда важна стоимость. Как и у других семейств, качество зависит от конкретной версии и режима рассуждения.\u003c/p>\n\u003cp>\u003cstrong>Не оценивайте такой ответ по убедительности объяснения.\u003c/strong> Для кода нужны тесты, для вычислений — повторный расчёт, для фактов — первоисточники.\u003c/p>\n\u003ch2>Пятиминутный тест вместо десятка рейтингов\u003c/h2>\n\u003cp>Возьмите одну настоящую задачу, на которой вы уже понимаете, что считать хорошим результатом. Запустите её в двух моделях с совершенно одинаковыми исходными данными и без дополнительных подсказок после первого ответа.\u003c/p>\n\u003cdiv class=\"prompt-card-label\">Шаблон тестового запроса\u003c/div>\n\u003cpre class=\"prompt-card\">\u003ccode>Задача: [что нужно получить]\n\nКонтекст: [для кого и зачем нужен результат]\n\nМатериалы: [текст, файл, данные или ссылки]\n\nОграничения: [что нельзя додумывать; тон; длина; срок]\n\nФормат ответа: [таблица, письмо, план, код]\n\nКритерии качества:\n1. [что обязательно должно быть верно]\n2. [что обязательно должно присутствовать]\n3. [как можно проверить результат]\n\nЕсли данных не хватает, не угадывай:\nперечисли, что нужно уточнить.\u003c/code>\u003c/pre>\n\u003cp>Оцените ответы по пяти критериям, поставив за каждый от 0 до 2 баллов:\u003c/p>\n\u003col>\n\u003cli>\u003cstrong>Точность.\u003c/strong> Нет ли фактических ошибок и выдуманных деталей?\u003c/li>\n\u003cli>\u003cstrong>Работа с материалом.\u003c/strong> Использованы ли важные данные из контекста?\u003c/li>\n\u003cli>\u003cstrong>Следование формату.\u003c/strong> Выполнены ли ограничения без напоминаний?\u003c/li>\n\u003cli>\u003cstrong>Объём правок.\u003c/strong> Сколько времени потребуется до готового результата?\u003c/li>\n\u003cli>\u003cstrong>Скорость и цена.\u003c/strong> Оправдано ли качество дополнительным ожиданием или расходом?\u003c/li>\n\u003c/ol>\n\u003cblockquote>\n\u003cp>Выигрывает не самый красивый первый ответ, а модель, которая быстрее доводит задачу до проверяемого результата.\u003c/p>\n\u003c/blockquote>\n\u003cp>Повторите тест ещё на двух задачах того же типа. Один удачный ответ может быть случайностью; три результата уже показывают рабочую тенденцию.\u003c/p>\n\u003ch2>Четыре практических сценария\u003c/h2>\n\u003ch3>Большой PDF или договор\u003c/h3>\n\u003cp>Не просите сразу «проанализировать документ». Сначала попросите составить карту разделов и перечислить стороны, сроки, суммы и обязательства со ссылками на страницы. Затем задавайте вопросы по одному блоку и отдельно попросите назвать противоречия и отсутствующие данные.\u003c/p>\n\u003cp>Финальный вывод полезно проверить второй моделью, передав ей исходный документ и список спорных утверждений, а не ответ первой модели целиком. Так вторая модель меньше склонна повторять чужую ошибку.\u003c/p>\n\u003ch3>Свежие факты и исследование\u003c/h3>\n\u003cp>Включите веб-поиск и задайте временную границу: например, «используй источники, опубликованные не раньше января 2026 года». Попросите отделить факты от выводов и дать ссылку рядом с каждым проверяемым утверждением.\u003c/p>\n\u003cp>Откройте хотя бы два ключевых источника самостоятельно. Наличие ссылки ещё не означает, что источник подтверждает написанное.\u003c/p>\n\u003ch3>Код и поиск ошибки\u003c/h3>\n\u003cp>Передайте минимальный воспроизводимый пример, версию языка, окружение, сообщение об ошибке и ожидаемое поведение. Просите не только исправление, но и объяснение причины, тест на регрессию и список рисков изменения.\u003c/p>\n\u003cp>Если код нельзя запустить или тесты не проходят, задача ещё не решена — каким бы уверенным ни выглядел ответ.\u003c/p>\n\u003ch3>Текст для работы\u003c/h3>\n\u003cp>Дайте модели один хороший пример вместо длинного описания «пишите живо и профессионально». Укажите читателя, цель текста, факты, которые нельзя менять, и нежелательные обороты. После первого черновика просите не «сделать лучше», а назвать три конкретные слабости и исправить только их.\u003c/p>\n\u003ch2>Как не переплачивать\u003c/h2>\n\u003col>\n\u003cli>\u003cstrong>Оставьте быструю модель основной.\u003c/strong> Используйте её для черновиков, извлечения данных, форматирования и повторяемых операций.\u003c/li>\n\u003cli>\u003cstrong>Сначала улучшите постановку задачи.\u003c/strong> Сильная модель не компенсирует отсутствующий контекст и неясные критерии.\u003c/li>\n\u003cli>\u003cstrong>Повышайте класс модели точечно.\u003c/strong> Сложное рассуждение можно отдать сильной модели, а финальное форматирование — быстрой.\u003c/li>\n\u003cli>\u003cstrong>Используйте вторую модель как проверяющего.\u003c/strong> Это полезнее, чем с самого начала получать два почти одинаковых черновика.\u003c/li>\n\u003cli>\u003cstrong>Зафиксируйте победителя для повторяемой работы.\u003c/strong> Если одна связка модели и промпта стабильно работает, сохраните её и перестаньте сравнивать всё заново.\u003c/li>\n\u003c/ol>\n\u003ch2>Ошибки, которые портят сравнение\u003c/h2>\n\u003cul>\n\u003cli>Сравнивать модели на разных запросах или с разным объёмом контекста.\u003c/li>\n\u003cli>Выбирать по одному впечатляющему ответу.\u003c/li>\n\u003cli>Путать знания модели с возможностями веб-поиска и других инструментов.\u003c/li>\n\u003cli>Оценивать стиль, но не проверять факты, расчёты и ссылки.\u003c/li>\n\u003cli>Отправлять конфиденциальные данные, не разобравшись, как сервис их хранит и использует.\u003c/li>\n\u003cli>Покупать самый дорогой режим для задач, где достаточно шаблона и быстрой модели.\u003c/li>\n\u003c/ul>\n\u003ch2>Итог\u003c/h2>\n\u003cp>Если не знаете, с чего начать, выберите универсальную модель и дайте ей хорошо поставленную реальную задачу. Если результат слабый, определите причину: не хватает контекста, инструмента, способности работать с нужным типом данных или глубины рассуждения. Только после этого переключайтесь.\u003c/p>\n\u003cp>В BebrGPT GPT, Claude, Gemini и DeepSeek доступны в одном интерфейсе. Возьмите шаблон из этой статьи, запустите одну задачу в двух моделях и посчитайте не впечатления, а количество правок до готового результата. \u003ca href=\"https://bebrgpt.ru/chat\">Сравнить модели в BebrGPT\u003c/a>.\u003c/p>\n\u003caside class=\"article-sources\">\n  \u003cstrong>Источники и актуальность\u003c/strong>\n  \u003cp>Возможности семейств сверены с официальными материалами \u003ca href=\"https://developers.openai.com/api/docs/models\">OpenAI\u003c/a>, \u003ca href=\"https://platform.claude.com/docs/en/about-claude/models/overview\">Anthropic\u003c/a>, \u003ca href=\"https://ai.google.dev/gemini-api/docs/long-context\">Google\u003c/a> и \u003ca href=\"https://api-docs.deepseek.com/guides/thinking_mode\">DeepSeek\u003c/a>. Конкретные версии и условия доступа меняются; актуальный список всегда смотрите в интерфейсе сервиса.\u003c/p>\n\u003c/aside>\n",
      "date_published": "2026-07-14T00:00:00.000Z",
      "date_modified": "2026-07-19T00:00:00.000Z",
      "language": "ru",
      "authors": [
        {
          "name": "Асад Рахмани",
          "url": "https://blog.bebrgpt.ru/authors/asad-rahmani.html"
        }
      ],
      "tags": ["как выбрать нейросеть","сравнение нейросетей","GPT","Claude","Gemini","DeepSeek"]
    },
    
    {
      "id": "https://blog.bebrgpt.ru/prompts-workday.html",
      "url": "https://blog.bebrgpt.ru/prompts-workday.html",
      "title": "10 промптов, которые экономят целый рабочий день",
      "summary": "Готовые сценарии для аналитики, писем и планирования — без магических формулировок и пустых обещаний.",
      "content_html": "\u003cp>Большинство неудачных запросов звучат как «напиши письмо», «проанализируй файл» или «составь план». Модель отвечает, но человеку приходится заново объяснять задачу, исправлять тон и возвращать пропущенные детали. Время теряется не на генерацию, а на бесконечные уточнения.\u003c/p>\n\u003cp>Шаблоны ниже устроены иначе. В каждом есть место для исходных данных, описание результата и способ проверить ответ. Замените текст в квадратных скобках и удалите ненужные пункты.\u003c/p>\n\u003caside class=\"article-note\">\n  \u003cstrong>Перед началом\u003c/strong>\n  \u003cp>Не вставляйте в запрос пароли, ключи доступа, паспортные данные, медицинские сведения и закрытую информацию компании. Для рабочих документов сначала проверьте правила вашей организации и условия сервиса.\u003c/p>\n\u003c/aside>\n\u003ch2>Как пользоваться шаблонами\u003c/h2>\n\u003cp>Не отправляйте промпт вслепую. Сначала ответьте себе на четыре вопроса:\u003c/p>\n\u003col>\n\u003cli>Что должно появиться на выходе?\u003c/li>\n\u003cli>Для кого предназначен результат?\u003c/li>\n\u003cli>Какие факты нельзя менять или додумывать?\u003c/li>\n\u003cli>Как вы поймёте, что работа сделана хорошо?\u003c/li>\n\u003c/ol>\n\u003cp>Если задача повторяется, сохраните удачный запрос вместе с одним качественным примером результата. Пример обычно объясняет стиль точнее, чем слова «профессионально», «интересно» и «по-человечески».\u003c/p>\n\u003ch2>1. Превратить заметки в рабочее письмо\u003c/h2>\n\u003cp>Подходит, когда мысли уже есть, но не хочется тратить время на структуру и тон.\u003c/p>\n\u003cdiv class=\"prompt-card-label\">Письмо из черновика\u003c/div>\n\u003cpre class=\"prompt-card\">\u003ccode>Преврати заметки ниже в письмо.\n\nПолучатель: [кто он и что уже знает]\nЦель: [какого действия мы ждём]\nТон: спокойный, деловой, без канцелярита\nДлина: до [число] слов\n\nОбязательно сохрани:\n- [факт, сумма или срок]\n- [важное условие]\n\nНе добавляй фактов, которых нет в заметках.\nВ конце сформулируй один понятный следующий шаг.\n\nЗаметки:\n[вставьте текст]\u003c/code>\u003c/pre>\n\u003cp>Перед отправкой проверьте имена, суммы, даты и обещания. Даже хорошая редактура не превращает непроверенный черновик в достоверный документ.\u003c/p>\n\u003ch2>2. Получить краткую записку для руководителя\u003c/h2>\n\u003cp>Полезный формат — не «пересказ», а решение на одной странице: что случилось, почему это важно и что делать.\u003c/p>\n\u003cdiv class=\"prompt-card-label\">Executive summary\u003c/div>\n\u003cpre class=\"prompt-card\">\u003ccode>Подготовь краткую записку по материалу ниже.\n\nЧитатель: [роль]\nРешение, которое ему предстоит принять: [решение]\n\nСтруктура:\n1. Вывод — 2 предложения.\n2. Три факта, которые влияют на решение.\n3. Риски и неизвестные.\n4. Варианты действий с плюсами и минусами.\n5. Рекомендуемый следующий шаг.\n\nОтделяй факты из материала от собственных выводов.\nДля каждого важного факта укажи раздел или страницу источника.\n\nМатериал:\n[текст или файл]\u003c/code>\u003c/pre>\n\u003ch2>3. Разобрать таблицу без выдуманных выводов\u003c/h2>\n\u003cp>Модели легко находят красивую историю даже там, где данных недостаточно. Поэтому запрос должен требовать проверку качества данных до интерпретации.\u003c/p>\n\u003cdiv class=\"prompt-card-label\">Анализ таблицы\u003c/div>\n\u003cpre class=\"prompt-card\">\u003ccode>Проанализируй приложенную таблицу.\n\nСначала проверь:\n- названия и смысл столбцов;\n- пропуски и дубликаты;\n- единицы измерения;\n- выбросы и возможные ошибки;\n- период и полноту данных.\n\nЗатем ответь:\n1. Какие 3 наблюдения подтверждаются данными?\n2. Какие объяснения возможны, но не доказаны?\n3. Что нужно проверить дополнительно?\n\nНе делай причинных выводов только из корреляции.\nВсе расчёты покажи так, чтобы их можно было повторить.\u003c/code>\u003c/pre>\n\u003ch2>4. Подготовиться к встрече\u003c/h2>\n\u003cp>Вместо общего «расскажи о компании» попросите модель собрать конкретный рабочий бриф.\u003c/p>\n\u003cdiv class=\"prompt-card-label\">Бриф перед встречей\u003c/div>\n\u003cpre class=\"prompt-card\">\u003ccode>Помоги подготовиться к встрече.\n\nУчастники: [имена и роли]\nТема: [тема]\nНаша цель: [результат встречи]\nЧто уже произошло: [контекст]\nДоступные материалы: [ссылки или файлы]\n\nПодготовь:\n- краткий контекст;\n- интересы и возможные возражения сторон;\n- 7 вопросов в порядке важности;\n- факты, которые нужно уточнить заранее;\n- желаемый итог и минимально приемлемый итог;\n- план последующего письма.\n\nНе придумывай сведения об участниках.\nНепроверенные предположения помечай явно.\u003c/code>\u003c/pre>\n\u003ch2>5. Превратить запись встречи в решения\u003c/h2>\n\u003cp>Саммари мало помогает, если после него непонятно, кто что делает.\u003c/p>\n\u003cdiv class=\"prompt-card-label\">Протокол встречи\u003c/div>\n\u003cpre class=\"prompt-card\">\u003ccode>Преврати расшифровку встречи в рабочий протокол.\n\nРазделы:\n1. Принятые решения.\n2. Задачи: действие, ответственный, срок.\n3. Открытые вопросы.\n4. Риски и зависимости.\n5. Что нужно подтвердить на следующей встрече.\n\nНе назначай ответственного или срок, если они не названы.\nВместо догадки напиши «не определено».\nВ конце дай короткий черновик сообщения участникам.\n\nРасшифровка:\n[вставьте текст]\u003c/code>\u003c/pre>\n\u003ch2>6. Составить реалистичный план проекта\u003c/h2>\n\u003cp>Главная ценность здесь — зависимости и точки проверки, а не длинный список задач.\u003c/p>\n\u003cdiv class=\"prompt-card-label\">План с контрольными точками\u003c/div>\n\u003cpre class=\"prompt-card\">\u003ccode>Составь план проекта.\n\nЦель: [измеримый результат]\nСрок: [дата]\nКоманда и доступное время: [ресурсы]\nОграничения: [бюджет, технологии, согласования]\nЧто уже готово: [текущее состояние]\n\nРазбей работу на этапы. Для каждого укажи:\n- результат этапа;\n- задачи и зависимости;\n- ответственного по роли;\n- критерий готовности;\n- риск и способ раннего обнаружения.\n\nСначала перечисли допущения.\nЕсли план не помещается в срок, покажи, чем придётся пожертвовать.\u003c/code>\u003c/pre>\n\u003ch2>7. Найти слабые места в собственном тексте\u003c/h2>\n\u003cp>Просьба «сделай лучше» часто стирает авторский голос. Сначала закажите диагностику, затем — ограниченную правку.\u003c/p>\n\u003cdiv class=\"prompt-card-label\">Редактор без переписывания\u003c/div>\n\u003cpre class=\"prompt-card\">\u003ccode>Выступи редактором текста ниже.\n\nЧитатель: [аудитория]\nЦель текста: [что читатель должен понять или сделать]\n\nСначала найди не больше 5 проблем:\n- неясная мысль;\n- неподтверждённое утверждение;\n- повтор;\n- слишком длинный фрагмент;\n- несоответствие тону.\n\nДля каждой проблемы объясни эффект на читателя.\nПосле этого предложи точечную правку только проблемных мест.\nНе переписывай весь текст и не добавляй новые факты.\n\nТекст:\n[вставьте текст]\u003c/code>\u003c/pre>\n\u003ch2>8. Сравнить варианты без псевдоточности\u003c/h2>\n\u003cp>Таблица с баллами выглядит объективно, но веса критериев всегда отражают ваш выбор. Сделайте его явным.\u003c/p>\n\u003cdiv class=\"prompt-card-label\">Матрица решения\u003c/div>\n\u003cpre class=\"prompt-card\">\u003ccode>Сравни варианты: [A], [B], [C].\n\nКонтекст решения: [ситуация]\nОбязательные ограничения: [условия]\nКритерии и их вес:\n- [критерий] — [вес]\n- [критерий] — [вес]\n- [критерий] — [вес]\n\nИспользуй только предоставленные данные.\nЕсли данных для оценки нет, ставь «н/д», а не выдуманный балл.\n\nПокажи:\n1. Таблицу сравнения.\n2. Что меняется при других весах.\n3. Главный риск каждого варианта.\n4. Какой один факт сильнее всего повлияет на решение.\u003c/code>\u003c/pre>\n\u003ch2>9. Проверить план как скептик\u003c/h2>\n\u003cp>Это хороший способ использовать вторую модель: не создавать ещё один план, а искать условия, при которых первый не сработает.\u003c/p>\n\u003cdiv class=\"prompt-card-label\">Премортем\u003c/div>\n\u003cpre class=\"prompt-card\">\u003ccode>Представь, что через [срок] этот план провалился.\n\nПлан:\n[вставьте план]\n\nНазови 7 правдоподобных причин провала.\nДля каждой укажи:\n- ранний сигнал;\n- вероятность: низкая, средняя или высокая;\n- тяжесть последствий;\n- действие, которое можно сделать сейчас;\n- кто должен следить за сигналом.\n\nНе используй общие формулировки вроде\n«плохая коммуникация» без конкретного механизма проблемы.\u003c/code>\u003c/pre>\n\u003ch2>10. Подготовить передачу задачи другому человеку\u003c/h2>\n\u003cp>Хорошая передача работы сохраняет не только итог, но и принятые решения, ограничения и неизвестные.\u003c/p>\n\u003cdiv class=\"prompt-card-label\">Документ для передачи работы\u003c/div>\n\u003cpre class=\"prompt-card\">\u003ccode>Подготовь документ для передачи задачи новому исполнителю.\n\nИсходные материалы:\n[заметки, переписка или ссылки]\n\nСтруктура:\n1. Цель и текущее состояние.\n2. Что уже сделано и где лежит результат.\n3. Принятые решения и почему они приняты.\n4. Ограничения и договорённости.\n5. Открытые вопросы.\n6. Следующие три действия.\n7. Контакты и системы, к которым нужен доступ.\n\nНе скрывай неопределённость.\nОтдельно перечисли сведения, которых не хватает.\u003c/code>\u003c/pre>\n\u003ch2>Как понять, что промпт действительно экономит время\u003c/h2>\n\u003cp>Протестируйте шаблон три раза и измерьте не скорость ответа модели, а время до готового результата. Записывайте:\u003c/p>\n\u003cul>\n\u003cli>сколько уточняющих сообщений понадобилось;\u003c/li>\n\u003cli>сколько фактов пришлось исправить;\u003c/li>\n\u003cli>сколько минут заняла ручная редактура;\u003c/li>\n\u003cli>какие части запроса каждый раз повторяются.\u003c/li>\n\u003c/ul>\n\u003cp>Если результат нестабилен, добавьте один качественный пример и более точный критерий готовности. Если модель регулярно не справляется даже после этого, проблема может быть не в промпте — попробуйте другую модель по методике из статьи \u003ca href=\"/post.html\">«Как выбрать нейросеть под задачу»\u003c/a>.\u003c/p>\n\u003ch2>Главное\u003c/h2>\n\u003cp>Не существует фразы, которая заставит модель всегда отвечать идеально. Зато есть воспроизводимый процесс: дать контекст, назвать результат, запретить догадки, определить формат и проверить критичные факты.\u003c/p>\n\u003cp>Сохраните два-три шаблона для задач, которые повторяются каждую неделю. Именно там промпты дают реальную экономию — не за счёт «секретных слов», а за счёт того, что вы один раз хорошо описали работу.\u003c/p>\n\u003caside class=\"article-sources\">\n  \u003cstrong>Источники и актуальность\u003c/strong>\n  \u003cp>Принципы ясных инструкций, примеров и измеримых критериев согласуются с официальными рекомендациями \u003ca href=\"https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/claude-prompting-best-practices\">Anthropic по prompting\u003c/a> и руководством по \u003ca href=\"https://platform.claude.com/docs/en/test-and-evaluate/develop-tests\">оценке результатов\u003c/a>. Шаблоны разработаны редакцией BebrGPT для повседневных задач.\u003c/p>\n\u003c/aside>\n",
      "date_published": "2026-07-09T00:00:00.000Z",
      "date_modified": "2026-07-19T00:00:00.000Z",
      "language": "ru",
      "authors": [
        {
          "name": "Асад Рахмани",
          "url": "https://blog.bebrgpt.ru/authors/asad-rahmani.html"
        }
      ],
      "tags": ["полезные промпты","промпты для работы","запросы для нейросети","шаблоны промптов"]
    },
    
    {
      "id": "https://blog.bebrgpt.ru/rag-documents.html",
      "url": "https://blog.bebrgpt.ru/rag-documents.html",
      "title": "Что такое RAG — на примере папки с документами",
      "summary": "Без формул объясняем, как ИИ находит факты в ваших данных и почему одного поиска недостаточно.",
      "content_html": "\u003cp>Представьте папку с двумястами договорами, инструкциями и протоколами встреч. Сотрудник спрашивает: «Какой срок уведомления о расторжении у клиента “Север”?» Обычная языковая модель не видит вашу папку и может только угадать типичный срок. RAG-система сначала ищет нужный договор и пункт, а уже потом формулирует ответ.\u003c/p>\n\u003cp>Аббревиатура расшифровывается как \u003cstrong>Retrieval-Augmented Generation\u003c/strong> — генерация, дополненная поиском. Важны обе части: поиск должен принести правильный контекст, а модель — аккуратно использовать его.\u003c/p>\n\u003ch2>Как это работает\u003c/h2>\n\u003cp>В простом варианте процесс состоит из пяти этапов.\u003c/p>\n\u003cdiv class=\"article-formula\" aria-label=\"Схема работы RAG\">\n  \u003cspan>Схема RAG\u003c/span>\n  \u003cstrong>документы → фрагменты → поиск → контекст → ответ\u003c/strong>\n\u003c/div>\n\u003ch3>1. Подготовка документов\u003c/h3>\n\u003cp>Система извлекает текст из PDF, Word, таблиц или веб-страниц. Уже здесь возникают ошибки: скан может плохо распознаться, таблица — потерять заголовки, а колонтитул — повториться на каждой странице.\u003c/p>\n\u003cp>Поэтому до «умного поиска» полезно проверить несколько документов вручную. Если исходный текст испорчен, модель не восстановит надёжно то, чего не увидела.\u003c/p>\n\u003ch3>2. Деление на фрагменты\u003c/h3>\n\u003cp>Документ редко кладут в поиск целиком. Его делят на небольшие части — chunks. Слишком короткий фрагмент теряет контекст, слишком длинный содержит много лишнего и расходует окно контекста.\u003c/p>\n\u003cp>Хорошее деление учитывает структуру: заголовки, пункты договора, строки таблицы, вопросы и ответы. Абзац «Срок — 30 дней» бесполезен, если рядом не осталось название условия, к которому он относится.\u003c/p>\n\u003ch3>3. Индексация\u003c/h3>\n\u003cp>Каждый фрагмент превращается в числовое представление смысла — embedding — и сохраняется в поисковом индексе. Запрос пользователя преобразуется таким же способом. Система ищет близкие по смыслу фрагменты, даже если в них использованы другие слова.\u003c/p>\n\u003cp>Например, запрос «как прекратить договор» может найти пункт «порядок одностороннего расторжения», хотя формулировки не совпадают буквально.\u003c/p>\n\u003ch3>4. Формирование контекста\u003c/h3>\n\u003cp>Найденные фрагменты вместе с вопросом передаются модели. Часто сюда добавляют название файла, номер страницы, дату документа и инструкцию не отвечать при недостатке данных.\u003c/p>\n\u003cp>Метаданные важны не меньше текста. Если действующая и устаревшая инструкции попали в один индекс без даты, поиск может вернуть обе.\u003c/p>\n\u003ch3>5. Генерация ответа\u003c/h3>\n\u003cp>Модель соединяет найденные сведения в понятный ответ и, в хорошем интерфейсе, показывает ссылки на исходные места. Это не отменяет проверку: модель может неверно объединить два фрагмента или сделать вывод, которого прямо нет в документах.\u003c/p>\n\u003cfigure class=\"article-table\">\n  \u003cdiv class=\"table-scroll\" tabindex=\"0\" role=\"region\" aria-label=\"Где возникают ошибки в RAG\">\n    \u003ctable>\n      \u003cthead>\n        \u003ctr>\n          \u003cth>Этап\u003c/th>\n          \u003cth>Типичная ошибка\u003c/th>\n          \u003cth>Как обнаружить\u003c/th>\n        \u003c/tr>\n      \u003c/thead>\n      \u003ctbody>\n        \u003ctr>\n          \u003ctd>Извлечение\u003c/td>\n          \u003ctd>Пропали таблицы, подписи или часть скана\u003c/td>\n          \u003ctd>Сравнить текст с оригиналом\u003c/td>\n        \u003c/tr>\n        \u003ctr>\n          \u003ctd>Фрагментация\u003c/td>\n          \u003ctd>Условие отделилось от заголовка\u003c/td>\n          \u003ctd>Посмотреть найденный chunk целиком\u003c/td>\n        \u003c/tr>\n        \u003ctr>\n          \u003ctd>Поиск\u003c/td>\n          \u003ctd>Вернулся похожий, но не тот документ\u003c/td>\n          \u003ctd>Проверить файл, дату и раздел\u003c/td>\n        \u003c/tr>\n        \u003ctr>\n          \u003ctd>Генерация\u003c/td>\n          \u003ctd>Модель добавила неподтверждённый вывод\u003c/td>\n          \u003ctd>Сопоставить каждое утверждение с цитатой\u003c/td>\n        \u003c/tr>\n      \u003c/tbody>\n    \u003c/table>\n  \u003c/div>\n  \u003cfigcaption>Качество RAG ограничено самым слабым этапом цепочки.\u003c/figcaption>\n\u003c/figure>\n\u003ch2>Чем RAG отличается от загрузки файла в чат\u003c/h2>\n\u003cp>Если вы прикрепили один договор и задали вопрос, интерфейс может передать файл модели целиком или тоже использовать внутренний поиск. Для пользователя это выглядит одинаково, но при большой библиотеке разница становится существенной.\u003c/p>\n\u003cp>RAG нужен, когда документов больше, чем разумно помещать в один запрос, они регулярно обновляются или ответы должны ссылаться на конкретные места. Система индексирует библиотеку заранее и в каждый запрос подставляет только наиболее подходящие части.\u003c/p>\n\u003cp>Это также отличается от дообучения. Fine-tuning меняет поведение модели на примерах, а RAG подставляет актуальные знания во время ответа. Для справочников, политик и договоров обычно важнее обновляемость и цитаты, поэтому поиск подходит лучше.\u003c/p>\n\u003ch2>Пример: база внутренних правил\u003c/h2>\n\u003cp>Допустим, в компании есть папки «Отпуска», «Командировки» и «Закупки». Пользователь спрашивает: «Можно ли самому купить билет и получить компенсацию?»\u003c/p>\n\u003cp>Хорошая система должна:\u003c/p>\n\u003col>\n\u003cli>Найти действующую политику командировок, а не старый приказ.\u003c/li>\n\u003cli>Вернуть пункт о самостоятельной покупке.\u003c/li>\n\u003cli>Подтянуть связанное ограничение по классу билета.\u003c/li>\n\u003cli>Указать исключения и необходимое согласование.\u003c/li>\n\u003cli>Дать ссылку на файл и страницы.\u003c/li>\n\u003c/ol>\n\u003cp>Если поиск вернул только фразу «расходы компенсируются», модель может уверенно сказать «да» и пропустить условия. Это классическая ошибка: ответ звучит разумно, но контекст был неполным.\u003c/p>\n\u003ch2>Как задавать вопросы RAG-системе\u003c/h2>\n\u003cp>Полезно сразу потребовать доказательства и границы ответа.\u003c/p>\n\u003cdiv class=\"prompt-card-label\">Запрос к базе документов\u003c/div>\n\u003cpre class=\"prompt-card\">\u003ccode>Ответь только по приложенным документам.\n\nВопрос: [вопрос]\n\nДля каждого вывода укажи:\n- название файла;\n- раздел или страницу;\n- короткую подтверждающую цитату.\n\nЕсли документы противоречат друг другу,\nпокажи обе версии и их даты.\n\nЕсли ответа нет, напиши «в документах не найдено»\nи перечисли, какой информации не хватает.\u003c/code>\u003c/pre>\n\u003cp>Такой промпт не исправит плохой поиск, но сделает пробелы заметнее.\u003c/p>\n\u003ch2>Как проверить RAG до запуска\u003c/h2>\n\u003cp>Соберите 30–50 реальных вопросов: простых, сложных и провокационных. Для каждого заранее отметьте правильный документ и минимальные элементы ответа.\u003c/p>\n\u003cp>Проверяйте отдельно:\u003c/p>\n\u003cul>\n\u003cli>\u003cstrong>retrieval recall\u003c/strong> — попал ли нужный фрагмент в найденные;\u003c/li>\n\u003cli>\u003cstrong>точность источника\u003c/strong> — не выбран ли устаревший или чужой документ;\u003c/li>\n\u003cli>\u003cstrong>faithfulness\u003c/strong> — подтверждается ли ответ переданным контекстом;\u003c/li>\n\u003cli>\u003cstrong>полезность\u003c/strong> — помогает ли формулировка решить задачу;\u003c/li>\n\u003cli>\u003cstrong>отказ\u003c/strong> — умеет ли система честно не отвечать при отсутствии данных.\u003c/li>\n\u003c/ul>\n\u003cp>Одна общая оценка скрывает причину ошибки. Если нужный документ не найден, смена языковой модели почти не поможет; нужно чинить индекс, метаданные или формулировку поиска.\u003c/p>\n\u003ch2>Когда RAG не нужен\u003c/h2>\n\u003cp>Не стоит строить поисковую систему ради трёх коротких неизменных файлов. Проще приложить их к запросу или собрать один хорошо структурированный справочник.\u003c/p>\n\u003cp>RAG также не заменяет:\u003c/p>\n\u003cul>\n\u003cli>базу данных для точных остатков, цен и статусов;\u003c/li>\n\u003cli>вычисления, которые должны выполняться программой;\u003c/li>\n\u003cli>права доступа к документам;\u003c/li>\n\u003cli>редакционный процесс и владельца информации;\u003c/li>\n\u003cli>юридическую или профессиональную проверку критичных решений.\u003c/li>\n\u003c/ul>\n\u003ch2>Безопасность и права доступа\u003c/h2>\n\u003cp>Поисковый индекс — это ещё одна копия корпоративных данных. Пользователь не должен получать фрагмент только потому, что он семантически похож на запрос. Права нужно применять до передачи текста модели и проверять при каждом поиске.\u003c/p>\n\u003cp>Не смешивайте общие и конфиденциальные документы в один безусловно доступный индекс. Храните источник, владельца, дату, версию и уровень доступа как обязательные метаданные. Подробнее — в статье \u003ca href=\"/private-data.html\">«Какие данные нельзя отправлять нейросети»\u003c/a>.\u003c/p>\n\u003ch2>Главное\u003c/h2>\n\u003cp>RAG полезен не потому, что делает модель всезнающей. Он ограничивает задачу проверяемой библиотекой и даёт возможность показать источник. Хорошая система отвечает не только «что», но и «откуда это взято» — а при отсутствии данных не маскирует пробел уверенным текстом.\u003c/p>\n\u003caside class=\"article-sources\">\n  \u003cstrong>Источники и актуальность\u003c/strong>\n  \u003cp>Механика импорта, деления, embedding-поиска и цитирования сверена с официальным руководством Google \u003ca href=\"https://ai.google.dev/gemini-api/docs/file-search\">Gemini File Search\u003c/a>. Практические рекомендации редакции не зависят от конкретной реализации или провайдера.\u003c/p>\n\u003c/aside>\n",
      "date_published": "2026-07-03T00:00:00.000Z",
      "date_modified": "2026-07-19T00:00:00.000Z",
      "language": "ru",
      "authors": [
        {
          "name": "Асад Рахмани",
          "url": "https://blog.bebrgpt.ru/authors/asad-rahmani.html"
        }
      ],
      "tags": ["что такое RAG","RAG простыми словами","поиск по документам","база знаний для нейросети"]
    },
    
    {
      "id": "https://blog.bebrgpt.ru/ai-agents.html",
      "url": "https://blog.bebrgpt.ru/ai-agents.html",
      "title": "ИИ-агенты: полезный коллега или модное слово?",
      "summary": "Где автономные помощники уже работают, а где добавляют риск, задержки и лишнюю сложность.",
      "content_html": "\u003cp>Словом «агент» называют всё подряд: чат с длинным промптом, кнопку «сделать отчёт», программу для рассылки писем и систему, которая часами меняет код. Из-за этого трудно понять, нужен ли агент в конкретной задаче — или достаточно обычной автоматизации.\u003c/p>\n\u003cp>Полезная граница проста: \u003cstrong>агент сам выбирает следующий шаг в пределах заданных правил\u003c/strong>. Обычный workflow исполняет шаги, которые заранее придумал человек.\u003c/p>\n\u003ch2>Из чего состоит агент\u003c/h2>\n\u003cp>У рабочей агентной системы обычно есть пять частей:\u003c/p>\n\u003col>\n\u003cli>\u003cstrong>Цель.\u003c/strong> Что должно быть достигнуто и как выглядит готовый результат.\u003c/li>\n\u003cli>\u003cstrong>Модель.\u003c/strong> Интерпретирует состояние, планирует и выбирает действие.\u003c/li>\n\u003cli>\u003cstrong>Инструменты.\u003c/strong> Поиск, база данных, почта, браузер, терминал или внутренний API.\u003c/li>\n\u003cli>\u003cstrong>Состояние.\u003c/strong> Что уже сделано, какие данные получены и какие ограничения действуют.\u003c/li>\n\u003cli>\u003cstrong>Цикл управления.\u003c/strong> Выполнить действие, прочитать результат, проверить прогресс и решить, что делать дальше.\u003c/li>\n\u003c/ol>\n\u003cdiv class=\"article-formula\" aria-label=\"Рабочий цикл ИИ-агента\">\n  \u003cspan>Цикл агента\u003c/span>\n  \u003cstrong>наблюдение → решение → действие → проверка → следующий шаг\u003c/strong>\n\u003c/div>\n\u003cp>Модель сама по себе не отправляет письмо и не меняет запись в CRM. Она формирует структурированный вызов инструмента; затем программа или сервис исполняет его и возвращает результат. Это важная деталь: безопасность агента зависит не только от модели, но и от того, какие действия разрешила окружающая система.\u003c/p>\n\u003ch2>Чат, workflow или агент\u003c/h2>\n\u003cfigure class=\"article-table\">\n  \u003cdiv class=\"table-scroll\" tabindex=\"0\" role=\"region\" aria-label=\"Сравнение чата, workflow и агента\">\n    \u003ctable>\n      \u003cthead>\n        \u003ctr>\n          \u003cth>Подход\u003c/th>\n          \u003cth>Кто выбирает шаги\u003c/th>\n          \u003cth>Когда подходит\u003c/th>\n        \u003c/tr>\n      \u003c/thead>\n      \u003ctbody>\n        \u003ctr>\n          \u003ctd>Чат\u003c/td>\n          \u003ctd>Пользователь\u003c/td>\n          \u003ctd>Разовые вопросы, тексты, анализ\u003c/td>\n        \u003c/tr>\n        \u003ctr>\n          \u003ctd>Workflow\u003c/td>\n          \u003ctd>Заранее написанная схема\u003c/td>\n          \u003ctd>Стабильный повторяемый процесс\u003c/td>\n        \u003c/tr>\n        \u003ctr>\n          \u003ctd>Агент\u003c/td>\n          \u003ctd>Модель в заданных границах\u003c/td>\n          \u003ctd>Вариативная задача, где путь заранее неизвестен\u003c/td>\n        \u003c/tr>\n      \u003c/tbody>\n    \u003c/table>\n  \u003c/div>\n  \u003cfigcaption>Чем больше свободы получает система, тем важнее наблюдаемость, лимиты и подтверждения.\u003c/figcaption>\n\u003c/figure>\n\u003cp>Если маршрут всегда одинаков — скачать файл, проверить три поля, записать результат — модель может вообще не понадобиться. Обычный код будет быстрее, дешевле и предсказуемее.\u003c/p>\n\u003cp>Агент полезен, когда входные данные и число шагов меняются: исследовать тему, найти нужные документы, сопоставить сведения и подготовить черновик; или разобраться в неизвестной кодовой базе, запустить тесты и предложить исправление.\u003c/p>\n\u003ch2>Где агенты уже полезны\u003c/h2>\n\u003ch3>Исследование с понятным результатом\u003c/h3>\n\u003cp>Агент может разбить вопрос на подвопросы, выполнить несколько поисков, открыть источники, сравнить данные и подготовить отчёт. Но задача должна иметь границы: период, тип источников, обязательные поля и критерий завершения.\u003c/p>\n\u003cp>Запрос «исследуй рынок» почти гарантированно породит много текста. Запрос «сравни пять поставщиков по этим шести критериям, используй первичные источники не старше года и пометь отсутствующие данные» даёт агенту проверяемую работу.\u003c/p>\n\u003ch3>Работа с кодом\u003c/h3>\n\u003cp>Кодовая задача естественно образует цикл: открыть файлы, найти место ошибки, изменить код, запустить тесты, прочитать результат и повторить. Здесь инструменты дают объективную обратную связь.\u003c/p>\n\u003cp>Однако зелёные тесты ещё не доказывают правильность продукта. Нужны ограниченная область изменений, просмотр diff и подтверждение человека перед объединением или развёртыванием.\u003c/p>\n\u003ch3>Внутренние операции\u003c/h3>\n\u003cp>Агент может собрать данные из нескольких систем, подготовить заявку или черновик ответа. Самые безопасные сценарии начинаются в режиме чтения: система ищет и предлагает, но не отправляет и не изменяет данные.\u003c/p>\n\u003cp>После накопления статистики отдельные низкорисковые действия можно автоматизировать. Начинать сразу с полного доступа — плохой способ выяснить, где агент ошибается.\u003c/p>\n\u003ch2>Где агент только мешает\u003c/h2>\n\u003cp>Агентность добавляет задержку, стоимость и новые способы отказа. Она не нужна, если:\u003c/p>\n\u003cul>\n\u003cli>результат получается одним запросом к модели;\u003c/li>\n\u003cli>шаги известны заранее и легко кодируются;\u003c/li>\n\u003cli>нет объективного способа проверить промежуточный результат;\u003c/li>\n\u003cli>ошибка необратима или затрагивает деньги, права доступа и людей;\u003c/li>\n\u003cli>задача возникает слишком редко, чтобы окупить поддержку системы;\u003c/li>\n\u003cli>данные и инструменты ещё не приведены в порядок.\u003c/li>\n\u003c/ul>\n\u003caside class=\"article-note\">\n  \u003cstrong>Хороший тест\u003c/strong>\n  \u003cp>Если вы не можете описать, как человек проверит работу агента, автоматизировать её рано. Сначала определите наблюдаемый результат, допустимые действия и условия остановки.\u003c/p>\n\u003c/aside>\n\u003ch2>Главные риски\u003c/h2>\n\u003ch3>Неверный план\u003c/h3>\n\u003cp>Модель может уверенно выбрать не тот путь и продолжать накапливать ошибки. Ограничение числа шагов защищает бюджет, но не качество. Нужны контрольные точки, где система сравнивает результат с явным критерием.\u003c/p>\n\u003ch3>Ошибка инструмента\u003c/h3>\n\u003cp>API может вернуть неполные данные, страница — измениться, команда — завершиться частично. Агент должен различать «действие выполнено» и «цель достигнута», уметь читать ошибки и не бесконечно повторять один вызов.\u003c/p>\n\u003ch3>Избыточные полномочия\u003c/h3>\n\u003cp>Инструмент «управление пользователями» опаснее инструмента «найти справочную статью». Выдавайте минимальные разрешения, разделяйте чтение и запись, используйте тестовую среду и одноразовые подтверждения для важных действий.\u003c/p>\n\u003ch3>Потеря контекста\u003c/h3>\n\u003cp>Длинный цикл заполняет окно контекста логами и устаревшими наблюдениями. Агент начинает забывать исходную цель или принимать старые данные за текущие. Полезны краткое состояние задачи, журнал решений и удаление шумных результатов инструментов.\u003c/p>\n\u003ch3>Непонятная ответственность\u003c/h3>\n\u003cp>Фраза «агент решил» ничего не объясняет пользователю. В журнале должны оставаться входные данные, вызванные инструменты, результаты, изменения и человек, подтвердивший критичное действие.\u003c/p>\n\u003ch2>Лестница безопасного внедрения\u003c/h2>\n\u003cp>Не переходите от ручной работы сразу к автономному исполнению.\u003c/p>\n\u003col>\n\u003cli>\u003cstrong>Советник.\u003c/strong> Модель предлагает действие, человек выполняет его сам.\u003c/li>\n\u003cli>\u003cstrong>Черновик.\u003c/strong> Система готовит письмо, изменение или заявку, человек подтверждает.\u003c/li>\n\u003cli>\u003cstrong>Ограниченное выполнение.\u003c/strong> Агент делает обратимые действия в узком контуре.\u003c/li>\n\u003cli>\u003cstrong>Автоматическое выполнение.\u003c/strong> Только для наблюдаемых, хорошо протестированных и низкорисковых случаев.\u003c/li>\n\u003c/ol>\n\u003cp>Для каждого уровня измеряйте долю корректных результатов, количество вмешательств, стоимость, время и тяжесть ошибок. Средняя точность мало говорит о редком, но дорогом сбое.\u003c/p>\n\u003ch2>Как поставить задачу агенту\u003c/h2>\n\u003cdiv class=\"prompt-card-label\">Контракт задачи\u003c/div>\n\u003cpre class=\"prompt-card\">\u003ccode>Цель: [проверяемый результат]\n\nРазрешённые источники и инструменты:\n[список]\n\nЗапрещено:\n[действия и данные]\n\nПеред началом:\nсоставь короткий план и назови допущения.\n\nПосле каждого важного шага:\nпроверь результат, прежде чем продолжать.\n\nОстановись и запроси подтверждение, если:\n- нужно отправить сообщение;\n- требуется изменить или удалить данные;\n- действие связано с оплатой или правами доступа;\n- информации недостаточно;\n- выполнено больше [число] шагов.\n\nФинальный отчёт:\nчто сделано, какие источники использованы,\nчто изменено и что должен проверить человек.\u003c/code>\u003c/pre>\n\u003cp>Такой контракт не гарантирует безошибочность, но превращает расплывчатую автономность в набор проверяемых правил.\u003c/p>\n\u003ch2>Главное\u003c/h2>\n\u003cp>Полезный агент — не цифровой сотрудник без руководителя. Это автоматизированный цикл с узкой целью, ограниченными инструментами, наблюдаемыми действиями и заранее определёнными моментами участия человека.\u003c/p>\n\u003cp>Начните с одного процесса, где много ручных переходов между системами, но результат легко проверить. Дайте агенту сначала читать и готовить черновики. Автономность стоит расширять только после того, как реальные логи показали, где система надёжна, а где нет.\u003c/p>\n\u003caside class=\"article-sources\">\n  \u003cstrong>Источники и актуальность\u003c/strong>\n  \u003cp>Описание tool-use contract и агентного цикла основано на официальном руководстве Anthropic \u003ca href=\"https://platform.claude.com/docs/en/agents-and-tools/tool-use/how-tool-use-works\">How tool use works\u003c/a>. Практика ограниченных полномочий и человеческих подтверждений изложена в вендор-независимой форме.\u003c/p>\n\u003c/aside>\n",
      "date_published": "2026-06-27T00:00:00.000Z",
      "date_modified": "2026-07-19T00:00:00.000Z",
      "language": "ru",
      "authors": [
        {
          "name": "Асад Рахмани",
          "url": "https://blog.bebrgpt.ru/authors/asad-rahmani.html"
        }
      ],
      "tags": ["что такое ИИ-агент","ИИ-агенты","автономные нейросети","автоматизация с ИИ"]
    },
    
    {
      "id": "https://blog.bebrgpt.ru/context-window.html",
      "url": "https://blog.bebrgpt.ru/context-window.html",
      "title": "Контекстное окно: почему ИИ забывает начало разговора",
      "summary": "Что помещается в рабочую память модели, почему большой лимит не гарантирует внимания и как не терять важные детали.",
      "content_html": "\u003cp>В начале диалога вы описали аудиторию, запретили несколько формулировок и приложили документ. Через двадцать сообщений модель нарушает тон, повторяет уже исправленную ошибку или спрашивает то, что вы сообщали раньше. Это обычно называют «забыванием», хотя внутри системы происходит более конкретная вещь: история перестаёт целиком или одинаково хорошо влиять на следующий ответ.\u003c/p>\n\u003cp>Чтобы управлять этим, нужно различать три понятия: знания модели, контекст текущего запроса и долговременную память продукта.\u003c/p>\n\u003ch2>Контекст — это рабочий стол\u003c/h2>\n\u003cp>Представьте стол ограниченного размера. На нём лежат:\u003c/p>\n\u003cul>\n\u003cli>системные инструкции сервиса;\u003c/li>\n\u003cli>ваши сообщения;\u003c/li>\n\u003cli>предыдущие ответы модели;\u003c/li>\n\u003cli>прикреплённые документы и изображения;\u003c/li>\n\u003cli>описания доступных инструментов;\u003c/li>\n\u003cli>результаты поиска или других вызовов;\u003c/li>\n\u003cli>место, необходимое для нового ответа и рассуждения.\u003c/li>\n\u003c/ul>\n\u003cp>Всё это занимает токены. Когда материала слишком много, интерфейс или приложение должно что-то удалить, сократить, заменить резюме или вообще отклонить запрос.\u003c/p>\n\u003cdiv class=\"article-formula\" aria-label=\"Состав контекстного окна\">\n  \u003cspan>Контекст\u003c/span>\n  \u003cstrong>инструкции + история + файлы + инструменты + новый ответ\u003c/strong>\n\u003c/div>\n\u003cp>Окно не равно обучающим данным. Модель может знать общий факт из обучения, но не видеть ваш вчерашний файл. И наоборот: она может обработать неизвестный ей документ, если его содержимое попало в текущий контекст.\u003c/p>\n\u003ch2>Почему большой лимит не решает всё\u003c/h2>\n\u003cp>Современные модели принимают сотни тысяч и даже до миллиона токенов, но вместимость не гарантирует одинакового внимания к каждой строке. Чем больше материала, тем сложнее найти нужную деталь среди шума.\u003c/p>\n\u003cp>Есть три разных сбоя:\u003c/p>\n\u003ch3>Информация не попала в запрос\u003c/h3>\n\u003cp>Интерфейс мог не передать старые сообщения, файл не распознался или поисковая система выбрала не тот фрагмент. Модель физически не может использовать то, чего нет в её входе.\u003c/p>\n\u003ch3>Информация есть, но теряется в шуме\u003c/h3>\n\u003cp>Критичное условие находится в середине огромного документа рядом с сотнями похожих пунктов. Модель видит его, но отвечает по более заметному или недавнему фрагменту.\u003c/p>\n\u003ch3>Инструкция конфликтует с более новой\u003c/h3>\n\u003cp>Вы несколько раз меняли требования, оставили старый черновик и добавили новый. Модель не «забыла», а получила противоречивый контекст и выбрала одну из версий.\u003c/p>\n\u003ch2>Что происходит в длинном чате\u003c/h2>\n\u003cp>Каждый новый ход обычно добавляет к входу предыдущую историю. Поэтому запрос постепенно дорожает и приближается к лимиту. Разные интерфейсы управляют этим по-разному: отбрасывают самые старые сообщения, суммируют их или используют отдельную память.\u003c/p>\n\u003cp>Это объясняет знакомый эффект: модель помнит общий сюжет разговора, но теряет точную формулировку старого требования. Резюме сохранило смысл, но не деталь.\u003c/p>\n\u003caside class=\"article-note\">\n  \u003cstrong>Практический вывод\u003c/strong>\n  \u003cp>Важное правило не должно жить только в сообщении, отправленном час назад. Повторите актуальную версию рядом с задачей или соберите краткий рабочий бриф.\u003c/p>\n\u003c/aside>\n\u003ch2>Как работать с длинным разговором\u003c/h2>\n\u003ch3>Держите источник истины\u003c/h3>\n\u003cp>Создайте короткий блок «Актуальные требования» и обновляйте его, когда решение меняется. Не заставляйте модель выводить финальные правила из десятков сообщений.\u003c/p>\n\u003cdiv class=\"prompt-card-label\">Обновление рабочего контекста\u003c/div>\n\u003cpre class=\"prompt-card\">\u003ccode>Ниже — актуальное состояние задачи.\nОно заменяет противоречащие ему решения из истории.\n\nЦель: [результат]\nУже принято: [решения]\nОграничения: [что обязательно]\nОткрытые вопросы: [неизвестное]\nСледующий шаг: [что сделать сейчас]\n\nПеред ответом укажи, если новое сообщение\nпротиворечит этому состоянию.\u003c/code>\u003c/pre>\n\u003ch3>Начинайте новый чат осознанно\u003c/h3>\n\u003cp>Новый разговор полезен, когда старый заполнен отменёнными версиями и длинными пробами. Перенесите в него не всю стенограмму, а компактный бриф, финальные материалы и список нерешённых вопросов.\u003c/p>\n\u003ch3>Разделяйте исследование и производство\u003c/h3>\n\u003cp>Один чат может собирать факты, другой — писать итоговый документ на основе проверенного набора. Так черновые гипотезы и ошибочные источники меньше смешиваются с финальной задачей.\u003c/p>\n\u003ch3>Просите ссылаться на место\u003c/h3>\n\u003cp>При работе с большим файлом требуйте страницу, раздел или короткую цитату. Если модель не может показать опору, её вывод сложнее проверить.\u003c/p>\n\u003ch2>Как работать с большим документом\u003c/h2>\n\u003cp>Загрузка целой папки и просьба «найди всё важное» — не лучший тест длинного контекста. Сначала дайте модели карту задачи.\u003c/p>\n\u003col>\n\u003cli>Попросите перечислить структуру документа и типы данных.\u003c/li>\n\u003cli>Определите вопросы и критерии поиска.\u003c/li>\n\u003cli>Разбирайте по одному тематическому блоку.\u003c/li>\n\u003cli>Ведите таблицу найденных утверждений и источников.\u003c/li>\n\u003cli>Только затем просите общий вывод.\u003c/li>\n\u003c/ol>\n\u003cp>Если файлов много и они регулярно обновляются, полезнее RAG — поиск, который подставляет в контекст только релевантные фрагменты. Его механика разобрана в статье \u003ca href=\"/rag-documents.html\">«Что такое RAG»\u003c/a>.\u003c/p>\n\u003ch2>Что удалять из контекста\u003c/h2>\n\u003cp>Больше данных не всегда лучше. Смело исключайте:\u003c/p>\n\u003cul>\n\u003cli>длинные ответы, которые вы уже признали неверными;\u003c/li>\n\u003cli>дубли одного документа;\u003c/li>\n\u003cli>необработанные логи, не относящиеся к вопросу;\u003c/li>\n\u003cli>старые версии требований;\u003c/li>\n\u003cli>декоративные примеры, если формат уже понятен;\u003c/li>\n\u003cli>результаты инструментов после того, как нужные факты перенесены в краткое состояние.\u003c/li>\n\u003c/ul>\n\u003cp>Но не сокращайте то, что обеспечивает проверяемость: исходные цифры, определения полей, ограничения, ссылки и исключения.\u003c/p>\n\u003cfigure class=\"article-table\">\n  \u003cdiv class=\"table-scroll\" tabindex=\"0\" role=\"region\" aria-label=\"Как решать проблемы с контекстом\">\n    \u003ctable>\n      \u003cthead>\n        \u003ctr>\n          \u003cth>Симптом\u003c/th>\n          \u003cth>Вероятная причина\u003c/th>\n          \u003cth>Что сделать\u003c/th>\n        \u003c/tr>\n      \u003c/thead>\n      \u003ctbody>\n        \u003ctr>\n          \u003ctd>Нарушен старый запрет\u003c/td>\n          \u003ctd>Инструкция далеко или удалена\u003c/td>\n          \u003ctd>Повторить актуальные ограничения\u003c/td>\n        \u003c/tr>\n        \u003ctr>\n          \u003ctd>Перепутаны версии документа\u003c/td>\n          \u003ctd>В контексте есть обе\u003c/td>\n          \u003ctd>Оставить одну и указать дату\u003c/td>\n        \u003c/tr>\n        \u003ctr>\n          \u003ctd>Пропущен важный пункт\u003c/td>\n          \u003ctd>Слишком много однородного текста\u003c/td>\n          \u003ctd>Разбить задачу и запросить цитаты\u003c/td>\n        \u003c/tr>\n        \u003ctr>\n          \u003ctd>Диалог стал дорогим и медленным\u003c/td>\n          \u003ctd>История повторно отправляется\u003c/td>\n          \u003ctd>Создать резюме и новый чат\u003c/td>\n        \u003c/tr>\n      \u003c/tbody>\n    \u003c/table>\n  \u003c/div>\n  \u003cfigcaption>Сначала определите тип сбоя: отсутствие данных, шум или конфликт.\u003c/figcaption>\n\u003c/figure>\n\u003ch2>Контекст и память — не одно и то же\u003c/h2>\n\u003cp>Некоторые продукты запоминают предпочтения между чатами. Это отдельный слой, который выбирает сохранённые факты и снова добавляет их в контекст. Такая память может быть полезной, но остаётся выборочной и требует контроля пользователя.\u003c/p>\n\u003cp>Не полагайтесь на неё для критичных условий. В рабочем процессе храните требования в документе, задаче или базе, где их можно увидеть, изменить и версионировать.\u003c/p>\n\u003ch2>Главное\u003c/h2>\n\u003cp>Контекстное окно — ёмкость, а не гарантия внимания. Надёжный результат получается не тогда, когда вы помещаете в запрос всё, а когда оставляете нужные источники, убираете устаревшее, явно фиксируете актуальные правила и требуете проверяемые ссылки.\u003c/p>\n\u003cp>О том, как текст и файлы занимают это пространство и влияют на стоимость, читайте в статье \u003ca href=\"/tokens.html\">«Токены: из чего состоит запрос»\u003c/a>.\u003c/p>\n\u003caside class=\"article-sources\">\n  \u003cstrong>Источники и актуальность\u003c/strong>\n  \u003cp>Определение контекстного окна, состав учитываемых данных и рекомендации по управлению длинной историей сверены с официальной документацией Anthropic \u003ca href=\"https://platform.claude.com/docs/en/build-with-claude/context-windows\">Context windows\u003c/a>. Размеры зависят от конкретной модели и интерфейса.\u003c/p>\n\u003c/aside>\n",
      "date_published": "2026-06-20T00:00:00.000Z",
      "date_modified": "2026-07-19T00:00:00.000Z",
      "language": "ru",
      "authors": [
        {
          "name": "Асад Рахмани",
          "url": "https://blog.bebrgpt.ru/authors/asad-rahmani.html"
        }
      ],
      "tags": ["контекстное окно","память нейросети","токены контекста","длинный диалог с ИИ"]
    },
    
    {
      "id": "https://blog.bebrgpt.ru/benchmarks.html",
      "url": "https://blog.bebrgpt.ru/benchmarks.html",
      "title": "Можно ли верить бенчмаркам нейросетей",
      "summary": "Почему первое место в таблице ещё не делает модель лучшей для вас и какие вопросы задать перед сравнением.",
      "content_html": "\u003cp>Когда выходит новая модель, презентация быстро заполняется зелёными ячейками и стрелками вверх. Через несколько часов в соцсетях появляется вывод: «теперь эта модель лучшая». Но высокий средний балл не говорит, хорошо ли она отредактирует ваш договор, выдержит стиль бренда или правильно обработает редкий формат таблицы.\u003c/p>\n\u003cp>Бенчмарки полезны. Проблема начинается, когда результат теста превращают в универсальный рейтинг без понимания методики.\u003c/p>\n\u003ch2>Что такое бенчмарк\u003c/h2>\n\u003cp>Это набор заданий, процедура запуска и способ поставить ответу оценку. Тест может измерять:\u003c/p>\n\u003cul>\n\u003cli>выбор правильного варианта;\u003c/li>\n\u003cli>решение задач по математике;\u003c/li>\n\u003cli>исправление ошибок в коде;\u003c/li>\n\u003cli>следование сложной инструкции;\u003c/li>\n\u003cli>поиск фактов в длинном контексте;\u003c/li>\n\u003cli>работу с изображениями;\u003c/li>\n\u003cli>способность использовать инструменты;\u003c/li>\n\u003cli>предпочтение людей между двумя ответами.\u003c/li>\n\u003c/ul>\n\u003cp>Каждый формат видит только часть поведения. Модель может хорошо решать задачи с однозначным ответом и хуже справляться с редактурой, где критерии субъективны.\u003c/p>\n\u003caside class=\"article-note\">\n  \u003cstrong>Первый вопрос к рейтингу\u003c/strong>\n  \u003cp>Похожи ли задания, условия и способ оценки на работу, для которой вы выбираете модель? Если нет, результат даёт общий ориентир, но не решение.\u003c/p>\n\u003c/aside>\n\u003ch2>Почему один балл скрывает важное\u003c/h2>\n\u003ch3>Среднее маскирует профиль\u003c/h3>\n\u003cp>Две модели получили 80 баллов. Первая сильна в коде и слаба в работе с документами, вторая — наоборот. Для общего рейтинга они равны, для конкретного пользователя — нет.\u003c/p>\n\u003cp>Смотрите не только итог, но и разбивку по категориям, языкам, длине входа и уровню сложности.\u003c/p>\n\u003ch3>Настройки меняют результат\u003c/h3>\n\u003cp>На балл влияют системный промпт, число попыток, доступные инструменты, режим рассуждения, лимит ответа и температура. Производитель может показать лучший из нескольких режимов, тогда как в вашем тарифе или интерфейсе используется другой.\u003c/p>\n\u003cp>Хороший отчёт описывает настройки достаточно подробно, чтобы опыт можно было повторить.\u003c/p>\n\u003ch3>Цена и задержка остаются за таблицей\u003c/h3>\n\u003cp>Модель может выиграть на максимальном reasoning effort, но отвечать дольше и стоить заметно дороже. Если задача — классифицировать тысячи коротких обращений, более слабая, быстрая и стабильная модель может быть практичнее.\u003c/p>\n\u003ch3>Версия быстро устаревает\u003c/h3>\n\u003cp>Результат относится к определённому snapshot. Провайдеры обновляют модели, интерфейсы и инструменты; старый рейтинг может сравнивать то, чего уже нет в продукте.\u003c/p>\n\u003ch2>Загрязнение тестовых данных\u003c/h2>\n\u003cp>Популярные задания публикуются в интернете. Если похожие примеры попали в обучающие данные, модель может воспроизвести знакомый шаблон вместо обобщения. Это называют benchmark contamination.\u003c/p>\n\u003cp>Определить загрязнение трудно: полные обучающие наборы часто закрыты, а совпадение не всегда означает прямое запоминание. Но риск достаточен, чтобы осторожно относиться к старым публичным тестам.\u003c/p>\n\u003cp>Один из ответов — регулярно обновляемые наборы с новыми задачами и объективной проверкой. Например, LiveBench создавался именно с целью уменьшить влияние загрязнения и субъективного LLM-судейства. Это улучшает тест, но не делает его заменой вашей рабочей выборке.\u003c/p>\n\u003ch2>Когда модель оценивает модель\u003c/h2>\n\u003cp>Для текста без единственно правильного ответа часто используют LLM-as-a-judge: другая модель сравнивает варианты по рубрике. Метод быстрее человеческой проверки, но судья тоже имеет предпочтения.\u003c/p>\n\u003cp>Он может:\u003c/p>\n\u003cul>\n\u003cli>предпочитать более длинные ответы;\u003c/li>\n\u003cli>узнавать характерный стиль определённой модели;\u003c/li>\n\u003cli>переоценивать уверенный тон;\u003c/li>\n\u003cli>по-разному трактовать расплывчатую рубрику;\u003c/li>\n\u003cli>повторять ошибки, общие для моделей одного семейства.\u003c/li>\n\u003c/ul>\n\u003cp>Поэтому важно скрывать названия участников, менять порядок ответов, использовать подробные критерии и проверять часть оценок людьми.\u003c/p>\n\u003ch2>Как читать таблицу результатов\u003c/h2>\n\u003cfigure class=\"article-table\">\n  \u003cdiv class=\"table-scroll\" tabindex=\"0\" role=\"region\" aria-label=\"Вопросы к бенчмарку\">\n    \u003ctable>\n      \u003cthead>\n        \u003ctr>\n          \u003cth>Что проверить\u003c/th>\n          \u003cth>Хороший признак\u003c/th>\n          \u003cth>Повод насторожиться\u003c/th>\n        \u003c/tr>\n      \u003c/thead>\n      \u003ctbody>\n        \u003ctr>\n          \u003ctd>Задания\u003c/td>\n          \u003ctd>Описаны категории и примеры\u003c/td>\n          \u003ctd>Есть только общий балл\u003c/td>\n        \u003c/tr>\n        \u003ctr>\n          \u003ctd>Версия\u003c/td>\n          \u003ctd>Указан точный model ID и дата\u003c/td>\n          \u003ctd>Написано только название бренда\u003c/td>\n        \u003c/tr>\n        \u003ctr>\n          \u003ctd>Условия\u003c/td>\n          \u003ctd>Одинаковые инструменты и лимиты\u003c/td>\n          \u003ctd>Участники тестировались по-разному\u003c/td>\n        \u003c/tr>\n        \u003ctr>\n          \u003ctd>Оценка\u003c/td>\n          \u003ctd>Есть рубрика и проверка надёжности\u003c/td>\n          \u003ctd>«Победитель» выбран без методики\u003c/td>\n        \u003c/tr>\n        \u003ctr>\n          \u003ctd>Стоимость\u003c/td>\n          \u003ctd>Показаны цена и время\u003c/td>\n          \u003ctd>Качество рассматривается отдельно от ресурсов\u003c/td>\n        \u003c/tr>\n      \u003c/tbody>\n    \u003c/table>\n  \u003c/div>\n  \u003cfigcaption>Прозрачная методика важнее количества знаков после запятой.\u003c/figcaption>\n\u003c/figure>\n\u003cp>Ещё один полезный вопрос: кто проводил сравнение и зачем? Внутренний тест производителя может быть честным, но он выбирает задачи, которые считает важными. Независимый рейтинг тоже несёт решения авторов — от состава выборки до способа агрегирования.\u003c/p>\n\u003ch2>Сделайте маленький личный бенчмарк\u003c/h2>\n\u003cp>Для выбора модели не нужен исследовательский центр. Соберите 15–30 примеров из реальной работы, удалив конфиденциальные данные.\u003c/p>\n\u003ch3>Шаг 1. Зафиксируйте задачи\u003c/h3>\n\u003cp>Возьмите типичные случаи и несколько неприятных крайних примеров:\u003c/p>\n\u003cul>\n\u003cli>неидеальный вход;\u003c/li>\n\u003cli>отсутствующие данные;\u003c/li>\n\u003cli>противоречивые инструкции;\u003c/li>\n\u003cli>длинный документ;\u003c/li>\n\u003cli>требование строго соблюдать формат;\u003c/li>\n\u003cli>случай, где модель должна отказаться от догадки.\u003c/li>\n\u003c/ul>\n\u003ch3>Шаг 2. Определите правильный результат\u003c/h3>\n\u003cp>Для извлечения данных это может быть точный JSON. Для письма — рубрика: фактическая точность, тон, обязательные детали и объём правок. Критерии должны быть записаны до того, как вы увидели ответы моделей.\u003c/p>\n\u003ch3>Шаг 3. Сделайте условия одинаковыми\u003c/h3>\n\u003cp>Передавайте один запрос, те же файлы и одинаковые инструменты. Записывайте точную версию, режим, время и расход.\u003c/p>\n\u003ch3>Шаг 4. Оценивайте вслепую\u003c/h3>\n\u003cp>Спрячьте название модели, если оценивает человек. Для субъективных задач полезны два независимых оценщика и разбор случаев, где они не согласились.\u003c/p>\n\u003ch3>Шаг 5. Смотрите на ошибки, а не только на среднее\u003c/h3>\n\u003cp>Отдельно посчитайте критичные сбои: выдуманные цифры, потерянные ограничения, неверные ссылки и нарушения формата. Одна дорогая ошибка может быть важнее десяти красивых ответов.\u003c/p>\n\u003cdiv class=\"prompt-card-label\">Рубрика для рабочего сравнения\u003c/div>\n\u003cpre class=\"prompt-card\">\u003ccode>Оцени ответ по шкале 0–2.\n\nКритерии:\n1. Фактическая точность.\n2. Использование исходных данных.\n3. Следование обязательным ограничениям.\n4. Проверяемость вывода.\n5. Объём ручных правок.\n\nДля каждого балла приведи конкретное основание\nиз ответа и исходного материала.\n\nЕсли критерий нельзя оценить, напиши «н/д».\nНе учитывай красоту стиля, если она не входит\nв критерии задачи.\u003c/code>\u003c/pre>\n\u003cp>Если судьёй выступает другая модель, вручную проверь часть оценок. Автоматический судья — инструмент масштабирования, а не источник истины.\u003c/p>\n\u003ch2>Бенчмарк полезен для отбора, а не для финального выбора\u003c/h2>\n\u003cp>Публичные тесты помогают сузить круг: понять, какие модели вообще стоит попробовать для кода, длинного контекста или мультимодальных задач. После этого решение должен принимать ваш набор примеров.\u003c/p>\n\u003cp>Хорошая последовательность:\u003c/p>\n\u003col>\n\u003cli>Отобрать две-три модели по релевантным публичным тестам.\u003c/li>\n\u003cli>Запустить собственную рабочую выборку.\u003c/li>\n\u003cli>Посмотреть ошибки, цену и задержку.\u003c/li>\n\u003cli>Повторить после крупного обновления модели или процесса.\u003c/li>\n\u003c/ol>\n\u003ch2>Главное\u003c/h2>\n\u003cp>Верить бенчмарку можно в пределах вопроса, который он действительно проверил. Нельзя автоматически переносить балл на другой язык, интерфейс, тип задачи и режим работы.\u003c/p>\n\u003cp>Читайте методику, ищите профиль по категориям и проводите небольшой тест на собственных данных. Практическая модель-победитель — та, которая достигает ваших критериев при приемлемых цене, скорости и риске. Пошаговый шаблон такого теста есть в статье \u003ca href=\"/post.html\">«Как выбрать нейросеть под задачу»\u003c/a>.\u003c/p>\n\u003caside class=\"article-sources\">\n  \u003cstrong>Источники и актуальность\u003c/strong>\n  \u003cp>Риски загрязнения сверены с обзором \u003ca href=\"https://arxiv.org/abs/2406.04244\">Benchmark Data Contamination of Large Language Models\u003c/a> и работой \u003ca href=\"https://arxiv.org/abs/2406.19314\">LiveBench\u003c/a>. Рекомендации по task-specific evals и измеримым критериям основаны на официальном руководстве \u003ca href=\"https://platform.claude.com/docs/en/test-and-evaluate/develop-tests\">Anthropic\u003c/a>.\u003c/p>\n\u003c/aside>\n",
      "date_published": "2026-06-12T00:00:00.000Z",
      "date_modified": "2026-07-19T00:00:00.000Z",
      "language": "ru",
      "authors": [
        {
          "name": "Асад Рахмани",
          "url": "https://blog.bebrgpt.ru/authors/asad-rahmani.html"
        }
      ],
      "tags": ["бенчмарки нейросетей","рейтинг нейросетей","сравнение ИИ-моделей","тестирование нейросетей"]
    },
    
    {
      "id": "https://blog.bebrgpt.ru/private-data.html",
      "url": "https://blog.bebrgpt.ru/private-data.html",
      "title": "Какие данные нельзя отправлять нейросети",
      "summary": "Простой чек-лист для безопасной работы с ИИ в компании — от паролей до договоров и персональных данных.",
      "content_html": "\u003cp>Нейросеть удобно просить проверить договор, объяснить анализы, разобрать таблицу клиентов или исправить код. Именно поэтому в чат легко попадает то, чего там быть не должно: персональные сведения, коммерческая тайна, ключи доступа и документы с ограниченным распространением.\u003c/p>\n\u003cp>Универсального списка для всех компаний и стран нет. Допустимость зависит от закона, договора, отрасли, политики работодателя и условий конкретного сервиса. Но есть практическое правило: \u003cstrong>если сомневаетесь в праве передавать данные, остановитесь и уточните до загрузки\u003c/strong>.\u003c/p>\n\u003caside class=\"article-note\">\n  \u003cstrong>Важно\u003c/strong>\n  \u003cp>Эта статья — общий чек-лист, а не юридическая консультация. Для регулируемых, медицинских, финансовых и кадровых данных используйте утверждённые организацией системы и требования профильных специалистов.\u003c/p>\n\u003c/aside>\n\u003ch2>Что нельзя отправлять без явного разрешения\u003c/h2>\n\u003ch3>Пароли и секреты\u003c/h3>\n\u003cp>Никогда не вставляйте:\u003c/p>\n\u003cul>\n\u003cli>пароли и одноразовые коды;\u003c/li>\n\u003cli>API-ключи и токены доступа;\u003c/li>\n\u003cli>приватные ключи и seed-фразы;\u003c/li>\n\u003cli>cookies и активные сессии;\u003c/li>\n\u003cli>полные строки подключения к базам данных;\u003c/li>\n\u003cli>резервные коды восстановления;\u003c/li>\n\u003cli>секреты из \u003ccode>.env\u003c/code>, конфигурации и логов.\u003c/li>\n\u003c/ul>\n\u003cp>Если секрет уже попал в чат, считайте его скомпрометированным: отзовите или замените, а не просто удалите сообщение.\u003c/p>\n\u003ch3>Персональные данные\u003c/h3>\n\u003cp>К ним могут относиться ФИО вместе с контактами, адрес, дата рождения, документы, идентификаторы, геолокация, сведения о семье и любая комбинация, позволяющая определить человека.\u003c/p>\n\u003cp>Даже таблица без имени может оставаться идентифицируемой. Редкая должность, город и точная дата события иногда указывают на одного сотрудника.\u003c/p>\n\u003ch3>Особо чувствительные сведения\u003c/h3>\n\u003cp>Медицинская информация, биометрия, данные о здоровье, финансовом положении, судимости, религиозных и политических взглядах требуют особенно осторожного обращения и во многих юрисдикциях имеют отдельный режим защиты.\u003c/p>\n\u003ch3>Информация о других людях\u003c/h3>\n\u003cp>То, что данные доступны вам, не означает право передавать их третьей системе. Переписка с клиентом, резюме кандидата или запись звонка содержит сведения участников, которые могли не соглашаться на такую обработку.\u003c/p>\n\u003ch3>Коммерческая тайна и закрытые документы\u003c/h3>\n\u003cp>Не загружайте без разрешения:\u003c/p>\n\u003cul>\n\u003cli>непубличные финансовые показатели;\u003c/li>\n\u003cli>клиентские базы и условия контрактов;\u003c/li>\n\u003cli>планы сделок и запусков;\u003c/li>\n\u003cli>внутренние расследования;\u003c/li>\n\u003cli>исходный код закрытого продукта;\u003c/li>\n\u003cli>ещё не опубликованные исследования;\u003c/li>\n\u003cli>документы с пометками о конфиденциальности;\u003c/li>\n\u003cli>данные, ограниченные NDA.\u003c/li>\n\u003c/ul>\n\u003ch2>Почему кнопки «не использовать для обучения» недостаточно\u003c/h2>\n\u003cp>Обучение — только один вопрос. Нужно отдельно понимать:\u003c/p>\n\u003cul>\n\u003cli>хранится ли содержимое и сколько времени;\u003c/li>\n\u003cli>кто является оператором и обработчиком;\u003c/li>\n\u003cli>в каких регионах обрабатываются данные;\u003c/li>\n\u003cli>имеют ли сотрудники или подрядчики доступ;\u003c/li>\n\u003cli>применяются ли особые условия к бесплатному тарифу;\u003c/li>\n\u003cli>что меняется при веб-поиске, коннекторах и сторонних инструментах;\u003c/li>\n\u003cli>можно ли удалить историю и вложения;\u003c/li>\n\u003cli>доступен ли корпоративный договор или zero data retention;\u003c/li>\n\u003cli>ведёт ли ваш собственный сервис дополнительные журналы.\u003c/li>\n\u003c/ul>\n\u003cp>Например, официальные условия провайдеров различают потребительские и коммерческие продукты. OpenAI сообщает, что бизнес-продукты и API по умолчанию не используются для обучения; Anthropic указывает стандартное удаление API-входов и выходов в течение 30 дней с оговорёнными исключениями; условия Gemini отличаются для paid и unpaid services, а отдельные инструменты могут иметь собственное хранение.\u003c/p>\n\u003cp>Это не означает, что любой документ можно безопасно отправить в «корпоративный» режим. Сначала должны быть правовое основание, внутреннее разрешение, подходящий договор и технические ограничения доступа.\u003c/p>\n\u003ch2>Три уровня данных\u003c/h2>\n\u003cp>Удобно заранее разделить информацию по простому светофору.\u003c/p>\n\u003cfigure class=\"article-table\">\n  \u003cdiv class=\"table-scroll\" tabindex=\"0\" role=\"region\" aria-label=\"Уровни данных для работы с ИИ\">\n    \u003ctable>\n      \u003cthead>\n        \u003ctr>\n          \u003cth>Уровень\u003c/th>\n          \u003cth>Примеры\u003c/th>\n          \u003cth>Действие\u003c/th>\n        \u003c/tr>\n      \u003c/thead>\n      \u003ctbody>\n        \u003ctr>\n          \u003ctd>Зелёный\u003c/td>\n          \u003ctd>Публичные материалы, собственные черновики без секретов\u003c/td>\n          \u003ctd>Можно использовать в утверждённом сервисе\u003c/td>\n        \u003c/tr>\n        \u003ctr>\n          \u003ctd>Жёлтый\u003c/td>\n          \u003ctd>Внутренние процессы, обезличенные примеры, рабочая аналитика\u003c/td>\n          \u003ctd>Проверить политику и минимизировать данные\u003c/td>\n        \u003c/tr>\n        \u003ctr>\n          \u003ctd>Красный\u003c/td>\n          \u003ctd>Секреты, персональные и регулируемые данные, закрытый код\u003c/td>\n          \u003ctd>Не отправлять без специального разрешения и контура\u003c/td>\n        \u003c/tr>\n      \u003c/tbody>\n    \u003c/table>\n  \u003c/div>\n  \u003cfigcaption>Точную классификацию и ответственных должна определить ваша организация.\u003c/figcaption>\n\u003c/figure>\n\u003ch2>Как обезличить материал\u003c/h2>\n\u003cp>Удалить имя часто недостаточно. Минимизируйте данные в несколько проходов.\u003c/p>\n\u003ch3>Оставьте только нужный фрагмент\u003c/h3>\n\u003cp>Для редакции пункта договора не нужен весь договор с реквизитами. Для исправления функции не нужен архив репозитория. Чем меньше материал, тем ниже риск и тем чище контекст модели.\u003c/p>\n\u003ch3>Замените идентификаторы\u003c/h3>\n\u003cp>Используйте стабильные псевдонимы: \u003ccode>[КЛИЕНТ_A]\u003c/code>, \u003ccode>[СОТРУДНИК_2]\u003c/code>, \u003ccode>[СУММА_1]\u003c/code>. Стабильность сохраняет связи между упоминаниями, не раскрывая оригинал.\u003c/p>\n\u003ch3>Огрубите значения\u003c/h3>\n\u003cp>Если точная дата, город или сумма не нужны для задачи, замените их диапазоном или категорией. Но не меняйте данные так, чтобы исказить вывод.\u003c/p>\n\u003ch3>Проверьте скрытые слои\u003c/h3>\n\u003cp>В файле могут оставаться автор, история правок, комментарии, скрытые листы, формулы, метаданные изображения и текст под замазанным прямоугольником. Простое визуальное скрытие не всегда удаляет содержимое.\u003c/p>\n\u003ch3>Сделайте обратную проверку\u003c/h3>\n\u003cp>Попросите другого человека посмотреть обезличенный фрагмент: можно ли определить организацию или участника по совокупности деталей?\u003c/p>\n\u003ch2>Безопасный рабочий процесс\u003c/h2>\n\u003col>\n\u003cli>Определите владельца данных и цель обработки.\u003c/li>\n\u003cli>Проверьте внутреннюю политику и разрешённый сервис.\u003c/li>\n\u003cli>Классифицируйте материал.\u003c/li>\n\u003cli>Удалите всё, что не нужно для задачи.\u003c/li>\n\u003cli>Обезличьте оставшееся.\u003c/li>\n\u003cli>Отключите ненужные коннекторы и инструменты.\u003c/li>\n\u003cli>Проверьте результат перед распространением.\u003c/li>\n\u003cli>Удалите историю и файлы, если политика требует этого.\u003c/li>\n\u003cli>Зафиксируйте инцидент, если отправили лишнее.\u003c/li>\n\u003c/ol>\n\u003cdiv class=\"prompt-card-label\">Проверка перед загрузкой\u003c/div>\n\u003cpre class=\"prompt-card\">\u003ccode>Перед отправкой документа проверь:\n\n[ ] Нет паролей, ключей и токенов.\n[ ] Нет лишних персональных данных.\n[ ] Удалены комментарии и метаданные.\n[ ] Оставлен только необходимый фрагмент.\n[ ] Имена и идентификаторы заменены.\n[ ] Использование разрешено владельцем данных.\n[ ] Сервис утверждён организацией.\n[ ] Понятны хранение, обучение и удаление.\n[ ] Результат проверит ответственный человек.\u003c/code>\u003c/pre>\n\u003ch2>Если данные уже отправлены\u003c/h2>\n\u003cp>Не ограничивайтесь удалением чата.\u003c/p>\n\u003col>\n\u003cli>Остановите дальнейшее распространение результата.\u003c/li>\n\u003cli>Если раскрыт секрет — немедленно отзовите и замените его.\u003c/li>\n\u003cli>Зафиксируйте, что именно, куда, когда и кем отправлено.\u003c/li>\n\u003cli>Сообщите ответственному за безопасность или данные по внутренней процедуре.\u003c/li>\n\u003cli>Проверьте возможности удаления у сервиса.\u003c/li>\n\u003cli>Оцените, нужно ли уведомление затронутых лиц или регулятора — это должен решать уполномоченный специалист.\u003c/li>\n\u003cli>Измените процесс, чтобы тот же сценарий не повторился.\u003c/li>\n\u003c/ol>\n\u003cp>Скрывать инцидент опаснее, чем быстро сообщить о нём: время особенно важно при утечке ключей и доступов.\u003c/p>\n\u003ch2>Главное\u003c/h2>\n\u003cp>Безопасная работа с ИИ начинается до промпта. Сначала решите, можно ли передавать материал, затем сократите и обезличьте его, выберите утверждённый режим и проверьте условия не только обучения, но и хранения, доступа и инструментов.\u003c/p>\n\u003cp>Правильная цель — не «никогда не использовать ИИ с рабочими данными», а создать процесс, в котором модель получает минимум информации, необходимой для задачи, а человек сохраняет контроль над чувствительными решениями.\u003c/p>\n\u003caside class=\"article-sources\">\n  \u003cstrong>Источники и актуальность\u003c/strong>\n  \u003cp>Условия провайдеров сверены с материалами \u003ca href=\"https://openai.com/policies/how-your-data-is-used-to-improve-model-performance/\">OpenAI\u003c/a>, \u003ca href=\"https://privacy.anthropic.com/en/articles/7996866-how-long-do-you-store-my-organization-s-data\">Anthropic\u003c/a> и \u003ca href=\"https://ai.google.dev/gemini-api/terms\">Google Gemini API\u003c/a>. Для BebrGPT применяются собственные \u003ca href=\"https://bebrgpt.ru/legal/privacy.html\">условия обработки данных\u003c/a>. Политики и тарифы меняются — проверяйте актуальную редакцию перед использованием.\u003c/p>\n\u003c/aside>\n",
      "date_published": "2026-06-04T00:00:00.000Z",
      "date_modified": "2026-07-19T00:00:00.000Z",
      "language": "ru",
      "authors": [
        {
          "name": "Асад Рахмани",
          "url": "https://blog.bebrgpt.ru/authors/asad-rahmani.html"
        }
      ],
      "tags": ["данные в нейросети","безопасность нейросетей","персональные данные и ИИ","конфиденциальность ИИ"]
    },
    
    {
      "id": "https://blog.bebrgpt.ru/spring-model-updates.html",
      "url": "https://blog.bebrgpt.ru/spring-model-updates.html",
      "title": "Что нового в главных ИИ-моделях этой весной",
      "summary": "Релизы весны 2026 года, которые действительно заметны в ежедневной работе — без пересказа всех процентов из презентаций.",
      "content_html": "\u003cp>Каждый релиз сопровождается таблицами, где новая модель выигрывает у старой. Пользователю важнее другое: станет ли меньше ручных исправлений, можно ли отдать модели более длинную задачу и не придётся ли платить флагманскую цену за простую операцию.\u003c/p>\n\u003cp>Ниже — не полный календарь индустрии, а срез заметных релизов \u003cstrong>с 1 марта по 29 мая 2026 года\u003c/strong>. Более поздние летние обновления сознательно не включены, чтобы материал оставался честным снимком периода.\u003c/p>\n\u003ch2>Коротко: четыре изменения\u003c/h2>\n\u003cfigure class=\"article-table\">\n  \u003cdiv class=\"table-scroll\" tabindex=\"0\" role=\"region\" aria-label=\"Главные релизы ИИ-моделей весной 2026 года\">\n    \u003ctable>\n      \u003cthead>\n        \u003ctr>\n          \u003cth>Семейство\u003c/th>\n          \u003cth>Заметные релизы\u003c/th>\n          \u003cth>Практический смысл\u003c/th>\n        \u003c/tr>\n      \u003c/thead>\n      \u003ctbody>\n        \u003ctr>\n          \u003ctd>OpenAI\u003c/td>\n          \u003ctd>GPT‑5.4, mini/nano, GPT‑5.5\u003c/td>\n          \u003ctd>Рабочие задачи и выбор между качеством и стоимостью внутри одной линейки\u003c/td>\n        \u003c/tr>\n        \u003ctr>\n          \u003ctd>Anthropic\u003c/td>\n          \u003ctd>Claude Opus 4.7 и 4.8\u003c/td>\n          \u003ctd>Длинные агентные и кодовые задачи, управляемый effort\u003c/td>\n        \u003c/tr>\n        \u003ctr>\n          \u003ctd>Google\u003c/td>\n          \u003ctd>Gemini 3.1 Flash-Lite и Flash Live\u003c/td>\n          \u003ctd>Дешёвые массовые операции и более естественные голосовые сценарии\u003c/td>\n        \u003c/tr>\n        \u003ctr>\n          \u003ctd>DeepSeek\u003c/td>\n          \u003ctd>V4-Pro и V4-Flash\u003c/td>\n          \u003ctd>Отдельные режимы для сильных и быстрых задач, новая базовая линейка API\u003c/td>\n        \u003c/tr>\n      \u003c/tbody>\n    \u003c/table>\n  \u003c/div>\n  \u003cfigcaption>Доступность конкретных версий зависит от сервиса, тарифа и даты.\u003c/figcaption>\n\u003c/figure>\n\u003ch2>OpenAI: рабочая линейка вместо одной модели\u003c/h2>\n\u003cp>5 марта OpenAI выпустила GPT‑5.4 и GPT‑5.4 Pro. В анонсе акцент сделан на профессиональной работе: код, использование инструментов, документы, таблицы и презентации. Через двенадцать дней появились GPT‑5.4 mini и nano — версии для более быстрых и массовых операций.\u003c/p>\n\u003cp>Это важнее очередного прироста в общем тесте. У пользователя появляется понятная маршрутизация:\u003c/p>\n\u003cul>\n\u003cli>флагман — для неоднозначной задачи и финального решения;\u003c/li>\n\u003cli>mini — для хорошо поставленных подзадач, кода и работы с инструментами;\u003c/li>\n\u003cli>nano — для извлечения, классификации и простых операций в большом объёме.\u003c/li>\n\u003c/ul>\n\u003cp>23 апреля вышла GPT‑5.5. OpenAI описала её как модель для более самостоятельного выполнения реальной работы. Практически это продолжает общий тренд: модель получает не только вопрос, а цель, доступ к инструментам и возможность пройти несколько шагов.\u003c/p>\n\u003cp>\u003cstrong>Что проверить самому:\u003c/strong> не стала ли более сильная модель избыточной для ваших повторяемых запросов. Возьмите десять типичных задач и сравните флагман с mini по объёму правок, времени и цене.\u003c/p>\n\u003ch2>Claude: длинная работа и управляемое усилие\u003c/h2>\n\u003cp>16 апреля Anthropic представила Claude Opus 4.7, а 28 мая — Opus 4.8. Компания связывает обновления с кодом, агентными задачами, многошаговой работой и большей последовательностью на длинных траекториях.\u003c/p>\n\u003cp>Вместе с Opus 4.8 пользователи получили управление уровнем effort, а Claude Code — dynamic workflows для крупномасштабных задач. Это отражает изменение интерфейса моделей: «какую модель выбрать» дополняется вопросом «сколько вычислительного усилия оправдано здесь».\u003c/p>\n\u003cp>Высокий effort полезен не всегда. Редактура короткого письма не становится в несколько раз ценнее от долгого рассуждения. Он оправдан, когда ошибка дорога, задача неоднозначна и есть способ проверить итог.\u003c/p>\n\u003cp>\u003cstrong>Что проверить самому:\u003c/strong> дайте одной версии три длинных задачи — разбор документа, изменение в кодовой базе и исследование с источниками. Смотрите не только на финальный текст, но и на пропущенные условия, лишние действия и способность восстановиться после ошибки инструмента.\u003c/p>\n\u003ch2>Gemini: быстрые модели и голос\u003c/h2>\n\u003cp>3 марта Google представила Gemini 3.1 Flash-Lite как наиболее доступную модель линейки для массовых задач. В примерах компании — перевод, модерация, интерфейсы и сценарии, где важны низкая задержка и цена.\u003c/p>\n\u003cp>26 марта вышла Gemini 3.1 Flash Live — модель для голосового взаимодействия в реальном времени. Здесь качество ощущается не в абстрактном IQ, а в задержке, понимании тона и способности поддерживать естественный диалог.\u003c/p>\n\u003cp>Весной развивалась и инфраструктура вокруг моделей: мультимодальный File Search научился искать не только по тексту, но и по изображениям, а Deep Research получил новые варианты для быстрых и более полных исследований.\u003c/p>\n\u003cp>\u003cstrong>Что проверить самому:\u003c/strong> для мультимедийной задачи заранее определите единицу анализа — кадр, слайд, фрагмент аудио — и сравните не красоту резюме, а долю найденных деталей и точность ссылок.\u003c/p>\n\u003ch2>DeepSeek: переход к V4\u003c/h2>\n\u003cp>24 апреля DeepSeek обновила API до V4-Pro и V4-Flash. Pro предназначен для более сильной работы, Flash — для быстрых и экономичных запросов; режим thinking можно включать отдельно.\u003c/p>\n\u003cp>Одновременно компания объявила о выводе старых универсальных имён \u003ccode>deepseek-chat\u003c/code> и \u003ccode>deepseek-reasoner\u003c/code>. Для разработчиков это напоминание: псевдоним модели не всегда означает неизменную версию. Если результат важен для продукта, нужно фиксировать model ID, дату теста и настройки.\u003c/p>\n\u003cp>\u003cstrong>Что проверить самому:\u003c/strong> прогоните существующие промпты на новой версии до миграции. Особое внимание — формату JSON, использованию инструментов, длине ответа и тем случаям, где прежняя модель должна была честно отказаться.\u003c/p>\n\u003ch2>Три тренда важнее названий\u003c/h2>\n\u003ch3>1. Маленькие модели становятся основной рабочей силой\u003c/h3>\n\u003cp>Флагманы двигают верхнюю границу, но большинство задач бизнеса — извлечь поля, классифицировать, кратко переписать, вызвать один инструмент. Для них решающими становятся цена, задержка и стабильность формата.\u003c/p>\n\u003cp>Хорошая архитектура не отправляет всё самой дорогой модели. Она маршрутизирует простое в быстрый режим, а сложное — во флагман или человеку.\u003c/p>\n\u003ch3>2. Модель превращается в участника процесса\u003c/h3>\n\u003cp>Код, браузер, поиск, файлы и внешние функции больше не выглядят дополнительной демонстрацией. Релизы всё чаще оценивают по способности выполнить последовательность действий.\u003c/p>\n\u003cp>Отсюда новый риск: качество текста может расти вместе с масштабом возможной ошибки. Чем больше действий доступно модели, тем важнее разрешения, журналы, лимиты и подтверждение перед необратимым шагом. Подробнее — в разборе \u003ca href=\"/ai-agents.html\">ИИ-агентов\u003c/a>.\u003c/p>\n\u003ch3>3. Выбор теперь происходит внутри семейства\u003c/h3>\n\u003cp>Раньше пользователь сравнивал GPT против Claude или Gemini. Теперь у каждого провайдера есть флагман, быстрый вариант, специализированный режим и настройка усилия.\u003c/p>\n\u003cp>Поэтому вопрос «какой бренд лучше» становится ещё менее полезным. Нужна связка: семейство + конкретная версия + режим + инструменты + цена.\u003c/p>\n\u003ch2>Стоит ли сразу переключаться\u003c/h2>\n\u003cp>Нет, если текущая модель стабильно решает задачу. Миграция оправдана, когда новое поколение устраняет измеримую проблему или снижает стоимость.\u003c/p>\n\u003cdiv class=\"prompt-card-label\">Мини-тест перед переходом\u003c/div>\n\u003cpre class=\"prompt-card\">\u003ccode>Сравни текущую и новую модель на одинаковых\nреальных задачах.\n\nДля каждого ответа оцени:\n1. Фактические ошибки.\n2. Пропущенные требования.\n3. Количество ручных правок.\n4. Время до готового результата.\n5. Стоимость.\n6. Стабильность формата в трёх повторах.\n\nНе меняй одновременно модель и промпт:\nиначе причина улучшения будет непонятна.\u003c/code>\u003c/pre>\n\u003cp>Сохраняйте не только удачные ответы, но и ошибки. Именно они показывают, нужно ли менять процесс, промпт или модель.\u003c/p>\n\u003ch2>Главное\u003c/h2>\n\u003cp>Весна 2026 года показала не одного окончательного победителя, а зрелую структуру рынка: сильные модели для сложной работы, быстрые — для масштаба, специализированные — для голоса, изображений и инструментов.\u003c/p>\n\u003cp>Лучший способ использовать обновления — перестать гоняться за каждым названием. Определите несколько типов задач, назначьте для них базовую модель и пересматривайте выбор, когда релиз обещает конкретное улучшение, которое вы можете измерить. Методика есть в статье \u003ca href=\"/post.html\">«Как выбрать нейросеть и не переплачивать»\u003c/a>.\u003c/p>\n\u003caside class=\"article-sources\">\n  \u003cstrong>Источники и период\u003c/strong>\n  \u003cp>Материал фиксирует релизы с 1 марта по 29 мая 2026 года. Использованы официальные анонсы \u003ca href=\"https://openai.com/index/introducing-gpt-5-4/\">GPT‑5.4\u003c/a>, \u003ca href=\"https://openai.com/index/introducing-gpt-5-4-mini-and-nano/\">GPT‑5.4 mini и nano\u003c/a>, \u003ca href=\"https://openai.com/index/introducing-gpt-5-5/\">GPT‑5.5\u003c/a>, \u003ca href=\"https://www.anthropic.com/news/claude-opus-4-7\">Claude Opus 4.7\u003c/a>, \u003ca href=\"https://www.anthropic.com/news/claude-opus-4-8\">Claude Opus 4.8\u003c/a>, \u003ca href=\"https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-1-flash-lite/\">Gemini 3.1 Flash-Lite\u003c/a>, \u003ca href=\"https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-1-flash-live/\">Flash Live\u003c/a> и \u003ca href=\"https://api-docs.deepseek.com/updates/\">DeepSeek V4\u003c/a>.\u003c/p>\n\u003c/aside>\n",
      "date_published": "2026-05-29T00:00:00.000Z",
      "date_modified": "2026-07-19T00:00:00.000Z",
      "language": "ru",
      "authors": [
        {
          "name": "Асад Рахмани",
          "url": "https://blog.bebrgpt.ru/authors/asad-rahmani.html"
        }
      ],
      "tags": ["новые нейросети 2026","обновления ИИ-моделей","GPT 5.5","Claude Opus 4.8","Gemini 3.1","DeepSeek V4"]
    },
    
    {
      "id": "https://blog.bebrgpt.ru/tokens.html",
      "url": "https://blog.bebrgpt.ru/tokens.html",
      "title": "Токены: из чего на самом деле состоит запрос",
      "summary": "Показываем, как модель читает слова, файлы и историю диалога — и почему это влияет на цену и память.",
      "content_html": "\u003cp>В тарифе или документации написано «миллион токенов контекста» и «цена за миллион входных токенов». Возникает естественный вопрос: сколько это страниц, сообщений или слов?\u003c/p>\n\u003cp>Точного универсального пересчёта нет. Разные семейства используют разные токенизаторы, а русский, английский, код, числа и эмодзи делятся по-разному. Поэтому токен — не слово и не символ, а элемент словаря конкретной модели.\u003c/p>\n\u003ch2>Как текст превращается в токены\u003c/h2>\n\u003cp>Токенизатор ищет знакомые части текста. Частое слово может стать одним токеном, редкое — несколькими. Пробел или знак препинания иногда входит в соседний токен, иногда выделяется отдельно.\u003c/p>\n\u003cp>Условный пример:\u003c/p>\n\u003cdiv class=\"article-formula\" aria-label=\"Условное деление слова на токены\">\n  \u003cspan>Токенизация\u003c/span>\n  \u003cstrong>нейросеть → нейро + сеть\u003c/strong>\n\u003c/div>\n\u003cp>Это иллюстрация, а не результат конкретного токенизатора. Другая модель может разделить то же слово иначе. Код, длинные идентификаторы, URL, случайные строки и смешение языков часто расходуют больше токенов, чем гладкий обычный текст той же визуальной длины.\u003c/p>\n\u003ch2>Что именно считается\u003c/h2>\n\u003cp>В запрос входит гораздо больше последней фразы пользователя.\u003c/p>\n\u003cul>\n\u003cli>системные инструкции;\u003c/li>\n\u003cli>история переписки;\u003c/li>\n\u003cli>ваш новый текст;\u003c/li>\n\u003cli>содержимое файлов и изображений в представлении модели;\u003c/li>\n\u003cli>описания доступных инструментов;\u003c/li>\n\u003cli>результаты поиска и вызовов функций;\u003c/li>\n\u003cli>ответ модели;\u003c/li>\n\u003cli>иногда отдельные токены рассуждения;\u003c/li>\n\u003cli>служебные элементы формата сообщений.\u003c/li>\n\u003c/ul>\n\u003cp>Поэтому короткое «продолжай» в длинном чате может быть дорогим: приложение снова передаёт модели значительную часть истории.\u003c/p>\n\u003cfigure class=\"article-table\">\n  \u003cdiv class=\"table-scroll\" tabindex=\"0\" role=\"region\" aria-label=\"Виды токенов в запросе\">\n    \u003ctable>\n      \u003cthead>\n        \u003ctr>\n          \u003cth>Категория\u003c/th>\n          \u003cth>Что входит\u003c/th>\n          \u003cth>Как контролировать\u003c/th>\n        \u003c/tr>\n      \u003c/thead>\n      \u003ctbody>\n        \u003ctr>\n          \u003ctd>Input\u003c/td>\n          \u003ctd>Инструкции, сообщения, файлы, инструменты\u003c/td>\n          \u003ctd>Сокращать шум и дубли\u003c/td>\n        \u003c/tr>\n        \u003ctr>\n          \u003ctd>Output\u003c/td>\n          \u003ctd>Финальный ответ\u003c/td>\n          \u003ctd>Задать нужную длину и формат\u003c/td>\n        \u003c/tr>\n        \u003ctr>\n          \u003ctd>Reasoning\u003c/td>\n          \u003ctd>Внутреннее вычислительное рассуждение, если режим его использует\u003c/td>\n          \u003ctd>Выбирать effort по сложности задачи\u003c/td>\n        \u003c/tr>\n        \u003ctr>\n          \u003ctd>Cached\u003c/td>\n          \u003ctd>Повторно используемый префикс запроса\u003c/td>\n          \u003ctd>Стабилизировать общие инструкции\u003c/td>\n        \u003c/tr>\n        \u003ctr>\n          \u003ctd>Tool use\u003c/td>\n          \u003ctd>Схемы инструментов и результаты вызовов\u003c/td>\n          \u003ctd>Передавать только нужные инструменты и данные\u003c/td>\n        \u003c/tr>\n      \u003c/tbody>\n    \u003c/table>\n  \u003c/div>\n  \u003cfigcaption>Точные категории, подсчёт и тарификация зависят от API и модели.\u003c/figcaption>\n\u003c/figure>\n\u003ch2>Токены и контекстное окно\u003c/h2>\n\u003cp>Контекстное окно ограничивает общий объём, с которым модель работает в текущем ходе. В него входят входные данные и место для генерации. Если почти весь лимит занял документ, длинному ответу может не хватить пространства.\u003c/p>\n\u003cp>Большое окно позволяет передать больше, но не делает каждый фрагмент одинаково заметным. Лишние страницы создают шум и могут ухудшить поиск детали. Поэтому задача — не заполнить контекст до максимума, а поместить в него наиболее полезную информацию.\u003c/p>\n\u003cp>Подробнее управление длинными чатами разобрано в статье \u003ca href=\"/context-window.html\">«Контекстное окно: почему ИИ забывает»\u003c/a>.\u003c/p>\n\u003ch2>Как токены превращаются в стоимость\u003c/h2>\n\u003cp>В API обычно отдельно тарифицируются вход и выход. Выход часто дороже, потому что генерируется последовательно. Thinking/reasoning и инструменты могут учитываться по особым правилам.\u003c/p>\n\u003cp>Упрощённая формула:\u003c/p>\n\u003cdiv class=\"article-formula\" aria-label=\"Формула стоимости запроса\">\n  \u003cspan>Стоимость\u003c/span>\n  \u003cstrong>input × ставка входа + output × ставка выхода + инструменты\u003c/strong>\n\u003c/div>\n\u003cp>В пользовательском приложении вы можете не видеть цену каждого токена: сервис продаёт подписку, пакет запросов или собственные единицы. Но механика всё равно влияет на ограничения и выбор модели.\u003c/p>\n\u003ch2>Почему нельзя считать по страницам\u003c/h2>\n\u003cp>Страница договора с мелким шрифтом и страница презентации с одним заголовком отличаются в десятки раз. PDF может содержать:\u003c/p>\n\u003cul>\n\u003cli>извлекаемый текст;\u003c/li>\n\u003cli>изображения страниц;\u003c/li>\n\u003cli>таблицы;\u003c/li>\n\u003cli>повторяющиеся колонтитулы;\u003c/li>\n\u003cli>скрытый OCR-слой;\u003c/li>\n\u003cli>комментарии и метаданные.\u003c/li>\n\u003c/ul>\n\u003cp>Разные сервисы обрабатывают их по-разному. Надёжный способ узнать размер — использовать встроенный token counter конкретной модели или посмотреть поле usage после запроса.\u003c/p>\n\u003cp>Официальная документация Google приводит грубый ориентир для английского текста — около четырёх символов на токен, но переносить эту цифру на русский, код и другие модели нельзя.\u003c/p>\n\u003ch2>Пять способов расходовать меньше\u003c/h2>\n\u003ch3>1. Удаляйте повторения, а не смысл\u003c/h3>\n\u003cp>Сократите дубли писем, старые версии и длинные логи. Оставьте определения, исключения, цифры и данные, необходимые для проверки.\u003c/p>\n\u003ch3>2. Начинайте новый чат с резюме\u003c/h3>\n\u003cp>Если история разрослась, составьте актуальный бриф: цель, решения, ограничения, открытые вопросы и ссылки на финальные материалы. Проверьте резюме и перенесите его в новый разговор.\u003c/p>\n\u003ch3>3. Не просите длинный ответ «на всякий случай»\u003c/h3>\n\u003cp>Укажите формат: пять пунктов, таблица из четырёх колонок, письмо до 150 слов. Ограничение должно соответствовать задаче, а не просто быть минимальным.\u003c/p>\n\u003ch3>4. Используйте поиск по документам\u003c/h3>\n\u003cp>Для большой библиотеки RAG может подставлять только релевантные фрагменты вместо всей папки. Это снижает шум и объём, но требует качественного поиска и ссылок на источники.\u003c/p>\n\u003ch3>5. Маршрутизируйте задачи\u003c/h3>\n\u003cp>Сильная reasoning-модель нужна не для каждой классификации. Простые операции отдавайте быстрой версии, сложные — более сильной. Экономия достигается выбором режима, а не только сокращением текста.\u003c/p>\n\u003ch2>Когда экономить опасно\u003c/h2>\n\u003cp>Сжатие ухудшает результат, если вы удалили:\u003c/p>\n\u003cul>\n\u003cli>исключения из правила;\u003c/li>\n\u003cli>отрицательные примеры;\u003c/li>\n\u003cli>точные определения полей;\u003c/li>\n\u003cli>единицы измерения;\u003c/li>\n\u003cli>требования к безопасности;\u003c/li>\n\u003cli>источник, подтверждающий факт;\u003c/li>\n\u003cli>редкий случай, ради которого выполняется анализ.\u003c/li>\n\u003c/ul>\n\u003cp>Не просите модель сама «сократить контекст», а затем без проверки принимать решение по её резюме. Ошибка суммаризации станет невидимой для следующих ходов.\u003c/p>\n\u003ch2>Как оценить запрос до отправки\u003c/h2>\n\u003cdiv class=\"prompt-card-label\">Чек-лист контекста\u003c/div>\n\u003cpre class=\"prompt-card\">\u003ccode>Перед длинным запросом проверь:\n\n1. Есть ли дубли и отменённые версии?\n2. Можно ли заменить историю проверенным резюме?\n3. Нужен весь файл или несколько разделов?\n4. Достаточно ли места для требуемого ответа?\n5. Нужен ли дорогой reasoning-режим?\n6. Можно ли найти фрагменты через поиск?\n7. Сохранились ли источники и исключения?\u003c/code>\u003c/pre>\n\u003cp>Если вы работаете через API, используйте token-count endpoint выбранной модели. Один и тот же текст может иметь разный размер после смены семейства или поколения токенизатора.\u003c/p>\n\u003ch2>Главное\u003c/h2>\n\u003cp>Токены — техническая единица, связывающая текст, контекст и стоимость. Считать каждый знак вручную не нужно. Важно понимать три вещи:\u003c/p>\n\u003col>\n\u003cli>В запрос входит история и служебный контекст, а не только последнее сообщение.\u003c/li>\n\u003cli>Больше контекста не всегда означает лучше.\u003c/li>\n\u003cli>Точный размер нужно измерять токенизатором конкретной модели.\u003c/li>\n\u003c/ol>\n\u003cp>Оптимизируйте не самую короткую формулировку, а минимальный достаточный контекст — тот, в котором есть всё для правильного и проверяемого ответа, но нет устаревшего шума.\u003c/p>\n\u003caside class=\"article-sources\">\n  \u003cstrong>Источники и актуальность\u003c/strong>\n  \u003cp>Определение токена, категории usage и контекст сверены с официальными руководствами \u003ca href=\"https://ai.google.dev/gemini-api/docs/tokens\">Google Gemini\u003c/a>, \u003ca href=\"https://platform.claude.com/docs/en/build-with-claude/token-counting\">Anthropic Token counting\u003c/a> и \u003ca href=\"https://platform.claude.com/docs/en/build-with-claude/context-windows\">Context windows\u003c/a>. Конкретные коэффициенты и цены зависят от модели.\u003c/p>\n\u003c/aside>\n",
      "date_published": "2026-05-18T00:00:00.000Z",
      "date_modified": "2026-07-19T00:00:00.000Z",
      "language": "ru",
      "authors": [
        {
          "name": "Асад Рахмани",
          "url": "https://blog.bebrgpt.ru/authors/asad-rahmani.html"
        }
      ],
      "tags": ["что такое токены","токены нейросети","стоимость токенов","контекст нейросети"]
    }
    
  ]
}