Контекст-инжиниринг: почему ИИ мало одних промптов

Вы дали нейросети подробный промпт, а она отвечает общими словами или выдумывает. Поменяли модель на новую и дорогую - лучше не стало. Причина чаще всего одна: модель получает слишком мало контекста, чтобы ответить по делу. Контекст-инжиниринг - это как раз умение собрать вокруг задачи правильный контекст: инструкцию, ваши данные, примеры, память. Именно этот навык в 2026 году отделяет тех, у кого ИИ реально работает, от тех, у кого он остался красивой демкой.

Каждую неделю разбираем нейросети для бизнеса: инструменты, кейсы, ошибки. Подпишитесь, чтобы не пропустить.

Что такое контекст-инжиниринг простыми словами?

Модель не знает ничего про вашу компанию. Она отвечает по тому, что попало в её рабочее окно к моменту ответа. Промпт - только часть этого окна.

Anthropic в своём инженерном разборе описывает контекст-инжиниринг как набор приёмов, которые подбирают и удерживают оптимальный набор информации для модели на протяжении всей работы - всё, что попадает в её окно. Сам текст запроса - лишь часть этого. И там же важная мысль: окно модели - конечный ресурс, как бюджет внимания. Окно не набивают всем подряд - его собирают под задачу.

Простыми словами. Промпт - это вопрос, который вы задали. Контекст - это всё, что у модели под рукой, пока она отвечает: кто она в этом диалоге, какими данными пользуется, что помнит из начала разговора. Если раньше вы искали «магическую формулировку», то теперь важнее собрать правильное окружение. Как писать сами формулировки, я разбирал в материале про то, как писать промпты - это по-прежнему нужный слой, просто теперь не единственный.

Почему одни и те же промпты у одних работают, а у других - нет?

Возьмём типичную картину. На демонстрации бот отвечает чётко и по делу. Запускаете на реальных клиентах - начинает путаться, повторять общие фразы, придумывать несуществующие условия.

Первая мысль - «слабая модель, надо взять поумнее». Меняете. Часто не помогает.

Об этом прямо пишут практики. Разбор про то, как убрать галлюцинации без замены модели, формулирует так:

«Разница между яркой демонстрацией и надёжной рабочей системой заключается не в переключении на "более умную" модель.»

• onff.ru

Смысл простой. На демо вы держали весь контекст в голове и подавали его вручную. В бою бот остаётся один на один с клиентом - и если правильный контекст ему не собрали заранее, ему остаётся угадывать. А угадывает модель уверенным тоном, поэтому выдумка выглядит как правда.

Почему смена модели и большое окно контекста не спасают?

Окно контекста - это объём текста, который модель удерживает за один раз. У GigaChat это порядка 128 тысяч токенов, у YandexGPT - около 32 тысяч (актуальные цифры сверяйте на developers.sber.ru и в Yandex Cloud, они меняются от версии к версии; общий разбор российских моделей есть в статье про GigaChat для бизнеса).

Кажется, что чем больше окно, тем лучше. На практике - нет. Исследование Chroma под названием context rot показало на 18 передовых моделях: по мере роста числа токенов способность модели точно доставать из окна нужный факт падает. И падает задолго до заявленного лимита. Ту же деталь приводит и Anthropic в своём разборе.

Проще говоря: если вывалить в чат весь регламент на 200 страниц, модель не станет умнее - нужное потеряется среди лишнего, и она начнёт ошибаться. Большое окно снимает грубые ограничения, но отбор нужного в окно остаётся рычагом даже на «толстых» моделях.

Что это значит для вас. Гонка за самой мощной моделью и самым большим окном - тупиковая, если не заниматься тем, что вы в это окно кладёте. Дешёвая модель с хорошо собранным контекстом обгоняет дорогую с плохим.

7 рычагов контекста, которые вы крутите сами

Вот из чего складывается контекст. По каждому рычагу - что это и что он чинит.

Независимая рамка от команды LangChain сводит это к четырём глаголам, так проще запомнить: записать контекст (память вне окна), выбрать нужное в окно, сжать длинное до сути, разделить контекст между разными ролями. Их же сравнение окна модели с оперативной памятью компьютера точное: место ограничено, и от того, что вы туда загрузили, зависит результат.

Рычаг №3 - ваши данные - это тот самый подход, который часто зовут базой знаний или RAG. Он важный, но, как видно из таблицы, один из семи. Подробно собрать базу под бота я разбирал в материале про базу знаний для ИИ; здесь важно, что одной базой контекст не исчерпывается.

Как это выглядит на практике: до и после

Разберём на бытовых сценариях. Ниже - иллюстрации механики, без реальных замеров.

1. Бот поддержки. До: на вопрос «за сколько дней вернёте предоплату по договору» бот отвечает общими словами и называет срок с потолка. После (рычаг «ваши данные»): у бота есть доступ к вашим договорам, он отвечает конкретным пунктом и перестаёт угадывать.
2. Ассистент менеджера. До: в длинной переписке ассистент теряет бюджет и город клиента, названные в начале. После (рычаг «память»): ключевые факты клиента вынесены в память, ассистент держит их до конца диалога.
3. Генерация КП. До: текст «вообще про рынок», не про вас. После (рычаги «примеры» и «формат»): дали два прошлых удачных КП и жёсткую структуру полей - на выходе документ в вашем стиле, готовый к отправке.

На своей практике я это вижу каждый день. Я не программист, но собрал команду из 6 ИИ-агентов и работаю с ней постоянно: главный координатор держит общий контекст и раздаёт задачи профильным - по финансам, юридическим бумагам, ресёрчу, календарю. Каждый агент сидит в узкой роли со своим набором данных и инструментов. Это и есть контекст-инжиниринг руками: у каждого - свой собранный контекст, никто не перегружен чужим. Как устроена такая связка, я разбирал в статье про команду ИИ-агентов.

Что из этого можно сделать без программиста?

Пройдёмся по главным рычагам - куда нажимать.

1. Роль и инструкция. В мастере бота на GigaChat (SaluteBot) собирают бота по шаблону, без программирования: заполняете поля «Системный промпт» и «Задача» - там описываете, как бот отвечает и что он должен знать. В кастомном GPT для этого есть блок «инструкции». Правило простое: пишите, что делать («отвечай коротко, ссылайся на пункт договора»); длинные списки запретов работают хуже.
2. Ваши данные. В кастомный GPT прикрепляются файлы - PDF, docx, таблицы. Модель отвечает на их основе: регламенты, прайс, база вопросов. Российские конструкторы вроде CraftTalk тоже дают загрузить материалы в базу знаний бота. Если нужно, чтобы бот ссылался на источник, - пропишите это в инструкции.
3. Примеры. Вставьте в инструкцию 10-20 образцов удачных ответов. Пары «вопрос - как надо ответить» дают больше, чем страница правил.
4. Только нужное в окне. Не грузите в бота весь диск. Подавайте то, что относится к задаче: под запись к врачу не нужен весь бухгалтерский архив. Из-за лишнего теряется нужное.

Память и подключение к CRM обычно уже сложнее и зависят от платформы - здесь чаще нужен подрядчик. Но роль, данные и примеры - это настройка полей, доступная без разработчика.

Собрать всё это в одну рабочую связку под ваши процессы - подключить документы, память и нужные действия - и есть работа под ключ. То, что в статье разложено по шагам, ClaudeLab ставит вместе и доводит до результата: автоматизация бизнеса с ИИ под конкретные задачи, с понятным результатом.

Контекст-инжиниринг - это то же самое, что база знаний?

Это частая путаница. «Подключили базу знаний - значит, занялись контекстом». Не совсем.

Разбор про переход от промпта к рабочим ИИ-системам перечисляет, из чего складывается контекст агента: системный промпт (его должностная инструкция), определения инструментов, знания из базы, результаты действий и история разговора. И формулирует роль каждой части так: база приносит знания, а контекстная инженерия решает, как всё это собрать в окно для следующего шага.

У Т-Банка в разборе для бизнеса тот же список из пяти элементов: база примеров, правила и tone of voice, актуальные данные, история взаимодействий, ограничения. «Актуальные данные» - то есть база знаний - здесь лишь один пункт из пяти.

Что это значит для вас. Если бот выдумывает - да, часто помогает база знаний. Но если он отвечает не в том тоне, теряет нить или уходит в сторону от задачи - база не спасёт, крутить надо другие рычаги.

Промпт-инжиниринг теперь не нужен?

В рунете тему уже разбирают, и рамку задают одинаково. Статья с говорящим разбором формулирует так:

«Context engineering не отменяет промптинг - он его поглощает как частный случай.»

• vc.ru

То есть умение чётко ставить задачу словами никуда не делось. Просто когда бот работает в несколько шагов и обращается к вашим системам, одной удачной фразы мало. Промпт становится одним из компонентов, а результат определяют остальные: память, данные, инструменты, изоляция ролей.

Термин, кстати, ввёл Андрей Карпаты, бывший ИИ-лид Tesla и сооснователь OpenAI, ещё в 2025 году - он назвал контекст-инжиниринг искусством наполнять окно модели ровно нужной информацией под следующий шаг. С тех пор формулировку подхватили и вендоры, и сообщество.

Почему половина ИИ-проектов не даёт отдачи?

Пока реклама обещает «ИИ решит всё», выходит всё больше отчётов о том, что отдачи нет.

Отчёт MIT NANDA «The GenAI Divide» за 2025 год: 95% организаций не получили измеримой отдачи от вложений в генеративный ИИ, заметный эффект дали около 5% интеграций. Формулировка важна. Речь про отсутствие отдачи от внедрения. Сама технология при этом работает. Причину авторы видят во внедрении, а качество моделей называют второстепенным. По разбору отчёта в СМИ, на технологию приходится порядка 10% усилий проекта, а основное - данные, процессы и люди.

Похожее говорят и в России. По оценке руководителя профильных ИИ-проектов Александра Меркушева, которую приводит РИА Новости (май 2026), около 80% попыток внедрить ИИ в бизнесе заканчиваются неудачей: компании берутся за технологию, не понимая, какую реальную задачу она должна решать.

Оба вывода про одно: провал упирается в то, как настроено - данные, процессы, понимание задачи. То есть в контекст вокруг модели. Отдельно про то, как за громким словом «агент» продают пустую оболочку, я разбирал в материале про настоящего ИИ-агента и обёртку.

С чего начать контекст-инжиниринг в своём бизнесе?

Короткий план на первую неделю.

1. Возьмите одну задачу. Не «весь бизнес», а один сценарий: ответы на типовые вопросы, разбор заявок, черновики КП.
2. Опишите роль и правила. Кто бот, как отвечает, чего не делает. Внесите в поле инструкции.
3. Дайте данные. Загрузите документы под эту задачу - прайс, регламент, частые вопросы.
4. Добавьте примеры. Пять-десять пар «вопрос - хороший ответ».
5. Проверьте на реальных вопросах и уберите из контекста то, что не помогло.

Дальше - следующий рычаг: память, подключение к CRM, действия. По одному, с проверкой на каждом шаге.

Если задача сложнее и нужно, чтобы контекст собрали за вас - с интеграциями, памятью и проверкой, - это уже разработка ИИ-решения под ключ. Смысл тот же, что в статье: решает окружение, собранное вокруг модели.