структура). Фреймворк был создан автором, который проанализировал более тысячи промптов и утверждает, что успех с первой попытки вырос с 72% до 94%, расход токенов снизился на 58%, а время до полезного результата сократилось на 67%, хотя автор этой статьи скептически относится к этим цифрам без опубликованной методологии. В статье отмечается, что хорошие промпты часто выглядят как хорошо написанные технические задачи, и что, хотя такие техники, как «думай шаг за шагом», могут помочь, современные модели рассуждения уже обрабатывают это внутренне. Самая спорная буква — R, означающая «Воспроизводимые результаты», которую автор переосмысливает не как идентичные выходы, а как воспроизводимые требования, позволяющие сравнивать результаты между версиями моделей и промптов. В производстве одних промптов недостаточно; для измерения поведения модели необходимы эвалы (предопределенные тесты), и часть логики промпта (например, принудительное соблюдение структуры JSON) лучше перенести в код с помощью схем. Выбор модели также важен: разные LLM (большие языковые модели) показывают разные результаты на одном и том же промпте, поэтому сравнение моделей по конкретным критериям необходимо. Автор использует SYNTX.AI для запуска нескольких LLM из одного пространства, и статья приходит к выводу, что KERNEL по-прежнему полезен как быстрый чек-лист, но настоящие системы на основе LLM требуют контекстной инженерии, включая RAG (генерацию с дополнением по извлеченным данным), использование инструментов и управление состоянием. Материал завершается рекламным упоминанием SYNTX.AI и промокодом.