[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-meta-prompt::ru":3,"gloss-cluster-meta-prompt::ru":20,"gloss-next-meta-prompt::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"meta-prompt","prompt-eng","Мета-промпт","Мета-промпт — это промпт, который используется не для непосредственного выполнения задачи, ориентированной на конечного пользователя, а для генерации, улучшения, оценки или иной работы над другими промптами — используя собственные языковые способности LLM для помощи в самом процессе промпт-инжиниринга. Этот паттерн «промптинга о промптинге» становится всё более практичным по мере того, как модели лучше понимают, что делает инструкцию эффективной, и несколько передовых лабораторий теперь публикуют или предоставляют инструменты мета-промптинга (генератор промптов и улучшатель промптов Anthropic в Claude Console, инструментарий генерации промптов OpenAI), которые берут грубое описание задачи и выдают хорошо структурированный стартовый промпт, следующий лучшим практикам. Мета-промпты проявляются в нескольких отдельных продакшен-паттернах: генерация промптов (по описанию задачи сгенерировать первый черновик продакшен-промпта, следующий известным лучшим практикам — чёткая роль, явные инструкции по формату, заготовки для few-shot примеров); критика\u002Fулучшение промптов (по существующему промпту и примерам, где он показывает слабые результаты, предложить конкретные правки); и оценка LLM-как-судья (мета-промпт, который оценивает или сравнивает вывод других промптов по рубрике, используется для автоматизации A\u002FB-тестирования промптов в масштабе, недостижимом для ручной проверки — например, «Дано описание задачи и два кандидатских ответа: какой лучше удовлетворяет критериям — точность, лаконичность, тон? Ответь A, B или НИЧЬЯ с обоснованием в одно предложение»). Для разработчиков SaaS, поддерживающих множество ИИ-функций, мета-промптинг — настоящий множитель продуктивности в рабочем процессе промпт-инжиниринга, особенно паттерны LLM-как-судья для автоматизированной оценки: вместо того чтобы человек вручную просматривал сотни выводов тестового набора после каждой правки промпта, хорошо откалиброванный мета-промпт судьи может оценивать их автоматически, позволяя командам итерировать промпты гораздо быстрее, периодически выборочно сверяя точность судьи с человеческой проверкой. Разобранный пример: команда, поддерживающая 40 разных ИИ-функций в своём SaaS-продукте, использует мета-промпт для оценки каждого изменения промпта перед деплоем: «Ты оцениваешь две версии вывода ИИ-функции для одного и того же входа. ЗАДАЧА: {{task_description}}. ВХОД: {{test_input}}. ВЫВОД ВЕРСИИ A: {{output_a}}. ВЫВОД ВЕРСИИ B: {{output_b}}. Оцени каждый по шкале 1-10 по точности и соответствию формату, затем укажи, какая версия лучше в целом и почему». Запускаемый автоматически на наборе из 200 регрессионных примеров при каждом pull request с шаблоном промпта, этот мета-промпт улавливает регрессии (правку промпта, которая улучшила один сценарий, но сломала другой) до того, как они попадут в продакшен, функционируя как автоматизированная CI-проверка качества промптов. У мета-промптинга есть ограничения, которые стоит отметить: модель, генерирующая или оценивающая промпты, всё ещё подвержена тем же режимам сбоев (предвзятости, случайные неверные суждения, чувствительность к формулировке самой мета-задачи), что и любой другой вызов LLM, поэтому команды обычно относятся к промпту, сгенерированному или улучшенному ИИ, как к сильному первому черновику, который человек всё равно проверяет, и периодически калибруют оценки LLM-судьи по выборке реальных человеческих оценок, а не доверяют им как непогрешимой истине с первого дня.","Мета-промпт — это промпт, задача которого генерировать, улучшать или оценивать другие промпты, а не напрямую отвечать на задачу конечного пользователя.",null,[11,14,17],{"slug":12,"name":13},"prompt-engineering","Инженерия промптов (Prompt Engineering)",{"slug":15,"name":16},"prompt-library","Библиотека промптов",{"slug":18,"name":19},"prompt-versioning","Версионирование промптов",[21,25,28,31,35,38,41,44,47,50,53,56],{"slug":22,"category":5,"name":23,"updated_at":24},"analogical-prompting","Analogical Prompting","2026-08-24T02:46:37+00:00",{"slug":26,"category":5,"name":27,"updated_at":24},"automatic-prompt-optimization","Автоматическая оптимизация промптов",{"slug":29,"category":5,"name":30,"updated_at":24},"chain-of-density","Цепочка плотности (CoD)",{"slug":32,"category":5,"name":33,"updated_at":34},"chain-of-thought-prompting","Chain-of-thought-промптинг (промптинг с цепочкой рассуждений)","2026-08-24T02:46:36+00:00",{"slug":36,"category":5,"name":37,"updated_at":24},"chain-of-verification","Chain-of-Verification",{"slug":39,"category":5,"name":40,"updated_at":34},"chunking","Чанкинг (Chunking)",{"slug":42,"category":5,"name":43,"updated_at":34},"constrained-decoding","Ограниченное декодирование (Constrained Decoding)",{"slug":45,"category":5,"name":46,"updated_at":34},"context-stuffing","Переполнение контекста (Context Stuffing)",{"slug":48,"category":5,"name":49,"updated_at":34},"delimiter","Разделитель (Delimiter)",{"slug":51,"category":5,"name":52,"updated_at":24},"directional-stimulus-prompting","Directional Stimulus Prompting",{"slug":54,"category":5,"name":55,"updated_at":24},"emotion-prompting","Emotion Prompting",{"slug":57,"category":5,"name":58,"updated_at":34},"few-shot-prompting","Few-shot-промптинг (промптинг с примерами)"]