[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-prompt-drift::ru":3,"gloss-cluster-prompt-drift::ru":20,"gloss-next-prompt-drift::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"prompt-drift","prompt-eng","Дрейф промпта (Prompt Drift)","Дрейф промпта — это постепенное изменение, обычно ухудшение, хотя иногда просто неожиданное изменение поведения, качества или согласованности вывода промпта в реальных условиях с течением времени, даже если сам текст промпта не редактировался. Чаще всего это вызвано изменением вне промпта: провайдер модели незаметно обновляет или прекращает поддержку версии модели за конечной точкой API, происходит сдвиг в реальном распределении входных данных, которые теперь получает промпт (промпт для классификации тикетов поддержки, настроенный на прошлогодние типичные типы тикетов, сталкивается с другой смесью проблем в этом году), или накапливаются пограничные случаи и необычные входные данные, которые исходный дизайн промпта никогда не предвидел. Это отдельный тип сбоя, отличный от преднамеренного изменения версии промпта (которое является отслеживаемой, намеренной правкой) — дрейф промпта часто незаметен, пока метрики точности или жалобы пользователей не раскрывают, что что-то ухудшилось, что делает его настоящим риском производственной надёжности для любой команды, активно не отслеживающей качество ИИ-функции с течением времени. Дрейф, вызванный провайдером модели, — это особенно важная и недооценённая версия этой проблемы: провайдеры периодически обновляют модели за тем же идентификатором модели API (или прекращают поддержку старых версий по определённому графику), и промпт, тщательно настроенный и оценённый для одной версии модели, может вести себя значительно иначе — иногда лучше, иногда хуже, а иногда просто иначе таким образом, что ломает нижестоящий парсер, ожидающий определённую особенность формата — как только базовая модель меняется, даже если ни один символ кода промпта приложения не был затронут. Защита от дрейфа промпта требует постоянной, а не разовой практики оценки: повторный прогон набора для оценки тестирования промптов по регулярному графику (не только при первоначальном запуске), фиксация конкретных версий моделей вместо псевдонима «последняя», когда важна воспроизводимость, и сознательная повторная оценка перед принятием новой версии модели, мониторинг реальных сигналов качества производственного вывода с течением времени (отзывы\u002Fжалобы пользователей, частота сбоев нижестоящего парсинга, выборочная ручная проверка), а также отношение к обновлению версии модели с той же строгостью оценки, что и к преднамеренному изменению версии промпта, поскольку с точки зрения контроля качества эти два риска функционально схожи. Конкретный пример: точность классификации ИИ-функции модерации контента, стабильная на протяжении месяцев на одном неизменённом промпте, неожиданно падает после того, как провайдер базовой модели прекращает поддержку зафиксированной версии модели и автоматически переводит трафик на более новую версию по умолчанию — новая модель немного иначе интерпретирует одну неоднозначную границу категории, чем старая, и, поскольку промпт не менялся, команда изначально не может объяснить падение точности, пока не проверяет логи версий моделей и не сопоставляет падение точно с датой миграции. Решение — повторный прогон набора оценки на новой версии модели и корректировка нескольких примеров границ категорий в их few-shot промпте для перекалибровки — восстанавливает точность, но основной урок приводит к изменению процесса: явно фиксировать версии моделей и переоценивать перед любой миграцией версий, а не принимать тихие автоматические обновления до «последней» версии.","Дрейф промпта — постепенное снижение реальной производительности промпта со временем, часто вызванное тихими обновлениями модели, а не изменением самого промпта.",null,[11,14,17],{"slug":12,"name":13},"in-context-learning","Контекстное обучение (In-Context Learning)",{"slug":15,"name":16},"prompt-testing","Тестирование промптов (Prompt Testing)",{"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)"]