Как писать промпт для большой языковой модели? В статье рекомендуется автоматизация процесса, ниже тезисное изложение. Промпт‑инжиниринг перестал быть «магией слов» и стал задачей оптимизации в чёрном ящике. Современные LLM чувствительны к формулировкам, нестабильные и плохо переносят ручные правки. Промпт — это параметр модели, который нужно оптимизировать алгоритмически. Формально задача — поиск промпта, максимизирующего метрику качества на датасете. Главные проблемы: нет градиентов, логпробы бесполезны, пространство вариантов огромно. Методы делятся на эволюционные, программные и генеративно‑эвристические. TextGrad и MetaPrompt используют критику модели как «текстовый градиент». HRPO исправляет не отдельные ошибки, а их классы через кластеризацию. GEPA применяет генетические алгоритмы и Парето‑оптимизацию для набора лучших промптов. DSPy заменяет текстовые промпты программированием модулей и оптимизацией всей цепочки. APE генерирует множество инструкций и выбирает лучшие по метрике. OPRO оптимизирует промпты через историю попыток, используя in‑context learning как оптимизатор. STaR и ReST — ранние самообучающиеся методы, сейчас почти не применяются. Главные риски: оверфит, дрейф моделей, потеря инструкций в длинных контекстах. Ручное написание промптов в 2026 году — кустарщина; нужны пайплайны оценки, фреймворки и автоматизация. https://habr.com/ru/articles/994624/