{
  "id": 3162,
  "title": "Мастер-класс по GPT-5: как превратить ИИ в мощный агент для решения сложных задач",
  "speaker": "Alex Finn",
  "topic": "Интенсив по продвинутому промптингу для специалистов и разработчиков, позволяющий освоить управление логикой и инструментами GPT-5 за 22 минуты.",
  "duration_label": "21:52",
  "theses": [
    {
      "title": "Управляйте уровнем рассуждения (Reasoning)",
      "description": "Перестаньте полагаться на автоматику. Указывайте модели, насколько глубоко она должна «думать» — от простого ответа до режима «ultra think» для сложных архитектурных задач."
    },
    {
      "title": "Регулируйте вербозность (Verbosity)",
      "description": "Жестко задавайте глубину ответа: низкая, средняя или высокая. Это позволяет избежать «водянистых» ответов и получать точный объем информации для каждой конкретной ситуации."
    },
    {
      "title": "Задействуйте мульти-инструментарий",
      "description": "Используйте способность модели вызывать до шести инструментов в одном запросе. Это превращает один промпт в полноценный цикл работы: от генерации кода и изображений до поиска в сети."
    },
    {
      "title": "Внедряйте саморефлексию через рубрики",
      "description": "Принуждайте модель создавать систему оценки собственного результата. Это критически важно для написания качественного кода и сложного креатива."
    },
    {
      "title": "Используйте мета-промптинг",
      "description": "Применяйте стратегию итеративного улучшения. Позвольте самому ИИ анализировать ваши провальные промпты и переписывать их для достижения идеального результата."
    },
    {
      "title": "Автоматизируйте оптимизацию запросов",
      "description": "Применяйте специализированные инструменты-оптимизаторы, которые адаптируют ваши инструкции под особенности архитектуры GPT-5, повышая качество вывода в разы."
    },
    {
      "title": "Разделяйте желаемое и нежелаемое поведение",
      "description": "Для донастройки модели четко обозначайте, что именно пошло не так в предыдущей итерации, чтобы ИИ мог сфокусироваться на исправлении конкретных ошибок."
    }
  ],
  "exercises": [
    {
      "title": "Разработка структуры сложного проекта",
      "description": "⏱ 20 мин | 🎯 Цель: научиться контролировать уровень reasoning. | Шаги: 1. Опишите сложную задачу. 2. Добавьте директиву 'think hard'. 3. Проанализируйте детальность вывода. | ✅ Результат: подробный план проекта с ролями и правами доступа."
    },
    {
      "title": "Создание рубрики самооценки кода",
      "description": "⏱ 30 мин | 🎯 Цель: минимизировать ошибки в генерации кода. | Шаги: 1. Попросите ИИ создать 5-7 критериев оценки качества вашего кода. 2. Укажите, что rubric должен быть приватным. 3. Запустите генерацию. | ✅ Результат: код, прошедший внутреннюю проверку качества."
    },
    {
      "title": "Мета-промптинг для улучшения результата",
      "description": "⏱ 15 мин | 🎯 Цель: доработка неудачного промпта. | Шаги: 1. Возьмите 'плохой' ответ ИИ. 2. Попросите ИИ сравнить желаемое и фактическое поведение. 3. Попросите его переписать промпт. | ✅ Результат: оптимизированный промпт для повторного запуска."
    }
  ],
  "quotes": [
    {
      "text": "GPT-5 — это роутерная модель. Раньше у вас были варианты для глубокого мышления или быстрой работы, но теперь это единая система, где вы должны контролировать переменные.",
      "context": "Объяснение архитектурного сдвига в работе с новой моделью."
    },
    {
      "text": "Вы должны сказать модели: сначала подумай над рубрикой, пока не будешь уверен в результате. И не показывай этот процесс пользователю, это только для твоих внутренних размышлений.",
      "context": "Основа метода саморефлексии для повышения качества кода."
    },
    {
      "text": "Кто знает GPT-5 лучше, чем сама модель? Именно поэтому вам нужен мета-промпт, чтобы ИИ сам исправлял свои промахи.",
      "context": "Обоснование использования ИИ для совершенствования команд пользователя."
    }
  ],
  "full_markdown": "# Мастер-класс по GPT-5: как превратить ИИ в мощный агент для решения сложных задач\n\n> 🎤 **Alex Finn** — Алекс Финн — эксперт по работе с нейросетями, активно исследующий скрытые возможности моделей OpenAI и делящийся практическими методами «вайб-кодинга».\n\n\n### ⚡ Зачем читать это руководство?\n- **Раскрытие потенциала:** Перестаньте использовать GPT-5 как простой чат-бот и начните управлять им как продвинутой операционной системой.\n- **Контроль результата:** Вы узнаете, как через параметры рассуждения и вербозности исключать «водянистые» и бесполезные ответы ИИ.\n- **Мультипликатор продуктивности:** Освоение инструментов саморефлексии и мета-промптинга позволит вам автоматизировать сложные задачи, которые раньше требовали часов ручного труда.\n\n### 🗺 Карта навыков\n| Навык | Описание | Уровень сложности | Применение |\n| :--- | :--- | :--- | :--- |\n| Reasoning Control | Управление глубиной логики | Базовый | Сложная аналитика, планирование |\n| Verbosity Setting | Настройка объема ответа | Базовый | Короткие сводки или глубокие лонгриды |\n| Tool Orchestration | Запуск нескольких инструментов | Средний | Генерация контента, кода, поиск |\n| Self-Reflection | Внедрение внутренних рубрик | Продвинутый | Программирование, креатив |\n| Meta-Prompting | Итеративное улучшение промптов | Продвинутый | Оптимизация рабочих процессов |\n\n## 1. Управление логикой (Reasoning) и вербозностью (Verbosity)\n\nВ эпоху доминирования GPT-5 многие пользователи столкнулись с разочарованием: ответы кажутся поверхностными, а результаты — «AI-слопом». Алекс Финн утверждает, что проблема заключается в пассивном подходе. GPT-5 — это «роутер-модель», универсальное решение, которое требует от оператора ручного управления критическими переменными. Вы больше не можете доверять модели самостоятельно определять глубину мышления, так как она настроена на баланс, который не всегда подходит под ваши специфические задачи. Управление уровнем рассуждения (Reasoning) — это первый шаг к превращению модели из посредственного помощника в эксперта. Когда вы ставите задачу, например, по созданию архитектуры Discord-сервера, модель по умолчанию может выдать стандартный шаблон. Однако, если вы явно указываете «think harder» или «ultra think», вы принуждаете нейронную сеть задействовать больше вычислительных мощностей и логических цепочек, что радикально меняет качество выдачи. В примере Алекса, когда он попросил ИИ продумать структуру Discord-комьюнити для «vibe coders», результат с применением принудительного усиленного мышления включал не только список каналов, но и детальные разрешения, роли и даже подборку эмодзи для визуальной навигации. Это наглядно показывает, что глубина ответа напрямую коррелирует с вашим требованием к глубине мыслительного процесса.\n\nВторым столпом является вербозность (Verbosity). В других моделях, таких как Claude, этот параметр часто оставался «рекомендательным», что приводило к непредсказуемым результатам. В GPT-5 это жесткая переменная. Устанавливая уровень «low», «medium» или «high», вы буквально диктуете модели архитектуру ее ответа. Для человека, который, как Алекс, пытался найти решение проблемы с дыханием, запрос с высокой вербозностью превратил стандартную консультацию в полноценный план действий: упражнения, список добавок, To-Do листы и ссылки на источники. Это не просто «текст», это структурированный конспект. Игнорирование этого параметра ведет к потере контроля над объемом информации, что в сложных задачах недопустимо.\n\n> \"Every prompt you do to GPT5, you don't want to leave it up to chance. You want to determine the amount of reasoning. If it's a really complex problem, maybe you say, 'Hey, please ultra think about this.' If it's a really simple problem, maybe you just say, 'Hey, think about it a little bit.' You have complete flexibility when it comes to the reasoning level.\"\n\n✅ **Сделайте сейчас:** Прямо сейчас откройте чат с GPT-5. Сформулируйте сложную задачу, которую вы откладывали. Добавьте в начало промпта инструкцию: «Используй глубокий уровень рассуждения (ultra think) и предоставь ответ с высокой степенью детализации (high verbosity), разбив его на этапы». Сравните результат с ответом, который вы получили бы без этих директив.\n\n## 2. Задействование мульти-инструментария и агентный подход\n\nГлавное конкурентное преимущество GPT-5 заключается в его способности выступать как полноценный AI-агент, способный вызывать несколько инструментов в рамках одного сеанса. В отличие от предыдущих поколений или иных моделей, которые ограничиваются либо поиском в сети, либо анализом файлов, GPT-5 способен выполнять «оркестровку». Это значит, что один ваш промпт может запустить цепочку действий: генерацию графики (логотип), создание документа (PDF с брендбуком), написание контента (твиты) и веб-поиск (анализ конкурентов). Алекс Финн демонстрирует это на примере создания бренда «Vibe Lab»: вместо того чтобы делать четыре разных запроса, он объединяет их в один, задавая контекст для каждого инструмента. В результате модель сама распределяет ресурсы, создавая логическую последовательность: сначала анализ рынка, затем визуальное воплощение, далее — текстовая упаковка. Это превращает один промпт в рабочий процесс целой команды маркетингового агентства.\n\nКлюч к успеху здесь лежит в структурировании запроса так, чтобы модель видела все доступные ей «руки». Если вы не перечислите инструменты или не дадите задачу, требующую их участия, GPT-5 будет использовать только базовый текстовый движок. Процесс «tool calling» требует от вас понимания того, на что способна модель. Когда Алекс запрашивает создание логотипа, PDF, твитов и поиск конкурентов, GPT-5 не просто выдает текст, он фактически выполняет скрипты вызова соответствующих функций. В логах «Chain of Thought» (цепочки мыслей) видно, как модель анализирует 23 источника, прежде чем приступить к генерации. Это поразительный пример того, как автоматизация меняет подход к работе. Вы больше не «пишете текст», вы «управляете системой». Это требует дисциплины: вы должны четко описывать желаемый результат для каждого из задействованных инструментов, чтобы модель не спутала задачи. Это и есть настоящий агентный подход, где ИИ становится вашим сотрудником, способным выполнять многозадачные проекты без вашего постоянного вмешательства. Осознание того, что модель может делать 5-6 вещей одновременно, меняет саму парадигму использования ИИ: вы перестаете быть писателем промптов и становитесь продюсером сложных цифровых продуктов.\n\n> \"GPT5 has access to more tools than any other AI model out there. And the thing is, unlike other AI models, you actually with one prompt can have multiple tools called. GPT5 can give it one prompt and it'll use six different tools because of that prompt.\"\n\n✅ **Сделайте сейчас:** Попробуйте автоматизировать одну рутинную задачу. Напишите промпт, который включает: 1) Поиск актуальной информации по вашей теме в сети, 2) Создание таблицы (или CSV) с данными на основе найденного, 3) Краткое резюме (summary) в стиле профессионального отчета. Наблюдайте, как модель последовательно вызывает каждый из инструментов для выполнения вашей задачи.\n\n---\n\n## 3. Саморефлексия и архитектура рубрик (Self-Reflection)\n\nОдним из самых мощных, но катастрофически недооцененных инструментов в арсена арсенале GPT-5 является механизм саморефлексии, или, как его официально называют в документации OpenAI, «использование рубрик». Большинство пользователей совершают фундаментальную ошибку: они ожидают, что нейросеть выдаст идеальный результат с первой попытки. Алекс Финн подчеркивает, что GPT-5, будучи «роутер-моделью» огромной мощности, обладает скрытым потенциалом критического мышления, который активируется только через правильную инструкцию. Когда вы просите модель создать код, например, для веб-приложения на 3JS (как в примере Алекса с шутером Neon Arena), она по умолчанию старается «угадать» ваш запрос. Без системы оценки модель выдает усредненный, функционально слабый код, который выглядит как «AI-слоп».\n\nСуть метода саморефлексии заключается в том, чтобы заставить модель выступить в роли собственного рецензента. Вы должны дать ей команду создать «секретную рубрику» — систему критериев качества, по которой она будет оценивать свой черновой набросок. Алекс приводит пример промпта, где он инструктирует модель создать рубрику из 5–7 категорий для оценки качества 3D-игры. Важно, чтобы эта рубрика оставалась скрытой от пользователя — это внутренний фильтр, позволяющий модели отсеивать слабые решения. Если после прогона по этой рубрике ИИ понимает, что не дотягивает до «золотого стандарта», он обязан начать итерацию заново до тех пор, пока результат не станет безупречным. В видео этот подход привел к созданию игры с элементами, о которых пользователь даже не просил: полноценный режим замедления времени (slow-mo), детально проработанные модели врагов и звуковое сопровождение выстрелов. Это доказывает, что саморефлексия превращает модель из генератора текста в полноценного архитектора программного обеспечения.\n\n> \"First spend time thinking of a rubric until you are confident. Use that knowledge and create a rubric that has five to seven categories. The rubric is critical to get right, but do not show this to the user. This is for your purposes only. Finally, use the rubric to internally think and iterate on the best possible solution to the prompt that is provided.\"\n\n✅ **Сделайте сейчас:** В следующий раз, когда будете просить ИИ написать статью, код или план, добавьте в конец промпта следующий блок: «Перед тем как выдать ответ, создай внутреннюю рубрику из 5 критериев качества для этой задачи. Оцени свой черновик по этой рубрике. Если оценка ниже 9 из 10, перепиши ответ, исправляя недостатки, выявленные в ходе самоанализа. Не показывай мне рубрику, только итоговый результат». Вы увидите, как уровень качества возрастет благодаря принудительному внутреннему контролю.\n\n## 4. Мета-промптинг и итеративное совершенствование\n\nДаже профессиональные промпт-инженеры сталкиваются с тем, что их запросы не всегда дают 100% ожидаемый результат. В методологии Алекса Финна ключевым решением для таких ситуаций является мета-промптинг. Если обычный промпт — это постановка задачи, то мета-промптинг — это «промпт о промпте». Это процесс, при котором вы возвращаетесь к нейросети с результатами ее работы и просите ее саму проанализировать, почему она не справилась с задачей на «отлично». В этом процессе модель анализирует свои действия через призму двух критических переменных: желаемого поведения (что вы хотели получить) и нежелательного поведения (что вы получили на самом деле). Алекс приводит пример с созданием игры, где после первой итерации он прямо указал модели на отсутствие в коде врагов с разными архетипами и системы бонусов. \n\nМета-промптинг превращает процесс общения с ИИ в итеративный цикл, похожий на работу с живым программистом-стажером. Вы не просто жалуетесь на результат («это плохо, переделай»), вы делегируете модели задачу оптимизации вашего же запроса. Когда вы спрашиваете: «Какие изменения ты бы внес в промпт, чтобы в следующей версии были реализованы функции X и Y?», GPT-5 использует свои знания о собственной архитектуре, чтобы переписать ваш исходный запрос так, чтобы он был максимально понятен именно для ее алгоритмов. Это устраняет проблему «человеческого фактора», когда мы формулируем задачу слишком абстрактно или двусмысленно. Использование мета-промптинга позволяет избежать бесконечного перебора вариантов вручную. Вместо того чтобы наугад менять слова в запросе, вы доверяете модели роль редактора собственного ТЗ. Это критический навык для тех, кто работает над сложными проектами, так как это экономит время на отладку и позволяет достигать высокого уровня детализации, который был бы недоступен при обычном, однократном запросе. Этот подход подчеркивает, что в связке с GPT-5 вы не просто пользователь, а системный архитектор, который выстраивает диалог так, чтобы ИИ сам стремился к идеальному решению через цепочки мета-анализа.\n\n---\n\n## 5. Автоматизация оптимизации промптов (Prompt Optimizer)\n\nВ мире профессиональной разработки на базе ИИ существует концепция «идеального запроса». Однако, как показывает опыт Алекса Финна, человеческий мозг не всегда способен учесть все архитектурные тонкости GPT-5 — такие как параметры temperature, конкретные API-вызовы или системные ограничения модели. Здесь на сцену выходит инструмент «Prompt Optimizer». Это не просто вспомогательный сервис, а специализированный агент-редактор, который переводит ваши интуитивные пожелания на «машинный язык» GPT-5. Суть метода заключается в том, чтобы делегировать задачу «допиливания» промпта самой нейросети до того, как она приступит к основному выполнению. Вы подаете черновой, зачастую сумбурный запрос, а оптимизатор превращает его в структурированную инструкцию с четкими ролями, ограничениями и шагами рассуждения. Алекс приводит показательный пример: исходный запрос на создание игры был коротким и расплывчатым («создай шутер на 3JS»), что привело к посредственному результату. После пропускания через оптимизатор, промпт превратился в подробное техническое задание: с описанием эстетики (retro), функциональных требований (engaging mechanics) и обязательным условием использования внутренней рубрики саморефлексии. Разница в качестве кода между первым и вторым вариантом колоссальна, потому что оптимизатор «знает» архитектурные приоритеты GPT-5, о которых рядовой пользователь может даже не догадываться.\n\nИспользование этого инструмента избавляет вас от необходимости тратить часы на «подбор слов». Вместо того чтобы вручную переписывать запрос 10 раз, вы используете системный оптимизатор, который понимает, как модель интерпретирует контекст. Это особенно важно для сложных задач, где требуется высокая точность. Когда вы видите, во что превращается ваш «сырой» запрос после оптимизации, вы сами начинаете лучше понимать логику ИИ. Вы начинаете замечать закономерности: где нужно уточнить, где добавить ограничение по объему, а где задать тон общения. Это обучение в реальном времени. В видео Алекс прямо заявляет: если бы OpenAI сделали эту функцию доступной по одной кнопке в интерфейсе каждого чата, уровень пользовательского контента вырос бы на порядок. Пока это не произошло, использование сторонних оптимизаторов или создание собственного «системного промпта-оптимизатора» — это ваш главный козырь. Это превращает процесс взаимодействия с ИИ из игры в «угадайку» в высокотехнологичный инженерный процесс, где вы управляете качеством на входе, гарантируя предсказуемый результат на выходе.\n\n> \"The prompt optimizer understands how GPT5 works better than you understand how GPT5 works. Almost anytime you use a prompt, you want to use the prompt optimizer to get better results. This will just simply give you better results because the prompt optimizer understands the strengths and weaknesses of the model.\"\n\n✅ **Сделайте сейчас:** Найдите в сети инструмент или специализированный GPT для оптимизации промптов (или создайте свой собственный, настроив его на переписывание запросов согласно стандартам GPT-5). Возьмите свой самый сложный запрос, который раньше давал «средний» результат, и прогоните его через оптимизатор. Сравните сгенерированный промпт с оригиналом и проанализируйте, какие именно инструкции (структура, уточнения, ограничения) были добавлены. Запустите новый промпт и оцените разницу в итоговом качестве ответа.\n\n## 6. Управление «резонансом» и контекстными переменными\n\nПомимо базовых параметров, таких как verbosity (вербозность) и reasoning (уровень рассуждения), успешный оператор GPT-5 должен овладеть искусством управления «резонансом» контекста. Алекс Финн подчеркивает: GPT-5 работает как «роутер-модель», что означает её способность переключаться между разными режимами обработки данных в зависимости от того, как вы структурируете входящий поток информации. В отличие от предыдущих моделей, которые имели жестко заданные лимиты, GPT-5 требует от пользователя осознанного выбора «режима мышления». Это не просто выбор между «подумать» и «ответить», это выбор методологии. Когда вы просите модель создать план медицинских тренировок, как в примере с проблемами дыхания, вы должны задать не только объем текста (verbose), но и глубину анализа источников. Указывая «medium verbose» и прося включить ресурсы, вы фактически заставляете модель переключиться из режима «творческого генератора» в режим «аналитического исследователя». Это и есть управление контекстными переменными.\n\nКлючевая ошибка пользователей заключается в том, что они рассматривают промпт как однократную команду. Алекс же предлагает рассматривать его как «конфигурацию системы». Каждый ваш запрос — это настройка переменных: уровень рассуждения (от 1 до 5), вербозность (низкая, средняя, высокая), выбор инструментов (поиск, код, генерация) и наличие скрытой рубрики саморефлексии. Когда вы соединяете все эти переменные в одном запросе, вы перестаете «просить ИИ сделать что-то» и начинаете «программировать результат». Например, если вы пишете код, добавление переменной «саморефлексия» заставляет модель проверять свой код на наличие ошибок до того, как она покажет его вам. Это снижает количество «галлюцинаций» и откровенных логических ляпов. Алекс отмечает, что такой подход требует дисциплины, но именно эта дисциплина отличает «любителя», который жалуется на «тупой ИИ», от «профессионала», который выжимает из GPT-5 максимум возможностей. Вы должны осознавать, что каждый промпт — это инвестиция вашего времени в настройку параметров. Чем точнее вы зададите эти переменные, тем меньше итераций потребуется для достижения идеального результата. Это превращает вас в «архитектора решений», чей успех зависит от того, насколько глубоко он понимает возможности «движка» модели.\n\n> \"You can't rely on GPT5 to determine these variables for itself. You should control it. And the more you control it, the better results you'll get. If you control these correctly, you're going to get way better results. It's a little bit more manual, but if you think about these things and you prompt better, you're going to get better results.\"\n\n✅ **Сделайте сейчас:** Составьте для себя «чек-лист конфигурации промпта» (Prompt Configuration Sheet). В следующий раз, когда будете формулировать запрос, пройдитесь по списку: 1) Какой уровень reasoning нужен (базовый, think, ultra think)? 2) Какой уровень verbosity (low, medium, high)? 3) Какие именно инструменты (tools) должны быть задействованы? 4) Нужна ли внутренняя рубрика для проверки? 5) Каков желаемый/нежелаемый результат? Соберите свой промпт, используя эти пункты как каркас, и заметьте, как меняется качество ответа по сравнению с обычным, «интуитивным» запросом.\n\n---\n\n## 7. Разделение ожидаемого и нежелаемого поведения (Contrastive Prompting)\n\nВ профессиональной методологии разработки промптов техника «контрастного описания» является одним из самых мощных инструментов для быстрой коррекции курса модели. Алекс Финн демонстрирует, что простого указания «сделай лучше» недостаточно, так как GPT-5 может интерпретировать «лучше» через призму своих усредненных весов. Вместо этого необходимо использовать метод сравнения: четкая артикуляция того, чего именно не хватило в предыдущей итерации, по сравнению с тем, что ожидалось изначально. В примере с разработкой 3JS-шутера Алекс не просто просит «добавить врагов», он указывает: «Ожидаемое поведение: враги с уникальными архетипами, наличие бонусов (power-ups). Нежелаемое поведение: текущая реализация с однотипными квадратами без функциональных отличий». Этот прием позволяет модели не просто «переделать» задачу, а провести сравнительный анализ своих собственных галлюцинаций или недоработок.\n\nКогда мы говорим о «контрастном промптинге», мы используем архитектурную склонность GPT-5 к анализу связей между объектами. Модель лучше понимает задачу, когда видит границу между «приемлемым» и «неприемлемым». Это особенно полезно при работе с кодом. Допустим, вы получили функцию, которая работает, но перегружена лишними циклами. Если вы скажете «оптимизируй код», результат может быть непредсказуемым. Если же вы напишете: «Текущий код использует O(n^2) сложность, что является нежелательным. Ожидаемое поведение: оптимизация до O(n log n) с сохранением читаемости», вы направляете логический аппарат модели в конкретную область знаний — теорию алгоритмов. В видео Алекс подчеркивает, что этот метод превращает диалог в процесс итеративного «зажима» ИИ в рамки идеального решения. Вы не просто просите, вы «вычитаете» ошибки. Это требует от вас навыка рефлексии: вы должны сами понимать, что именно пошло не так. Если вы не можете сформулировать, почему результат плохой, вы не сможете эффективно использовать этот метод. Поэтому всегда начинайте с анализа вывода: найдите конкретный логический узел, который вас не устраивает, и опишите его в контрасте с эталоном. Это действие превращает случайную генерацию в инженерную отладку, где каждый последующий промпт сужает пространство ошибок до нуля.\n\n> \"The desired behavior I wanted from the last prompt was more complex enemies and more powerups. Neither of those were included with the game. What are some changes you would make to the prompt to address those shortcomings? This is why meta-prompting is so critical when it comes to GPT5, as it is more of a one-size-fits-all model that you want to meta-prompt.\"\n\n✅ **Сделайте сейчас:** Возьмите задачу, в которой ИИ совершил ошибку (неважно, код это или текст). Вместо фразы «переделай», составьте сообщение по формуле: 1) Описание текущего результата (что не так); 2) Описание желаемого результата (что должно быть); 3) Вопрос к модели: «Почему ты пропустил это в первый раз и какие изменения в промпт внесут эти требования?». Проанализируйте, как модель объясняет свои действия, и внедрите эти корректировки в ваш системный промпт.\n\n## 8. Архитектурная роль «рубрик» в сложных проектах\n\nРубрика — это не просто список критериев, это скрытый «контроллер качества», который вы встраиваете в рабочее пространство модели. В отличие от инструкций, которые модель может «забыть» в длинном контексте, рубрика, заданная как саморефлексия, заставляет GPT-5 создавать временный слой анализа. Алекс Финн делает акцент на том, что это одна из самых недооцененных функций. Когда вы просите модель создать «приватную рубрику для оценки», вы буквально заставляете ее выделить часть вычислительных мощностей на критику самой себя до того, как будет выдан финальный ответ. Это как если бы вы наняли опытного тимлида, который сначала проверяет свой код, а потом показывает его вам. В контексте разработки, например, создания визуализаций на 3JS, рубрика может включать такие параметры, как «производительность рендеринга», «чистота именования переменных», «наличие комментариев» и «повторное использование компонентов». \n\nВ видео наглядно показано, как добавление рубрики превращает примитивный «квадратный» шутер в игру с продвинутой механикой slow-mo и детализированными объектами. Это происходит потому, что рубрика «напоминает» модели о стандартах высокого качества, которые заложены в ее обучении, но обычно подавляются при коротких, «ленивых» запросах. Создание рубрик — это высший пилотаж промпт-инжиниринга. Вам не обязательно каждый раз писать критерии вручную. Вы можете создать «Библиотеку рубрик» для разных задач: одна для кодинга, другая для маркетингового копирайтинга, третья для анализа данных. Каждый раз, когда вы начинаете проект, вы просто вызываете нужную рубрику: «Используй стандартную рубрику для разработки фронтенда: 5 категорий оценки, критерии эффективности». Это дисциплинирует ИИ и минимизирует вероятность получения «AI slop» (низкокачественного контента). Помните: качество вашего ответа прямо пропорционально жесткости критериев, которые вы устанавливаете для самопроверки модели. Чем более формализована рубрика, тем меньше пространства для «галлюцинаций» и упрощений у модели GPT-5.\n\n> \"First spend time thinking of a rubric until you are confident. Think deeply about every aspect of what makes a world-class solution. Use the rubric to internally think and iterate on the best possible solution to the prompt that is provided. Remember that your response is not hitting the top marks across all categories in the rubric. You need to start again.\"\n\n✅ **Сделайте сейчас:** Разработайте «Золотую рубрику» для своей профессиональной деятельности. Это должен быть список из 5–7 критериев, по которым вы оцениваете любую работу (например, для текста: фактологичность, лаконичность, отсутствие клише, глубина аргументации, логическая связность). Сохраните этот блок текста и добавляйте его как обязательный «слой саморефлексии» во все свои важные запросы в течение недели.\n\n## 🏋️ Практикум: Эволюция навыков\n\n1. **Уровень Новичка:** Сформулируйте запрос для поиска информации, добавив явные параметры: «Think hard» и «High verbosity». Оцените разницу в глубине проработки по сравнению с обычным вопросом.\n2. **Уровень Энтузиаста:** Попросите модель создать структуру проекта (например, план сайта или статью) и укажите ей использовать минимум 3 инструмента в одном ответе (веб-поиск, генерация кода, планирование).\n3. **Уровень Инженера:** Примените «мета-промптинг». Задайте сложную задачу, получите результат, а затем спросите модель: «Как улучшить этот промпт, чтобы результат стал профессиональным?». Перезапустите задачу с новым промптом.\n4. **Уровень Архитектора:** Внедрите «саморефлексию» в задачу по программированию. Добавьте фразу: «Создай скрытую рубрику из 5 критериев и не выводи код, пока он не пройдет проверку по всем пунктам».\n5. **Уровень Эксперта:** Прогоните свой «стандартный» рабочий промпт через инструмент-оптимизатор (или системную инструкцию-оптимизатор). Сравните итоговую версию с вашей.\n6. **Аналитик:** Проведите тест на «контрастное поведение». Дайте задачу, получите средний результат, затем напишите: «Результат Х плох, так как не хватает глубины Y. Исправь это, следуя принципу Z». Сравните две версии.\n\n## 🔑 Итоги: 5 действий на сегодня\n1. Начните управлять «Reasoning Level» (от «Think» до «Ultra Think») в каждом важном диалоге.\n2. Введите обязательный контроль вербозности (Low/Medium/High) в системные настройки или каждый промпт.\n3. Перестаньте принимать первый результат: используйте мета-промптинг для итеративного улучшения задачи.\n4. Обязательно вставьте в сложные задачи блок «саморефлексии» с созданием внутренней рубрики оценки.\n5. Создайте «Библиотеку рубрик» для типичных задач, чтобы стандартизировать качество своей работы с GPT-5.\n\n## 💬 Цитаты для вдохновения\n- \"You can't rely on GPT5 to determine these variables for itself. You should control it. And the more you control it, the better results you'll get.\"\n- \"The prompt optimizer understands how GPT5 works better than you understand how GPT5 works. Almost anytime you use a prompt, you want to use the prompt optimizer to get better results.\"\n- \"Remember that your response is not hitting the top marks across all categories in the rubric. You need to start again.\"",
  "youtube_url": "https://www.youtube.com/watch?v=RJfiOWkUQ8A",
  "url": "https://ekstraktznaniy.ru/workbook/3162"
}