Пройдите этот урок до конца. На то есть две причины: 

Первая. Я разложил все по ступеням, от простого к сложному, с примерами. Каждая ступень опирается на предыдущую, и к концу картина соберется целиком, без «белых пятен»

Вторая. Промптер обязан понимать, как это работает – хотя бы в общих чертах. Когда в голове дыры, это бьет по всему подходу: меньше уверенности, меньше настойчивости. Вы либо командуете процессом, либо робко просите. Понимание механики – это разница между этими двумя позициями.

Дальше мы разберем все в три захода: сначала что модель видит, потом как из этого рождается ответ, и в конце соберем все в одну картину. Поехали

Ступень 1. Что такое модель на самом деле

Сначала уберем главное заблуждение:

Нейросеть – это не база данных с готовыми ответами и не программа с правилами, которую кто-то прописал строчка за строчкой. Никто не писал «если спросят про кошек – ответь так».

Модель – это натренированная машина закономерностей. Ее обучили: прогнали через нее колоссальный объем текста (а сегодня – еще картинок, кода, аудио, видео) и заставили миллиарды раз угадывать, что идет дальше.

За ошибку – поправка, за попадание – закрепление. После триллионов таких поправок внутри сложилась система связей, которая улавливает закономерности языка и мира

Слово GPT (Generative Pre-trained Transformer) – это название самого подхода, а не одного ChatGPT. Оно стало нарицательным, как «ксерокс» (хотя изначально это был аппарат фирмы Xerox). Почти все известные модели – Claude, GPT, Gemini, DeepSeek и прочие – стоят на одном фундаменте: на архитектуре трансформер. Фишки у каждой свои, принцип общий

Главное отличие трансформера от старых нейросетей: он не читает текст как человек – слева направо, слово за словом. Он видит весь массив сразу и работает с ним целиком.

Прежде чем понять, как модель думает, нужно понять, что именно она видит. А видит она совсем не то, что видите вы

Ступень 2. Модель видит не слова, а токены

Когда вы вводите текст, модель первым делом разбивает его на токены

Токен – это технический кусок текста. Им может быть целое слово, часть слова, знак препинания или число. Например, слово «отказать» для человека – одно слово. А внутри модели оно может быть собрано из кусков:

от + каз + ать

Зачем так? Модели удобнее хранить не миллионы слов целиком, а набор частых кусков, из которых можно собрать почти любое слово. Частое слово может храниться целиком, редкое и длинное – собирается из частей.

Дальше каждый токен модель переводит в числа. Получается цепочка:

Уровень	Что это
Слово	То, что видит человек
Токен	Технический кусок текста, с которым работает модель
Число	Внутренняя форма токена внутри вычислений

Путь такой: текст → токены → числа

Запоминать это не нужно. Важно одно: модель не видит «слова» так, как вы. Дальше я для простоты буду говорить «слово», но вы теперь знаете, что под капотом – кусочки и числа

А теперь стык. Один такой кусочек сам по себе почти пустой. Чтобы он что-то значил, нужно окружение. С него и начинается понимание

Ступень 3. Контекст: как из кусочков рождается понимание задачи

Возьмем слово «холодный». Само по себе оно неопределенное:

• холодный чай;
• холодный взгляд;
• холодный трафик;
• холодный запуск

Один и тот же кусочек – четыре разных смысла. Что именно имеется в виду, решает контекст – все, что стоит вокруг и влияет на смысл этого места

Теперь возьмем не одно слово, а запрос:

«Напиши краткий, вежливый, но твердый отказ клиенту»

Модель должна учесть все условия разом, и каждое крутит свою «ручку»:

• краткий – задает длину;
• вежливый – задает тон;
• твердый – задает степень прямоты;
• отказ – задает тип ответа;
• клиенту – задает деловую ситуацию

И – это важно – условия влияют друг на друга. «Вежливый» и «твердый» вместе дают не просто сумму, а конкретный баланс: мягко по форме, но без лазеек по сути. Модель не просто «видит набор слов» – она улавливает, как условия взаимодействуют.

Из всего этого внутри собирается рабочая картина задачи. Не человеческий списочек, конечно, но по сути:

• о чем речь;
• что нужно сделать;
• какой нужен тон;
• для кого ответ;
• какие есть ограничения;
• какие продолжения уместны, а какие нет

И только из этой картины модель начинает строить ответ. Не «с первого слова наугад», а от общего понимания задачи

Чтобы собрать такую картину, модель должна решать, какие части запроса важнее и как они связаны. За это отвечает механизм с говорящим названием – внимание

Ступень 4. Внимание: как модель решает, что в запросе главное

Мы уже знаем: модель видит весь текст сразу. Но «видит весь» не значит «учитывает все одинаково». За расстановку важности отвечает внимание (attention). 

Внимание делает две вещи: на каждом шаге решает, что сейчас важнее, и как части связаны между собой

Именно внимание разруливает «холодный»: смотрит на соседей и подтягивает нужный смысл. Еще пример – «сломался палец в автомобиле». В разговоре про устройство авто «палец» – это деталь механизма. В разговоре про безопасность – часть тела. Слова одни, а внимание взвешивает связи и собирает верный смысл.

Есть один нюанс внимания, полезный на практике. В длинном тексте оно распределяется неравномерно. Очень грубо это похоже на букву U:

• начало получает много внимания;
• конец тоже;
• середина иногда учитывается слабее

Раньше это было критично.Сегодня новые модели справляются с этим заметно лучше старых, но эффект  еше есть: на длинных и плотных контекстах середина по-прежнему проседает ощутимо. 

* подробнее и больше о внимании в следующем уроке

Отсюда рабочий прием. Если в большом промпте видите, что модель что-то проигнорировала, кратко продублируйте главное в самом конце:

«Напоминаю ключевые условия: (2–3 главных требования своими словами). Теперь отвечай. Перед ответом проверь, что ничего не потерял из задачи, структуры и ограничений»

Это не магия – вы просто еще раз подсвечиваете, что нельзя упускать, и заставляете модель в конце учесть свежие позиции конкретных правил. 

Итак: модель разбила текст на кусочки, через внимание собрала картину задачи. Теперь – самое интересное: как из этой картины рождается ответ. И тут обычно понимают неправильно

Ступень 5. Как строится ответ: предсказание следующего кусочка

Модель не пишет ответ целиком и сразу. Она идет шаг за шагом и на каждом шаге выбирает следующий кусочек.

Представьте игру в продолжение фразы:

«Сегодня я видел в парке…»

Друг почти наверняка скажет «…белку», «…собаку», «…ребенка». Не «…трактор» и не «…квазар». Модель делает то же самое, но в гигантском масштабе: она прочитала миллиарды текстов и знает, что после «в парке» обычно идет. Выбирает подходящее – и продолжает. Потом следующий кусочек. Так собирается весь ответ

Здесь нужно сразу убрать одну ловушку. «Самое вероятное продолжение» – это не «самое частое слово в языке вообще». Это оценка того, что лучше продолжит именно этот текст именно сейчас, с учетом уже написанного, стиля, задачи и формата. Модель спрашивает не «что чаще встречается в языке?», а «что уместнее здесь и сейчас?»

И вот тут возникает справедливый вопрос – самый важный во всем уроке:

«Угадывание следующего слова – понятно. Но как из угадывания слов получаются целые рабочие идеи? Если бы все решала очевидная вероятность, ИИ выдавал бы шаблоны. А он находит реально работающие под ситуацию решения. Тут явно что-то еще»

Верно. «Предсказание слова» – это только верхушка. Чтобы ответить на вопрос, нужно заглянуть на этаж глубже – туда, где модель хранит не слова, а смыслы

Ступень 6. Карта смыслов: модель думает местами, а не словами

Помните путь «текст → токены → числа»? Так вот, эти числа – не просто номерки. Каждое слово модель превращает в координаты точки на огромной внутренней «карте смыслов» (технический термин – эмбеддинги, запоминать не нужно).

Если очень упрощенно: представьте карту города. Любое место на ней задается адресом, например, улица Парковая, дом 15 – два значения, две координаты (улица и дом), и точка найдена однозначно, второй такой в городе нет

Это и есть «координаты»: набор значений, который задает место. На карте смыслов все так же, только значений не два, а очень много – и каждое отвечает за какой-то признак смысла. Не пугайтесь количества: принцип тот же – набор значений задает понятию свое место на карте.

Два свойства этой карты меняют все

1. Близость = похожесть по смыслу.

Слова с близким значением лежат рядом. «Кошка» рядом с «котенком» и «мурлыканьем». «Король» рядом с «троном» и «короной». Никто их так не расставлял – обучение само свело похожее в один район, потому что в текстах эти слова играют похожие роли

2. И вот это уже почти магия – у смысла есть направления.

Расстояние между точками – это не просто «далеко/близко», а осмысленное направление. Поясню на примере (упрощенно, но суть именно такая).

Направление от «мужчина» к «женщина» – это, по сути, «сменить пол понятия». И это направление можно приложить к любому другому слову:

Берем «король», прикладываем направление «мужчина → женщина» – попадаем в «королеву»

Или другое направление – «столица страны»:

«Париж» относится к «Франции» так же, как «Рим» – к «Италии»

То есть модель умеет работать со смыслами как с направлениями на карте: «усилить», «сделать ироничным», «перенести в прошлое», «сделать детским» – все это устойчивые направления, которые она выучила и прикладывает к чему угодно

Вот и ответ на главный вопрос. Когда модель «выбирает следующий кусочек», она прокладывает маршрут по карте смыслов – движется не от слова к слову, а от смысла к смыслу. Слова – лишь то, во что маршрут переводится в самом конце.

Но близость и направления – еще не вся история. Главное впереди: между точками есть бесконечно много промежутков. Из них и рождаются новые идеи

Ступень 7. Откуда берутся НОВЫЕ идеи под ситуацию, а не штампы

Раз модель работает с точками на карте, а не со словами, у нее есть две способности, которых нет у простого «угадывания слова»

Способность первая: точки «между»

Карта непрерывна – между любыми двумя точками бесконечно много промежуточных. Значит, модель может попасть в точку, которой не было ни в одном тексте.

«кофейня» + «библиотека» = антикафе с книгами, где платишь за время

Модель не достала готовый шаблон «антикафе». Она взяла регион «кофейня» (уют, кофе, столики) и регион «библиотека» (книги, тишина, можно сидеть долго) и нашла точку между ними. Эта идея вычислена, а не найдена в готовом виде. Так и рождаются «новые» решения – как осмысленные промежутки между известным

Способность вторая: ваш запрос работает как система сил

А теперь – почему идея попадает именно в вашу ситуацию, а не в универсальный штамп.

Каждое условие промпта – это сила притяжения, тянущая маршрут в свой район карты:

«Придумай методику для подростков, чтобы учить язык было интересно»

• «подростки» тянет в район: соцсети, игры, короткие видео, челленджи;
• «учить язык» тянет в район: уровни, упражнения, диалоги, погружение;
• «интересно» тянет в район: геймификация, юмор, награды, азарт

Ответ – это точка, где все притяжения уравновесились: язык учат через игровые квесты, мемы и соревнования в чатах. Каждый элемент существовал по отдельности – но собран под пересечение именно ваших условий

Поменяйте «подростки» на «пенсионеры» – силы сместятся, маршрут уйдет в другой район, ответ будет другим. Не другой шаблон достанется – а другая точка вычислится. Вот почему это не штамповка: модель каждый раз заново ищет равновесие между вашими условиями.

Удержите этот образ – он самый ценный: вы своим промптом расставляете силы притяжения, а модель находит точку, где они сходятся. Точнее расставите силы – точнее попадете

Мы поняли, что позволяет находить идеи под ситуацию. Осталось разделить два слоя работы модели: что сказать и как

Ступень 8. Два этажа паттернов: «что сказать» и «как сказать»

Внутри модели работают как бы два этажа закономерностей

Текстовые паттерны – это «КАК сказать». Форма, стиль, тон, построение фраз:

• синтаксис – как строится предложение («кот спит спокойно»);
• смысловые связки – что с чем сочетается («дождь» тянет «зонт», «грозу»);
• стилистика жанра – клише новостей, диалоги в прозе, рекламный пафос, саркастический ритм

Структурные паттерны – это «ЧТО сказать». Глубинный этаж: как устроена идея, схема, логика:

• концептуальные связи («регулярные тренировки» → бег, силовые, гимнастика);
• аналогии («организация работает как пчелиный улей»);
• сценарии («поход в ресторан» = заказ → еда → оплата);
• комбинаторика (то самое «кофейня + библиотека»)

Этаж	За что отвечает
Текстовые паттерны	Как сказано: стиль, тон, жанр, ритм, формулировки
Структурные паттерны	Что сказано: идея, схема, логика, способ решения

Сначала модель решает, что сказать (структурный этаж), потом – как это выразить (текстовый).

Покажу разницу на приеме, который пригодится. Сравните:

«Создай структуру доклада, опираясь на маркетинговые формулы»

«Создай структуру доклада, опираясь на паттерны маркетинговых формул»

• В первом случае модель возьмет готовые формулы (AIDA и подобные) и натянет задачу на них – иногда в ущерб задаче;
• Во втором – поднимется на структурный этаж: вытащит принципы за формулами («создать напряжение и разрешить», «логика плюс эмоция») и соберет новую структуру под задачу

Одно слово – «паттерны» – переключает модель с «достань шаблон» на «собери под ситуацию»

До сих пор мы говорили так, будто модель выдает первое, что собралось. Так было раньше. Новые модели устроены хитрее

Ступень 9. Новое поколение: модель сначала обдумывает ответ

Появились рассуждающие модели. Прежде чем дать финальный ответ, такая модель сначала думает «про себя»: прикидывает варианты, проверяет логику, ловит свои ошибки, отбрасывает тупиковые пути – и только потом отвечает.

Сравните:

• Раньше: «пиши первое, что вытянулось». Как человек, отвечающий не подумав;
• Теперь: «сначала прикину на черновике, проверю, потом отвечу». Как человек, который сел, подумал и выдал взвешенный ответ

Понимать это нужно правильно: это не сознание и не «человечек внутри». Это более длинный и более фильтруемый процесс – модель прокладывает по карте смыслов не один маршрут, а несколько, сравнивает и выбирает лучший. Эффект: слабые варианты отсеиваются еще до финала, формат держится крепче, кривой ход реже доходит до ответа. Поэтому современные модели хорошо берут многоходовку: математику, код, сложную логику

Еще несколько свойств сильных современных моделей:

• Мультимодальность – работают не только с текстом, но и с картинками, документами, кодом, иногда звуком и видео
• Умеют признать незнание. Раньше модель, не найдя ответа, выдумывала ерунду. Сейчас же стали чаще признавать незнание, но уверенные выдумки не исчезли, проверка все еще на вас
• Агентность – могут не просто ответить, а выполнить цепочку действий: поискать, запустить код, проверить результат, исправиться – сами

Мы разобрали все механизмы по отдельности. Теперь посмотрим, как они срабатывают все разом на одной задаче

Ступень 10. Все на одном примере

Промпт:

«Напиши пост в виде таблицы от лица саркастичного ИИ: левая часть продает CRM, правая саботирует аргументы с уклоном в сарказм, в финале обе части объединяются против читателя»

Возможный результат:

Официальное заявление	Реальность
Наша CRM автоматизирует рутину	…и превращает каждого сотрудника в приложение к интерфейсу
Полный контроль процессов в реальном времени	То есть нервничать теперь можно круглосуточно
Персонализация клиентского опыта	Мы знаем о клиентах столько, что уже неловко
Бесплатное обучение команды	Чтобы сотрудники быстрее поняли, в какой цифровой яме оказались
Скидка при подключении сегодня	Потому что завтра вы, возможно, одумаетесь

Финал: Неважно, верите вы в прогресс или нет – ваши данные уже мысленно с нами.

Теперь разложим, что сработало:

• Контекст и внимание удержали все условия разом: «таблица», «слева продает», «справа саботирует», «сарказм», «финал против читателя»;
• Структурный паттерн («что сказать») задал каркас: обещание → подрыв обещания → общий укол в конце;
• Карта смыслов для темы CRM подтянула не только «автоматизацию», но и соседние по смыслу тревоги: слежка, контроль, обезличивание, недоверие к технологиям;
• Комбинаторика смешала миры: корпоративный язык + интернет-сатира + страх цифрового контроля. Точка «между» ними и дала тон;
• Текстовые паттерны («как сказать») оформили это в манеру: короткие фразы, восклицания, скобки-врезки, мемный ритм;
• Отбор (рассуждение) отсек шутки, не лезущие в структуру «продает / разрушает»

Из механики продолжения текста выросла не гладкая фраза, а цельная идея под конкретную задачу. Вот вся лестница в действии

Картина почти собрана. Осталась честная оговорка – чего модель все-таки не умеет

Ступень 11. Чего ИИ по-прежнему НЕ умеет (и честный нюанс)

У модели нет сознания. Она не «понимает» кошку, как вы: никогда ее не видела, не трогала, не знает, что та теплая и мурлыкает. Внутри – только связи между смыслами из текстов и картинок. Нет чувства юмора, эмоций, переживаний «изнутри» – есть очень сложная математика смыслов, которая имитирует все это убедительно.

И все же – нюанс, на котором стоит притормозить

Приглядитесь, как мыслите вы. Вы тоже вспоминаете релевантное, сопоставляете с контекстом (взрослому объясните одно, ребенку – другое), прикидываете вероятное и отвечаете. Механика, по сути, похожа. Разница – в «человечности» сверху: интуиция, телесный опыт, случайные озарения, личная биография, настоящие эмоции. Этого у модели нет

Но граница между «имитацией мышления» и «мышлением» постепенно тоньше, и честный практический ответ такой: на работе эта разница почти не мешает. Модель ведет себя как очень толковый, начитанный, быстрый напарник – так к ней и разумнее относиться, не приписывая ни лишней «души», ни лишней «тупости».

Ступень 12. Что это дает промптеру на практике

1. Вы расставляете силы – модель ищет точку их пересечения. Каждое четкое условие – вектор притяжения. Больше точных условий → точнее попадание. Размытый промпт → «средний» ответ
2. Хотите свежих идей – сталкивайте далекие миры. Не одну тему, а пересечение: обучение + игры + соцсети; маркетинг + психология + стендап. Чем дальше миры – тем интереснее комбинаторика.
3. Просите «паттерны» и принципы, а не готовые формулы. «По принципам…», «по паттернам…», «по логике, которая стоит за…» – это переключает с трафарета на сборку под задачу
4. На сложном – включайте рассуждение. «Сначала продумай ход решения, проверь себя, потом дай ответ»
5. В длинных промптах дублируйте ключевое в конце. Эффект «провисания середины» на больших объемах никуда не делся (мы подробно разберем его в следующем уроке про внимание). 
6. Помните про границы. Модель может уверенно ошибаться и не знает того, чего нет в ее данных. Просите проверять и признавать незнание – это она умеет.

Вся цепочка за один взгляд

Если соединить все ступени, языковая модель:

1. получает текст и разбивает его на токены;
2. переводит токены в числа – координаты на карте смыслов;
3. через контекст и внимание понимает, как условия влияют друг на друга, и собирает картину задачи;
4. строит ответ шаг за шагом, выбирая не частое слово вообще, а уместное здесь и сейчас;
5. прокладывает маршрут не от слова к слову, а от смысла к смыслу – по карте, где у смысла есть направления;
6. условия промпта работают как силы притяжения, ответ – точка их равновесия (поэтому под ситуацию, а не шаблон);
7. на структурном этаже решает, что сказать, на текстовом – как;
8. через комбинаторику (точки «между») собирает новые идеи;
9. в режиме рассуждения отбрасывает слабые маршруты до финала

Поэтому ИИ умеет не только дописывать фразы, а держать стиль, объяснять, сравнивать, шутить, находить аналогии и собирать рабочие решения под задачу. Не потому что «думает как человек» – а потому что очень мощно работает с токенами, контекстом, картой смыслов и отбором маршрутов 

Когда вы держите эту механику в голове, вы перестаете просить у модели и начинаете ею управлять. Это и есть часть мастерства ИИ-технолога.