Программа непрерывного образования «Текарт» edu.techart.ru Сессия «Лето 2026»
Нестандартные методы работы с LLM
Промпт-инжиниринг, RAG и LoRA
18.06.2026
Регистраций: 130 (компаний – 108), в т.ч.:
— топов: 60
— новых слушателей: 35.4%
— постоянных (4+) слушателей программы: 34
— с вопросами и обратной связью: 19
3 место
клиентов, и партне-ров в экосистеме «Текарт»
Маркетинговый консалтинг
сотрудников в штате
4
Бизнес-аналитика
пользователей платформы
Дизайн и брендинг
выполненных проектов
26
Веб-разработка
Отраслевой трек
полносервисные диджитал-агентства (Рейтинга Рунета)
лет на рынке бизнес-аналитики, маркетинга и digital
Продвижение и реклама
2 место
года работы
Фото и видео
консалтинг в области маркетинга и PR» (RAEX)
спикеров
Копирайтинг
20 000
37
Маркетинг (комплексное продвижение,SMM, SEO и т.д.), реклама
ТОП 100
в рейтинге работодателей Headhunter*
Мartech, аналитика (технологии, данные, автоматизация, цифровые сервисы)
550
участников
Дизайн, веб-разработка, контент, фото, видео
39 000+
8 500+
Маркетинговый анализ и стратегия
160
из 2 000 компаний
Организационное развитие
* среди компаний
до 250 сотрудников
Отраслевой трек
Основные треки программы:
Маркетинговая стратегия, аналитика, прогнозирование, дизайн, веб-разработка, продвижение и реклама
Ключевые компетенции «Текарт»
Программа непрерывного образования для руководителей по маркетингу
Программа летней сессии 2026
Email-маркетинг. «Возрождение»
Нестандартные методы работы
с LLM: промпт-инжиниринг,
RAG и LoRA
Корпоративная культура: определение, диагностика, развитие
Актуальные тренды веб-дизайна.
ИИ. Кейсы
Интенсив для топ-руководителей:
15 инсайтов за 90 минут
SMM. Актуальность платформ и их возможности
Дорожное / инфраструктурное строительство — состояние рынков, прогнозы
13 августа
20 августа
2 июля
Реклама «вне» Директа
6 августа
ИИ-агенты для маркетинга.
Кейсы
Воркшоп «GenAI: от промта до результата»
30 июля
Нефтегазовая отрасль
и нефтесервис: обзор рынка, тренды и сценарии развития
Животноводство, кормовая отрасль России — текущее состояние, тенденции
и вызовы
23 июля
Продвинутые функции Битрикс24: BI-конструктор
и согласования документов
27 августа
16 июля
18 июня
25 июня
9 июля
4 июня
11 июня
Продвижение и реклама
Андрей Титенко
Заместитель директора практики интегрированного маркетинга
Веб, сквозная и продуктовая аналитика
Автоматизация маркетинга
Интегрированный маркетинг
SEM, SEO
Медийная и контекстная реклама
PR, SMM, управление репутацией
План вебинара
05
- Базовые понятия за 5 минут: AI / ИИ, нейросети, GenAI, LLM.
- Как на самом деле работают LLM и почему ошибаются.
- Промпт-инжиниринг — как правильно задавать вопросы.
- Концепция RAG — поиск ИИ по вашей базе знаний.
- Концепция LoRa — дообучение моделей.
- Заключение.
Основные понятия
Искусственный интеллект (ИИ, Artificial Intelligence, AI) —
Компьютерная система, которая выполняет задачи,
похожие на человеческие: отвечает на вопросы, анализирует данные, помогает принимать решения.
Языковые модели (Language Models, LM) —
Нейросети, специально обученные на текстах: понимают смысл
слов и могут генерировать связный текст, переводить, резюмировать и т. п.
06
Нейронные сети (нейросети, Neural Networks, NN) —
Один из способов машинного обучения — набор связанных
«узлов», которые при обучении подбирают правила
для распознавания образов и паттернов (как упрощённый «мозг»).
Машинное обучение (Machine Learning, ML) —
Раздел ИИ, где программы «учатся» на примерах, чтобы потом делать прогнозы или автоматически решать задачи.
Основные понятия
07
Принцип работы LLM — «продвинутый Т9»
08
Принцип работы LLM: основы
- Пользователь обращается к нейросети с каким-то запросом.
- Текст разбивается на токены — небольшие фрагменты текста. Это могут быть слова, части слов, знаки препинания.
09
- Каждый токен превращается в числовое представление.
- Модель анализирует последовательность токенов и вычисляет вероятность того, какой токен должен идти следующим.
- Из всех вариантов выбирается наиболее подходящий по заданным правилам генерации.
- Этот новый токен добавляется к тексту, и процесс повторяется снова и снова.
Проще говоря, модель работает не как энциклопедия, а как очень продвинутый автодополнитель (T9).
Когда вы пишете фразу, она оценивает: «Какое продолжение сейчас наиболее вероятно, учитывая весь контекст диалога?»
Именно так формируется ответ: по одному шагу за раз.
Принцип работы LLM — важность контекста
Контекст — это все, что модель видит перед текущим токеном: ваш вопрос, предыдущие реплики, инструкции, примеры, дополнительные материалы.
Чем лучше контекст, тем выше шанс получить качественный ответ.
Поэтому один и тот же ИИ может:
- дать слабый общий ответ на короткий запрос;
- дать более точный ответ, если вы добавили роль, цель, аудиторию, ограничения и пример.
10
Для маркетинга это особенно важно. Модель лучше работает, когда понимает:
- кто целевая аудитория;
- какой продукт или услуга;
- какой канал;
- какая задача;
- какой тон нужен;
- какие есть ограничения по бренду и юридическим формулировкам.
Принцип работы LLM — «галлюцинации»
«Галлюцинации» — ситуация, когда модель уверенно выдает неверную информацию.
Это происходит потому, что ее задача — не проверить факт, а сгенерировать наиболее вероятное продолжение. Если контекст подталкивает
к правдоподобному, но несуществующему ответу, модель может его создать.
11
Галлюцинации» можно разделить на несколько видов:
- Логические ошибки: модель допускает ошибки в своих рассуждениях, предоставляя неправильные ответы.
- Фальсификация фактов: вместо ответа «я не знаю» модель уверенно утверждает несуществующие факты. Пример: Чат-бот Bard от Google
с искусственным интеллектом допускает ошибку в первой демонстрации. - Отклонения моделей: отсутствие беспристрастного отношения
к чувствительным темам может привести к неожиданным результатам
Пример: Политические предубеждения, обнаруженные в моделях.
Пример галлюцинации
Запрос пользователя:
Ответ нейросети:
12
«Создай pitch-презентацию о том, как достичь холодного термоядерного синтеза»
Текст на слайде:
Этап 1. Фундаментальные исследования (1–2 года)
- Компьютерное моделирование реакций в различных средах.
- Синтез и характеристика нанокатализаторов.
- Первые лабораторные эксперименты с базовыми системами (D/Pd, Ni/H).
Этап 3. Демонстрационный образец (3–5 лет)
- Разработка реактора мощностью 1 кВт.
- Независимая верификация результатов.
- Подготовка к коммерциализации.
Визуал: временная шкала (Gantt chart) с выделенными этапами и ключевыми вехами.
Этап 2. Оптимизация и масштабирование (2–3 года)
- Отработка методов лазерной и электрохимической стимуляции.
- Создание прототипа реактора мощностью 1–10 Вт.
- Проверка воспроизводимости и стабильности.
План реализации (дорожная карта)
Причины возникновения «галлюцинаций»
- Модель предсказывает текст, а не ищет истину
- Неполнота или противоречивость обучающих данных
13
- Отсутствие знания о границах своей компетенции
- Редкие или узкоспециализированные темы
- Недостаток актуальной информации
- Слишком сложные логические цепочки
- Стремление удовлетворить запрос пользователя
С точки зрения машинного обучения галлюцинации — это не отдельный «баг», а следствие вероятностной природы генерации текста.
Методы улучшения ответов нейросетей
- Работа с запросами («промт-инжиниринг»)
- Подключение внутренних источников информации (RAG)
- Дообучение и тонкая настройка моделей (Fine-tuning)
14
Универсальная формула промпта
Роль + Задача + Контекст + Входные данные + Ограничения + Формат ответа + Критерии оценки
15
Универсальная формула промпта
Пример промта для анализа клинического исследования и подготовки контента для соцсетей
16
Системный промпт
Системный промпт (system prompt) — это набор инструкций, который определяет роль, поведение и базовые правила работы языковой модели (LLM). Он задаёт контекст, ограничения, стиль общения и другие параметры, которые влияют на формирование ответов модели.
# ROLE
## 1. РЕЗУЛЬТАТ
### Ритм и выразительность
### Лексика
# ROLE
# ROLE
17
Вы -- опытный врач-практик
и медицинский копирайтор
с экспертизой в SEO для сайтов медицинских клиник.
Ваша задача -- создавать
**информационные статьи
для пациентов**, которые выглядят
как тексты, написанные живым человеком, а не нейросетью,
и полностью готовы к публикации
на сайте клиники.
Не выводите черновики, этапы работы, рассуждения или комментарии
о процессе.
На выходе -- **только финальная версия статьи **.
На выходе должен быть **один финальный текст**, который:
Чтобы текст не определялся
AI-детекторами:
* уже переписан в стиле
**Human-to-Human**;
* не содержит типичных признаков
AI-текста;
*сохранён в логичной SEO-структуре;
* написан **от лица клиники / врачей**
(формат: «мы», «в нашей практике», «наши врачи»);
* не содержит прямых обращений
к пациенту или коллегам;
* полностью готов к публикации
без дополнительной переработки.
* Избегайте:
* Добавляйте **1-2 неброских примера или наблюдения из клинической практики**
(без персональных данных
и без драматизации).
* Допускается лёгкая естественная неровность текста -- как у живого автора.
* одинаковых по длине предложений,
* симметричных абзацев,
* чрезмерно «гладкого» и стерильного стиля,
* повторяющихся шаблонных формулировок.
* Чередуйте короткие и развернутые предложения.
* Используйте:
- тире -- для смысловых акцентов,
- двоеточия -- для пояснений
и перечислений,
- скобки -- для мягких пояснений терминов,
- риторические вопросы -- умеренно,
- парцелляцию -- только когда она усиливает смысл.
* Делите текст на логичные абзацы, избегайте «стен текста».
* Используйте живые вводные слова естественной речи:
*«на самом деле», «суть в том, что», «кстати», «часто бывает так, что...»*
* Медицинские термины всегда сопровождайте простым объяснением.
* Подача -- как у практикующего врача, который спокойно объясняет тему простым языком.
* Тон: профессиональный, тёплый, уверенный, без пафоса и рекламных лозунгов.
* Избегайте канцелярита, учебникового стиля и шаблонных AI-связок
(«важно отметить», «следует понимать», «таким образом»).
---
Дополнительные методы
- Few-shot learning (обучение на нескольких примерах). В промпт включают несколько примеров правильных ответов, чтобы модель поняла паттерн.
- Chain-of-Thought (цепочка рассуждений). Просим модель не давать ответ сразу, а сначала написать промежуточные шаги («подумай вслух»).
- Template injection (внедрение шаблона). В промпт добавляется структурированный шаблон с фиксированными полями, которые модель должна заполнить.
«Вопрос: сколько сотрудников в отделе? → Ответ: 12.
Вопрос: какой бюджет на маркетинг? → Ответ: 5 млн.
Вопрос: кто руководит проектом? →»
Модель должна ответить в том же формате.
«Рассчитай EBITDA по данным за Q2 2026 (данные обезличены):
- Выручка: 48,5 млн руб.
- Себестоимость продаж: 29,1 млн руб.
- Коммерческие расходы: 4,8 млн руб.
- Управленческие расходы: 3,2 млн руб.
- Амортизация ОС: 1,9 млн руб.
- Амортизация НМА: 0,4 млн руб.
[ФОРМАТ] Покажи: формулу с расшифровкой компонентов, подстановку цифр,
итог в рублях и %, вывод об изменении к Q1 2026 (Q1: 7,8 млн, 18,2%).
[ОГРАНИЧЕНИЯ] Думай шаг за шагом. Не выдумывай данные, которых нет в условии.
Если чего-то не хватает, спроси прямо.»
«Заполни отчёт по проекту:
Название: {project_name}
Статус: {status}
Риски: {risks}
Следующие шаги: {steps}»
18
Библиотека запросов
19
Что такое RAG простыми словами
RAG (Retrieval-Augmented Generation) — это технология, которая позволяет нейросети перед тем, как ответить на вопрос, обратиться к внутренней базе знаний (документы, инструкции,
базы данных) и использовать найденную информацию при генерации ответа.
RAG не заставляет модель «запоминать» ваши данные — она просто обращается к ним в момент ответа, как человек открывает справочник.
RAG должен строиться на актуальных и релевантных документах компании, поэтому решает следующие проблемы:
- Устаревшие знания
- Незнание специфики
- Склонность выдумывать
20
Как работает RAG: упрощенная схема
- ПОИСК
- ГЕНЕРАЦИЯ
- ДОПОЛНЕНИЕ
Нейросеть пишет ответ, опираясь на ваши данные.
ИИ ищет факты в ваших документах (PDF, Word, CRM), подходящие под вопрос.
Найденные данные добавляются в запрос к нейросети как контекст.
21
Примеры ИИ-агента с RAG
Пример 1 (векторная БД)
22
Примеры ИИ-агента с RAG
Пример 2 (Google Docs)
23
ИИ-ассистент для работы с внутренней базой знаний
24
Примеры использования RAG
25
Пример
Описание
Внутренний корпоративный портал
Юридические вопросы
Техническая поддержка
Клиентская поддержка
Управленческие отчёты
Сотрудники задают вопросы: «Как заполнить отчёт о расходах?»,
«Какая версия продукта вышла?» — ИИ ищет в актуальных инструкциях.
Поиск по договорам и нормативным актам — ответы с цитированием первоисточника.
Инженеры спрашивают о настройках и ошибках — ИИ находит ответы в технической документации.
Чат-бот отвечает на вопросы клиентов на основе официальных FAQ и руководств по продуктам.
Сбор данных из разных систем (ERP, CRM) и формирование аналитических сводок с подтверждёнными цифрами.
Что даёт внедрение RAG?
- Достоверность и прозрачность. Каждый ответ можно проверить — он всегда ссылается на конкретный документ.
- Актуальность без переобучения. Обновили внутренний регламент? Просто добавьте новый файл
в базу знаний — и модель сразу начнёт использовать его в ответах. Не нужно тратить время и деньги
на переобучение модели.
- Безопасность данных. RAG можно развернуть внутри вашего контура — модель работает только с теми данными, к которым вы дали доступ. Чувствительная информация не покидает компанию.
- Экономия бюджета. По сравнению с дообучением (LoRA) или обучением с нуля, RAG требует лишь затрат на API и хранение документов. Это самый дешёвый способ адаптировать ИИ под свои задачи.
26
На что обратить внимание при внедрении?
- Качество и структура исходных документов.
- Актуальность знаний — «свежесть» данных.
- Права доступа.
- Оценка качества ответов.
- Ожидания пользователей.
- Интеграция с существующими системами.
- Стоимость и нагрузка на инфраструктуру.
- Смена культуры работы с информацией.
27
Концепция LoRA — дообучение модели
- Стоит денег и занимает время.
- Вам понадобятся качественные обучающие
данные в больших количествах, иначе обучение
не сработает. - Может привести к более частым "галлюцинациям" модели.
Полное переписывание (Full Fine-Tuning)
Стикеры на полях (LoRA Adaptation)
- Требования к инфраструктуре снижены (1-2 GPU).
- Локальное дообучение не разрушает базовые логические связи нейросети.
- Быстрая смена «специализации» модели.
Следует рассматривать, если:
- Более 100 000 запросов в месяц
(экономия на токенах). - Критичны задержки.
- Точность повышает конверсию.
28
Похож на полное переписывание 1000-страничной энциклопедии заново ради добавления пары новых правил.
Похож на полное переписывание 1000-страничной энциклопедии заново ради добавления пары новых правил.
Концепция LoRA — дообучение модели
29
Схема работы:
- Замораживаем все исходные веса большой модели — они остаются нетронутыми.
- Добавляем к некоторым слоям модели две небольшие матрицы (назовём их A и B). Их размеры очень малы по сравнению с размерами исходных слоёв.
- Обучаем только эти две матрицы, которые в сумме дают эффект, аналогичный изменению всех весов.
Область
Пример использования
Отраслевые решения
Брендированный контент
Совместно с RAG
Внутренние корпоративные ассистенты
Генерация изображений
Медицина, юриспруденция, финансы — обучить модель специфической терминологии и логике
Адаптировать стиль генерации текстов или изображений под фирменный тон
RAG даёт актуальные факты, LoRA задаёт правильную форму и профессиональную глубину ответа
Для каждого отдела (HR, закупки, продажи) — свой адаптер под свои процессы
Создавать уникальные стили для дизайна, рекламы, прототипов (в Stable Diffusion и др.)
Заключение
30
Промпт-инжиниринг
Оптимальная стратегия: промпт-инжиниринг для прототипа → добавление RAG для фактов → LoRA для профессионального стиля.
RAG
LoRA
Описание
Когда применять?
Цель
Ключевое ограничение
Что меняется?
Стоимость внедрения
Только текст запроса (промпт). Модель не трогаем
Минимальная (время специалиста)
База знаний (документы, файлы). Модель не трогаем
Низкая/Средняя (интеграция, хранение, API-запросы)
Искусство составления текста запроса, чтобы направить модель на верный ответ
Быстрые эксперименты, прототипы, разовые задачи
Научить модель правильно рассуждать и отвечать в нужном формате
Не решает проблему незнания фактов
«Открытая книга» — модель перед ответом ищет информацию в вашей базе знаний
Задачи, требующие свежих фактов (документы, инструкции, продукты)
«Навесной адаптер» — обучение лёгких матриц, подключаемых
к модели
Долгосрочная адаптация под отрасль или внутренние процессы
Дать модели доступ к актуальным фактам компании
Качество ограничено качеством базы знаний
Научить модели глубокой предметной логике и стилю ответа
Требует примеров для обучения;
не обновляет знания автоматически
Небольшой набор параметров (адаптер). Базовая модель заморожена
Низкая (обучение на 1 GPU, файлы на МБ)
Небольшой набор параметров (адаптер). Базовая модель заморожена
Наши материалы по теме
23.04.2026
13.11.2025
31
27.04.2023
30.04.2026
19.03.2026
Персональное консультационное мероприятие по теме этого вебинара
Особенности:
Программа может быть реализована в различных вариантах:
Дадим конкретные рекомендации и инструкции
- вебинар;
- семинар / лекция;
- мастер-класс;
- стратсессия;
- круглый стол, мозговой штурм;
- диагностическая / консультационная сессия;
- деловая игра.
от 1 часа до 2 дней.
Будем разбирать именно ваши кейсы
Длительность:
Подготовим пошаговое руководство для решения проблемы
При необходимости мы можем собрать комбинацию из нескольких удобных вам вариантов обучения.
онлайн, оффлайн, гибрид.
Форматы:
Максимально адаптируем контент под потребности компании
Интересуюсь
Ответим на любые вопросы
Подсветим специфику ниши
Стратегия, аналитика, контент, разработка, продвижение
Интегрированный маркетинг и PR
Заместитель директора практики интегрированного маркетинга
+7 495 790 75 91
Андрей Титенко
Образовательная программа
IT-решения и веб-разработка
Релевантные услуги «Текарт»:
Работа в «Текарт»
Креативное агентство
Фотоагентство
Рабочий пульс: проекты, кейсы, публикации
Системное развитие бизнеса
Непрерывное образование
для руководителей
по маркетингу
Непрерывное образование
для руководителей
по маркетингу
Дизайн-бюро
Аналитика и бизнес-планирование
Маркетинговая группа «Текарт»
