Принцип

Знание типичных ошибок помогает их избежать. Каждый антипаттерн — урок из реального опыта.

Неоднозначность

Симптом

Модель интерпретирует задачу иначе, чем ожидалось.

Примеры

Антипаттерн 1: Размытая задача  
Плохо:  
"Напиши функцию для работы с данными"  
  
Проблемы:  
- Какие данные? (тип, формат, размер)  
- Какая работа? (чтение, запись, преобразование)  
- Какой результат? (тип, формат)  
  
Хорошо:  
"Напиши функцию:  
- Вход: list$dict$ с ключами 'name', 'age', 'email'  
- Обработка: фильтрация по age \>= 18  
- Выход: list$dict$ только с отфильтрованными записями"  
  
Антипаттерн 2: Неявный формат  
Плохо:  
"Проанализируй код и найди проблемы"  
  
Проблемы:  
- Какие проблемы? (безопасность, стиль, производительность)  
- В каком формате ответ? (текст, список, JSON)  
- Сколько проблем? (все, топ-N)  
  
Хорошо:  
"Проанализируй код.  
Фокус: только уязвимости безопасности.  
Формат: JSON массив  
\{  
  'line': int,  
  'issue': str,  
  'severity': 'low' | 'medium' | 'high',  
  'fix': str  
\}  
Максимум: 10 проблем"  
  
Антипаттерн 3: Неопределённое поведение  
Плохо:  
"Напиши функцию деления"  
  
Проблемы:  
- Что при делении на 0? (исключение, None, infinity)  
- Какой тип результата? (int, float, Decimal)  
- Округление? (если нужно)  
  
Хорошо:  
"Напиши функцию деления:  
- Сигнатура: divide(a: float, b: float) -\> float | None  
- При b=0: вернуть None (не исключение)  
- Точность: 2 знака после запятой"

Избыточный контекст

Симптом

Модель теряется в большом объёме информации, пропускает важное.

Примеры

Антипаттерн 1: Весь код проекта  
Плохо:  
"Вот код проекта: $2000 строк из 20 файлов$  
Найди баг в функции get\_user"  
  
Проблемы:  
- Размывание внимания  
- Lost in the middle  
- Расход токенов  
  
Хорошо:  
"Баг: get\_user возвращает None для существующего пользователя  
  
Релевантный код:  
\`\`\`python  
\# src/repositories/user.py, строки 45-60  
async def get\_user(self, user\_id: int) -\> User | None:  
    query = select(User).where(User.id == user\_id)  
    result = await self.\_session.execute(query)  
    return result.scalar()  \# \<-- возможно, здесь

Модель User:

class User(Base):  
    id: int  
    email: str  
    is\_deleted: bool = False  \# мягкое удаление

Вопрос: почему не находит пользователя с is_deleted=True?"

Антипаттерн 2: Ненужная история Плохо: "Проект начался в 2020 году, когда команда из 5 человек... $3 абзаца истории$ ...и вот теперь нужно добавить кэширование"

Хорошо: "Добавь Redis кэширование в функцию get_user. TTL: 5 минут. Redis клиент: уже есть в src/core/redis.py"

Антипаттерн 3: Повторение очевидного Плохо: "Python — это язык программирования. Функции в Python определяются с помощью ключевого слова def. Напиши функцию сортировки."

Хорошо: "Напиши функцию сортировки списка словарей по ключу 'date'. Python 3.11, type hints."

  
\#\# Противоречивые инструкции  
  
\#\#\# Симптом  
Модель выбирает произвольно между конфликтующими требованиями.  
  
\#\#\# Примеры

Антипаттерн 1: Взаимоисключающие требования Плохо: "Напиши короткий код с подробными комментариями"

Проблема: краткость и подробность противоречат.

Хорошо: "Напиши код.

Код: максимально лаконичный
Комментарии: только для неочевидной логики"

Или: "Напиши код с подробными комментариями. Ограничение: комментарии не более 1 строки на каждые 3 строки кода"

Антипаттерн 2: Несовместимые технологии Плохо: "Используй только стандартную библиотеку, но с pandas для данных"

Хорошо: "Используй pandas для обработки данных. Другие внешние библиотеки не использовать."

Антипаттерн 3: Конфликт приоритетов Плохо: "Оптимизируй по скорости и памяти одновременно"

Проблема: часто это trade-off.

Хорошо: "Оптимизируй код. Приоритеты (по убыванию):

Скорость выполнения
Потребление памяти
Читаемость

При конфликте скорость важнее памяти."

  
\#\# Отсутствие примеров  
  
\#\#\# Симптом  
Модель не понимает нестандартный формат или логику.  
  
\#\#\# Примеры

Антипаттерн 1: Кастомный формат без примера Плохо: "Конвертируй задачи в мой формат тасков"

Проблема: модель не знает формат.

Хорошо: "Конвертируй задачи в формат:

Примеры: 'купить молоко' → TODO:shop:buy milk:low 'позвонить врачу завтра' → REMIND:2024-01-15:call doctor:high 'идея: новый проект' → IDEA:new project:medium

Структура: TYPE:DETAILS:PRIORITY

Задача для конвертации: 'встреча с клиентом в понедельник'"

Антипаттерн 2: Нестандартная классификация Плохо: "Классифицируй код по типу"

Проблема: какие типы?

Хорошо: "Классифицируй Python код.

Категории:

data: работа с данными (pandas, numpy, файлы)
web: веб-разработка (flask, django, fastapi)
ml: машинное обучение (sklearn, pytorch, tensorflow)
infra: инфраструктура (docker, k8s, ci/cd)
other: остальное

Примеры: 'import pandas as pd; df = pd.read_csv(...)' → data '@app.route('/users')' → web 'model.fit(X_train, y_train)' → ml"

Антипаттерн 3: Сложная трансформация Плохо: "Преобразуй SQL в ORM"

Хорошо: "Преобразуй SQL в SQLAlchemy ORM.

Примеры: SQL: SELECT * FROM users WHERE age > 18 ORM: session.query(User).filter(User.age > 18).all()

SQL: SELECT name, COUNT(*) FROM orders GROUP BY name ORM: session.query(Order.name, func.count()).group_by(Order.name).all()

SQL: $твой запрос$ "

  
\#\# Смешение задач  
  
\#\#\# Симптом  
Ответ частично выполняет каждую задачу, но ни одну полностью.  
  
\#\#\# Примеры

Антипаттерн 1: Три задачи в одном промпте Плохо: "Напиши код, объясни его, и предложи тесты"

Проблема: модель может сделать каждое частично.

Хорошо (три промпта):

"Напиши функцию валидации email"
"Объясни логику этой функции: $код$ "
"Напиши pytest тесты для: $код$ "

Или (явная структура): "Выполни последовательно:

Шаг 1: Код

$функция валидации email$

Шаг 2: Объяснение

$описание логики$

Шаг 3: Тесты

$pytest тесты$ "

Антипаттерн 2: Анализ + рекомендации + реализация Плохо: "Проанализируй код, предложи улучшения и реализуй их"

Хорошо (итеративно):

"Проанализируй код, найди проблемы"
$получить список проблем$
"Реализуй исправление для проблемы X"

  
\#\# Неправильная роль  
  
\#\#\# Симптом  
Модель даёт ответ не того уровня или стиля.  
  
\#\#\# Примеры

Антипаттерн 1: Конфликтующие роли Плохо: "Ты эксперт и новичок одновременно. Объясни декораторы."

Хорошо: "Ты senior Python developer. Объясни декораторы junior разработчику. Уровень: базовый, с простыми примерами."

Антипаттерн 2: Роль без контекста Плохо: "Ты code reviewer. Проверь код."

Проблема: какой фокус ревью?

Хорошо: "Ты security engineer с опытом в OWASP. Code review с фокусом на:

Injection vulnerabilities
Authentication issues
Data exposure

Формат: строка → проблема → fix"

Антипаттерн 3: Несоответствующая роль Плохо: "Ты поэт. Напиши SQL запрос."

Хорошо: "Ты DBA с опытом PostgreSQL. Напиши оптимизированный запрос для:

Таблица: 10M записей
Выборка: топ 100 по дате"

  
\#\# Игнорирование ограничений модели  
  
\#\#\# Симптом  
Запрос информации за пределами знаний модели.  
  
\#\#\# Примеры

Антипаттерн 1: Актуальные данные Плохо: "Какой курс доллара сегодня?"

Проблема: модель не имеет актуальных данных.

Хорошо: "Напиши функцию получения курса валют через API ЦБ РФ"

Антипаттерн 2: Специфичный код проекта Плохо: "Почему наша функция calculate_discount() возвращает неверное значение?"

Проблема: модель не знает код проекта.

Хорошо: "Вот функция calculate_discount(): $код$

Вот тест-кейс:

Вход: price=100, discount=10
Ожидание: 90
Факт: 10

Найди ошибку."

Антипаттерн 3: Проприетарные API Плохо: "Как использовать InternalCompanyAPI?"

Хорошо: "Вот документация InternalCompanyAPI: $документация$

Напиши пример использования для задачи X."

  
\#\# Чеклист: избежание антипаттернов

Перед отправкой промпта:

□ Задача однозначна?

Одна интерпретация
Чёткий ожидаемый результат

□ Контекст достаточен, но не избыточен?

Только релевантная информация
Нет истории и очевидных фактов

□ Нет противоречий?

Требования совместимы
Приоритеты явные

□ Примеры есть (если нестандартная задача)?

2-3 примера input → output
Покрывают разные случаи

□ Одна задача?

Или явно разделена на шаги

□ Роль соответствует задаче?

Экспертиза релевантна
Уровень ответа определён

□ Модель может ответить?

Информация в пределах знаний
Не требует актуальных данных

Принцип

Знание типичных ошибок помогает их избежать. Каждый антипаттерн — урок из реального опыта.

Неоднозначность

Симптом

Модель интерпретирует задачу иначе, чем ожидалось.

Примеры

Антипаттерн 1: Размытая задача  
Плохо:  
"Напиши функцию для работы с данными"  
  
Проблемы:  
- Какие данные? (тип, формат, размер)  
- Какая работа? (чтение, запись, преобразование)  
- Какой результат? (тип, формат)  
  
Хорошо:  
"Напиши функцию:  
- Вход: list$dict$ с ключами 'name', 'age', 'email'  
- Обработка: фильтрация по age \>= 18  
- Выход: list$dict$ только с отфильтрованными записями"  
  
Антипаттерн 2: Неявный формат  
Плохо:  
"Проанализируй код и найди проблемы"  
  
Проблемы:  
- Какие проблемы? (безопасность, стиль, производительность)  
- В каком формате ответ? (текст, список, JSON)  
- Сколько проблем? (все, топ-N)  
  
Хорошо:  
"Проанализируй код.  
Фокус: только уязвимости безопасности.  
Формат: JSON массив  
\{  
  'line': int,  
  'issue': str,  
  'severity': 'low' | 'medium' | 'high',  
  'fix': str  
\}  
Максимум: 10 проблем"  
  
Антипаттерн 3: Неопределённое поведение  
Плохо:  
"Напиши функцию деления"  
  
Проблемы:  
- Что при делении на 0? (исключение, None, infinity)  
- Какой тип результата? (int, float, Decimal)  
- Округление? (если нужно)  
  
Хорошо:  
"Напиши функцию деления:  
- Сигнатура: divide(a: float, b: float) -\> float | None  
- При b=0: вернуть None (не исключение)  
- Точность: 2 знака после запятой"

Избыточный контекст

Симптом

Модель теряется в большом объёме информации, пропускает важное.

Примеры

Антипаттерн 1: Весь код проекта  
Плохо:  
"Вот код проекта: $2000 строк из 20 файлов$  
Найди баг в функции get\_user"  
  
Проблемы:  
- Размывание внимания  
- Lost in the middle  
- Расход токенов  
  
Хорошо:  
"Баг: get\_user возвращает None для существующего пользователя  
  
Релевантный код:  
\`\`\`python  
\# src/repositories/user.py, строки 45-60  
async def get\_user(self, user\_id: int) -\> User | None:  
    query = select(User).where(User.id == user\_id)  
    result = await self.\_session.execute(query)  
    return result.scalar()  \# \<-- возможно, здесь

Модель User:

class User(Base):  
    id: int  
    email: str  
    is\_deleted: bool = False  \# мягкое удаление

Вопрос: почему не находит пользователя с is_deleted=True?"

Хорошо: "Добавь Redis кэширование в функцию get_user. TTL: 5 минут. Redis клиент: уже есть в src/core/redis.py"

Хорошо: "Напиши функцию сортировки списка словарей по ключу 'date'. Python 3.11, type hints."

  
\#\# Противоречивые инструкции  
  
\#\#\# Симптом  
Модель выбирает произвольно между конфликтующими требованиями.  
  
\#\#\# Примеры

Антипаттерн 1: Взаимоисключающие требования Плохо: "Напиши короткий код с подробными комментариями"

Проблема: краткость и подробность противоречат.

Хорошо: "Напиши код.

Код: максимально лаконичный
Комментарии: только для неочевидной логики"

Антипаттерн 2: Несовместимые технологии Плохо: "Используй только стандартную библиотеку, но с pandas для данных"

Хорошо: "Используй pandas для обработки данных. Другие внешние библиотеки не использовать."

Антипаттерн 3: Конфликт приоритетов Плохо: "Оптимизируй по скорости и памяти одновременно"

Проблема: часто это trade-off.

Хорошо: "Оптимизируй код. Приоритеты (по убыванию):

Скорость выполнения
Потребление памяти
Читаемость

При конфликте скорость важнее памяти."

  
\#\# Отсутствие примеров  
  
\#\#\# Симптом  
Модель не понимает нестандартный формат или логику.  
  
\#\#\# Примеры

Антипаттерн 1: Кастомный формат без примера Плохо: "Конвертируй задачи в мой формат тасков"

Проблема: модель не знает формат.

Хорошо: "Конвертируй задачи в формат:

Структура: TYPE:DETAILS:PRIORITY

Задача для конвертации: 'встреча с клиентом в понедельник'"

Антипаттерн 2: Нестандартная классификация Плохо: "Классифицируй код по типу"

Проблема: какие типы?

Хорошо: "Классифицируй Python код.

Категории:

data: работа с данными (pandas, numpy, файлы)
web: веб-разработка (flask, django, fastapi)
ml: машинное обучение (sklearn, pytorch, tensorflow)
infra: инфраструктура (docker, k8s, ci/cd)
other: остальное

Примеры: 'import pandas as pd; df = pd.read_csv(...)' → data '@app.route('/users')' → web 'model.fit(X_train, y_train)' → ml"

Антипаттерн 3: Сложная трансформация Плохо: "Преобразуй SQL в ORM"

Хорошо: "Преобразуй SQL в SQLAlchemy ORM.

Примеры: SQL: SELECT * FROM users WHERE age > 18 ORM: session.query(User).filter(User.age > 18).all()

SQL: SELECT name, COUNT(*) FROM orders GROUP BY name ORM: session.query(Order.name, func.count()).group_by(Order.name).all()

SQL: $твой запрос$ "

  
\#\# Смешение задач  
  
\#\#\# Симптом  
Ответ частично выполняет каждую задачу, но ни одну полностью.  
  
\#\#\# Примеры

Антипаттерн 1: Три задачи в одном промпте Плохо: "Напиши код, объясни его, и предложи тесты"

Проблема: модель может сделать каждое частично.

Хорошо (три промпта):

"Напиши функцию валидации email"
"Объясни логику этой функции: $код$ "
"Напиши pytest тесты для: $код$ "

Или (явная структура): "Выполни последовательно:

Шаг 1: Код

$функция валидации email$

Шаг 2: Объяснение

$описание логики$

Шаг 3: Тесты

$pytest тесты$ "

Антипаттерн 2: Анализ + рекомендации + реализация Плохо: "Проанализируй код, предложи улучшения и реализуй их"

Хорошо (итеративно):

"Проанализируй код, найди проблемы"
$получить список проблем$
"Реализуй исправление для проблемы X"

  
\#\# Неправильная роль  
  
\#\#\# Симптом  
Модель даёт ответ не того уровня или стиля.  
  
\#\#\# Примеры

Антипаттерн 1: Конфликтующие роли Плохо: "Ты эксперт и новичок одновременно. Объясни декораторы."

Хорошо: "Ты senior Python developer. Объясни декораторы junior разработчику. Уровень: базовый, с простыми примерами."

Антипаттерн 2: Роль без контекста Плохо: "Ты code reviewer. Проверь код."

Проблема: какой фокус ревью?

Хорошо: "Ты security engineer с опытом в OWASP. Code review с фокусом на:

Injection vulnerabilities
Authentication issues
Data exposure

Формат: строка → проблема → fix"

Антипаттерн 3: Несоответствующая роль Плохо: "Ты поэт. Напиши SQL запрос."

Хорошо: "Ты DBA с опытом PostgreSQL. Напиши оптимизированный запрос для:

Таблица: 10M записей
Выборка: топ 100 по дате"

  
\#\# Игнорирование ограничений модели  
  
\#\#\# Симптом  
Запрос информации за пределами знаний модели.  
  
\#\#\# Примеры

Антипаттерн 1: Актуальные данные Плохо: "Какой курс доллара сегодня?"

Проблема: модель не имеет актуальных данных.

Хорошо: "Напиши функцию получения курса валют через API ЦБ РФ"

Антипаттерн 2: Специфичный код проекта Плохо: "Почему наша функция calculate_discount() возвращает неверное значение?"

Проблема: модель не знает код проекта.

Хорошо: "Вот функция calculate_discount(): $код$

Вот тест-кейс:

Вход: price=100, discount=10
Ожидание: 90
Факт: 10

Найди ошибку."

Антипаттерн 3: Проприетарные API Плохо: "Как использовать InternalCompanyAPI?"

Хорошо: "Вот документация InternalCompanyAPI: $документация$

Напиши пример использования для задачи X."

  
\#\# Чеклист: избежание антипаттернов

Перед отправкой промпта:

□ Задача однозначна?

Одна интерпретация
Чёткий ожидаемый результат

□ Контекст достаточен, но не избыточен?

Только релевантная информация
Нет истории и очевидных фактов

□ Нет противоречий?

Требования совместимы
Приоритеты явные

□ Примеры есть (если нестандартная задача)?

2-3 примера input → output
Покрывают разные случаи

□ Одна задача?

Или явно разделена на шаги

□ Роль соответствует задаче?

Экспертиза релевантна
Уровень ответа определён

□ Модель может ответить?

Информация в пределах знаний
Не требует актуальных данных

OpenEd

Глава 18: Антипаттерны

Принцип

Неоднозначность

Симптом

Примеры

Избыточный контекст

Симптом

Примеры

Шаг 1: Код

Шаг 2: Объяснение

Шаг 3: Тесты

OpenEd

Глава 18: Антипаттерны

Принцип

Неоднозначность

Симптом

Примеры

Избыточный контекст

Симптом

Примеры

Шаг 1: Код

Шаг 2: Объяснение

Шаг 3: Тесты