НА ДНЯХ ChatGPT ПОТРАТИЛ С МОЕГО API-БАЛАНСА БОЛЬШЕ МИЛЛИОНА ТОКЕНОВ НА ОДИН ЗАПРОС контент-завода. Раньше такой запрос стоил около 10 копеек. Рассказываю, как я села в лужу с context engineering.

Мне нужно было научить систему писать не просто нормальные посты, а сохранять авторский голос: лексику, интонацию, логику и личный стиль автора, который продвигает через канал свои услуги.

Мы уже запустили 2 проекта с новостным контентом - готовое решение для авторов новостных и экспертных околоновостных каналов. Система находит тренды и пишет о них в стиле конкретного канала. А вот авторский TOV оказался задачкой со звёздочкой.

Я спросила ту самую ChatGPT SOL - и она выдала мне вполне себе хороший способ составления промта. Очень хороший. Если бы не ошибка в коде гидрации знаний. В итоге я переоптимизировала промт.

Мой кейс. Не повторяйте. Воркфлоу собрал все нужные данные правильно - и нужную тему и ее параметры, и инсайты, и силы/возражения, тренды и еще кучу всего. А потом начал повторять часть информации сотни тысяч раз — пока n8n не прервал запрос как аномальный. В воркфлоу ошибка, на балансе минус. На поиск причины ушло два дня.

И самое неприятное: ChatGPT долго убеждал меня, что код работает правильно. В итоге пришлось восстановить работу с Claude Code, разложить весь процесс руками и всё-таки включить собственную голову.

Почему так долго: Шаг 1. Сначала найти место, где размножались данные, и вернуться к старой рабочей версии промта.

Шаг 2. Затем вручную свести всю логику контент-завода: какие таблицы используются, что из них берётся, на каком этапе и зачем. Без ситуации, когда ИИ сам додумывает, откуда появились данные. Да, почти на бумажке / в майнд-карте. Маркетолог/контент-менеджер/аналитик и еще рекламщик 100в1 во мне подняли голову “Да, тут наш звездный час!”

Шаг 3. А потом — выкинуть лишнее. Например, раньше в промт тянулись данные по всем этапам CJM (инсайты, хуки, контент-движки, драйверы), а модель сама должна была выбрать нужное. Я думала так правильно, чем больше информации - тем лучше. ИИ же с таким длинным промтом справляется за 0.1 руб. И да, технически она справлялась. Но после фильтрации контекста посты стали чище и точнее. Представляете, я все-таки смогла собрать это в одну систему. Сама не верила, но получилось. А теперь немного теории - потому что сейчас это выглядит как мой авторский взгляд, неподкрепленный ничем. А нет!

🔑🔑🔑

Мы пишем контент с помощью промтов - это называется promt engineering. Но есть еще такое понятие как context engineering. Какую информацию дать модели, откуда её взять, что сохранить, что удалить и в какой момент показать. Хороший результат зависит не только от красивого промта. ИИ должен получить нужные данные, правила, примеры, историю и инструменты — но без лишнего информационного шума.

Контекстная инженерия — это не одна нода с гигантским промтом, куда напихали всё содержимое базы знаний. Это нужный контекст для нужной задачи и нужного этапа воронки.

Можно дать модели сотню страниц полезной информации — и получить посредственный текст. А можно передать несколько релевантных фактов, правила TOV, нужный инсайт и хороший пример — и получить пост, который действительно похож на автора.

В итоге я всё-таки собрала работающую систему. Теперь она не просто пишет тексты, а понимает, для кого, на каком этапе и какую задачу должен решить каждый пост.

🆎🆎🆎Даже OpenAI отдельно отмечает, что огромная инструкция работает хуже, чем компактная карта, указывающая агенту, где найти нужные знания. Поэтому так важно дать ИИ правильную информацию, в правильной структуре, в правильный момент и не перегрузить его всем остальным. 😆Правда, я до сих пор сомневаюсь, правильно ли выбрала n8n в качестве основы для MVP. Может быть, дальше всё это придётся переносить в архитектуру с AI-агентами и MCP.

Но пока оставлю так. Мне слишком нравятся красивые💞💞****💞 **дашборды с аналитикой по контенту и TOV, которые у меня получаются, а в клиентам удобно работать в тг боте.

Кому показать?**