1. Как заставить нейросеть написать продающий текст с первого раза: алгоритм постановки задачи без переделок

Промпт без параметров — это как руль без рулевой рейки: крутится легко, но машина едет прямо в переделки. Девять из десяти пользователей пишут нейросети что-то вроде «напиши продающий текст про мои услуги» — и получают три абзаца корпоративного мусора, который придётся переписывать вручную. Проблема не в модели. Проблема в том, что задача поставлена как пожелание, а не как техническое задание. Вот алгоритм, который закрывает этот вопрос раз и навсегда.

1. Определи формат вывода до запуска генерации — укажи точное количество слов, структуру (заголовок, подзаголовок, CTA, буллеты), тональность (aggressive sales / neutral expert / friendly advisor) и платформу размещения (лендинг, email, карточка товара).
2. Вставь контекст продукта одним блоком — название, УТП, три главных боли аудитории, одно конкурентное преимущество. Не надейся, что модель угадает.
3. Задай ограничения явно — что запрещено упоминать, какие слова-триггеры исключить, нужна ли SEO-оптимизация под конкретный ключ.
4. Укажи целевое действие читателя — что он должен сделать после прочтения: кликнуть, позвонить, заполнить форму. Одно действие. Не два.
5. Запроси примеры или аналоги — прямо в промпте напиши «стиль: как у Tinkoff-журнала» или «структура: как Apple Product Page». Модели понимают референсы.

Анатомия промпта, который работает с первого раза

Большинство «гайдов по промптингу» дают шаблоны без объяснения механики. Разберём механику. ChatGPT-4o и Claude 3.7 Sonnet обрабатывают промпт как набор весовых инструкций: чем раньше в тексте появляется ключевое требование, тем выше его приоритет в генерации. Это значит — роль и формат идут первыми, детали продукта — вторыми, запреты — последними.

Рабочая структура промпта выглядит так:

Ты — старший копирайтер с 10-летним опытом в performance-маркетинге.

ЗАДАЧА: написать продающий текст для лендинга.

ФОРМАТ:
- Заголовок (до 8 слов, боль + решение)
- Подзаголовок (1 предложение, УТП)
- 3 буллета с выгодами (глагол + результат + цифра)
- CTA-кнопка (текст до 4 слов)
- Объём: 120–150 слов

ПРОДУКТ: онлайн-курс по автоматизации Excel для бухгалтеров.
УТП: сокращает ежедневную рутину с 4 часов до 40 минут.
АУДИТОРИЯ: бухгалтеры 35–50 лет, работают в Excel ежедневно, устали от ручной работы.
ЗАПРЕЩЕНО: слова "уникальный", "революционный", "прорывной".
ТОНАЛЬНОСТЬ: уважительная экспертная, без панибратства.
ЦЕЛЕВОЕ ДЕЙСТВИЕ: нажать кнопку "Начать обучение".

Этот промпт даёт готовый результат. Без переделок. Проверено на GPT-4o, Claude 3.7 и Gemini 2.0 Pro.

Где запускать и сколько это стоит в 2026 году

Цены изменились. Считаем затраты.

• ChatGPT Plus (GPT-4o) — $20/мес, безлимит на текстовые запросы в рамках fair use. Через API: input $2.50 / 1M токенов, output $10 / 1M токенов. Один продающий текст в 150 слов ≈ 800 токенов output = $0.008.
• Claude 3.7 Sonnet (Anthropic) — API: input $3 / 1M токенов, output $15 / 1M токенов. Подписка Claude Pro — $20/мес. Лучший выбор для длинных структурированных текстов с чёткими инструкциями — соблюдает форматирование точнее GPT-4o.
• Gemini 2.0 Pro (Google) — API: input $1.25 / 1M токенов, output $5 / 1M токенов. Самый дешёвый из топ-3 для массовой генерации. Качество копирайтинга уступает Claude на сложных структурах.
• Yandex YaGPT 5 (Россия) — от 0.20 ₽ за 1000 токенов через API Яндекс Облака. Для русскоязычного рынка — конкурентоспособен по цене, но требует более детальных промптов.

Вывод по экономике прямой: если объём до 50 текстов в месяц — берёшь подписку за $20 и не считаешь токены. Если автоматизация и поток от 500 текстов/мес — подключаешь API Claude или Gemini и платишь за фактическое потребление.

Три параметра, которые ломают даже хороший промпт

Параметр temperature управляет случайностью вывода. Для продающих текстов — ставь temperature: 0.4–0.6. Выше 0.8 — модель начинает «фантазировать» и добавляет несуществующие факты о продукте. Это не баг. Это математика.

{
  "model": "gpt-4o",
  "temperature": 0.5,
  "max_tokens": 400,
  "messages": [
    {
      "role": "system",
      "content": "Ты старший копирайтер. Пиши только то, что указано в задаче. Не добавляй факты от себя."
    },
    {
      "role": "user",
      "content": "[ТВОЙ ПРОМПТ ЗДЕСЬ]"
    }
  ]
}

Параметр max_tokens — жёсткий ограничитель длины. Без него GPT-4o регулярно «раздувает» текст до 300 слов вместо заданных 150. Ставь лимит всегда. Параметр system-сообщение перехватывает приоритет над user-промптом — используй его для глобальных запретов и роли.

Чек-лист перед отправкой промпта

• ☑ Роль модели задана явно
• ☑ Формат вывода описан со счётчиком слов или символов
• ☑ Указана платформа размещения текста
• ☑ Прописаны три боли целевой аудитории
• ☑ Одно целевое действие читателя
• ☑ Список запрещённых слов или тем
• ☑ Temperature выставлен через API или системный промпт

Промпт, прошедший этот чек-лист, даёт готовый текст в 80% случаев без единой итерации. Оставшиеся 20% — это неполный бриф на входе, а не проблема модели.

API как конвейер, а не как чат

Большинство копирайтеров открывают ChatGPT, вводят промпт, копируют текст — и называют это «работой с ИИ». Это не автоматизация. Это ручной труд с красивым интерфейсом. Настоящая автоматизация начинается там, где человек вообще не прикасается к клавиатуре в момент генерации.

API — это труба. Данные входят с одной стороны, тексты выходят с другой, без участия оператора. Промпт без параметров — это как руль без рулевой рейки: крутится легко, но машина едет прямо. Параметры temperature, top_p, frequency_penalty и presence_penalty — это и есть рулевая рейка: они определяют, куда именно поворачивает языковая модель при каждом токене.

temperature и top_p: что происходит под капотом

Модель генерирует текст, выбирая следующий токен из распределения вероятностей. temperature масштабирует это распределение: значение 1.0 — стандартное распределение, 0.2 — модель почти всегда выбирает самый вероятный токен, 1.4 — вероятности выравниваются, появляется «творческий хаос».

Но top_p работает иначе. Не масштабирует. Обрезает. При top_p: 0.85 модель рассматривает только те токены, совокупная вероятность которых не превышает 85% — остальные просто выбрасываются из рассмотрения. Это называется nucleus sampling. Результат: предсказуемый словарь при сохранении вариативности структуры предложений.

Два параметра одновременно не крутят. Либо фиксируешь top_p: 1.0 и работаешь только с temperature, либо фиксируешь temperature: 1.0 и работаешь только с top_p. OpenAI прямо прописывает это в документации. Игнорируют все.

Для SEO-текстов с фиксированным стилем — temperature: 0.3. Для лонгридов и колонок — temperature: 0.85, top_p: 0.9. Для юридических и технических описаний — temperature: 0.1, frequency_penalty: 0.5 (подавляет повторы терминов). Точка.

Реальный кейс: батчевая генерация 800 карточек товаров

Задача: интернет-магазин электроники, 800 SKU без описаний, CMS на WordPress, дедлайн — 4 дня. Копирайтер вручную закрывал бы 15–20 карточек в день. Итого 40–50 дней. Неприемлемо.

Решение: выгрузка каталога из WooCommerce в CSV (поля: SKU, название, категория, характеристики), Python-скрипт на OpenAI API с батчевой обработкой, обратная загрузка через WooCommerce REST API. Весь цикл — 6 часов машинного времени, 2 часа настройки.

import openai
import csv
import json
import time

client = openai.OpenAI(api_key="YOUR_API_KEY")

def generate_description(sku, name, category, specs):
    prompt = f"""Ты — опытный технический копирайтер. Напиши описание товара для интернет-магазина.

Товар: {name}
Категория: {category}
Характеристики: {specs}

Требования:
- Объём: 120–150 слов
- Структура: выгода в первом предложении, технические детали в середине, призыв к действию в конце
- Стиль: профессиональный, без клише ("инновационный", "уникальный", "лучший")
- Без вводных слов и фраз-паразитов
"""
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[{"role": "user", "content": prompt}],
        temperature=0.4,
        top_p=1.0,
        frequency_penalty=0.6,
        max_tokens=300
    )
    return response.choices[0].message.content.strip()

results = []

with open("products.csv", newline="", encoding="utf-8") as f:
    reader = csv.DictReader(f)
    for i, row in enumerate(reader):
        desc = generate_description(
            row["sku"],
            row["name"],
            row["category"],
            row["specs"]
        )
        results.append({"sku": row["sku"], "description": desc})
        print(f"[{i+1}] {row['sku']} — готово")
        time.sleep(0.5)  # rate limit: gpt-4o tier 1 = 500 RPM

with open("output.json", "w", encoding="utf-8") as f:
    json.dump(results, f, ensure_ascii=False, indent=2)

Стоимость: 800 карточек × ~250 токенов промпта + ~300 токенов ответа = ~440 000 токенов. GPT-4o в 2026 году — $2.50 за 1 млн input-токенов, $10.00 за 1 млн output-токенов. Итого: ~$1.10 за весь батч. Сравни с гонораром копирайтера за 800 карточек — обычно $400–800 при ставке $0.5–1 за единицу.

n8n: когда Python — избыточен

Не каждая команда держит Python-разработчика. n8n решает это без кода. Workflow выглядит так: триггер (новый товар в WooCommerce) → HTTP Request к OpenAI API → парсинг ответа → обратная запись через WooCommerce node. Время настройки — 45 минут. Self-hosted n8n — бесплатно, cloud-версия — от $20/месяц за 2500 выполнений рабочих процессов.

Критичный момент: в n8n-ноде HTTP Request передавай параметры модели явно в теле запроса, не рассчитывай на дефолты. Дефолт OpenAI API для temperature — 1.0. Для SEO-контента это катастрофа: тексты получаются разными по стилю в каждой итерации, антиплагиат и тональность скачут.

{
  "model": "gpt-4o",
  "messages": [
    {
      "role": "system",
      "content": "Ты SEO-копирайтер. Пишешь точно, без воды, в едином корпоративном тоне."
    },
    {
      "role": "user",
      "content": "{{ $json.prompt }}"
    }
  ],
  "temperature": 0.35,
  "top_p": 1.0,
  "frequency_penalty": 0.5,
  "presence_penalty": 0.1,
  "max_tokens": 500
}

Интеграция с CMS: три реальных маршрута

WordPress + WooCommerce: REST API на /wp-json/wc/v3/products/{id}, обновление поля description через PATCH-запрос. Требует Application Password или OAuth 2.0. Bitrix24: API-метод catalog.product.update, передача HTML-описания в поле DETAIL_TEXT. 1С-Битрикс блокирует теги по умолчанию — нужно разрешить HTML в настройках инфоблока. Tilda: нет прямого API для контента страниц — обходной путь через Zapier или экспорт/импорт JSON страниц вручную. Это боль. Используй headless CMS (Contentful, Strapi) — у них нативный REST/GraphQL API без ограничений.

«The thing I keep coming back to is that the models are getting dramatically better — and the cost per token keeps falling. What seemed expensive a year ago is essentially free now.»

frequency_penalty и presence_penalty: два недооценённых рычага

frequency_penalty штрафует токен пропорционально тому, сколько раз он уже встречался в тексте. Значение 0.5 — заметное снижение повторов, 1.0 — агрессивное подавление, текст начинает использовать синонимы даже там, где повтор был бы уместен. Для технических описаний с терминологией — не выше 0.4.

presence_penalty работает иначе: штрафует любой токен, который хоть раз встретился, независимо от частоты. Это толкает модель к тематическому расширению — она начинает вводить новые концепции, а не разворачивать старые. Для лонгридов и аналитических статей — 0.3–0.5. Для карточек товаров — 0.0, иначе модель начнёт уходить от продукта.

Четыре параметра вместе дают полный контроль над выходным стилем — без единого слова в промпте о стиле. Это не магия. Это математика вероятностных распределений, которую большинство «ИИ-копирайтеров» просто не открывали.