В 2010-х при техническом пробеле — не умел писать CSS — приходилось просить коллегу или искать ответ в интернете. Сейчас любой может поручить CSS языковой модели. LLM превращают всех в универсалов. Поэтому многие думают, что навыка в работе с LLM нет: все общаются с одними моделями, и опытные промптеры получают то же, что новички.
Это не так. Главный навык в промптинге — экспертиза в предметной области. Пример — разговор Теренса Тао с ChatGPT о недавно найденном контрпримере к гипотезе Якобиана. Это не тот ChatGPT, с которым говорит автор: он не добился бы того же даже с безлимитным запасом токенов.
Сообщения Тао короткие и по делу, он отвечает на суть, а не на каждый пункт. Ответы модели тоже заметно короче, чем когда автор обсуждает математику с GPT-5.6 Sol. Сигналя об экспертизе, Тао переключает модель в режим «разговор с математиком», а не «объяснение новичку». Когда ответ выглядит неверным, он не спорит в лоб, а говорит: «это выглядит сложнее, чем я надеялся». Тао сам делает шаги в рассуждениях и почти не следует советам модели.
Но просто копировать эти приёмы нельзя. Секрет в понимании математики: вытащить идею из многоабзацного ответа, предложить другой подход, заметить, что что-то выглядит странно. Тао — математик лучше, чем автор — программист. Но связка «домен + LLM» заметна и в работе автора. С хорошим знанием кодовой базы можно сильнее толкать модель: «нет, тут может быть проще», «а разве мы уже не делаем X?», «можно выразить задачу в привычных терминах?»
Системный дизайн, как писал автор, определяется конкретными деталями, а не общими принципами. Знание кодовой базы полезнее глубокого общего понимания. Тао задаёт конкретные вопросы: «работает ли здесь X?», «почему при Y и Z — A?» Автор не может спросить такое про гипотезу Якобиана, но может про системы в GitHub.
Если домена не знаешь, можно уцепиться за LLM и получить хоть что-то. Это неплохо. Но с доменной экспертизой из той же LLM можно выжать гораздо больше. Большинству нужен микс подходов. Человеческая экспертиза останется полезной, даже когда модели станут сильнее. Во многих задачах узкое место — человек, а не модель: именно он должен объяснить, какое решение нужно. Информация уже «в модели», но вытащить её под силу только очень умному человеку.