Не мощность модели, а формулировка: как один промпт превратил локальный ИИ в полноценного помощника по резюме
Большинство предпринимателей уверены: для качественного текста нужна мощная платная модель. Эксперимент с сопроводительными письмами показывает обратное — локальная LLM с правильно настроенным промптом обходит GPT по отправляемости писем и проходит слепой тест рекрутёра.
Автор эксперимента столкнулся с типичной задачей: на отправку десятков сопроводительных писем вручную уходило полдня. Первая попытка запустить локальную модель Llama 3 (8B) на домашнем ПР — промпт в две строки — дала нулевой результат: ни одно из 12 сгенерированных писем не было отправлено. «Текст был шаблонным, с явными признаками машинной генерации: общие фразы, отсутствие конкретики под вакансию», — комментирует автор.
Вместо смены модели на более дорогую автор сфокусировался на промпте. За две недели было протестировано 27 вариантов инструкции. Ключевые изменения: чёткая структура (введение → ваш опыт → почему эта компания → прощание), требование использовать факты из резюме, ограничение длины до 200 слов, а также системный промпт с примером удачного письма.
- Пример в промпте работает лучше правил — показательный текст даёт модели конкретный образец стиля и структуры, а не абстрактные «пишите кратко».
- Контекст из резюме должен быть обязательным параметром — без передачи конкретных навыков и проектов письмо остаётся обезличенным.
- Ограничение длины — критический параметр: модели склонны «лить воду»; жёсткий лимит (≤200 слов) отсекает многословие и повышает релевантность.
- Ручная проверка каждого письма остаётся нужна — даже с лучшим промптом 12% писем уходили в брак (повторы, ошибки в названии компании).
- Температура модели (creativity) должна быть низкой — 0.2–0.3: чем выше, тем больше «фантазий» и тем ниже процент отправляемых писем.
Финальная версия промпта включала: описание роли («ты — опытный карьерный консультант»), структуру письма, три обязательных пункта (навык, достижение, причина интереса к компании), пример и инструкцию избегать общих фраз. С этим промптом отправляемость выросла до 88% — из 25 сгенерированных писем было отправлено 22. Оставшиеся 12% отклонялись из-за фактических ошибок (неверное название должности или компании).
«Я ожидал, что локальная модель проиграет GPT хотя бы в половине случаев.»
Обсудить внедрение ИИ-агентов в вашем бизнесе
Расскажите о задаче — посчитаем, сколько часов и денег сэкономит агент.
Обсудить внедрение →