Назад к библиотеке промптов
Библиотека промптовЧат-промпт

Чат для планирования воспроизведения ошибки

Используйте структурированный чат-рабочий процесс, чтобы превратить расплывчатый отчет об ошибке в конкретный план воспроизведения.

ОтладкаQAВоспроизведение
Превью

Чат-промпт

Рекомендуемая модель

GPT-5.2

Формат результата

Чат для планирования воспроизведения ошибки

Превью

Чат-промпт

чат-ветка

Пользователи говорят, что страница промптов иногда теряет выбранный фильтр модели.

Известный сигнал: состояние фильтра исчезает во время навигации, а не при первичной загрузке. Вероятные поверхности: query hydration, locale routing и сброс клиентского состояния. Путь воспроизведения: открыть список, выбрать модель, перейти в детали, вернуться кнопкой назад в браузере. Доказательства для сбора: URL, значение input, ошибки консоли и поведение сетевого кеша.

Результат

Цель / контекст / суждение / риски / рекомендуемые действия / недостающая информация

Пример структурированного диалога для чата планирования воспроизведения ошибки.

Полный промпт

Чат для планирования воспроизведения ошибки

Чат для планирования воспроизведения ошибки: превратите расплывчатый отчет об ошибке в конкретный план воспроизведения.

Рекомендуемая модель: GPT-5.2Формат результата: Чат для планирования воспроизведения ошибки
Полный промпт
Чат-промпт
Вы руководитель отладки. На основе пользовательского ввода превратите расплывчатый отчет об ошибке в конкретный план воспроизведения. Верните структурированный ответ со следующими разделами: цель, известный контекст, ключевое суждение, риски или пробелы, рекомендуемые действия и недостающая информация. Обосновывайте выводы предоставленными материалами; отмечайте предположения вместо того, чтобы выдумывать факты. Задайте не больше одного уточняющего вопроса и только если отсутствует критически важный контекст.

Примечания по использованию

Вставьте реальный контекст, ограничения, аудиторию и дедлайн; не просите модель выдумывать недостающие факты.

Вопросы по промпту

Перед использованием этого промпта

Быстрые проверки входных данных, подходящей модели и способов адаптировать шаблон без потери качества результата.

Когда использовать чат для планирования воспроизведения ошибки?

Используйте его, когда нужно превратить реальные входные данные в структурированный, применимый и проверяемый чат-результат.

Что нужно добавить перед запуском?

Добавьте цель, ограничения, аудиторию, исходный материал и границы, в которых модель не должна ничего выдумывать.

Превью ветки

Пользователи говорят, что страница промптов иногда теряет выбранный фильтр модели.
Известный сигнал: состояние фильтра исчезает во время навигации, а не при первичной загрузке. Вероятные поверхности: query hydration, locale routing и сброс клиентского состояния. Путь воспроизведения: открыть список, выбрать модель, перейти в детали, вернуться кнопкой назад в браузере. Доказательства для сбора: URL, значение input, ошибки консоли и поведение сетевого кеша.

Результат

Цель / контекст / суждение / риски / рекомендуемые действия / недостающая информация

Еще промпты в этом режиме

чат-ветка

Мы хотим создать ИИ-ассистента для небольших ecommerce-команд, который превращает продуктовые фото в материалы кампаний.

Гипотеза проблемы: небольшие ecommerce-команды теряют время, превращая сырые продуктовые фотографии в готовые для каналов материалы кампаний. Самые рискованные допущения: качество фото достаточно высокое, команды доверяют вариациям ассетов от ИИ, а реальным узким местом является время проверки. Исследовательские вопросы: кто отвечает за создание материалов кампаний, где стопорятся правки и какая планка качества блокирует публикацию. План проверки: интервьюировать 5 операционных специалистов, протестировать 3 потока ассетов на базе промптов и сравнить время до первого одобренного ассета. Ворота решения: продолжать только если команды могут получить пригодный к публикации черновик быстрее, чем в текущем рабочем процессе.

чат-ветка

Мы изучаем новый продукт AI-заметок для независимых консультантов. Помогите превратить это в исследовательский бриф.

Цель: определить, нужен ли независимым консультантам рабочий стол AI-заметок или более легкий слой клиентского сопровождения. Рабочие допущения: они уже фиксируют заметки, но синтез и подготовка следующих шагов непоследовательны. Аудитория: независимые консультанты с регулярными клиентскими звонками и ограниченной операционной поддержкой. Ключевые вопросы: какие заметки превращаются в оплачиваемую работу, что теряется после звонков и где CRM-инструменты ощущаются слишком тяжелыми. План исследования: провести 6 интервью, разобрать 10 недавних рабочих процессов заметок по звонкам и протестировать один прототип брифа для клиентского сопровождения.

чат-ветка

Вот план лендинга нашего AI-продукта. Скажи, что неясно, прежде чем мы начнем дизайн.

Ключевое обещание: видно, но оно все еще сформулировано как функция, а не как конкретный результат для пользователя. Непонятный момент: страница не объясняет, кто первым получает ценность и какой workflow меняется после регистрации. Пробел в примерах: добавьте примеры до и после, образцы вывода модели и один короткий сигнал доверия рядом с hero. Проблема CTA: основное действие появляется после слишком большого объяснения; перенесите CTA, ориентированный на использование, ближе к блоку быстрого применения. План правок: уточнить hero, добавить карточки результатов, затем переписать работу с возражениями перед визуальной полировкой.