Как создать модульную систему промптов для анализа договоров: практический гайд на примере YandexGPT

Почему простой промпт "проанализируй договор" сжигает деньги

В 2025 году одна IT-компания потеряла 1,6 млн рублей из-за неверного анализа договора аренды. Их юрист использовал ChatGPT с промптом "Проанализируй этот договор и выдели риски". ИИ пропустил пункт об автоматической пролонгации с повышением арендной платы на 40%. Через год компания получила счет на 1,6 млн вместо ожидаемых 1,1 млн.

Типичные ошибки при анализе договоров ИИ:

• Галлюцинации - ИИ "додумывает" условия, которых нет в договоре
• Поверхностный анализ - пропускает скрытые риски в стандартных формулировках
• Отсутствие контекста - не понимает, какие пункты опасны именно для вашего бизнеса
• Непоследовательность - каждый раз анализирует по-разному

Архитектура модульных промптов: три слоя вместо одного

Монолитный промпт не работает. Нужна модульная система, где каждый слой решает конкретную задачу. Представьте, что вы строите дом: сначала фундамент, потом стены, потом крыша. Так же и с промптами.

1 Base Prompt - фундамент анализа

Этот слой задает правила игры. Не "проанализируй", а "работай как опытный юрист с 15-летним стажем". Конкретика убивает галлюцинации.

base_prompt = """
Ты - старший юрист с 15-летним опытом анализа договоров.
Твоя задача - выявить ВСЕ юридические риски в предоставленном договоре.

ПРАВИЛА АНАЛИЗА:
1. Работай ТОЛЬКО с текстом договора. Не добавляй условия, которых нет в документе.
2. Если пункт договора неясен - отмечай это как риск неопределенности.
3. Все выводы подтверждай конкретными цитатами из договора.
4. Формат ответа: JSON с полями 'risks', 'recommendations', 'critical_issues'.

Договор:
{document_text}
"""

2 Common Traps Prompt - ловушки для стандартных рисков

90% договоров содержат одни и те же ловушки. Этот модуль - чек-лист из 20+ самых опасных формулировок.

traps_prompt = """
ПРОВЕРЬ ДОГОВОР НА СТАНДАРТНЫЕ ЛОВУШКИ:

1. Автоматическая пролонгация - ищи слова: 'автоматически продлевается', 'если не заявлено иное', 'молчаливое согласие'
2. Одностороннее изменение условий - 'Компания вправе изменить', 'в одностороннем порядке', 'без согласия'
3. Неограниченные гарантии - 'гарантирует в полном объеме', 'безусловная гарантия', 'без ограничений'
4. Штрафные санкции - 'неустойка', 'пеня', 'штраф 100%', 'возмещение убытков'
5. Конфиденциальность - 'разглашение информации', 'коммерческая тайна', 'NDA нарушения'

Для каждой найденной ловушки укажи:
- Точную цитату из договора
- Уровень риска (низкий/средний/высокий)
- Рекомендацию по изменению
"""

3 Theme Prompt - контекст вашего бизнеса

Аренда офиса для IT-компании и для производства - разные риски. Этот модуль добавляет контекст.

theme_prompt = """
КОНТЕКСТ АНАЛИЗА:
Тип компании: IT-разработка
Критические факторы:
1. Конфиденциальность исходного кода
2. Стабильность интернета и электричества
3. Гибкость условий при масштабировании
4. Защита интеллектуальной собственности

Особое внимание удели:
- Пунктам о доступе третьих лиц к серверным
- Ответственности за перебои электроснабжения
- Правах на ПО, разработанное в офисе
"""

Собираем систему: код на Python с YandexGPT API

Теперь склеиваем модули в рабочую систему. Используем YandexGPT API через AITunnel - это единый шлюз к разным моделям, включая последнюю версию YandexGPT на 2026 год.

import json
from aitunnel import AITunnelClient  # Партнерская интеграция

class ContractAnalyzer:
    def __init__(self, api_key):
        self.client = AITunnelClient(api_key=api_key)
        self.base_prompt = """..."""  # Base Prompt из шага 1
        self.traps_prompt = """..."""  # Common Traps из шага 2
        
    def analyze_contract(self, contract_text, business_context):
        # Собираем финальный промпт
        final_prompt = f"{self.base_prompt}\n\n{self.traps_prompt}\n\n"
        final_prompt += f"Бизнес-контекст: {business_context}\n\n"
        final_prompt += f"Договор: {contract_text[:15000]}"  # Ограничиваем длину
        
        # Отправляем в YandexGPT
        response = self.client.complete(
            model="yandexgpt-latest",  # Актуальная версия на 2026
            prompt=final_prompt,
            temperature=0.1,  # Низкая температура для меньших галлюцинаций
            max_tokens=4000
        )
        
        # Парсим JSON ответ
        try:
            analysis = json.loads(response.choices[0].text)
            return self._validate_analysis(analysis, contract_text)
        except json.JSONDecodeError:
            return self._fallback_analysis(response.text)
    
    def _validate_analysis(self, analysis, contract_text):
        # Проверяем, что все цитаты действительно есть в договоре
        validated_risks = []
        for risk in analysis.get('risks', []):
            if risk['quote'] in contract_text:
                validated_risks.append(risk)
        analysis['risks'] = validated_risks
        return analysis

Реальные кейсы: что работает, а что нет

Кейс с NDA показал ограничение: ИИ не понимает, что "обязательства сохраняются после прекращения действия договора" = вечная конфиденциальность. Решение - добавить в Common Traps Prompt:

"Вечная конфиденциальность - ищи: 'после прекращения', 'не ограничено сроком', 'бессрочно'"

Интеграция с workflow: n8n + модульные промпты

Модульная система бесполезна, если она не встроена в процессы. Подключаем к n8n для автоматической обработки договоров.

Схема workflow:

1. Почтовый триггер - приходит договор на email
2. OCR-обработка - извлекаем текст из PDF
3. Модульный анализ - запускаем ContractAnalyzer
4. Валидация юристом - отправляем отчет на проверку
5. Jira-тикет - создаем задачу на исправление

Ошибки, которые все совершают (и как их избежать)

Решение: разбивайте анализ на части. Сначала общая структура, потом детали по разделам.

Решение: используйте temperature=0.1 для анализа, 0.3 только для генерации альтернативных формулировок.

Решение: функция _validate_analysis в коде выше проверяет все цитаты.

Что делать, когда YandexGPT недостаточно

Иногда нужна специализированная модель. Для юридических документов в 2026 году есть три варианта:

1. Локальные LLM - как в статье про запуск локальных LLM. Плюс: конфиденциальность. Минус: качество анализа.
2. Файн-тюнинг - обучаем модель на своих договорах. См. реальные кейсы файн-тюнинга.
3. Ансамбли моделей - запускаем анализ через YandexGPT, Claude и Gemini, сравниваем результаты. Метод из статьи про три мозга вместо одного.

Следующий уровень: Dialogue Tree Search для сложных договоров

Для M&A сделок или лицензионных соглашений простого анализа недостаточно. Нужно исследовать "дерево возможностей": что если изменить пункт А, как это повлияет на пункты Б и В?

Здесь поможет Dialogue Tree Search - метод, где ИИ не просто анализирует, а моделирует переговоры.

# Псевдокод Dialogue Tree Search для договоров
dialogue_prompt = """
СИМУЛЯЦИЯ ПЕРЕГОВОРОВ:
Текущая версия договора: {contract}
Наша цель: изменить пункты 3.1, 5.2, 7.4

Шаг 1: Как контрагент отреагирует на изменение 3.1?
Шаг 2: Если он предложит встречное изменение 5.2 - как это повлияет на 7.4?
Шаг 3: Какие уступки мы можем предложить вместо 3.1?
"""

Чек-лист внедрения на понедельник

• [ ] Создайте Base Prompt с ролью "старший юрист"
• [ ] Добавьте Common Traps Prompt с 10+ стандартными ловушками
• [ ] Настройте Theme Prompt для вашего бизнеса
• [ ] Зарегистрируйтесь в AITunnel для доступа к YandexGPT API
• [ ] Протестируйте на 3-5 старых договорах, где известны риски
• [ ] Настройте валидацию цитат
• [ ] Интегрируйте с n8n или другим workflow-инструментом

Самая частая ошибка после внедрения - слепое доверие к ИИ. Всегда оставляйте финальную проверку за юристом. Система не заменяет специалиста, а убирает рутину и снижает вероятность человеческой ошибки.

В 2026 году разница между компаниями будет не в том, кто использует ИИ, а в том, кто использует его системно. Модульные промпты - это не про технологию, а про процесс. Процесс, который экономит не 100 тысяч, а предотвращает потерю 1,6 миллиона.