Как заставить ИИ писать как ТАСС, Медуза или VC: полный разбор стилизации LLM через RAG и промпты

Почему «напиши в стиле Медузы» не работает (и что делать вместо этого)

Вы даете GPT-4 промпт: «Перепиши этот текст в стиле издания Медуза». Получаете что-то отдаленно похожее. Добавляете: «Используй короткие абзацы, факты, нейтральный тон». Становится чуть лучше. Просите: «Добавь подзаголовки, как у них». Результат все равно пахнет искусственностью. Почему?

Потому что стиль издания — это не набор правил. Это паттерны, которые нейросеть не выучит из пяти примеров. Это тысячи статей, где определенные слова сочетаются определенным образом, где структура подчинена негласным законам, где даже точка с запятой ставится с характерной частотой.

В этой статье разберем три рабочих подхода, от самого простого до самого точного. Посчитаем стоимость, оценим качество и найдем тот самый баланс, когда ИИ пишет так, что редактор не отличит от своего коллеги.

1 Собираем корпус: что и сколько нужно на самом деле

Без данных ничего не получится. Но какие именно данные? И в каком объеме?

• Не меньше 100 статей. Меньше — модель уловит только самые поверхностные клише. Цель — показать разнообразие тем, структур, авторских приемов.
• Разные рубрики. Если учите на новостях, модель не научится писать расследования или колонки. Берите политику, экономику, технологии, культуру. Стиль должен быть устойчивым across domains.
• Полный текст, включая заголовки, лиды, подзаголовки. Структура — часть стиля. Как издание строит нарратив, как переходит от факта к комментарию, как завершает материал — все это в тексте.
• Хронологический срез. Стиль эволюционирует. Берите статьи за последние 1-2 года, чтобы поймать актуальное звучание. Старые тексты могут сбить с толку.

Где брать? Если у издания есть RSS или открытый API — идеально. Если нет — парсинг (с оглядкой на robots.txt и законность). Сохраняйте в чистый текстовый формат, размечайте метаданные: автор, дата, рубрика. Это пригодится позже.

2 Подход 1: Промпт-инжиниринг с контекстом (дешево, сердито, но поверхностно)

Самый быстрый способ. Берем облачную модель (GPT-4 Turbo, Claude 3.5 Sonnet, Gemini 2.0 Flash) и кормим ей несколько примеров прямо в промпте. Техника few-shot learning в чистом виде.

Промпт-шаблон:

Ты — копирайтер, который идеально имитирует стиль издания [Название СМИ].

Ниже приведены три примера статей из этого издания. Обрати внимание на:
- Структуру текста (длина абзацев, использование подзаголовков)
- Лексику и тональность
- Способ подачи фактов и аргументов
- Особенности заголовков и лидов

Пример 1:
[Полный текст статьи 1]

Пример 2:
[Полный текст статьи 2]

Пример 3:
[Полный текст статьи 3]

Теперь перепиши следующий текст в точном стиле [Название СМИ]:
[Исходный текст для переработки]

Строго придерживайся observed patterns. Не добавляй информацию, которой нет в исходном тексте.

Что получим? Приемлемый результат для разовых задач. Модель скопирует длину абзацев, maybe некоторые речевые обороты. Но глубины не будет. Почему? Контекстное окно ограничено. Три статьи — это капля в море. Модель не уловит статистические закономерности, редкие, но характерные для издания конструкции.

Стоимость: Копейки. Запрос к GPT-4 Turbo с контекстом в 10к токенов — около $0.03. Качество: 6/10. Подойдет для соцсетей, кратких пересказов. Для полноценных статей — нет.

3 Подход 2: RAG — когда нужна точность, а не просто стиль

Retrieval-Augmented Generation — наш главный инструмент. Идея: у нас есть векторная база со всеми статьями издания (те самые 100+ текстов). Когда нужно переработать новый текст, мы:

1. Ищем в базе наиболее похожие по смыслу/теме фрагменты статей.
2. Подставляем эти фрагменты в промпт как релевантные примеры стиля.
3. Модель генерирует текст, опираясь и на исходный контент, и на стилистические примеры.

Здесь магия в поиске. Если ваш текст про санкции, а RAG находит статьи издания про санкции — модель получает не абстрактные «стилистические guidelines», а конкретные примеры, КАК это издание пишет именно про санкции. Со специфической терминологией, структурой аргументации, даже с характерными ссылками на источники.

Технический стек на 2026 год:

• Векторизация: OpenAI text-embedding-3-large, Cohere Embed v3, или открытые модели типа BGE-M3. Последние показывают near-SoTA качество при нулевой стоимости.
• Хранилище: Pinecone, Weaviate, Qdrant или простой pgvector в PostgreSQL. Для начала хватит и Chroma в памяти.
• Чанкинг: Не разбивайте статьи на абзацы вслепую. Лучше использовать semantic chunking (библиотеки like LangChain или LlamaIndex) или размечать структурно (заголовок+лид, блок фактов, блок комментариев).

Промпт для RAG-подхода:

Ты — автор издания [Название СМИ]. Тебе нужно написать материал на основе предоставленных фактов.

Контекст стиля:
Ниже приведены фрагменты статей из [Название СМИ], которые демонстрируют характерный для издания стиль написания. Обрати внимание на лексику, построение предложений, тон и структуру.

[Фрагмент 1 из векторного поиска]
[Фрагмент 2 из векторного поиска]
[Фрагмент 3 из векторного поиска]

Исходная информация для статьи:
[Текст или факты для переработки]

Напиши полный текст статьи в стиле [Название СМИ], используя только предоставленную информацию. Сохрани характерные для издания структурные элементы: лид, подзаголовки, переходы между блоками.

Этот подход уже дает качество 8/10. Модель не просто имитирует поверхностные признаки, а воспроизводит глубинную структуру. Стоимость выше: нужно эмбеддинги считать, поиск делать, контекст увеличивается. Но для production-пайплайна — оптимально.

Если вам нужно не просто переписать текст, а заставить модель работать с разнородными корпоративными данными в определенном стиле, посмотрите статью «Как заставить LLM работать с корпоративными данными». Там разобраны методы контекстуализации, которые дополняют RAG.

4 Подход 3: Файн-тюнинг (дорого, долго, но максимально точно)

Если RAG — это костыль, то файн-тюнинг — пересадка костного мозга. Мы берем базовую модель (например, Llama 3.1 8B, Qwen2.5 7B, или даже GPT-3.5 Turbo через OpenAI API) и дообучаем ее на нашем корпусе статей.

После обучения модель ВНУТРЕННЕ усваивает стиль. Ей не нужны примеры в промпте. Вы говорите: «Напиши новость о падении биткоина», и она выдает текст, который звучит как ваше целевое СМИ. Магия.

Но есть нюансы (их много):

• Качество данных критично. Тексты должны быть идеально очищены от HTML, рекламы, чужих вставок. Любой шум модель выучит и воспроизведет.
• Нужно много вычислительных ресурсов. Для 7B-модели на 100 статьях потребуется GPU с 24+ GB VRAM (A10, RTX 4090) и несколько часов времени. Или использовать облачные сервисы вроде RunPod, Lambda Labs.
• Риск catastrophic forgetting. Модель может забыть общие знания, сосредоточившись на стиле. Нужно аккуратно подбирать гиперпараметры, использовать методы вроде LoRA (Low-Rank Adaptation), которые дообучают только небольшие адаптеры, оставляя основную модель нетронутой.

Стоимость? Если делать самим на облачном GPU — $5-$15 за один эксперимент. Если использовать платформы вроде OpenAI Fine-tuning (для GPT-3.5) — от $10 за датасет. Качество? 9.5/10 при правильной настройке.

Когда выбирать файн-тюнинг?

• Когда вам нужно генерировать много текста в одном стиле (автоматизация новостной ленты, создание контента для блога).
• Когда важна скорость инференса (RAG требует поиска, файн-тюнинговая модель работает сразу).
• Когда вы хотите, чтобы модель «думала» в рамках стиля, а не просто перефразировала.

Если решитесь на этот путь, изучите коллекцию промптов для тестирования локальных LLM. Там есть чек-листы для оценки качества стилизации после обучения.

Сравнительная таблица: какой метод когда выбирать

Типичные ошибки (и как их избежать)

1. Обучение на заголовках без текстов. Модель научится генерировать кликбейтные заголовки, но не сможет написать статью. Берите полные материалы.

2. Игнорирование структуры. Стиль — это не только слова, но и ритм. Если издание использует односложные предложения в лиде, а потом переходит к длинным аналитическим абзацам — это pattern. Сохраняйте его в данных.

3. Смешение стилей. Если в датасете попадутся статьи гостевых авторов или перепечатки из других СМИ, модель усреднит все стили. Результат — каша. Курация данных важнее их объема.

4. Забыть про стоимость промптов. В RAG-подходе каждый запрос включает контекстные примеры. Если они длинные, счет за API будет расти. Оптимизируйте чанкинг, используйте сжатие контекста (например, через суммаризацию длинных примеров).

5. Ожидать чуда от маленькой модели. 7B-параметровая модель, дообученная на 50 статьях, не сравнится с GPT-4, которой дали три хороших примера. Выбирайте модель под задачу. Для сложных стилей (как в билингвальной эротике) нужны либо большие модели, либо очень качественные данные.

Практический пайплайн: с нуля до работающей системы за неделю

1. День 1-2: Сбор и очистка данных. 100+ статей, сохранение в JSONL-формат с полями: text, title, rubric, date.
2. День 3: Эксперимент с промпт-инжинирингом. Возьмите 3 случайные статьи как примеры, попробуйте переписать чужой текст. Оцените, устраивает ли качество. Если да — можно остановиться.
3. День 4: Настройка RAG. Векторизация текстов, настройка поиска. Тест на 10 примерах. Сравните с результатом дня 3.
4. День 5-6: Если RAG недостаточно — подготовка к файн-тюнингу. Форматирование данных в инструкции («Напиши статью о X» -> «[Текст в стиле]»). Обучение LoRA-адаптера на облачном GPU.
5. День 7: Тестирование и развертывание. A/B тест между подходами. Выбор лучшего для production.

Этот пайплайн — основа. В реальности каждый этап может преподнести сюрпризы. Например, вы обнаружите, что ваше целевое издание резко поменяло стиль полгода назад. Или что RAG выдает отличные результаты для новостей, но проваливается на интервью.

Что дальше? Multi-modal стилизация и агентный подход

Стиль современного СМИ — не только текст. Это иллюстрации, видео, интерактивные элементы. В 2026 году уже работают multi-modal RAG системы, которые могут анализировать и генерировать контент в единстве текста и изображений. Представьте: вы загружаете черновик статьи и сырые фото, а система выдает материал в стиле издания, с подобранными по стилю и смыслу изображениями, подписями в характерной манере.

Другое направление — агентный подход. Вместо одной модели, которая пытается сделать все, вы создаете конвейер из специализированных агентов: один анализирует структуру исходного текста, другой подбирает стилистические примеры через RAG, третий генерирует черновик, четвертый — редактирует его на соответствие стилю. Как в статье про агентное обучение с подкреплением для LLM, где модели учатся думать шагами.

Но начинать стоит с простого. Соберите данные. Попробуйте RAG. Оцените, нужно ли вам идти дальше.

И последнее: самый точный тест на качество стилизации. Дайте сгенерированный текст человеку, который регулярно читает это издание. Спросите: «Это похоже на [Название СМИ]?» Если он ответит «да» без колебаний — вы достигли цели. Если спросит «А что, разве нет?» — нужно работать дальше.

Стиль — это детали. ИИ пока учится их замечать. Но с правильными данными и методами он справляется удивительно хорошо. Главное — не ждать чуда от одного промпта.