Как обучить нейросеть под свой бренд
Универсальные нейросети (ChatGPT, Claude, GigaChat, YandexGPT) пишут ровно, гладко и одинаково — как усреднённый копирайтер, начитавшийся всего интернета. Ваш бренд-медиа так не звучит: у вас свой tone of voice, свои приёмы, свои запреты. Задача обучения нейросети — сделать так, чтобы она писала не «в среднем как все», а «как ваша редакция».
Есть три способа. Разница между ними — примерно как между «объяснить копирайтеру устно», «дать ему архив ваших публикаций почитать» и «взять его штатным сотрудником на полгода». Разбираем каждый: что делает, сколько стоит, кому подходит.
Способ 1. Промпт со стайлгайдом (базовый)
Самый доступный вариант. Работает так: вы пишете подробный промпт, в котором задаёте нейросети роль, tone of voice, запреты, форматы, и добавляете 2-3 примера «как надо писать» и «как не надо». Дальше запускаете задачу.
Как выглядит промпт:
Плюсы:
- Бесплатно (кроме стоимости запросов к модели — обычно копейки)
- Настройка за 1-2 часа: собираете стайлгайд, оформляете как промпт
- Работает в любой модели: ChatGPT, Claude, GigaChat, YandexGPT
- Обновления мгновенные — правите промпт, следующая же задача идёт по новой версии
Минусы:
- Стиль передаётся на 60-70% от идеала — далеко не всё, что делает ваш стиль, можно уложить в промпт
- Через 5-7 итераций модель «плывёт» — забывает часть требований
- Модель не знает конкретные факты вашей редакции: имена авторов, историю публикаций, детали ниши
Кому подходит: одиночному копирайтеру, маленькой команде до 5 человек, редакции с ограниченным бюджетом. Также как первый шаг — прежде чем платить за RAG или fine-tuning, попробуйте промпт: часто хватает.
Способ 2. RAG-память на архиве (средний)
RAG (Retrieval-Augmented Generation) — способ дать нейросети «читать» ваш архив публикаций перед каждой задачей. Модель остаётся стандартной (ChatGPT, Claude, GigaChat — любая), но перед ответом система находит в архиве похожие тексты и подмешивает их в запрос. Модель видит примеры вашего стиля прямо перед тем, как писать.
Как это выглядит на практике:
- Вы загружаете архив: 200-2000 своих публикаций в базу.
- Система разбивает их на смысловые куски (по 300-500 слов) и индексирует.
- Когда приходит новая задача, система ищет 5-10 самых похожих кусков из архива и вставляет их в контекст.
- Нейросеть видит: «вот 5 примеров, как этот бренд пишет на похожую тему» — и подстраивается.
Плюсы:
- Стиль передаётся на 75-90% — значительно точнее промпта
- Модель «знает» конкретные факты: имена авторов, ваши прошлые темы, ниши, где вы уже писали
- Архив обновляется автоматически — новую публикацию добавили, следующая задача уже её учитывает
- Работает с любой моделью, включая российские GigaChat и YandexGPT
Минусы:
- Нужна техническая настройка: база (Pinecone, Qdrant, Weaviate, локальная sqlite-vec), эмбеддинги, оркестратор
- Стоимость 5-20 тысяч рублей в месяц — плата за базу + запросы
- Первичная загрузка архива — от нескольких часов до нескольких дней
- Требует хотя бы 50 текстов в архиве, лучше 200-500
Кому подходит: команде от 5 человек с активным блогом или медиа. Если у вас 100+ публикаций и вы регулярно пишете новые — RAG окупается за 1-2 месяца экономии времени редактора.
Способ 3. Fine-tuning (продвинутый)
Fine-tuning — дообучение самой модели на ваших текстах. Не подсказки в контексте, а изменение самой модели: она начинает «думать» как ваш бренд.
Как это устроено:
- Готовите датасет: 500-5000 пар «задача → ваш идеальный ответ». Обычно берут архив: заголовок статьи → готовая статья, тема поста → готовый пост.
- Модель проходит через процесс дообучения: 2-4 недели, если базовая модель поддерживает fine-tuning (OpenAI GPT-4o mini, GPT-3.5, российский GigaChat корпоративно, YandexGPT).
- На выходе — «ваша» версия модели с ID. Обращаетесь к ней через API так же, как к базовой, но она пишет в вашем стиле.
Плюсы:
- Стиль передаётся на 85-95% — практически неотличимо от вашего автора
- Стабильно от прогона к прогону — нет разброса от «случайного» подбора примеров
- Промпты становятся короче: модель «знает» ваш стиль без напоминаний
Минусы:
- Стоимость: разово от 50 тысяч (маленький датасет на GPT-3.5 через OpenAI) до 500 тысяч и выше (большой датасет на корпоративном GigaChat)
- Долго: 2-4 недели от подачи датасета до готовой модели
- Не гибко: если стиль бренда поменялся, придётся переучивать заново
- Обязательно 500+ текстов одного стиля и качества — иначе результат хуже промпта
- Не решает проблему актуальных фактов: fine-tuning фиксирует стиль, но не «свежие» данные
Кому подходит: крупным медиа и агентствам с архивом 2000+ текстов, стабильным tone of voice и объёмом задач 500+ материалов в месяц. Для маленькой команды не окупится.
Что выбрать — сравнительная таблица
| Параметр | Промпт | RAG | Fine-tuning |
|---|---|---|---|
| Стоимость запуска | 0 ₽ | 10-30 тыс. разово | 50-500 тыс. разово |
| Стоимость в месяц | ~1-5 тыс. за токены | 5-20 тыс. | ~5-15 тыс. (только токены) |
| Точность стиля | 60-70% | 75-90% | 85-95% |
| Знание ваших фактов | Нет | Да | Частично (что было на дообучении) |
| Гибкость (правки стиля) | Мгновенно | За минуту | Заново обучать |
| Минимум текстов | 3-5 примеров | 50-500 | 500-5000 |
| Время до старта | 1-2 часа | 2-3 дня | 2-4 недели |
| Кому подходит | Одиночке, малой команде | Команде от 5 чел. | Крупному медиа |
Комбинировать способы
В реальности лучшие результаты даёт связка. Схема, которая работает в бренд-медиа с большим архивом:
- Промпт со стайлгайдом — задаёт роль и общие правила
- RAG-память — подмешивает 3-5 похожих ваших текстов из архива
- Опционально: fine-tuning базовой модели — если объём задач большой и стиль стабильный
Такой стек даёт 90-95% точности стиля при разумной стоимости. Первые два уровня доступны сразу, третий добавляется, если нужно.
Как это устроено в Рерайт-Заводе. Мы используем связку промпт + RAG-память по умолчанию. Промпты собраны под контент-задачи (рерайт, генерация, редактура), RAG работает на архиве вашей редакции — загрузили 200+ ваших публикаций, следующий рерайт уже идёт в вашем стиле. Fine-tuning — опция для больших редакций на тарифе Premium. Полная настройка под ваш бренд — 5-7 дней.