Stopping Conditions: как научить GPT-5.5 не переусердствовать и выдавать точные ответы
В апреле 2025 года OpenAI выпустила официальный гайд по промптингу для GPT-5.5. Главный сюрприз — не про длину промптов и не про структуру. Компания впервые явно прописала принцип stopping conditions: модель должна понимать, когда задача решена, и останавливаться.
Звучит очевидно. Но на практике большинство промптов этого не учитывают — и модель продолжает генерировать текст, добавляет лишние рассуждения, размывает фокус и выдаёт ответ, который нужно чистить вручную.
Что такое stopping condition и почему это важно
Stopping condition — это явное указание модели, когда задача считается завершённой. Без этого GPT-5.5 продолжает думать даже там, где ответ уже готов.
Пример из реальной практики: промпт для анализа логов ошибок в веб-приложении. Без stopping condition модель анализирует ошибку, предлагает фикс, проверяет связанные участки кода, ищет похожие паттерны в других модулях — и в итоге выдаёт текст на две страницы вместо трёх абзацев с решением.
С явным stopping condition промпт выглядит так:
«Проанализируй ошибку, найди причину, предложи фикс. Stopping criteria: фикс описан, связанные задачи зафиксированы отдельно. Не расширяй скоуп на рефакторинг соседних модулей».
Результат — модель останавливается ровно в той точке, где задача решена. Никаких лишних рассуждений, никаких попыток улучшить код вокруг, никаких отступлений в архитектуру.
Как это работает на практике
Игорь Масленников, который ведёт блог о промпт-инжиниринге и разрабатывает агентов на базе Claude и GPT, разобрал свой рабочий скилл process-logs — 663 строки промпта для обработки логов ошибок. В одной секции было написано:
«Test the fix mentally: what else could break? Check for similar patterns elsewhere in codebase».
Эту инструкцию можно выполнять бесконечно. Модель не понимает, когда остановиться — и либо недокапывает (если устала от длинного промпта), либо перекапывает (если решила следовать букве).
После переписки по новым правилам OpenAI секция стала короче в три раза:
«Goal: production stays clean. Each fix addresses the root cause, not symptoms. Stopping criteria: similar pattern checked, fix is committed, related issues documented as separate tasks. Don't expand scope into refactoring unless explicitly asked».
Ключевое изменение — явное stopping criteria. Модель теперь знает: как только фикс закоммичен, похожие паттерны проверены и связанные задачи зафиксированы — работа завершена.
Где stopping conditions дают максимальный эффект
Техника работает везде, где модель склонна к overthinking — продолжает анализ там, где задача уже решена.
- Исследовательские задачи — модель собирает факты, проверяет источники, формирует выводы. Без stopping condition она продолжит искать дополнительные подтверждения даже после того, как ответ готов.
- Написание кода — модель пишет функцию, тестирует её, исправляет баги. Без явной границы она начнёт рефакторить соседний код или предлагать архитектурные улучшения.
- Анализ данных — модель строит визуализации, выявляет тренды, делает выводы. Без stopping condition она добавит ещё три графика и два дополнительных среза, которые никто не просил.
- Написание текстов — модель формулирует тезис, приводит аргументы, делает вывод. Без границы она продолжит развивать мысль, добавит примеры сверху и размоет фокус.
Во всех этих случаях stopping condition экономит токены, ускоряет работу и делает ответ более точным.
Как правильно формулировать stopping condition
OpenAI рекомендует описывать не процесс, а результат. Не «сделай пять шагов», а «задача решена, когда есть X, Y и Z».
Плохой вариант:
«Проанализируй данные, построй график, сделай выводы, проверь на выбросы, добавь дополнительные визуализации при необходимости».
Хороший вариант:
«Цель: понять, растут ли продажи по регионам. Stopping criteria: есть график по регионам, выявлены топ-3 региона с ростом, зафиксированы аномалии. Дополнительные срезы — только если данные неоднозначны».
Разница — модель понимает, что считается завершённой работой. Как только есть график, топ-3 и аномалии — работа готова.
Stopping conditions vs императивы
Важное уточнение из того же гайда OpenAI: stopping conditions — это не императивы вроде ALWAYS или NEVER. Это описание успешного результата.
Императивы нужны для true invariants — случаев, где нарушение приведёт к катастрофе. Например:
«NEVER delete files automatically. File removal requires manual verification».
Это инвариант. Удалить файл случайно — потерять работу без бэкапа.
Но большинство инструкций в промптах — это не инварианты, а рекомендации. И для них лучше работает описание результата плюс stopping condition, чем жёсткий императив.
Реальные кейсы применения
Команда финансового отдела OpenAI использовала Codex для обработки 24 771 налоговых форм K-1 общим объёмом 71 637 страниц. Задача заняла на две недели меньше времени, чем обычно.
Ключевое изменение в промпте — добавили stopping condition:
«Stopping criteria: каждая форма проверена на полноту полей, выявлены расхождения, зафиксированы проблемные кейсы. Дополнительный анализ — только для форм с расхождениями выше 5%».
Без этого модель продолжала бы анализировать каждую форму глубже, чем нужно — искать паттерны, строить гипотезы, добавлять контекст. С явной границей она останавливалась ровно в той точке, где задача решена.
Аналогичный кейс — команда маркетинга OpenAI автоматизировала еженедельные бизнес-отчёты через Codex. Экономия — 5–10 часов в неделю.
Ключевое изменение — в промпте явно прописали:
«Stopping criteria: данные из CRM агрегированы, топ-5 метрик визуализированы, выявлены отклонения от прошлой недели. Глубокий анализ — только если метрика упала более чем на 15%».
Без stopping condition модель продолжала бы копать — строить прогнозы, искать корреляции, добавлять дополнительные срезы. С явной границей она выдавала готовый отчёт за один прогон.
Как внедрить в свои промпты
Три простых шага:
- Опишите цель — что должно быть на выходе.
- Добавьте stopping criteria — что считается завершённой работой.
- Уберите лишние инструкции — всё, что можно выразить через результат, а не через процесс.
Пример для задачи анализа конкурентов:
Было: «Найди конкурентов, собери информацию по каждому, проанализируй их сильные и слабые стороны, сравни с нашим продуктом, предложи идеи для улучшения».
Стало: «Цель: понять, чем конкуренты сильнее нас. Stopping criteria: топ-3 конкурента описаны, выявлены их ключевые преимущества, предложены 3 конкретных действия для нашего продукта. Дополнительный анализ — только если данные противоречивы».
Результат — модель выдаёт точный ответ без лишних рассуждений.
Что дальше
OpenAI продолжает обновлять рекомендации по промптингу. Stopping conditions — это первый шаг к тому, чтобы модели понимали не только «что делать», но и «когда остановиться».
Следующий логичный шаг — модели, которые сами формулируют stopping criteria на основе задачи. Но пока этого нет, stopping conditions нужно прописывать вручную.
Хорошая новость — техника работает не только на GPT-5.5, но и на Claude Opus 4.7, Gemini 3.1 Pro и других фронтир-моделях. Принцип универсальный: чем точнее модель понимает, когда задача решена, тем лучше результат.
Попробуйте GPT-5.5, Claude Opus 4.7 и другие модели с поддержкой stopping conditions в GEMERA AI — через Telegram-бота или веб-кабинет. Все фронтир-модели в одном месте, без VPN, с оплатой российскими картами.