Оглавление

Проект Prompt Quality Score (PQS) представил API для предварительной оценки и оптимизации промптов, получив 71 балл в рейтинге Proof of Usefulness. Как сообщает HackerNoon, система анализирует входящие запросы по восьми измерениям еще до того, как они попадут на обработку в LLM, помогая разработчикам экономить токены и избегать некачественных ответов.

Проблема «мусора на входе» стала особенно острой с ростом агентной экономики, где автономные ИИ-агенты самостоятельно тратят бюджет на API-вызовы. Создатель сервиса Кен Бербери отмечает, что адаптация технологий опередила культуру работы с данными: многие пользователи даже не подозревают, что их неудачи с Claude или GPT-4o связаны с низким качеством исходных инструкций.

Механика работы и первые результаты

Система PQS работает как своего рода линтер для естественного языка — инструмент, привычный программистам для проверки кода на ошибки перед запуском. В основе стека лежат Next.js 15 и Supabase, а для самой оценки привлекаются модели Claude Sonnet и GPT-4o. За первую неделю публичного доступа сервис обработал более 320 вызовов API, выявив тревожную статистику.

Согласно данным разработчиков, около 89% реальных промптов в первую неделю получили оценки «D» или «F» (неудовлетворительно). Это подтверждает гипотезу о том, что большинство запросов к нейросетям сформулированы недостаточно четко для получения предсказуемого результата. Для исправления ситуации PQS предлагает эндпоинт оптимизации, который переписывает запрос до проходного балла.

Пока индустрия пытается стандартизировать хаос, PQS предлагает платить за проверку того, что скоро станет базовым навыком самих моделей. Рынок может просто поглотить этот функционал, оставив узкоспециализированные API не у дел. Попытка монетизировать каждую запятую в запросе — смелый шаг, который рискует разбиться о бесплатные системные инструкции конкурентов.

Интеграция в экосистему и масштабирование

Проект ориентирован не только на живых людей, но и на программные интерфейсы. Поддержка протокола Model Context Protocol (MCP) позволяет интегрировать PQS напрямую в среды разработки и экосистемы ИИ-агентов. Примечательно использование протокола x402 в сети Base для проведения микроплатежей в USDC между агентами без участия человека.

Для тех, кто предпочитает готовые решения, команда выпустила два npm-пакета, упрощающих встраивание скоринга в рабочие процессы. Первым сертифицированным партнером стала платформа SmartFlow Signals, которая уже внедрила PQS в свои производственные конвейеры. В планах разработчиков — создание SDK для популярных фреймворков вроде LangChain и CrewAI.

Несмотря на техническую сложность «под капотом», для конечного пользователя инструмент остается простым: вы отправляете текст и получаете либо одобрение, либо конкретный список рекомендаций по улучшению. В условиях, когда стоимость ошибки ИИ-агента может исчисляться реальными деньгами, наличие такого независимого арбитра выглядит логичным шагом в развитии индустрии.