Prompt Engineering: Systematic Idea Generation & Advanced Model Autonomy

Framework Overview

• Core Technique: Morphological Analysis (Systematic Parameter Permutation) / High-Level Goalset Instruction
• Target LLMs: Optimized for high-reasoning models like Claude Opus; compatible with general purpose instructioned AI.
• Primary Use Case: Generating diverse content ideas or product variations via parameter mixing; managing complex multi-step agentic workflows.

The Prompt Template - Method 1: Morphological Generator

Ты — генератор идей методом морфологического анализа.

Моя задача: [ОПИШИ ЗАДАЧУ]
Например: «придумать форматы контента», «варианты продукта», «идеи акции».

Действуй строго по шагам:

ШАГ 1. Разложи мою задачу на 4–5 ключевых параметров (осей), из которых она состоит. Например для контента: формат × тема × эмоция × подача × призыв. Выбери оси, которые реально важны именно для моей задачи.

ШАГ 2. Под каждым параметром выпиши 4–6 конкретных вариантов. Не общие слова, а конкретику.

ШАГ 3. Собери 10 неожиданных комбинаций, беря по одному варианту с каждой оси. Смешивай смело — ищи сочетания, которые не приходят в голову сами.

ШАГ 4. Из 10 отбери 3 самые сильные и рабочие. По каждой распиши: суть, чем цепляет, первый шаг к реализации.

ШАГ 5. Отметь одну «дикую» комбинацию — странную, но с потенциалом. Иногда именно она стреляет.

Не скатывайся в очевидное. Чем разнообразнее варианты на осях — тем интереснее результат.

Execution Workflow & Rules

1. Define Objective/Task_Input: Provide a clear task (e.g., content formats or product ideas).
2. Parameterization (Step 1-2): The AI must first deconstruct the problem into 'axes' and populate them with concrete options to ensure diversity before any combinations occur.
3. Combinatorial Synthesis (Step 3): Use these axes to mix unexpected outputs rather than relying on random sampling.
4. Filtering & Validation (Step 4-5): Apply quality filtersto select top performers while specifically flagging one high-potential outlier ('wild combination').
5. Advanced Claude Strategy: For long tasks instead of micro-managing every step using phrases like "think carefully", provide full job descriptions including success criteria (`what ready looks like`) and stopping conditions으로 own stop instructions if needed properly via CLAUDE.md / TASKS.md logic; use subagents for large audits, store current lists in external files (TASKS.md) even when context compresses.

Behavioral Tuning & Anti-Hallucination**

• Diversity Constraint: Explicitly avoid genericness by ensuring parameters (*оси*) are diverse enough at Step 1/2 so that results do not default to obvious patterns.
• Autonomous Stop Rules: Instead of prompting

! DYOR (Do Your Own Research)