Jak napisać dobry prompt - 10 zasad które faktycznie działają

Prompt to instrukcja dla AI - im lepsza instrukcja, tym lepszy rezultat. Szerszy przegląd technik z ćwiczeniami jest w przewodniku Prompt engineering po polsku.

Różnica między osobą dostającą świetne wyniki z ChatGPT a tą frustrującą się słabą jakością to nie szczęście ani magia - to umiejętność pisania efektywnych promptów. Po tysiącach eksperymentów z różnymi modelami, zadaniami, stylami wypracowałem zestaw zasad które konsekwentnie dają lepsze rezultaty. Nie są to teoretyczne guidelines ale praktyczne techniki testowane w real-world scenarios.

Zasada #1: Bądź konkretny, nie ogólnikowy

Zły prompt: „Napisz o AI”
Dobry prompt: „Napisz 800-słowny artykuł o praktycznych zastosowaniach AI w polskich małych firmach handlowych, ton ekspercki ale przystępny, z 3 konkretnymi przykładami i ROI dla każdego.”

Im więcej specifics, tym model ma fewer możliwości zgadywania. Every vague element w prompcie to lottery whether model guess correctly co miałeś na myśli.

Zasada #2: Nadaj AI rolę/perspektywę

„Jesteś seniorem consultant z 15-letnim doświadczeniem w digital transformation dla SMB w Polsce” vs brak roli - dramatically różne outputs. Rola ustawia lens przez który model interpretuje zadanie.

Dobre role przykłady: „brutal skeptic looking for flaws”, „enthusiastic teacher for 10-year-olds”, „experienced copywriter specializing in B2B SaaS”, „empathetic customer support rep”.

Zasada #3: Podaj kontekst i cel

Model nie wie dlaczego pytasz ani w jakiej sytuacji. „Potrzebuję tego do pitch inwestorom” vs „używam jako internal memo” vs „learning material dla juniorów” - ten sam topic, totally różne approaches needed.

Context includes: kto jest audience, jaki jest goal, jakie constraints, co already tried, dlaczego to important.

Zasada #4: Określ format precyzyjnie

Przykład wykonania na fikcyjnych danych:

ROLA: Jesteś redaktorem.
ZADANIE: Opisz zasady odbioru zamówień.
KONTEKST: Fikcyjny sklep Róża. Odbiór osobisty w sobotę od 10:00 do 14:00. Przy odbiorze wystarczy numer zamówienia. Nie znamy adresu ani numeru telefonu.
FORMAT: Dokładnie 3 akapity, maksymalnie 150 słów.
TON: Rzeczowy, bez wykrzykników.
OGRANICZENIA: Używaj wyłącznie podanych faktów. Nie dopisuj adresu, numeru telefonu ani godzin dla innych dni.

Nie „krótkozapisze”, ale „maksymalnie 150 słów, 3 paragrafy”. Nie „w punktach”, ale „5 bullet points, każdy 1-2 zdania”. Nie „tabela”, ale „tabela z kolumnami: Feature | Benefit | Cost | Priority”.

Format nie jest cosmetic detail - wpływa na to jak model strukturyzuje myślenie.

Zasada #5: Użyj przykładów (few-shot)

Zamiast wyjaśniać słowami jak coś zrobić, pokaż 2-3 przykłady. Model nauczy się wzorca automatycznie. „Transform sentences like: 'Product good, delivery slow’ → Product: +, Delivery: -. Now: 'Fast shipping, quality OK’ → ?”

Examples > explanations dla zadań wymagających specific format czy styl.

Zasada #6: Określ ton i styl jawnie

Defaults model tone to „helpful assistant” - generic, polite, slightly corporate. Jeśli chcesz inaczej - powiedz. „Casual i conversational”, „formal i academicki”, „entuzjastyczny bez hype”, „matter-of-fact bez zbędnych słów”.

Include also: co unikać („no buzzwords like 'revolutionary'”, „avoid passive voice”, „no exclamation marks”).

Zasada #7: Iteruj, nie próbuj perfect first-shot

Przykład wykonania na fikcyjnych danych:

Dobry start, teraz skróć całość do jednego zdania o maksymalnie 15 słowach. Zachowaj dzień, godziny i informację o numerze zamówienia.

Lepiej: prompt podstawowy → output → „Dobry start, teraz dodaj X i zmień Y” → lepszy output → „Perfect, tylko skróć sekcję o Z”. Model ma context całej rozmowy.

Gorzej: próba write perfect 500-word prompt capturing every nuance. Usually ends w confusion.

Zasada #8: Użyj chain-of-thought dla złożonych zadań

„Rozwiąż krok po kroku: 1) Identify key variables, 2) Apply formula, 3) Calculate, 4) Verify answer makes sense, 5) Explain reasoning.” Model które musi show work robi fewer errors.

Szczególnie effective dla math, logic, analysis, debugowania - anything requiring reasoning nie tylko pattern matching.

Czytaj też: Etyczne dylematy prompt engineera: jak odpowiedzialnie tworzyć polecenia dla sztucznej inteligencji?

Zasada #9: Constrain output żeby avoid common pitfalls

Przykład wykonania na fikcyjnych danych:

KONTEKST: Fikcyjny sklep Róża jest otwarty w sobotę od 10:00 do 14:00. W niedzielę jest zamknięty.
ZADANIE: Podaj godziny otwarcia w sobotę i adres sklepu.
OGRANICZENIA: Stay within provided context, don't add external knowledge. If you don't know, say 'I don't know' not guess. Odpowiedz po polsku w dwóch punktach.

„Do NOT mention if you’re an AI”, „Cite sources dla all factual claims”, „If you don’t know, say 'I don’t know’ not guess”, „Stay within provided context, don’t add external knowledge”.

Preventing problems proaktywnie > fixing później.

Zasada #10: Test i mierz, nie zakładaj

Co działa dla jednego use case może not work dla innego. Co działa na GPT-4 może fail na GPT-3.5. Systematically test variants: różne formułowania, różne structured, różne examples. Measure quality każdego. Iterate based na data not intuition.

Zapisuj prompty które działają jako templates dla przyszłości. Build library z czasem.

Template uniwersalny - punkt startowy

Przykład wykonania na fikcyjnych danych:

ROLA: Jesteś redaktorem komunikatów sklepu.
ZADANIE: Napisz informację o godzinach otwarcia.
KONTEKST: To fikcyjny sklep Róża. W sobotę jest otwarty od 10:00 do 14:00. W niedzielę jest zamknięty.
FORMAT: Dwa zdania.
TON: Rzeczowy, bez wykrzykników.
DŁUGOŚĆ: Maksymalnie 30 słów.
OGRANICZENIA: Nie dodawaj adresu, rabatów ani powodów zamknięcia.
PRZYKŁAD: W piątek zapraszamy od 9:00 do 17:00.

Skeleton który możesz adapt do większości zadań:

„`
ROLA: Jesteś [kim?]
ZADANIE: [Co dokładnie zrobić]
KONTEKST: [Dlaczego, dla kogo, w jakiej sytuacji]
FORMAT: [Jak ma wyglądać output]
TON: [Styl komunikacji]
DŁUGOŚĆ: [Ile słów/zdań/punktów]
OGRANICZENIA: [Czego NIE robić]
PRZYKŁAD: [Opcjonalnie - wzór]
„`

Nie każdy prompt potrzebuje all elements, ale template daje structure żeby nie zapomnieć ważnych details.

Najczęstsze błędy które rujnują prompty

Błąd #1: Założenie że model „domyśli się”: Model nie czyta między wierszami. Co nie jest explicite w prompcie - model guesses.

Błąd #2: Vague adjectives: „Zrób to ładnie”, „professional”, „high-quality” - meaningless bez konkretów. Define czym exactly jest „ładnie”.

Błąd #3: Za dużo w jednym prompcie: 10 różnych zadań naraz. Model confuses priorities. Lepiej sequence of focused prompts.

Błąd #4: Nie testowanie edge cases: Prompt działa dla typical input, fails dla unusual ones. Test z variety of inputs.

Błąd #5: Copy-paste cudzych promptów bez adaptation: Co działa dla kogoś innego może not fit Twojego exact use case. Adapt always.

Zaawansowane techniki dla power users

Meta-prompting: „Zanim odpowiesz, zadaj mi 5 pytań które pomogą Ci better understand requirement.” Model sam identifies gaps w Twoim initial prompt.

Self-consistency: „Generate 5 different answers, then evaluate which is best and why.” Model self-selects highest quality.

Constrained generation: „Use only words found in this vocabulary list”, „Each sentence must start with next letter of alphabet”. Forces creativity within bounds.

Decomposition: Podziel złożone zadanie na sub-tasks, każdy osobny prompt. Output jednego → input następnego. Chain prompts dla complex workflows.

Prompt engineering to skill not talent - can be learned i improved through practice. Start z basic templates, test systematically, learn what works dla Twojego specific use cases, build library of proven prompts. Quality promptu directly koreluje z quality output. Ten hours invested w mastering prompting = hundreds hours saved w better AI results.

// czytaj dalejPrompt: co to jest i jak napisać polecenie do AIArtykułyMój przepis na dobry prompt umarł. I dobrze mu takMagazynPrompt nie działa? 7 najczęstszych błędów i jak ich unikać, aby AI rozumiała cię lepiejGemini