Przestań ulepszać prompty. Zacznij zarządzać kontekstem
Najwięcej frustracji z AI nie bierze się ze złych promptów, tylko z zaśmieconego kontekstu. Zanim po raz piąty przepiszesz to samo polecenie, sprawdź, co jeszcze model widzi oprócz niego.
👁 144 przeczytań
- Zamiast ulepszać prompt, należy zarządzać kontekstem - tym, co model widzi w oknie rozmowy jako jeden ciągły dokument.
- Długie rozmowy tracą jakość, bo błędne odpowiedzi zostają w oknie i kotwiczą kolejne, a sprzeczne instrukcje nakładają się zamiast kasować.
- Praktyczne nawyki poprawiające pracę z AI to m.in. częstsze zaczynanie nowych sesji, wycinanie nieudanych podejść i trzymanie stałych instrukcji w plikach projektu.
Jest taki moment, który zna każdy, kto pracuje z modelami językowymi dłużej niż tydzień. Piszesz polecenie, dostajesz odpowiedź obok tematu, więc poprawiasz sformułowanie. Dodajesz „bądź precyzyjny”, „myśl krok po kroku”, „jesteś ekspertem z dwudziestoletnim doświadczeniem”. Piąta wersja promptu, szósta, a wynik nadal mierny. Wniosek nasuwa się sam: widocznie nie umiem pisać promptów i muszę się tego nauczyć.
Sam tak długo myślałem. Testuję modele codziennie, na własnych zadaniach i na własne pieniądze, więc przez ręce przechodzą mi setki rozmów tygodniowo. I im dłużej to robię, tym mocniej utwierdzam się w przekonaniu, że dopieszczanie pojedynczego promptu jest zajęciem przereklamowanym. Różnica między ludźmi, którym AI naprawdę pomaga, a tymi, którzy się z nią wiecznie szarpią, leży zwykle gdzie indziej. W tym, czym zarządzasz między poleceniami: w kontekście.
Model nie widzi twojego promptu. Widzi wszystko naraz
Zacznijmy od mechaniki, bo z niej wynika cała reszta. Model nie dostaje „promptu”. Dostaje jeden długi ciąg tekstu, w którym siedzi instrukcja systemowa narzędzia, cała dotychczasowa rozmowa ze wszystkimi twoimi poprawkami i jego wcześniejszymi odpowiedziami, wklejone pliki, wyniki wyszukiwania, a dopiero na samym końcu twoje najnowsze zdanie. Z punktu widzenia modelu to wszystko jest jednym dokumentem. On nie odróżnia „starych śmieci” od „aktualnego polecenia” tak ostro, jak nam się wydaje.
To zmienia optykę. Twoje starannie wycyzelowane polecenie bywa jednym akapitem w materiale, który zdążył urosnąć do rozmiarów sporego opowiadania. Możesz ten akapit szlifować godzinami, ale jeśli pozostałe strony pełne są sprzecznych ustaleń, porzuconych wątków i błędnych odpowiedzi, które kiedyś przeszły bez korekty, to szlifujesz klamkę w drzwiach do zagraconego pokoju.
Dlaczego długie rozmowy głupieją
Każdy to widział: rozmowa, która na początku szła świetnie, po godzinie zaczyna się rozłazić. Model wraca do pomysłów, z których wyraźnie zrezygnowaliśmy, miesza wersje, odpowiada na pytanie sprzed kwadransa zamiast na obecne. To nie jest zmęczenie ani kaprys. To arytmetyka.
Po pierwsze, każda błędna odpowiedź zostaje w oknie i pracuje przeciwko tobie. Model czyta własne pomyłki jako pełnoprawną część materiału, a to, co przeczytał, kotwiczy jego kolejne odpowiedzi. Po drugie, sprzeczne instrukcje się nie kasują, tylko nakładają. Jeśli w rozmowie padło najpierw „pisz krótko”, a potem „rozwiń szerzej”, w oknie zostają obie wersje i model sam wybiera, której posłuchać. Po trzecie, im więcej tekstu, tym więcej rzeczy konkuruje o uwagę mechanizmu, który decyduje, co jest istotne. Ważne polecenie zakopane w środku długiej rozmowy po prostu przegrywa z tym, co świeże i z tym, co było na początku.
Mam z tego prosty, praktyczny sygnał ostrzegawczy: jeśli poprawiam model trzeci raz w tej samej sprawie, przestaję poprawiać. Z mojego doświadczenia dalsze prostowanie w tej samej rozmowie rzadko cokolwiek prostuje, bo wszystkie nieudane podejścia wciąż siedzą w oknie i ciągną odpowiedzi w swoją stronę.
Prompt to zdanie. Kontekst to środowisko pracy
Najlepsza analogia, jaką znam, to nowy pracownik pierwszego dnia w firmie. Możesz mu wydać najpiękniej sformułowane polecenie świata, ale jeśli posadzisz go przy biurku zawalonym cudzymi papierami, bez dostępu do właściwych dokumentów i z trzema sprzecznymi notatkami od poprzedników, dostaniesz bylejakość. Nie dlatego, że jest słaby. Dlatego, że środowisko pracy przesądziło sprawę, zanim zaczął.
Z modelem jest identycznie. O jakości odpowiedzi decydują trzy pytania: co model wie (czy dostał właściwy materiał), czego nie wie (czy brakuje mu czegoś, co ty masz w głowie i uznajesz za oczywiste) oraz co widzi niepotrzebnie (ile szumu zalega w oknie). Prompt jest dopiero czwarty na tej liście. Dobre polecenie w złym kontekście przegra. Przeciętne polecenie w czystym, dobrze przygotowanym kontekście zwykle wystarczy.
Siedem nawyków, które dają więcej niż magiczne formułki
To nie jest teoria. To rzeczy, które robię codziennie i które realnie zmieniły moją pracę z AI.
1. Zaczynaj nową rozmowę częściej, niż podpowiada intuicja. Nowa sesja to czysty stół. Prawie każdy trzyma rozmowy za długo, bo szkoda „dorobku”. Tymczasem dorobek, który warto zabrać, zwykle mieści się w kilku zdaniach podsumowania, a cała reszta to balast.
2. Podawaj materiał, nie opis materiału. Zamiast streszczać modelowi dokument z pamięci, wklej dokument. Zamiast opisywać kod, pokaż kod. Model pracuje na tym, co widzi, a nie na tym, co ty widziałeś.
3. Nieudane podejścia wycinaj, nie prostuj. Gdy rozmowa skręciła w złą stronę, najskuteczniejszy ruch wygląda tak: poproś o krótkie podsumowanie ustaleń, które się bronią, otwórz nową sesję, wklej podsumowanie i jedź dalej. Błędy zostają za drzwiami zamiast jechać z tobą dalej.
4. Stałe instrukcje trzymaj w stałym miejscu. Jeśli trzeci raz w tygodniu piszesz modelowi to samo o swoim stylu, formacie czy zakazach, to nie jest praca, tylko przepisywanie. Od tego są instrukcje projektu, pliki z wytycznymi, notatki systemowe. Raz napisane, działają w każdej rozmowie.
5. Jedno zadanie, jedna rozmowa. Mieszanie w jednym oknie researchu, pisania i poprawiania faktur to proszenie się o to, żeby wątki zaczęły się przenikać. Rozdzielaj konteksty tak, jak rozdzielasz karty w przeglądarce.
6. Przed przerwą każ modelowi zapisać stan. „Podsumuj w punktach, co ustaliliśmy, co odrzuciliśmy i co zostało do zrobienia”. Taki zrzut wklejony następnego dnia do świeżej sesji działa lepiej niż wracanie do wczorajszej, spuchniętej rozmowy.
7. Pilnuj kolejności. Modele najlepiej trzymają się tego, co na początku i na końcu okna. Kluczowe wymagania warto mieć w obu miejscach: raz w materiale wyjściowym, raz w ostatnim poleceniu. Środek długiej rozmowy to najgorsze miejsce na rzeczy ważne.
Pamięć zewnętrzna zamiast nieskończonej rozmowy
Jest jeszcze poziom wyżej, na który wchodzi się naturalnie, gdy powyższe nawyki wejdą w krew: przestajesz traktować rozmowę jako miejsce przechowywania wiedzy. Wiedza mieszka w plikach, rozmowa jest tylko miejscem pracy.
W praktyce oznacza to prowadzenie własnych notatek pod AI: plik z opisem projektu, plik z decyzjami, plik ze stylem. Na początku sesji podajesz modelowi te pliki i masz powtarzalny punkt startu, niezależny od tego, co działo się wczoraj. Narzędzia agentowe, takie jak asystenci kodowania, robią to już systemowo, bo utrzymują pliki pamięci i instrukcje projektu między sesjami. Ale ta sama zasada działa w zwykłym czacie, bez żadnej automatyzacji: krótkie sesje robocze plus zewnętrzne, aktualizowane notatki biją na głowę jedną wieczną rozmowę, która pamięta wszystko, czyli coraz mniej.
Google · Twoje źródłaPromptowy wyżej w Twoim Google - jednym kliknięciemDodaj do preferowanych źródeł →Kiedy prompt jednak ma znaczenie
Żeby nie było nieporozumień: nie twierdzę, że treść polecenia jest obojętna. Trzy rzeczy w promptach robią realną różnicę. Precyzyjny cel zamiast ogólnika, bo „napisz tekst o kontekście” i „napisz 800 słów poradnika dla osób, które piszą z AI codziennie” to dwa różne zamówienia. Format wyjścia, bo modelowi trzeba powiedzieć, czy chcesz tabelę, listę czy zwartą prozę. I przykład, bo jeden dobry wzorzec potrafi zastąpić akapit opisu.
Tyle że to wszystko jest tanie i szybkie. Opanowujesz to w jeden wieczór i nie ma czego dalej cyzelować. Cała reszta osławionej „inżynierii promptów”, te zaklęcia o ekspertach, głębokich oddechach i groźbach, starzeje się z każdą generacją modeli i dziś więcej o niej się pisze, niż z niej wynika.
Dlatego jeśli miałbym całą tę zmianę zamknąć w jednym zdaniu, brzmiałoby ono tak: przestań pytać „jak mam to napisać, żeby model zrozumiał” i zacznij pytać „co model teraz widzi i czy na tym da się dobrze pracować”. Pierwsze pytanie prowadzi do szóstej wersji tego samego polecenia. Drugie prowadzi do czystego stołu, właściwych materiałów i odpowiedzi, których nie trzeba poprawiać.
Cały tydzień w AI, w jednym mailu
Wybrane premiery, narzędzia i analizy. Raz w tygodniu, prosto do skrzynki.
Zapisz się za darmo →Najczęstsze pytania
Dlaczego model językowy coraz gorzej odpowiada w długiej rozmowie?
Im dłuższa rozmowa, tym więcej błędnych odpowiedzi i sprzecznych instrukcji zalega w oknie kontekstowym, co obniża jakość wyników. Model czyta własne pomyłki jako pełnoprawną część materiału, a ważne polecenie zakopane w środku rozmowy przegrywa z tym, co świeże i z tym, co było na początku.
Co zrobić, gdy model trzeci raz z rzędu daje złą odpowiedź na to samo pytanie?
Nie należy dalej poprawiać w tej samej rozmowie - trzeba poprosić model o podsumowanie ustaleń, które się bronią, otworzyć nową sesję i wkleić to podsumowanie. Błędne podejścia zostają wtedy za drzwiami i nie ciągną kolejnych odpowiedzi w złą stronę.
Jakie elementy promptu naprawdę mają znaczenie dla jakości odpowiedzi AI?
Realną różnicę robią trzy rzeczy: precyzyjny cel zamiast ogólnika, określony format wyjścia oraz przykład wzorca. Autor zaznacza, że te umiejętności można opanować w jeden wieczór i nie ma czego dalej szlifować.
Jak utrzymać spójny kontekst pracy z AI między sesjami?
Wystarczy prowadzić zewnętrzne pliki z opisem projektu, podjętymi decyzjami i wytycznymi stylu, a na początku każdej sesji podawać je modelowi. Takie krótkie sesje robocze z zewnętrznymi notatkami dają lepsze wyniki niż jedna ciągła rozmowa, która według autora z czasem pamięta coraz mniej.
Podobne tematy na Promptowym
