🎯 Definicja
Projektowanie promptów to iteracyjny proces tworzenia jasnych, precyzyjnych instrukcji dla modeli AI, którego celem jest uzyskiwanie powtarzalnych, wysokiej jakości odpowiedzi. Dobre prompty wykorzystują prostotę, jasność polecenia i właściwe dawkowanie kontekstu, umożliwiając skuteczną komunikację z LLM.
🔑 Kluczowe zasady
- Zaczynaj od prostych promptów – iteruj, testuj różne warianty i stopniowo dokładnie dopracowuj szczegóły.
- Używaj konkretnych poleceń – operuj czasownikami typu: “Napisz”, “Przetłumacz”, “Podsumuj”, “Wymień”, “Zamień na JSON”.
- Dziel duże zadania na mniejsze – łatwiej uzyskasz kontrolę i przewidywalność, unikając nadmiernej komplikacji.
- Instrukcja na początku – zaczynaj prompt od wyraźnej instrukcji, najlepiej oddzielonej od kontekstu separatorami (
###,---). - Kontekst i przykłady – im bardziej szczegółowy i istotny kontekst oraz pożądany format, tym lepsze wyniki, szczególnie przy niestandardowych zadaniach.
- Bądź precyzyjny, nie za szczegółowy – precyzja ≠ długość. Ulepszaj prompt w stronę opisu najbardziej istotnych wymagań, unikając zbędnych dygresji.
- Unikaj negacji i zakazów – zamiast mówić, czego model ma nie robić, lepiej jasno określ, co powinien wykonać.
- Testuj różne sformułowania, formaty i przykłady – to, co działa dla jednego zadania, może wymagać innego podejścia w innym przypadku.
📚 Szczegółowe wyjaśnienia i przykłady
1. Iteracyjność i prostota
Najlepsze prompty powstają w wyniku testowania wariantów i obserwowania zachowań modelu. Zacznij od wersji jak najprostszej, iteracyjnie dodając polecenia, kontekst lub przykłady.
### Instrukcja
Przetłumacz poniższy tekst na hiszpański:
Tekst: "Witaj!"2. Precyzyjna i jasna instrukcja
Im bardziej szczegółowe i opisowe polecenie, tym wyższa jakość oraz spójność odpowiedzi, zwłaszcza gdy oczekujesz konkretnego formatu lub stylu.
Wyodrębnij nazwy miejsc z poniższego tekstu.
Oczekiwany format:
Place: <lista_nazw_po_przecinku>
Tekst: "Henrique Veiga-Fernandes pracuje w Champalimaud Centre for the Unknown w Lizbonie."Wynik:
Place: Champalimaud Centre for the Unknown, Lizbona
3. Unikanie nieprecyzyjnych poleceń
Jasność komunikacji jest kluczowa – zbyt ogólne lub niekonkretne prompty zwiększają ryzyko niezadowalających, nieprzewidywalnych odpowiedzi.
- 👎 Nieoptymalnie:
“Wyjaśnij inżynierię promptów. Utrzymaj wyjaśnienie krótkie, tylko kilka zdań, nie bądź zbyt opisowy.” - 👍 Lepiej:
“W 2-3 zdaniach wyjaśnij koncepcję inżynierii promptów uczniowi liceum.”
4. Formułowanie wytycznych „co robić”, nie „czego NIE robić”
Sformułowania negatywne łatwo prowadzą model do niepożądanych zachowań. Lepiej wyraźnie określić, jakie działania mają zostać wykonane.
- 👎
“DO NOT ASK FOR PERSONAL INFORMATION.” - 👍
“Agent powinien zarekomendować filmy wyłącznie na podstawie globalnych trendów. Nie zadawaj pytań o zainteresowania ani dane osobowe. Jeśli nie znajdziesz filmu, odpowiedz: ‘Przepraszam, dziś nie mam propozycji.‘“
5. Testowanie formatów promptów
Dla modeli (zwłaszcza LLM) warto rozważyć:
- separator instrukcji i kontekstu (
###,---) - przykłady wejścia-wyjścia (few-shot prompting)
- jasne wymagania co do długości/wyniku (“wymień 3 rzeczy”, “zwróć JSON”, “podaj jako listę”)
💡 Przykład rozbudowanego promptu
### Instrukcja ###
Podsumuj poniższy tekst w jednym zdaniu używając stylu popularnonaukowego.
Tekst:
"W XX wieku pojawiły się pierwsze komputery elektroniczne, które zrewolucjonizowały komunikację i przetwarzanie informacji..."
Output format: Jedno zdanie, styl popularnonaukowy.
📌 Źródła
- promptingguide.ai/best-practices
- OpenAI Cookbook: Prompt engineering best practices
- DeepLearning.AI – ChatGPT Prompt Engineering for Developers
👽 Brudnopis
- Prompt = komunikat, którego skuteczność testujesz i optymalizujesz
- Lepsze wyniki uzyskasz przez iteracje i stopniowe zawężanie – nie przez pojedynczą próbę
- Macierz: [jasna instrukcja] + [odpowiedni format] + [kontekst] + [przykład]
- Najlepsza praktyka: „powiedz, co robić”, nie „czego nie robić”
- Sprawdzaj: długość promptu vs ograniczenia modelu (kontekst tokenów)