Quartz 4

Podstawy promptów

3 min read

🎯 Definicja

Prompt to instrukcja lub zapytanie przekazywane modelowi językowemu (LLM), które określa, co model ma wygenerować. Może zawierać pytanie, polecenie, szablon tekstowy, dane kontekstowe lub przykłady. Jakość promptu w dużym stopniu decyduje o jakości odpowiedzi wygenerowanej przez model.

🔑 Kluczowe punkty

  • ✍️ Prompt może być prosty (np. jedno zdanie) albo złożony (wielozdaniowa instrukcja z przykładami).
  • 🎯 Zadaniem prompta jest nakierowanie modelu na konkretną czynność, np. tłumaczenie, streszczenie, klasyfikację.
  • 🧠 Modele LLM potrafią samodzielnie uczyć się struktury zadania na podstawie promptu i kontekstu.
  • 💡 Format promptu wpływa na jakość, trafność i długość wygenerowanej odpowiedzi.
  • 📈 Stosuje się różne techniki: Zero-Shot, Few-Shot, Chain-of-Thought, aby poprawić skuteczność promptowania.

📚 Szczegółowe wyjaśnienie

Co można zawrzeć w promptcie?

  • Instrukcję: co ma zostać zrobione
    np. „Przetłumacz ten tekst na niemiecki: …”

  • Kontekst: dodatkowe informacje
    np. kilka zdań z dokumentu jako wprowadzenie

  • Dane wejściowe: to, co model ma przetworzyć
    np. "This product is amazing!"

  • Przykłady: (dla Few-Shot Prompting)
    np. zadanie + oczekiwana odpowiedź

🔹 Przykład prostego promptu:

The sky is

→ Output:

blue. The sky is blue on a clear day...

🔸 Ulepszony prompt:

Complete the sentence: The sky is

→ Output:

so beautiful today.

Dodanie instrukcji powoduje, że model generuje spójną i zgodną odpowiedź.

Formatowanie promptów

Najczęściej spotykane formaty:

🟩 Instrukcja:

Translate the following sentence into French:
"I love learning."

🟦 QA (question–answer):

Q: What is the capital of Spain?
A: Madrid
Q: What is the capital of France?
A:

Ten format wykorzystywany jest w Zero-Shot Prompting, czyli bez przykładów — tylko pytanie i oczekiwana odpowiedź.

Few-Shot Prompting – nauka przez przykład

Dodanie kilku przykładów w promptcie umożliwia modelowi uczenie się zadania kontekstowo (tzw. in-context learning):

This is awesome! // Positive  
This is bad! // Negative  
Wow that movie was rad! // Positive  
What a horrible show! //

→ Output:

Negative

Dlaczego to działa?

LLM nie zna reguł klasyfikowania emocji, ale potrafi wyciągać wnioski ze wzorców widocznych w promptcie. To czyni Few-Shot Prompting potężną i uniwersalną techniką – bez potrzeby trenowania modelu!

🧠 O czym pamiętać podczas pracy z promptami?

  • Prompt najlepiej konstruować jasno i konkretnie.
  • Dobrą praktyką jest testowanie różnych wariantów.
  • W przypadku zadań złożonych (np. rozumowanie) warto stosować Chain-of-Thought Prompting.
  • Spójny format znacznie zwiększa jakość wyników (np. używanie stałego schematu „Q: … A: …”).

💡 Przykład zastosowania w kodzie

prompt = """
Translate into Spanish:
I am learning how to write prompts.
"""
 
response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "user", "content": prompt}]
)
 
print(response['choices'][0]['message']['content'])

📌 Źródła

👽 Brudnopis

  • Prompt = rozmowa z modelem → im lepiej zapytasz, tym dokładniej odpowie
  • Zero vs Few Shot – balans między eksperckością modelu a twoją kontrolą
  • Dalsze tematy: temperatura, top-p, formatowanie, Chain-of-Thought, RAG
  • Prompt ≠ kod → to język zrozumiały dla człowieka
  • Dobry prompt = precyzja + przykład + format + kontekst

Graph View