Do codziennych zadań wystarczy dobrze napisane polecenie. Techniki niżej mają sens wtedy, kiedy to samo zadanie robisz setki razy i potrzebujesz powtarzalnego wyniku, albo kiedy budujesz coś na API.
Jeśli używasz AI raz dziennie do napisania maila, spokojnie możesz to pominąć. Zajmij się lepiej opisywaniem zadania konkretniej.
Chain-of-Thought — naucz AI myśleć krok po kroku
Chain-of-thought polega na tym, że każesz modelowi rozpisać rozumowanie, zanim poda wynik. Zamiast prosić o wniosek, prosisz o kolejne kroki dochodzenia do niego.
Działa przy zadaniach, gdzie da się pomylić w połowie drogi: liczenie, analiza, planowanie, porównywanie wariantów. Przy prostym przepisaniu tekstu nic nie da, doda tylko trzy akapity, których nie chciałeś czytać.
Włączasz to zdaniem "rozpisz to krok po kroku" albo przez podanie kroków wprost.
Przykład CoT:
Analizujesz strategię marketingową konkurencji. Zamiast od razu podać wnioski,
najpierw:
1. Zidentyfikuj główne kanały komunikacji
2. Przeanalizuj ton komunikacji i positioning
3. Oceń częstotliwość i timing publikacji
4. Zidentyfikuj słabe punkty w ich strategii
5. Dopiero teraz zasugeruj, jak możemy się wyróżnić
Pokaż swoje rozumowanie w każdym kroku.
Few-Shot Learning — ucz przez przykłady
Zamiast opisywać oczekiwany format akapitem instrukcji, pokazujesz dwa, pięć gotowych przykładów. Model wyłapuje wzorzec i powtarza go na nowych danych.
To najskuteczniejsza rzecz na tej liście, jeśli zależy Ci na stałym formacie wyjścia. Trzy dobre przykłady biją stronę opisu, bo instrukcję da się zrozumieć opacznie, a przykład pokazuje wynik wprost.
Jeden haczyk: przykłady muszą być spójne. Jeśli w jednym użyjesz małych liter, a w drugim wielkich, dostaniesz losowo raz tak, raz tak.
Przykład Few-Shot:
Przekształć następujące opinie klientów w strukturyzowany feedback:
Przykład 1:
Input: "Aplikacja jest okej, ale ładuje się strasznie długo"
Output: {sentiment: "mixed", issue: "performance", priority: "high"}
Przykład 2:
Input: "Uwielbiam nowy design, super intuicyjny!"
Output: {sentiment: "positive", issue: "none", feature: "UI/UX"}
Teraz Twoja kolej:
Input: "Nie mogę znaleźć przycisku eksportu, funkcja chyba nie działa"
System Prompts — niewidzialna instrukcja sterująca
System prompt to stała instrukcja, którą ustawiasz raz, a obowiązuje we wszystkich rozmowach. Dostępna głównie przez API. Definiujesz w niej rolę, ograniczenia, format odpowiedzi i to, czego model ma nie robić.
Różnica wobec zwykłego polecenia jest praktyczna: użytkownik Twojej aplikacji tego nie widzi i nie musi za każdym razem powtarzać zasad. Jeśli budujesz cokolwiek, co rozmawia z klientem, to jest miejsce, gdzie pilnujesz, żeby nie obiecywał rzeczy, których nie oferujesz.
Temperature i inne parametry — kontroluj kreatywność
Temperature steruje losowością odpowiedzi. Niskie wartości, w okolicach zera do 0.3, dają odpowiedzi przewidywalne i powtarzalne. Bierzesz je do faktów, klasyfikacji, ekstrakcji danych i kodu. Wyższe, od 0.7 wzwyż, dają większy rozrzut, przydatny przy burzy mózgów i generowaniu wielu wariantów.
Top-p to druga metoda kontroli tego samego. Ustawiaj jedną z nich, nie obie naraz, bo wtedy trudno powiedzieć, co właściwie zmieniłeś. Max tokens ogranicza długość odpowiedzi i ratuje rachunek za API.
Podnoszenie temperature nie sprawia, że model jest mądrzejszy. Sprawia, że częściej wybiera mniej oczywiste słowo. Przy zadaniach na fakty to znaczy więcej zmyśleń.
Role Prompting — przypisz AI specjalistyczną ekspertyzę
Każesz modelowi przyjąć perspektywę konkretnego specjalisty. "Jesteś prawnikiem od RODO" da inną odpowiedź niż "jesteś copywriterem piszącym dla startupów", bo zmienia się słownictwo, poziom szczegółu i to, na co model zwraca uwagę.
Im konkretniej, tym lepiej: "ekspert od marketingu B2B SaaS z dziesięcioletnim stażem" działa lepiej niż samo "marketingowiec".
Bez złudzeń: to nie sprawia, że model wie więcej. Sprawia, że sięga po inną część tego, co już wie. Prawnika to nie zastąpi.
Meta-prompting — prompty, które generują prompty
Opisujesz modelowi swój cel i prosisz, żeby napisał najlepszy możliwy prompt do jego osiągnięcia. Potem tego promptu używasz.
Brzmi jak sztuczka, ale ratuje przy nowym typie zadania, kiedy sam nie wiesz jeszcze, o co dokładnie pytać. Wynik zwykle wymaga skrócenia, bo modele lubią produkować prompty na trzy ekrany.
Opanuj prompt engineering z proompi
Cała ta wiedza jest przydatna, jeśli chcesz ją mieć. Ale jeśli jesteś właścicielem firmy i potrzebujesz po prostu treści na profil, nauka few-shotu nie jest tym, na co powinieneś wydać wieczór.
proompi robi tę część za Ciebie. Opisujesz zwykłym zdaniem, co dzieje się w firmie w najbliższych tygodniach, a narzędzie układa z tego plan kampanii, pisze posty, generuje grafiki w kolorach Twojej marki i z Twoim logo, robi rolki i publikuje o wyznaczonych porach. Techniki opisane wyżej siedzą pod spodem, po Twojej stronie zostaje opis i akceptacja.
Sam plan kampanii ułożysz bez konta i bez karty.
Przeczytaj też
- Jak pisać prompty? Przewodnik dla początkujących
- Jak generować obrazy AI po polsku
- ChatGPT vs Claude vs Gemini — który model AI wybrać?
Najczęściej zadawane pytania
Czy zaawansowane techniki promptowania naprawdę dają lepsze rezultaty?
Przy złożonych zadaniach tak. Chain-of-thought potrafi zauważalnie poprawić trafność tam, gdzie trzeba przejść przez kilka etapów rozumowania, a dobre przykłady few-shot działają lepiej niż długa instrukcja opisowa. Przy prostych poleceniach różnicy nie zobaczysz i dokładanie technik tylko wydłuża prompt.
Która technika jest najważniejsza do opanowania jako pierwsza?
Few-shot. Jest najprostszy do zrozumienia i od razu poprawia wyniki w szerokim zakresie zadań. Potem chain-of-thought, jeśli pracujesz z analizą albo planowaniem. Role prompting zajmie Ci minutę i czasem pomaga. System prompty i parametry zostaw na moment, w którym zaczniesz budować coś na API.
Czy te techniki działają ze wszystkimi modelami AI?
Z obecnymi modelami z górnej półki tak. Słabsze i starsze też z nich korzystają, ale efekt jest mniejszy. Chain-of-thought i few-shot są najbardziej uniwersalne. System prompty i parametry wymagają dostępu przez API, więc w zwykłym oknie czatu ich nie ustawisz.
Jak testować i mierzyć skuteczność różnych technik promptowania?
Przygotuj kilkanaście stałych przykładów testowych i puszczaj je przez każdą wersję promptu. Przy zadaniach z jednoznaczną odpowiedzią, jak klasyfikacja czy wyciąganie danych, po prostu policz trafienia. Przy kreatywnych zbuduj prostą skalę oceny, na przykład trafność i użyteczność w skali od jednego do pięciu, i oceniaj na ślepo, nie wiedząc, który wariant czytasz. Zapisuj, co zadziałało. Po miesiącu ta notatka jest warta więcej niż większość poradników.