W poprzedniej lekcji ustaliliśmy, że model nie wie, tylko przewiduje najbardziej prawdopodobny dalszy ciąg. Prompt to jedyne miejsce, w którym możesz ten ciąg nagiąć w swoją stronę. Po tej lekcji przestaniesz wpisywać jedno zdanie i liczyć na cud, a zaczniesz składać instrukcję z części, które realnie zmieniają wynik.
Cztery części, z których składa się dobra instrukcja
Większość słabych promptów to jedno gołe polecenie w stylu “napisz maila do klienta”. Model dostaje wtedy za mało, żeby zawęzić rozkład, więc zgaduje resztę: kto pisze, do kogo, w jakim tonie, jak długo. Dobra instrukcja odbiera mu to zgadywanie i podaje cztery rzeczy.
Rola mówi, kim ma być model i z jakiej perspektywy patrzy. “Jesteś doświadczonym handlowcem, który pisze zwięźle” to inny punkt startowy niż brak roli. Zadanie mówi, co dokładnie ma powstać, najlepiej jednym czasownikiem i konkretnym rzeczownikiem: nie “zajmij się tym mailem”, tylko “napisz maila, który umawia spotkanie”. Kontekst to fakty, których model nie ma z powietrza: kto jest odbiorcą, co było wcześniej, jakie są ograniczenia. Format wyniku mówi, jak ma wyglądać odpowiedź: długość, układ, czy ma być lista, tabela, akapit, jaki styl.
Te cztery elementy nie muszą być osobnymi zdaniami ani podpisanymi etykietami. Chodzi o to, żeby wszystkie były obecne. Kiedy któregoś brakuje, model wypełni lukę najbardziej prawdopodobną wartością, a to rzadko jest ta, o którą ci chodziło.
Pro tip: Zanim wyślesz prompt, sprawdź go w myślach po tych czterech kątach: rola, zadanie, kontekst, format. Jeśli któregoś nie widać, to właśnie tam model będzie zgadywał.
Przykłady mówią więcej niż przymiotniki
Kiedy proszisz o “profesjonalny ton” albo “krótko i konkretnie”, oddajesz interpretację modelowi. Twoje “krótko” i jego “krótko” to dwie różne rzeczy. Znacznie mocniejszym narzędziem jest jeden przykład dobrego wyniku wklejony do promptu.
Jeśli chcesz maili w konkretnym stylu, wklej jeden mail napisany tak, jak lubisz, i napisz “trzymaj się tego tonu i długości”. Jeśli chcesz opisów produktów w określonym rytmie, pokaż jeden gotowy opis jako wzór. Model świetnie kopiuje wzorce, bo dokładnie to robi na poziomie mechaniki. Jeden konkretny przykład zawęża rozkład mocniej niż pięć przymiotników.
Ta technika ma nazwę - podawanie przykładów w prompcie - ale nie musisz jej znać, żeby z niej korzystać. Wystarczy odruch: zamiast opisywać, jak ma wyglądać wynik, pokaż jeden gotowy.
Pułapka: Sprzeczny przykład psuje prompt. Jeśli piszesz “pisz zwięźle”, a wklejasz jako wzór rozwlekły akapit, model pójdzie za przykładem, nie za instrukcją. Wzór i polecenie muszą mówić to samo.
Iterowanie bije szukanie idealnego promptu
Początkujący często traktują prompt jak zaklęcie: albo trafisz w idealne sformułowanie, albo nie. To złe podejście, bo prowadzi do wpatrywania się w pole tekstowe i szukania magicznych słów. Praca z modelem to rozmowa, nie jeden strzał.
Napisz pierwszą, niedoskonałą wersję. Zobacz, co wyszło. Popraw jedną rzecz naraz: “za długie, skróć o połowę”, “za formalne, wyluzuj ton”, “dodaj konkretną liczbę na początku”. Model trzyma poprzednią odpowiedź w oknie kontekstu, więc rozumie, co poprawiasz. Trzy szybkie iteracje dają lepszy wynik niż dziesięć minut komponowania jednego idealnego promptu na sucho.
Ta pętla ma dodatkową zaletę: uczysz się, które poprawki działają. Po kilkunastu rozmowach będziesz od razu pisać prompty, które trafiają za pierwszym razem, bo złapiesz, na co model reaguje.
Pro tip: Poprawiaj po jednej rzeczy naraz. Gdy zmienisz pięć rzeczy w jednej wiadomości i wynik się pogorszy, nie wiesz, która zmiana zawiniła.
Najczęstsze błędy, które zabijają wynik
Trzy pomyłki wracają najczęściej. Pierwsza to prompt za ogólny: “pomóż mi z tekstem” nie daje modelowi za co złapać. Drugą jest wrzucanie kilku niepowiązanych zadań w jedną wiadomość - model rozprasza się i żadnego nie robi dobrze. Lepiej rozbić na osobne kroki. Trzecia to poddawanie się po pierwszej słabej odpowiedzi, zamiast poprawienia promptu; zwykle to nie model “nie umie”, tylko instrukcja była za uboga.
Jest jeszcze cichy błąd: pisanie długiego, rozwlekłego promptu w przekonaniu, że więcej słów to lepszy wynik. Liczy się gęstość, nie objętość. Jedno zdanie roli, jasne zadanie, dwa fakty kontekstu i jeden przykład biją trzy akapity ogólników.
Warto też pamiętać, że model nie czyta ci w myślach tego, czego nie widzi. Jeśli w głowie masz oczywisty kontekst - że mail idzie do stałego klienta, że ton ma być swobodny, że chodzi o ten konkretny projekt - a nie zapiszesz tego w prompcie, dla modelu to nie istnieje. Zapisuj oczekiwania, zamiast zakładać, że są domyślne.
Pułapka: “Zrób to porządnie” albo “napisz to lepiej” nic nie znaczą, dopóki nie powiesz, co dla ciebie znaczy “porządnie”. Zamień ocenę na konkret: krótsze, cieplejszy ton, jedna liczba na start.
Zasada
Dobry prompt nie jest zaklęciem, tylko dobrze opisanym zadaniem - im mniej model musi zgadywać, tym celniej trafia.
Zrób to teraz
Weź dowolne darmowe narzędzie z czatem AI, do którego już masz dostęp, i wykonaj krótki eksperyment na jednym zadaniu. Wybierz coś realnego z własnego życia: mail z prośbą o przesunięcie terminu, opis oferty, plan tygodnia.
- Napisz najkrótszy możliwy prompt, samo gołe polecenie (np. “napisz maila o przesunięciu spotkania”). Zapisz wynik.
- Napisz drugą wersję z pełną anatomią: dodaj rolę, konkretne zadanie, dwa fakty kontekstu (kto jest odbiorcą, dlaczego przesuwasz) i format (długość, ton). Zapisz wynik.
- Dołóż jeden przykład - wklej jeden zdanie albo krótki fragment w stylu, jaki lubisz, i poproś, żeby model się go trzymał.
- Porównaj trzy wyniki obok siebie i wypisz sobie, co dokładnie się zmieniło między wersją pierwszą a trzecią.
Zajmie ci to 10-15 minut i nie wymaga płatnego konta. Celem nie jest gotowy mail, tylko zobaczenie na własne oczy, jak każda dołożona część zawęża odpowiedź. To zostaje w głowie mocniej niż każda teoria.
XP i dalej
Za tę lekcję dostajesz 100 XP i konkretny nawyk: zanim uznasz, że AI nie daje rady, sprawdzasz swój prompt po czterech kątach i poprawiasz go raz. W następnej lekcji zajmiemy się tym, skąd model bierze wiedzę - jak działa okno kontekstu, kiedy warto wkleić własne źródło, i jak wyłapać moment, w którym model zaczyna zmyślać.
