5 technik promptowania, które dzielą amatora od eksperta

Piszesz do ChatGPT albo Claude'a jak do wujka na imieninach: "napisz mi coś o marketingu" i liczysz, że wyjdzie coś sensownego. Czasem wychodzi. Częściej dostajesz papkę - ogólnikową, bez konkretów, taką, którą trzeba przerabiać od nowa. Problem nie leży w modelu. Problem w tym, że model dostał za mało do roboty.

Powiedzmy to wprost: prompt engineering to nie "sztuka dobierania ładnych słów". To sposób, w jaki strukturyzujesz zadanie, żeby model miał szansę zrobić je dobrze za pierwszym razem. Różnica między przeciętnym a bardzo dobrym promptem to często różnica między godziną poprawek a gotowym tekstem od razu. W tym poradniku pokazuję pięć technik, które faktycznie robią różnicę: chain of thought, few-shot, role-play, structured output i metaprompting. Bez żargonu, za to z przykładami, które możesz skopiować i użyć dziś.

Zanim zaczniesz - co Ci będzie potrzebne

Nie potrzebujesz konta programisty ani znajomości API. Wystarczy dostęp do dowolnego czatu z modelem językowym (ChatGPT, Claude, Gemini - działają podobnie, choć każdy ma swoje niuanse). Przydaje się notatnik albo dokument, w którym będziesz zbierać sprawdzone prompty - traktuj to jak własną bibliotekę przepisów. I jedna rzecz mentalna: przestań traktować model jak wyrocznię, która "wie, o co Ci chodzi". Traktuj go jak bardzo zdolnego stażystę, który zrobi dokładnie to, o co poprosisz - ani mniej, ani więcej.

Chain of Thought - jak zmusić model do myślenia na głos

Modele językowe czasem "skaczą" do odpowiedzi, pomijając logiczne kroki - i wtedy popełniają błędy, które człowiek by wyłapał, gdyby zobaczył tok rozumowania. Chain of Thought (łańcuch myślowy) polega na tym, że każesz modelowi rozłożyć problem na etapy, zanim poda finalną odpowiedź.

1. Dodaj instrukcję rozumowania. Zamiast "oblicz X", napisz: "rozwiąż to krok po kroku, pokazując swoje rozumowanie, a na końcu podaj ostateczną odpowiedź".
2. Poproś o etapy nazwane. Np. "Najpierw zidentyfikuj problem. Potem wypisz możliwe przyczyny. Na końcu zaproponuj rozwiązanie" - to działa świetnie przy analizie biznesowej, nie tylko przy matematyce.
3. Sprawdź, czy logika się trzyma. Jeśli model gdzieś "zgubił wątek", dopytaj: "w kroku trzecim popełniłeś błąd, sprawdź to jeszcze raz".

Przykład z życia: zamiast pytać "czy ta kampania reklamowa ma sens", napisz "przeanalizuj tę kampanię krok po kroku: 1) grupa docelowa, 2) przekaz, 3) kanał dystrybucji, 4) budżet - i dopiero na końcu oceń, czy strategia jest spójna". Różnica w jakości odpowiedzi jest widoczna gołym okiem.

Few-shot prompting - ucz model na przykładach zamiast opisywać

Zero-shot to pytanie bez żadnego przykładu - "napisz opis produktu". Few-shot to pokazanie modelowi dwóch, trzech wzorców tego, jak ma wyglądać wynik, zanim poprosisz o kolejny. To technika, która najbardziej skraca dystans między "jakoś tam" a "dokładnie tak, jak chciałem".

1. Zbierz 2-3 przykłady tekstu w stylu, jaki Cię interesuje (mail, opis produktu, post na social media).
2. Wklej je do promptu z wyraźnym oznaczeniem: "Oto przykłady stylu, jakiego oczekuję: [przykład 1], [przykład 2]. Teraz napisz w tym samym stylu tekst o: [Twój temat]".
3. Zwróć uwagę na ton, długość i strukturę przykładów - model kopiuje wzorzec dosłownie, więc jeśli przykłady są niechlujne, wynik też taki będzie.

To technika, która ratuje życie przy pisaniu w konkretnym "głosie marki". Jeśli prowadzisz firmowego bloga i masz już kilka dobrych tekstów, wrzuć je jako przykłady zamiast tłumaczyć słowami "piszemy luźno, ale konkretnie" - model i tak lepiej złapie ton z przykładu niż z opisu.

Role-play i prompty systemowe - nadaj modelowi konkretną tożsamość

"Napisz mi plan diety" i "jesteś dietetykiem klinicznym z 15-letnim doświadczeniem, napisz plan diety dla osoby z insulinoopornością" to dwa różne zadania dla modelu - mimo że pytasz o to samo. Rola nie jest ozdobnikiem. Zawęża kontekst, słownictwo i sposób argumentacji, jakiego model użyje.

1. Określ rolę precyzyjnie. Nie "jesteś ekspertem", tylko "jesteś prawnikiem specjalizującym się w prawie pracy w Polsce" - im węższa rola, tym trafniejsza odpowiedź.
2. Dodaj kontekst odbiorcy. "Tłumaczysz to osobie, która nie zna terminologii prawnej" zmienia sposób, w jaki model formułuje zdania.
3. Zapisz to jako prompt systemowy, jeśli narzędzie na to pozwala (np. w ustawieniach czatu albo w polu "instrukcje niestandardowe") - wtedy rola obowiązuje przez całą rozmowę, nie tylko w jednym pytaniu.

Jeśli chcesz zejść głębiej w budowanie takich person i sekwencyjnych promptów, w kursie AI Evolution rozkładam to na czynniki pierwsze w lekcjach poziomu STANDARD - łącznie z gotowymi szablonami ról do kopiowania.

Structured output - jak wymusić konkretny format odpowiedzi

Jeśli potrzebujesz danych, które później wkleisz do arkusza, CRM-a albo automatyzacji, opis słowny nie wystarczy. Structured output to technika wymuszania konkretnego formatu - tabeli, listy, JSON-a - żeby wynik dało się od razu przetworzyć dalej.

1. Podaj dokładny szablon. "Odpowiedz w formacie: Nazwa | Cena | Zaleta | Wada" albo "zwróć wynik jako listę punktowaną, maksymalnie 5 pozycji".
2. Określ ograniczenia. "Każdy punkt maksymalnie jedno zdanie", "bez wstępu i podsumowania, tylko sama lista" - to eliminuje typowe "lanie wody" na początku i końcu odpowiedzi.
3. Przy danych do dalszej automatyzacji poproś o JSON. Np. "zwróć dane w formacie JSON z kluczami: imie, stanowisko, firma" - przydaje się to zwłaszcza, gdy łączysz model z arkuszem albo systemem RAG do dalszego przetwarzania.

Ta technika jest niedoceniana, bo nie brzmi efektownie, ale to ona oszczędza najwięcej czasu - zamiast ręcznie kopiować i formatować odpowiedzi, dostajesz gotową strukturę do wklejenia.

Metaprompting - jak łączyć techniki w jeden workflow

Prawdziwa różnica między osobą, która "umie pisać prompty", a kimś, kto buduje z tego system pracy, polega na łączeniu powyższych technik w sekwencje. Metaprompting to w praktyce prompt, który tworzy albo poprawia inny prompt - a sekwencyjne prompty to seria kroków, gdzie wynik jednego zapytania staje się wejściem do kolejnego.

• Krok 1: poproś model o rozłożenie problemu na etapy (chain of thought).
• Krok 2: na podstawie etapów poproś o przykładowe rozwiązania w konkretnym stylu (few-shot + rola).
• Krok 3: poproś o finalny wynik w gotowym formacie (structured output), który od razu wklejasz dalej.

Zamiast jednego długiego, chaotycznego promptu dostajesz proces - powtarzalny, przewidywalny, łatwy do poprawienia w konkretnym miejscu, gdy coś nie działa. To moment, w którym prompt engineering przestaje być "zgadywaniem słówek" i staje się realną kompetencją zawodową - taką samą jak umiejętność budowania arkusza kalkulacyjnego czy prezentacji.

Jeśli piszesz prompty do generowania obrazów, część tych zasad (rola, kontekst, format) działa identycznie - więcej o tym w poradniku jak napisać prompt do obrazu AI. A jeśli zdarzyło Ci się, że model nagle "zwariował" i zignorował Twoje instrukcje, warto sprawdzić, czy ktoś (albo coś) nie próbowało go zmanipulować - o tym piszę w tekście o rozpoznawaniu adversarial promptingu.

Wracając do sedna: żadna z tych technik nie wymaga kursu programowania ani znajomości terminów typu "stakeholder" czy "deliverable". Wymaga jednego - żebyś przestał traktować prompt jak jednorazowe pytanie, a zaczął traktować go jak instrukcję do zadania, które ktoś (model) musi wykonać bez zadawania Ci dodatkowych pytań. Im więcej kontekstu, przykładów i struktury dasz na wejściu, tym mniej poprawek na wyjściu.

Najczęstsze pytania

Czy te techniki działają tak samo we wszystkich modelach AI?

Mechanizm jest podobny - Claude, ChatGPT i Gemini korzystają z tej samej rodziny architektur, więc chain of thought czy few-shot poprawiają wyniki niezależnie od narzędzia. Różnice pojawiają się w szczegółach, np. w tym, jak dokładnie model reaguje na prompty systemowe, ale ogólna logika struktury zadania jest uniwersalna.

Od czego zacząć, jeśli nigdy nie pisałem złożonych promptów?

Zacznij od structured output - to najprostsza technika do wdrożenia i najszybciej widać efekt, bo dostajesz od razu czytelny format zamiast rozwlekłej odpowiedzi. Dopiero potem dokładaj chain of thought przy zadaniach wymagających rozumowania.

Czy chain of thought spowalnia odpowiedź modelu?

Tak, odpowiedź jest zwykle dłuższa, bo model pokazuje kroki pośrednie zamiast od razu podawać wynik. W zamian dostajesz mniej błędów logicznych i możliwość sprawdzenia, w którym miejscu rozumowanie poszło nie tak - w praktyce oszczędza to czas na poprawkach.

Czy warto uczyć się prompt engineeringu, skoro modele stają się coraz "mądrzejsze" same z siebie?

Tak, bo nawet najlepszy model wykona dokładnie to, o co go poprosisz - nie to, co miałeś na myśli. Umiejętność precyzyjnego formułowania zadania zostaje wartościowa niezależnie od tego, jak bardzo rozwinie się sam model.

Jeden krok na start: weź jedno zadanie, które regularnie zlecasz AI (mail, opis, analiza) i przepisz prompt, dodając do niego jedną z tych pięciu technik - najlepiej structured output, bo efekt zobaczysz od razu. Zapisz ten prompt w swoim dokumencie z przepisami. Za tydzień będziesz mieć ich już kilkanaście, a pisanie do AI przestanie być zgadywanką.