5 technik promptowania: przykłady do ChatGPT, Claude i Gemini

Dobry prompt określa zadanie, materiał wejściowy i oczekiwany wynik. Pięć technik poniżej pomoże Ci poprawić mail, opis produktu albo analizę dokumentu. Nie każda działa tak samo w każdym modelu: szczególnie przy modelach rozumujących nie należy automatycznie dodawać polecenia „pokaż swoje rozumowanie”.

Przykłady możesz wykorzystać w czacie i sprawdzić na własnym zadaniu. Skuteczność zależy od modelu, materiału i kryteriów wyniku. Podstawa poradnika: aktualna dokumentacja OpenAI, sprawdzona 2 października 2026.

1. Określ cel i granice zadania

„Napisz coś o marketingu” zostawia modelowi wybór tematu, odbiorcy i formatu. Lepiej opisać sytuację: co ma powstać, dla kogo, z jakiego materiału i czego nie wolno dopisać. Rola może porządkować styl, ale nazwanie modelu ekspertem nie daje mu kwalifikacji ani nie potwierdza odpowiedzi.

Napisz mail do klienta, który czeka na wycenę. Odbiorca nie zna naszej terminologii. Maksymalnie 120 słów, ton rzeczowy i uprzejmy. Korzystaj wyłącznie z poniższych informacji. Nie obiecuj terminu ani rabatu, jeśli nie ma ich w materiale. Zwróć temat i treść maila.
Materiał: [wklej informacje]

Sprawdź przede wszystkim, czy mail zachowuje podane warunki. Zwięzły tekst z wymyśloną obietnicą nie spełnia zadania. Jeśli materiał nie zawiera wymaganej informacji, poproś model o wskazanie braku zamiast jego uzupełniania.

2. Pokaż przykład oczekiwanego wyniku

Few-shot prompting polega na pokazaniu kilku przykładów wejścia i poprawnej odpowiedzi. Przydaje się, gdy łatwiej pokazać styl lub sposób klasyfikacji niż opisać go abstrakcyjnie. W przykładach zachowaj ten sam format, którego oczekujesz później.

Przepisz opis bez ocen i obietnic. Zachowaj właściwości produktu.
Przykład 1:
Wejście: „Fenomenalny kubek z pokrywką, najlepszy do biura”.
Wynik: „Kubek z pokrywką do użytku w biurze”.
Przykład 2:
Wejście: „Rewolucyjny notes A5 z 80 kartkami”.
Wynik: „Notes A5, 80 kartek”.
Teraz przepisz: [opis produktu]

Nie używaj przykładów zawierających błędne informacje. Model może powtórzyć zarówno format, jak i niepożądany sposób argumentacji. Przy prostym zadaniu zacznij od polecenia bez przykładów i dodaj je, jeśli wynik wymaga doprecyzowania. Dokumentacja modeli rozumujących OpenAI zaleca taką kolejność.

3. Poproś o sprawdzalne etapy, nie wewnętrzny tok myślenia

Plan wykonania zadania, obliczenie i lista założeń są użyteczne, bo możesz je sprawdzić. Nie są tym samym co żądanie ujawnienia wewnętrznego rozumowania modelu.

Dla modeli rozumujących OpenAI zaleca proste, bezpośrednie instrukcje i odradza wymuszanie chain-of-thought, np. poleceniem „myśl krok po kroku”. Producent wskazuje, że taka technika może czasem pogorszyć wynik. Nie przenoś tej reguły bez sprawdzenia na wszystkie modele i zadania. Zalecenia OpenAI dla modeli rozumujących.

Oceń spójność planu kampanii. Zwróć:
1. Brakujące dane potrzebne do oceny.
2. Tabelę: odbiorca, przekaz, kanał, budżet, niespójność.
3. Maksymalnie trzy poprawki wynikające z materiału.
Oddziel fakty od założeń. Nie wymyślaj prognozy sprzedaży.
Plan: [wklej plan]

Jeśli potrzebujesz obliczenia, poproś o wzór, podstawione dane i wynik. Jeśli potrzebujesz decyzji, poproś o kryteria i krótkie uzasadnienie oparte na materiale. Wiarygodności nie oceniaj po długości wyjaśnienia.

4. Zdefiniuj format odpowiedzi

Tabela, lista albo JSON pomagają wykorzystać wynik w dalszej pracy. W zwykłym czacie prośba o JSON jest instrukcją, którą trzeba zweryfikować. Nie daje tej samej gwarancji formatu co funkcja Structured Outputs obsługiwana przez odpowiednie modele w API.

Wyodrębnij z tekstu nazwę produktu, liczbę sztuk i cenę jednostkową. Zwróć tylko JSON z kluczami: produkt, sztuki, cena_jednostkowa. Brakującą wartość zapisz jako null. Nie szukaj ani nie zgaduj ceny.
Tekst: „Zamawiam 3 notesy po 12 zł za sztukę”.

Oczekiwany wynik dla tego przykładu:

{"produkt":"notes","sztuki":3,"cena_jednostkowa":12}

W automatyzacji sprawdź możliwość parsowania JSON oraz typy i zakresy pól. Structured Outputs może wymuszać obsługiwany schemat, lecz nie gwarantuje prawdziwości danych. Trzeba też obsłużyć odmowę oraz niepełną odpowiedź. Dokumentacja Structured Outputs.

5. Popraw prompt na podstawie konkretnego błędu

Metaprompting to użycie modelu do tworzenia lub poprawiania instrukcji. Najlepiej podać mu zadanie, obecny prompt i wynik, który nie spełnił kryteriów. Ogólna prośba „napisz najlepszy prompt” nie mówi, co ma zostać poprawione.

Pomóż poprawić instrukcję. Nie wykonuj jeszcze zadania.
Cel: [cel]
Obecny prompt: [prompt]
Nieudany wynik: [wynik]
Błąd: [np. dopisana cena, za długi mail, zmieniony termin]
Zaproponuj jedną krótką poprawkę. Zachowaj pozostałe wymagania. Jeśli brakuje materiału, wskaż brak zamiast dopisywać informacje.

Sprawdź poprawiony prompt na tym samym wejściu, a następnie na innym przykładzie. Zapisz model, datę i wynik. Porównuj zgodność z zadaniem, zachowanie faktów oraz liczbę potrzebnych poprawek. Dzięki temu poprawiasz instrukcję na podstawie zachowania modelu, a nie efektownego brzmienia.

Najczęstsze pytania

Czy te techniki działają tak samo w ChatGPT, Claude i Gemini?

Nie. Jasny cel i format są dobrym punktem startowym, ale reakcja zależy od modelu, trybu i zadania. Zalecenia dla modeli rozumujących mogą różnić się od zaleceń dla pozostałych. Sprawdzaj dokumentację konkretnego modelu i porównuj wyniki.

Czy polecenie „myśl krok po kroku” zawsze zmniejsza liczbę błędów?

Nie. OpenAI odradza wymuszanie chain-of-thought dla modeli rozumujących. Poproś o sprawdzalne elementy wyniku: dane, wzór, plan, źródła albo założenia. Długie wyjaśnienie może nadal zawierać błąd.

Czy prośba o JSON wystarczy do automatyzacji?

Nie daje gwarancji. Waliduj odpowiedź przed dalszym użyciem. Jeśli używasz obsługującego tę funkcję modelu w API, sprawdź Structured Outputs. Zgodność ze schematem i poprawność informacji wymagają osobnej kontroli.

Od czego zacząć poprawianie promptów?

Wybierz jedno powtarzalne zadanie. Określ materiał wejściowy, odbiorcę, format i warunki poprawnego wyniku. Dodawaj kolejne instrukcje wtedy, gdy odpowiadają na zaobserwowany błąd.

Wypróbuj na jednym zadaniu

Wybierz ostatni mail lub opis, który poprawiałeś po AI. Zapisz jeden konkretny błąd i zmień tylko instrukcję dotyczącą tego błędu. Porównaj wynik przed i po na tym samym materiale.