Jak pisać prompty do kodu z AI - poradnik na przykładzie Code Llama

Mówią, że żeby rozmawiać z AI o kodzie, trzeba znać się na programowaniu. Nieprawda. Trzeba umieć napisać dobre pytanie - a to umiejętność, którą da się rozłożyć na konkretne kroki i przećwiczyć w jedno popołudnie. W tym poradniku pokazuję, jak to zrobić na przykładzie Code Llama, rodziny modeli od Mety stworzonej specjalnie do pracy z kodem.

Aktualizacja 13.10.2026: zaktualizowaliśmy przykłady nowszych modeli do kodu (stan na 13.10.2026) i opis dostępu do Code Llama - przewodnik źródłowy korzystał z jednego dostawcy API, więc dopisaliśmy, jak uruchomić model lokalnie. Same techniki promptowania się nie zmieniły.

Czym jest Code Llama i dlaczego warto się na nim uczyć promptowania

Code Llama to rodzina dużych modeli językowych (LLM) od Mety (premiera w sierpniu 2023 roku, wersja 70B w styczniu 2024), które przyjmują prompty w języku naturalnym i na ich podstawie generują lub omawiają kod. Meta wypuściła ją w kilku rozmiarach - 7B, 13B, 34B i 70B (liczby oznaczają miliardy parametrów, w skrócie: im więcej, tym model bywa mocniejszy, ale też droższy w użyciu) - oraz w trzech wariantach: bazowym, Code Llama Python (dostrojony pod ten język) i Code Llama Instruct, który rozumie polecenia zapisane po ludzku, nie tylko fragmenty kodu do dokończenia.

To nie jest nowy model. Do generowania kodu ludzie sięgają dziś częściej po nowsze modele, na przykład GPT-6.1 Sol (OpenAI zaleca go w Codexie do złożonego kodowania i pracy agentowej), Claude Opus 5.5 od Anthropic albo DeepSeek V4 Pro z otwartymi wagami (stan na 13.10.2026). Zasady, których się tu nauczysz, są jednak uniwersalne. Sposób, w jaki formułujesz prośbę o kompletację funkcji, debugging albo unit test, działa niemal identycznie w każdym nowszym modelu. Code Llama Instruct jest tu dobrym punktem wyjścia właśnie dlatego, że jest prosty i dobrze opisany - DAIR.AI przygotowało dla niego osobny przewodnik promptowania, na którym opiera się ten poradnik. Jeśli rozumiesz techniki promptowania, nauczysz się ich raz i przeniesiesz na kolejne narzędzie.

Zanim zaczniesz - czego potrzebujesz

Dobra wiadomość: nie musisz instalować nic skomplikowanego, żeby zacząć testować prompty. Potrzebujesz trzech rzeczy:

• Dostępu do modelu - może to być Twój komputer albo platforma hostująca modele open source. Lokalnie Code Llama uruchomisz w narzędziu Ollama, np. poleceniem „ollama run codellama:7b-instruct” (są też wersje 13B, 34B i 70B). Przewodnik DAIR.AI korzysta z API together.ai - jeśli wybierasz dostawcę w chmurze, najpierw sprawdź, czy nadal udostępnia Code Llama. Wymogi techniczne różnią się między providerami, ale sam sposób pisania promptów zostaje ten sam.
• Klucza API lub konta w interfejsie czatowym - jeśli chcesz testować prompty programistycznie, będziesz potrzebować klucza dostępowego od wybranego dostawcy. Jeśli wolisz klikać w okienko czatu, wystarczy zwykłe konto.
• Chwili spokoju - odpowiedzi modeli bywają zmienne. Ten sam prompt raz da lepszy wynik, raz gorszy. To normalne przy pracy z LLM i nie znaczy, że robisz coś źle.

Jeśli wcześniej zastanawiałaś się, jak w ogóle działa mechanizm, który zamienia Twój tekst na sensowną odpowiedź, zajrzyj do wpisu o tym, jak działają transformery za GPT i Claude - to fundament, na którym stoi też Code Llama.

Jak krok po kroku prosić AI o pomoc przy kodzie

Poniższe kroki odpowiadają temu, jak zbudowany jest przewodnik promptowania dla Code Llama przygotowany przez DAIR.AI - od najprostszej kompletacji funkcji, przez debugging, po generowanie testów.

1. Skonfiguruj dostęp do modelu. Zainstaluj bibliotekę klienta (np. kompatybilną z OpenAI - takie API mają m.in. together.ai i lokalna Ollama), wklej swój klucz API i zbuduj prostą funkcję, która wysyła prompt i odbiera odpowiedź. To jednorazowa czynność - potem tylko zmieniasz treść pytania.
2. Zacznij od podstawowej kompletacji kodu. Poproś model o coś konkretnego i sprawdzalnego, na przykład: „Napisz funkcję w Pythonie, która zwraca n-tą liczbę Fibonacciego”. Krótkie, jasne zadanie z jednoznacznym oczekiwanym wynikiem to najlepszy sposób, żeby ocenić, czy model „łapie” Twój styl pytania.
3. Poproś o debugowanie własnego kodu. Wklej fragment, który podejrzewasz o błąd, i napisz wprost: „Przejrzyj ten kod i wskaż potencjalne błędy oraz sposób ich naprawy”. Model działa tu jak drugi programista czytający Twój kod ze świeżym okiem - nie zgadujesz, gdzie jest problem, tylko dostajesz konkretne miejsce i wyjaśnienie.
4. Wygeneruj unit testy. Podaj funkcję i poproś o zestaw testów sprawdzających jej działanie w typowych i granicznych przypadkach. To jedna z tych czynności, które ludzie najczęściej odkładają na później - a AI robi to w kilkanaście sekund.
5. Spróbuj generowania SQL z opisu słownego. Napisz po ludzku, czego potrzebujesz z bazy danych („pokaż wszystkich klientów, którzy złożyli zamówienie w ostatnim miesiącu”), a model przełoży to na zapytanie SQL. Działa to najlepiej, gdy wcześniej podasz strukturę tabel - nazwy kolumn i typy danych.

Każdy z tych kroków testuj osobno, zanim zaczniesz łączyć je w bardziej złożone zadania. Jeśli chcesz zrozumieć, jak model sięga po dane, na których nie był trenowany (np. Twoją własną bazę kodu), zajrzyj do wpisu o tym, jak AI korzysta z Twoich dokumentów przez RAG - to naturalne rozszerzenie tego, co robisz przy generowaniu SQL na podstawie struktury bazy.

Jak few-shot prompting i function calling podnoszą precyzję odpowiedzi

Few-shot prompting - ucz model przykładem

Jeśli podstawowy prompt daje odpowiedź niedopasowaną do Twojego stylu, dodaj przykłady. Few-shot prompting polega na tym, że zamiast tylko opisać zadanie, pokazujesz modelowi 2-3 przykłady tego, jak powinna wyglądać odpowiedź, a potem prosisz o kolejny w tym samym duchu. To trochę jak instruowanie nowego pracownika - łatwiej pokazać przykład niż tłumaczyć zasadę w oderwaniu od kontekstu.

Function calling - kiedy model musi wybrać narzędzie

Bardziej zaawansowana technika to function calling, czyli sytuacja, w której model nie tylko odpowiada tekstem, ale rozpoznaje, że do wykonania zadania potrzebuje konkretnej funkcji (np. wywołania kalkulatora albo zapytania do API) i sam decyduje, kiedy jej użyć. To fundament tego, co dziś nazywa się agentami AI - jeśli ten temat Cię interesuje, sprawdź wpis o tym, czym jest harness w AI, bo to właśnie mechanizm spajający model z narzędziami, które ma do dyspozycji.

Zasady bezpieczeństwa przy promptowaniu kodu

Model dostrojony pod bezpieczne odpowiedzi (jak Code Llama Instruct) stara się odmawiać generowania kodu, który mógłby posłużyć do szkodliwych działań, i dodaje ostrzeżenia przy potencjalnie ryzykownych fragmentach. To nie znaczy, że możesz przestać czytać to, co dostajesz - każdy wygenerowany kod, zwłaszcza dotyczący baz danych czy uprawnień systemowych, sprawdź samodzielnie przed wdrożeniem. Jeśli interesuje Cię, jak ktoś mógłby spróbować obejść te zabezpieczenia przez spreparowany prompt, przeczytaj o tym, jak rozpoznać prompt injection - to praktyczna wiedza dla każdego, kto na serio pracuje z AI w firmie.

Wniosek jest prosty: techniki promptowania, które ćwiczysz na Code Llama - jasne zadanie, konkretny przykład, prośba o debugowanie, few-shot i function calling - przenoszą się bezpośrednio na każdy nowszy model, z którym będziesz pracować za rok czy dwa. Nie inwestujesz w narzędzie, które zaraz się zestarzeje. Inwestujesz w umiejętność formułowania pytań, która zostaje z Tobą niezależnie od tego, co akurat jest na topie.

Najczęstsze pytania

Czy trzeba znać Pythona, żeby promptować Code Llama?

Nie, do samego testowania promptów w interfejsie czatowym znajomość Pythona nie jest potrzebna. Pomaga, jeśli chcesz zbudować własną funkcję do automatycznego wysyłania promptów przez API, ale to opcjonalny, techniczny krok, a nie warunek wstępny.

Jak działa przewodnik promptowania dla Code Llama w praktyce?

Opiera się na kilku powtarzalnych schematach: proste polecenie dla kompletacji kodu, wklejenie fragmentu i prośba o wskazanie błędów przy debugowaniu, podanie funkcji przy generowaniu testów oraz opisanie potrzeby po ludzku przy generowaniu SQL. Każdy z tych schematów da się przetestować osobno w kilka minut.

Czy odpowiedzi Code Llama są zawsze takie same dla tego samego promptu?

Nie. Duże modele językowe generują odpowiedzi z pewnym elementem losowości, więc ten sam prompt może dać różne, choć zwykle podobne w jakości, wyniki. Jeśli odpowiedź Cię nie satysfakcjonuje, doprecyzuj prompt, zamiast zakładać, że model „nie umie”.

Czy te techniki promptowania działają też w innych modelach niż Code Llama?

Tak, i to jest sedno tego poradnika. Kompletacja kodu, debugging, unit testy, few-shot prompting i function calling to techniki uniwersalne dla dużych modeli językowych zajmujących się kodem - działają podobnie w narzędziach dostępnych dziś na rynku.

Podsumowując: promptowanie kodu to nie zestaw magicznych zaklęć, a seria konkretnych, powtarzalnych pytań - o kompletację, debugging, testy i zapytania SQL. Nauczysz się tego raz, a wykorzystasz w każdym kolejnym modelu, jaki wpadnie Ci w ręce.

Jeden krok na start: otwórz dowolny interfejs czatowy z modelem AI i napisz jeden prosty prompt o kompletację funkcji, którą naprawdę potrzebujesz w swojej pracy. Zobacz, co dostaniesz - i dopiero na tej podstawie doprecyzuj kolejne pytanie.