Jak pisać zaawansowane prompty: techniki ekspertów AI

Mówią, że dobry prompt to taki, w którym grzecznie poprosisz i dodasz "proszę". Bzdura. Model językowy nie ma uczuć, więc uprzejmość nic mu nie daje (choć Twoim manierom na pewno nie zaszkodzi). To, co faktycznie robi różnicę między odpowiedzią przeciętną a taką, którą możesz od razu wykorzystać, to struktura promptu - nie ton.

Znam to uczucie: piszesz "napisz mi post o produktywności", dostajesz coś generycznego, co mogłoby wyjść spod pióra każdego innego użytkownika na świecie, i myślisz, że AI po prostu "takie jest". Nie jest. To Twój prompt był słaby, nie model. Poniżej cztery techniki, które faktycznie zmieniają jakość odpowiedzi: chain of thought, few-shot, role-play i structured output. Każda z konkretnym przykładem, który możesz skopiować i dostosować.

Zanim zaczniesz - fundamenty, bez których techniki nie zadziałają

Zaawansowane techniki prompt engineeringu nie zastąpią podstaw. Jeśli Twój prompt nie ma jasnego celu, kontekstu i formatu wyjściowego, żadna magiczna fraza tego nie naprawi. Zanim wejdziesz w chain of thought czy role-play, upewnij się, że masz cztery elementy:

• Kontekst - kim jesteś, dla kogo piszesz, w jakiej sytuacji
• Zadanie - konkretny czasownik akcji: "napisz", "porównaj", "podsumuj", "wygeneruj kod"
• Format - jak ma wyglądać odpowiedź: lista, tabela, JSON, akapit
• Ograniczenia - długość, ton, czego unikać

Bez tego fundamentu każda zaawansowana technika działa jak ozdoba na krzywym torcie. Ładnie wygląda, ale problemu nie naprawia. Jeśli dopiero zaczynasz przygodę z promptami, sprawdź najpierw, jak dobrze zbudować od podstaw pojedynczy prompt - technikę czterech składników rozwijam też przy okazji promptów i workflow dla konkretnych zawodów, gdzie widać, jak fundament promptu zmienia się w zależności od branży.

Chain of thought - jak zmusić model do myślenia na głos

Chain of thought (łańcuch myślowy) to technika, w której zamiast prosić model o gotowy wynik, prosisz go, żeby pokazał proces dochodzenia do niego. Modele językowe działają lepiej, gdy "rozkładają" złożony problem na mniejsze kroki - podobnie jak Ty rozwiązujesz trudne równanie na kartce zamiast liczyć w głowie.

Przykład promptu z chain of thought

Zamiast pisać: "Ile powinienem wydać na reklamę, jeśli mam budżet 5000 zł i chcę osiągnąć zwrot 3x?", napisz:

"Rozłóż ten problem na kroki: 1) oblicz, ile musisz wygenerować przychodu przy zwrocie 3x, 2) zastanów się, jaki procent budżetu przeznaczyć na testy A/B, 3) na końcu podaj rekomendowany podział budżetu z uzasadnieniem każdego kroku."

Różnica jest wyraźna: w pierwszym przypadku dostajesz jedną liczbę wyciągniętą z kapelusza. W drugim - proces, który możesz zweryfikować, poprawić na dowolnym etapie i wykorzystać jako szablon do kolejnych analiz. Chain of thought działa świetnie przy zadaniach matematycznych, logicznych, planowaniu strategii i analizie danych - wszędzie tam, gdzie wynik zależy od kilku powiązanych ze sobą decyzji.

Prosty trik, który działa niemal zawsze: dodaj na końcu promptu frazę "Zanim odpowiesz, przemyśl to krok po kroku". Banalnie proste zdanie, a w praktyce zmusza model do wolniejszego, bardziej przemyślanego rozumowania zamiast rzucania pierwszej pasującej odpowiedzi.

Few-shot prompting - uczysz model na przykładach, nie na teorii

Few-shot prompting polega na tym, że zamiast opisywać słowami, czego oczekujesz, pokazujesz kilka przykładów pożądanego rezultatu. Model "uczy się" wzorca z Twoich przykładów i stara się go powtórzyć w nowej sytuacji. To jedna z najskuteczniejszych technik, jeśli zależy Ci na konkretnym, powtarzalnym stylu - na przykład przy pisaniu opisów produktów, tłumaczeniu specyficznego żargonu branżowego czy formatowaniu odpowiedzi klienta.

Przykład promptu few-shot

"Przekształć poniższe zgłoszenia klientów w krótkie, uprzejme odpowiedzi. Oto przykłady:

Zgłoszenie: 'Zamówienie nie przyszło.' → Odpowiedź: 'Przykro nam z powodu opóźnienia. Sprawdzamy status przesyłki i wracamy do Ciebie w ciągu 24 godzin.'

Zgłoszenie: 'Produkt przyszedł uszkodzony.' → Odpowiedź: 'Bardzo nam przykro. Wymieniamy produkt bezpłatnie - proszę o zdjęcie uszkodzenia, żebyśmy mogli przyspieszyć proces.'

Teraz przekształć to zgłoszenie: 'Zamówiłem rozmiar M, dostałem S.'"

Dwa lub trzy przykłady zwykle wystarczą, żeby model "złapał" ton, długość i strukturę odpowiedzi. Ta technika jest szczególnie przydatna, gdy pracujesz nad automatyzacją powtarzalnych zadań tekstowych - jeśli zajmujesz się contentem, zobacz, jak few-shot prompting wpisuje się w szerszy proces automatyzacji content marketingu z AI, gdzie powtarzalność stylu ma bezpośrednie przełożenie na oszczędność czasu.

Role-play i structured output - technika kontroli tonu i formatu

Te dwie techniki często idą w parze, bo obie służą temu samemu celowi: przejęciu kontroli nad tym, jak model "myśli" i jak podaje wynik.

Role-play: nadaj modelowi konkretną tożsamość

Zamiast pisać "wyjaśnij mi umowę najmu", napisz: "Jesteś doświadczonym prawnikiem specjalizującym się w prawie nieruchomości. Wyjaśnij mi tę umowę najmu tak, jakbyś tłumaczył klientowi, który nigdy nie miał do czynienia z prawem, wskazując konkretnie ryzykowne zapisy." Nadanie roli zmienia słownictwo, poziom szczegółowości i perspektywę odpowiedzi. Model "wchodzi" w rolę i filtruje informacje przez ten pryzmat - inaczej odpowie "jako prawnik", inaczej "jako copywriter", inaczej "jako sceptyczny recenzent".

Ta technika ma jedno ograniczenie: rola nie zamienia modelu w prawdziwego eksperta z uprawnieniami (dyplomu prawniczego mimo całej pewności siebie AI nie posiada). Jeśli potrzebujesz realnej analizy prawnej, role-play to punkt wyjścia do researchu, nie substytut konsultacji z człowiekiem - o granicach takiego wykorzystania pisałem szerzej przy okazji promptów prawniczych.

Structured output: wymuszasz konkretny format

Jeśli potrzebujesz odpowiedzi, którą od razu wkleisz do arkusza kalkulacyjnego, bazy danych albo skryptu, poproś o konkretny format wprost: "Podaj odpowiedź w formacie JSON z polami: nazwa, cena, kategoria, opis (max 20 słów)." Modele językowe radzą sobie z generowaniem tabel, list punktowanych, formatu JSON czy Markdown, jeśli poprosisz o to jasno i pokażesz strukturę.

Structured output to technika kluczowa, jeśli łączysz AI z innymi narzędziami - na przykład gdy wynik z modelu ma trafić dalej do automatycznego procesu. Jeśli interesuje Cię, jak modele przekazują dane dalej do innych systemów, zajrzyj do tekstu o tym, jak działa function calling w LLM - to naturalne rozwinięcie structured output, gdy chcesz, żeby model nie tylko sformatował odpowiedź, ale też "wywołał" konkretną akcję w Twoim systemie.

Łączenie technik: prompt, który robi wszystko naraz

Prawdziwa siła tkwi w łączeniu technik w jednym prompcie. Weźmy przykład: chcesz, żeby model przeanalizował dane sprzedażowe (chain of thought), zrobił to w stylu doświadczonego analityka (role-play), na podstawie wzorca dwóch poprzednich raportów (few-shot) i zwrócił wynik w formie tabeli (structured output). Taki prompt wygląda mniej więcej tak:

"Jesteś analitykiem sprzedaży z pięcioletnim doświadczeniem. Oto dwa przykłady poprzednich raportów [przykłady]. Przeanalizuj poniższe dane krok po kroku: najpierw zidentyfikuj trend, potem policz odchylenie od średniej, na końcu wskaż rekomendację. Zwróć wynik w formie tabeli z kolumnami: Miesiąc, Wynik, Odchylenie, Rekomendacja."

To jeden prompt, ale robi robotę czterech osobnych zapytań. Właśnie to odróżnia kogoś, kto "używa ChatGPT", od kogoś, kto projektuje procesy z AI. Różnica nie jest w narzędziu - jest w tym, jak precyzyjnie potrafisz opisać, czego chcesz. Jeśli interesuje Cię, jak te techniki wykorzystuje się w bardziej zaawansowanych, agentowych workflow, sprawdź materiał o tym, jak skutecznie współpracować z Claude Code - tam prompt engineering przechodzi z pojedynczych zapytań do całych sekwencji zadań.

OK, rozbijmy to na czynniki pierwsze jeszcze raz: chain of thought daje Ci lepsze rozumowanie, few-shot daje spójność stylu, role-play daje kontekst i ton, structured output daje format gotowy do użycia. Cztery narzędzia, cztery różne problemy. Żadne nie jest "lepsze" - każde rozwiązuje inną bolączkę.

Jeśli chcesz zrozumieć, dlaczego te techniki w ogóle działają - dlaczego model "lepiej myśli", gdy rozkładasz zadanie na kroki - zajrzyj głębiej w mechanikę, która za tym stoi. Rozkładam to szczegółowo w materiale o tym, jak działają transformery za GPT i Claude. Zrozumienie architektury nie jest konieczne, żeby dobrze promptować, ale pomaga przewidzieć, dlaczego pewne triki działają, a inne nie.

Najczęstsze pytania

Czy chain of thought działa we wszystkich modelach AI?

Tak, technika działa niezależnie od konkretnego modelu, bo opiera się na sposobie, w jaki model przetwarza sekwencje tekstu, nie na jego marce. Różnice pojawiają się w tym, jak dobrze model "trzyma się" wskazanych kroków przy bardzo długich, złożonych zadaniach.

Ile przykładów potrzeba do few-shot prompting?

W większości przypadków dwa do trzech przykładów wystarczą, żeby model uchwycił wzorzec stylu i struktury. Więcej przykładów pomaga przy bardzo specyficznym żargonie branżowym, ale zbyt długi prompt z przykładami może zająć niepotrzebnie dużo miejsca w oknie kontekstu.

Czy role-play w promptach jest tym samym co jailbreaking?

Nie. Role-play jako technika prompt engineeringu polega na nadaniu modelowi kontekstu i perspektywy, żeby lepiej dopasował ton i słownictwo odpowiedzi - to legalna, powszechnie stosowana metoda. Jailbreaking to próba obejścia zabezpieczeń modelu, co jest zupełnie innym (i niezalecanym) zastosowaniem.

Jak połączyć structured output z narzędziami typu Excel czy bazy danych?

Poproś model o format, który Twoje narzędzie rozumie bezpośrednio - CSV dla arkuszy kalkulacyjnych, JSON dla baz danych i integracji programistycznych. Podaj przykładową strukturę pól w prompcie, żeby model nie musiał zgadywać nazw kolumn.

Sedno jest proste: różnica między przeciętnym a eksperckim promptem nie leży w tajemnej wiedzy dostępnej tylko dla programistów. Leży w czterech konkretnych nawykach: każ modelowi myśleć na głos, pokaż przykłady zamiast tłumaczyć teorię, nadaj rolę, gdy zależy Ci na tonie, i zawsze wskazuj format wyjścia, jeśli wynik ma trafić dalej do innego narzędzia. Następny prompt, który napiszesz, może zawierać choć jedną z tych technik - i to wystarczy, żeby zobaczyć różnicę.