Dwie osoby siadają do tego samego ChatGPT. Pierwsza wpisuje „napisz mi opis firmy” i dostaje wodolejstwo, które nadaje się do kosza. Druga wpisuje cztery zdania – kim jest firma, do kogo mówi, czego oczekuje, w jakiej formie – i dostaje tekst, który po dwóch poprawkach idzie na stronę. Ten sam model, ta sama cena, dwa różne światy. Cała różnica siedzi w prompcie.
Czym jest prompt
Prompt to dowolny tekst, który wysyłasz do modelu językowego: pytanie, polecenie, fragment kodu, wklejony dokument z instrukcją „streść to”. Model nie wykonuje programu – przewiduje najbardziej prawdopodobną kontynuację tekstu, który dostał. Prompt jest więc jedynym sterem, jaki masz.
W praktyce prompty dzielą się na dwie warstwy. Prompt systemowy ustawia zachowanie modelu na całą rozmowę – ton, rolę, ograniczenia („jesteś asystentem prawnym, odpowiadasz wyłącznie po polsku”). Prompt użytkownika to konkretne zadanie w danej chwili. W ChatGPT warstwę systemową ustawiasz w „Instrukcjach niestandardowych”, w API – osobnym polem; jeśli budujesz coś własnego, zobacz jak działa API.
Jest jeszcze trzecia warstwa, o której łatwo zapomnieć: kontekst rozmowy. Model widzi całą dotychczasową wymianę, więc wcześniejsze wiadomości też są częścią prompta. Dlatego długa, chaotyczna rozmowa daje coraz gorsze odpowiedzi – model próbuje pogodzić wszystko, co mu napisano.
Dlaczego ten sam model daje skrajnie różne wyniki
Model językowy nie czyta w myślach. Dostaje ciąg tokenów i na jego podstawie zgaduje, co powinno być dalej. „Napisz opis firmy” pasuje do milionów możliwych firm, tonów i długości – model wybierze statystyczny środek, czyli tekst nijaki.
Im więcej ograniczeń, tym mniejsza przestrzeń zgadywania. Branża, odbiorca, długość, ton, czego unikać – każde z tych zdań odcina miliony złych kontynuacji. Precyzyjny prompt nie „pomaga” modelowi z grzeczności. On fizycznie zawęża rozkład prawdopodobieństwa do obszaru, w którym leży odpowiedź, której chcesz.
To działa w obie strony. Sprzeczne instrukcje („krótko, ale wyczerpująco, formalnie, ale luźno”) poszerzają chaos zamiast go ciąć. Lepszy jeden jasny kierunek niż pięć połowicznych.
Anatomia dobrego prompta
Sprawdzona struktura składa się z czterech elementów plus dwóch opcjonalnych wzmacniaczy. Nie każde zadanie wymaga wszystkich – proste pytanie zostaje prostym pytaniem – ale przy każdej pracy na tekstach, kodzie czy analizie ta rama robi różnicę:
| Element | Co robi | Przykład |
|---|---|---|
| Rola | ustawia perspektywę i poziom języka | „Jesteś doświadczonym księgowym obsługującym JDG” |
| Kontekst | daje fakty, których model nie zna | „Prowadzę sklep z lampami, klienci to architekci wnętrz” |
| Zadanie | mówi, co konkretnie ma powstać | „Napisz 3 propozycje tematu newslettera na czerwiec” |
| Format | określa kształt odpowiedzi | „Lista, każdy temat max 8 słów + zdanie uzasadnienia” |
| Przykłady | pokazuje wzorzec zamiast go opisywać | „Oto dwa tematy, które dobrze klikały: …” |
| Ograniczenia | wycina to, czego nie chcesz | „Bez wykrzykników, bez słowa «wyjątkowy»” |
Najbardziej niedoceniany element? Format. Modele bardzo dobrze trzymają się zadanej struktury – jeśli poprosisz o tabelę z trzema kolumnami, dostaniesz tabelę z trzema kolumnami. Jeśli nie poprosisz o nic, dostaniesz to, co model uzna za stosowne. Zwykle ścianę tekstu.
Techniki, które realnie podnoszą jakość
Few-shot, czyli przykłady. Zamiast opisywać styl trzema akapitami, pokaż dwa-trzy wzorcowe przykłady i napisz „zrób tak samo dla X”. To najskuteczniejsza pojedyncza technika promptowania – model naśladuje wzorzec o niebo lepiej, niż wykonuje opisy.
Chain-of-thought, czyli myślenie krok po kroku. Przy zadaniach logicznych i obliczeniowych dopisz „rozwiąż krok po kroku, pokaż tok rozumowania”. Model zmuszony do rozpisania kroków rzadziej skraca sobie drogę do błędnego wyniku. Nowsze modele „rozumujące” robią to same, ale przy klasycznych wciąż warto.
Separatory. Gdy wklejasz do prompta cudzy tekst – artykuł do streszczenia, kod do poprawy – oddziel go wyraźnie, np. potrójnymi cudzysłowami albo znacznikami. Bez tego model potrafi pomylić instrukcję z materiałem i „wykonać” zdanie z wklejonego artykułu.
Furtka na niewiedzę. Dopisek „jeśli nie znasz odpowiedzi, napisz «nie wiem» zamiast zgadywać” wyraźnie ogranicza halucynacje. Model domyślnie woli odpowiedzieć cokolwiek niż przyznać się do braków – musisz mu jawnie pozwolić.
I technika najtańsza ze wszystkich: iteracja. Pierwsza odpowiedź to wersja robocza. „Skróć o połowę”, „mniej formalnie”, „dodaj przykład z e-commerce” – trzy takie poprawki zajmują minutę i dają więcej niż dopieszczanie prompta przez kwadrans.
Przed i po – ten sam cel, dwa prompty
Wersja, którą wpisuje większość: „napisz post na LinkedIn o naszej nowej usłudze”. Wynik: trzy akapity ogólników o innowacyjności i pasji, do tego osiem emoji.
Wersja po przebudowie: „Jesteś copywriterem B2B. Prowadzę biuro rachunkowe dla branży IT. Nowa usługa: rozliczanie ulgi IP Box dla programistów na B2B. Napisz post na LinkedIn do 120 słów: zacznij od konkretnej kwoty, którą programista może odzyskać, potem dwa zdania jak działa usługa, na końcu jedno pytanie do czytelników. Ton rzeczowy, zero emoji, zero słów «innowacyjny» i «kompleksowy»”.
Drugi prompt jest dłuższy o 40 sekund pisania. Odpowiedź na pierwszy kasujesz w całości, odpowiedź na drugi publikujesz po kosmetyce. Ta proporcja – minuta w prompt, godzina zaoszczędzona na poprawkach – to cała ekonomia promptowania.
Najczęstsze błędy
Pierwszy: za mało kontekstu. Model nie wie, czym zajmuje się Twoja firma, kim jest odbiorca i co już próbowałeś. Wszystko, czego nie napiszesz, model zmyśli albo uśredni.
Drugi: wszystko w jednym prompcie. „Przeanalizuj konkurencję, napisz strategię, przygotuj harmonogram i zaproponuj budżet” to cztery zadania – każde wyjdzie płytko. Jedno zadanie, jedna wiadomość, a wyniki poprzedniego kroku wklejasz do następnego.
Trzeci: traktowanie modelu jak wyszukiwarki. Modele mają datę odcięcia wiedzy i bez włączonego wyszukiwania nie znają wczorajszych newsów ani aktualnych cen. Do faktów z ostatniego tygodnia służy tryb z dostępem do internetu albo zwykłe Google – które modele AI radzą sobie z czym najlepiej, porównujemy w zestawieniu ChatGPT vs Claude vs Gemini vs Grok.
Czwarty błąd jest najcichszy: brak iteracji. Słaba pierwsza odpowiedź to nie wyrok, tylko punkt wyjścia. Ludzie, którzy „nie umieją w AI”, zwykle po prostu kończą rozmowę o jedną wiadomość za wcześnie.
Czy inżynieria promptów to jeszcze zawód
W 2023 roku „prompt engineer” trafiał na listy zawodów przyszłości z widełkami do 300 tys. dolarów rocznie. Ten etat w czystej postaci praktycznie zniknął – modele coraz lepiej rozumieją niedbałe polecenia, a podstawy promptowania stały się umiejętnością powszechną, jak obsługa Excela.
Sama umiejętność jednak nie straciła na wartości, tylko zmieniła adres. Siedzi dziś w pracy marketerów, programistów, analityków i SEO-wców – oraz w produktach AI, gdzie prompt systemowy jest częścią kodu i od jego jakości zależy zachowanie całej aplikacji. Promptowanie obrazów to z kolei osobna dyscyplina z własnymi regułami, którą pokazujemy w przewodniku po Midjourney.
Warstwa pod spodem też jest dostępna dla każdego: modele open source z Hugging Face pozwalają eksperymentować z promptami systemowymi bez limitów komercyjnych czatów.
Najczęściej zadawane pytania
Co to jest prompt?
Prompt to tekst, który wysyłasz do modelu AI: pytanie, polecenie, instrukcja z wklejonym materiałem. Model generuje odpowiedź wyłącznie na podstawie prompta i kontekstu rozmowy.
Od precyzji prompta zależy jakość wyniku – ten sam model potrafi zwrócić bezużyteczny ogólnik albo gotowy materiał do pracy.
Jak napisać dobry prompt?
Użyj czterech elementów: rola („jesteś doświadczonym księgowym”), kontekst (fakty o Twojej sytuacji), zadanie (co konkretnie ma powstać) i format (lista, tabela, liczba słów). Do tego ograniczenia: czego w odpowiedzi ma nie być.
Przy zadaniach powtarzalnych dodaj 2-3 przykłady wzorcowego wyniku – to podnosi jakość bardziej niż jakikolwiek opis.
Co to jest prompt systemowy?
To instrukcja ustawiająca zachowanie modelu na całą rozmowę: rolę, ton, ograniczenia. Działa „nad” pojedynczymi wiadomościami użytkownika.
W ChatGPT odpowiednikiem są Instrukcje niestandardowe, w API – osobne pole system. W aplikacjach AI prompt systemowy jest częścią produktu i użytkownik go nie widzi.
Co oznacza few-shot prompting?
To technika polegająca na pokazaniu modelowi kilku przykładów zadania z poprawnym wynikiem, zanim poprosisz o wykonanie kolejnego. Zero-shot to polecenie bez przykładów, few-shot – z przykładami.
W praktyce: wklejasz dwa dobre opisy produktów i piszesz „napisz trzeci w tym samym stylu dla produktu X”. Model naśladuje wzorzec znacznie wierniej, niż wykonuje opis stylu.
Czy istnieją magiczne prompty, które działają zawsze?
Nie. Krążące po sieci „100 najlepszych promptów” to zwykle ogólne szablony – działają o tyle, o ile wypełnisz je własnym kontekstem. Bez Twoich faktów najlepszy szablon zwróci ładnie sformatowany ogólnik.
Zamiast kolekcjonować prompty, lepiej opanować strukturę rola-kontekst-zadanie-format i technikę przykładów. To przenosi się na każde zadanie.
Czym jest inżynieria promptów?
To projektowanie i testowanie promptów tak, by model zwracał powtarzalnie dobre wyniki – szczególnie ważne w produktach AI, gdzie jeden prompt systemowy obsługuje tysiące użytkowników.
Jako samodzielny etat zawód praktycznie zniknął, ale jako umiejętność wszedł do codziennej pracy marketerów, programistów i analityków.
Czy prompty po polsku działają gorzej niż po angielsku?
Różnica zmalała do pomijalnej w codziennych zadaniach – czołowe modele są trenowane wielojęzycznie i po polsku rozumieją polecenia bardzo dobrze. Po polsku pisz wszystko, co ma być po polsku: ton i idiomy wychodzą naturalniej.
Angielski daje czasem przewagę w zadaniach technicznych i niszowych, bo materiałów treningowych w tym języku było najwięcej. Gdy wynik po polsku kuleje, warto spróbować tej samej instrukcji po angielsku z dopiskiem „odpowiedz po polsku”.
