Prompt to instrukcja dla modelu AI i to od jej jakości zależy większość wyniku. Ten sam ChatGPT, Claude czy Gemini na słaby prompt odpowie przeciętnie, a na dobry potrafi odpowiedzieć jak ekspert. Inżynieria promptów to nie magia, tylko sześć elementów, kilka technik i sporo ćwiczenia.
Pracujesz z AI od miesięcy i ciągle masz wrażenie, że model „nie rozumie, o co chodzi”? Albo odwrotnie, kolega wyciąga z tego samego narzędzia rewelacyjne wyniki? Różnica prawie zawsze siedzi w prompcie, nie w modelu. Prompt to jedyna zmienna, którą kontrolujesz w całości, więc daję Ci tu konkretny system, a nie listę ogólników.
Co to jest prompt, a co nim nie jest
Prompt to każdy tekst podany modelowi jako wejście: pytanie, polecenie, opis zadania, kod do przejrzenia, lista wymagań. Tyle. Żadnej magii tu nie ma.
Prompt nie jest też słowem kluczowym ani zaklęciem. Fora pękają od list „magicznych promptów do ChatGPT” i to jest ściema. Dobry prompt to ustrukturyzowana instrukcja napisana pod konkretne zadanie i konkretny model. Inżynieria promptów (prompt engineering) to systematyczne projektowanie takich instrukcji: testujesz warianty, mierzysz jakość, poprawiasz. To umiejętność do opanowania, nie wrodzony talent.
System prompt a prompt użytkownika
Pracując z API modeli (OpenAI, Anthropic, Google) zobaczysz dwa rodzaje wejść, a większość ludzi ignoruje różnicę między nimi.
System prompt to instrukcja meta, ustawiona raz przed rozmową. Definiuje rolę modelu, zakres zachowań, format odpowiedzi i ograniczenia. To tu piszesz „jesteś ekspertem SEO, odpowiadasz tylko po polsku, nigdy nie wymyślasz faktów”. Użytkownik standardowo go nie widzi.
User prompt to wiadomość w każdej turze rozmowy: pytanie, zadanie, kontekst sesji. W ChatGPT i Claude.ai masz dostęp tylko do user promptu, w API do obu. Jeśli cokolwiek budujesz, czyli aplikację, agenta albo pipeline sprzedażowy oparty na AI, solidny system prompt jest fundamentem, a reszta to zmienny user prompt.
Anatomia skutecznego promptu: 6 elementów
Nie każdy prompt potrzebuje wszystkich sześciu. Ale gdy wiesz, którego elementu brakuje, znacznie szybciej diagnozujesz, dlaczego model „nie trafia”. Łatwo zapamiętać je jako skrót RKZFPO:
| Litera | Element | Na czym polega |
|---|---|---|
| R | Rola | kim jest model w tym zadaniu, np. „jesteś doświadczonym copywriterem B2B” – przestawia priors na język i perspektywę tej roli |
| K | Kontekst | co model musi wiedzieć o sytuacji: branża, odbiorca, ograniczenia, dane wejściowe – im więcej, tym mniej halucynacji |
| Z | Zadanie | co konkretnie ma zrobić, jeden wyraźny czasownik: „napisz”, „porównaj”, „przeanalizuj”, a nie wszystko naraz |
| F | Format | jak ma wyglądać wyjście: lista, tabela, JSON, akapit na trzy zdania, kod – bez tego model wybierze sam, często źle |
| P | Przykłady | jeden albo dwa wzorcowe wyniki (technika few-shot) – najtańszy sposób na duży skok jakości |
| O | Ograniczenia | czego model ma nie robić: „nie używaj żargonu”, „maksymalnie 200 słów” – instrukcje negatywne działają |
Zobaczmy te elementy w praktyce. To samo zadanie raz po partacku, a raz z pełną strukturą:
Napisz opis produktu dla słuchawek bezprzewodowych.
Jesteś copywriterem e-commerce z 10-letnim stażem w elektronice użytkowej. [R]
Piszesz dla sklepu MediaExpert, klient to osoba 28-45 lat, aktywna fizycznie. [K]
Napisz opis produktu słuchawek Sony WH-1000XM5. [Z]
Format: 3 akapity, łącznie 120-150 słów, zacznij od korzyści, nie od nazwy. [F]
Nie używaj słów „innowacyjny”, „najwyższa jakość”, „doskonały”. [O]
Trzy techniki, które warto znać
Zero-shot: model działa bez przykładów
Wysyłasz instrukcję, model wykonuje, bez żadnych wzorców. Sprawdza się, gdy zadanie jest powszechnie znane i jednoznaczne. „Przetłumacz ten akapit na angielski” w zupełności wystarczy jako zero-shot.
Few-shot: dwa przykłady zamiast długiego tłumaczenia
Zamiast opisywać format słowami, po prostu go pokazujesz. Dajesz dwie, trzy pary wejście – wyjście, a model wyłapuje wzorzec i stosuje go do Twojego przypadku. Najmocniej działa przy klasyfikacji, ekstrakcji danych i pilnowaniu tonu:
Przekształć opis techniczny na język korzyści klienta.
Wejście: „Bateria 5000 mAh, szybkie ładowanie 65 W”
Wyjście: „Pełna bateria w 45 minut. Zapomnisz o kablu na cały dzień.”
Wejście: „Wyświetlacz AMOLED 120 Hz, 2400×1080 px”
Wyjście: „Płynne przewijanie, filmy jak w kinie, kolory nie blakną na słońcu.”
Wejście: „Chip Snapdragon 8 Gen 3, 12 GB RAM”
Wyjście: ← tu model dokończy we właściwym tonie
Chain-of-thought: „pomyśl krok po kroku”
Dopisujesz na końcu promptu „pomyśl krok po kroku przed odpowiedzią” albo „najpierw przedstaw rozumowanie, potem wnioski”. Badania nad techniką chain-of-thought wskazują, że na złożonych zadaniach wyraźnie redukuje ona błędy logiczne i arytmetyczne, rzędu kilkudziesięciu procent. Kosztuje kilka dodatkowych tokenów, więc przy zadaniach wieloetapowych po prostu się opłaca.
Nie stosuj jej za to przy prostych faktach i klasyfikacjach. „Który rok to 1945 plus 3?” nie potrzebuje rozpisywania rozumowania, model i tak zna odpowiedź, a dokładanie „pomyśl krok po kroku” do banałów tylko spowalnia.
Prompty po polsku czy po angielsku?
To pytanie wraca na każdym szkoleniu, a odpowiedź jest mniej oczywista, niż się wydaje.
Angielski daje ogólnie lepsze wyniki techniczne, bo modele trenowano na znacznie większym korpusie angielskim. Rozwiązujesz problem analityczny, piszesz kod albo opisujesz złożoną logikę? Pisz po angielsku, a o polską wersję poproś osobno. Polski wygrywa za to tam, gdzie liczy się ton i styl: przy copywritingu SEO, opisach produktów i artykułach prompt po polsku daje naturalniejszy rejestr.
Praktyczna zasada brzmi: instrukcje techniczne po angielsku, oczekiwane wyjście po polsku. W praktyce „Write a product description in Polish for…” często bije „Napisz opis produktu po polsku dla…”
Prompty SEO, które naprawdę działają
Kilka gotowych szablonów dla piszących o SEO i marketingu:
You are a senior SEO analyst.
Analyze the search intent for the Polish keyword: „[FRAZA]”
Output:
– Primary intent: [informational/navigational/commercial/transactional]
– Secondary intents (if any)
– What the searcher likely wants to DO after reading
– What content format would rank best (article/product page/listicle/tool)
– 3 related questions this person also wants answered
# Meta title + description po polsku
You are an SEO copywriter specializing in Polish e-commerce.
Page: [OPIS STRONY], main keyword: [FRAZA]
Write:
– 3 meta title variants (max 60 chars, keyword near start)
– 1 meta description (max 155 chars, include CTA, no caps lock)
All in Polish. No em-dashes.
Prompt engineering jako zawód w Polsce
Czy to prawdziwa praca? W połowie 2026 roku tak, ale z gwiazdką. Dedykowanych etatów „prompt engineer” jest w Polsce kilkadziesiąt miesięcznie, głównie w firmach AI, startupach i agencjach content-AI, a widełki to orientacyjnie 12-22 tys. zł brutto. Znacznie częściej jednak prompt engineering jest dodatkową umiejętnością w istniejącej roli: copywriter, który ogarnia AI, analityk budujący pipeline LLM, developer konfigurujący agentów.
Warto się tego nauczyć nie po to, żeby zmienić zawód, tylko żeby w obecnym robić w tym samym czasie kilka razy więcej. Jeśli na co dzień korzystasz z AI, sprawdź też, czy ChatGPT Plus w ogóle Ci się opłaca.
Na koniec uczciwe zastrzeżenie: prompt engineering nie jest wieczny. Modele coraz lepiej domyślają się intencji, więc to, co dziś wymaga precyzyjnego few-shot, za rok zrozumieją z jednego zdania. Inwestuj w rozumienie modeli, a nie w kolekcjonowanie „magicznych” promptów, bo te dezaktualizują się razem z kolejnymi wersjami. Pełne, na bieżąco aktualizowane przewodniki prowadzą zresztą sami twórcy modeli, jak przewodnik po inżynierii promptów OpenAI.
Najczęstsze pytania o prompty
Co to jest prompt w ChatGPT i AI?
Prompt to każdy tekst, który wpisujesz do modelu AI: pytanie, polecenie, instrukcja, dane do analizy. Od jego jakości zależy jakość odpowiedzi. ChatGPT, Claude czy Gemini nie „rozumieją” intencji, tylko generują najlepszą statystycznie odpowiedź na to, co dosłownie napisałeś.
Zły prompt daje przeciętny wynik, dobry rezultat na poziomie specjalisty. Różnica tkwi w strukturze: rola modelu, kontekst zadania, oczekiwany format i ograniczenia.
Czym różni się zero-shot od few-shot prompting?
Zero-shot to prompt bez przykładów: opisujesz zadanie słowami, a model je wykonuje. Sprawdza się przy zadaniach typowych i jednoznacznych, jak tłumaczenie czy dobrze opisana klasyfikacja.
Few-shot to dodanie dwóch do pięciu przykładowych par wejście – wyjście. Model uczy się wzorca z przykładów zamiast z opisu, co daje lepsze wyniki przy niestandardowym formacie albo specyficznym tonie.
Jak napisać dobry prompt krok po kroku?
Zastosuj schemat RKZFPO: Rola (kim jest model), Kontekst (co musi wiedzieć), Zadanie (jeden konkretny czasownik), Format (jak ma wyglądać odpowiedź), Przykłady (opcjonalne, ale bardzo pomocne) i Ograniczenia (czego nie robić). Nie musisz używać wszystkich sześciu, ale każdy brakujący element to potencjalne źródło słabego wyniku.
Zacznij od najprostszej wersji, sprawdź wynik, dołóż brakujące elementy. Iteracja bije perfekcjonizm, lepiej wysłać dobry prompt teraz niż idealny za godzinę.
Lepiej pisać prompty po polsku czy po angielsku?
Zależy od celu. Instrukcje techniczne, logika i analizy wychodzą lepiej po angielsku, bo modele trenowano na większym korpusie angielskim. Wyjście po polsku zamów osobno: „Write a product description in Polish for…”
Gdy zależy Ci na naturalnym polskim tonie (copy, artykuły, posty), pisz cały prompt po polsku. Model piszący po polsku „myśląc po angielsku” potrafi produkować zdania z angielską składnią.
Co to jest chain-of-thought prompting?
To technika polegająca na dopisaniu do promptu „pomyśl krok po kroku” albo „najpierw przedstaw rozumowanie, potem odpowiedź”. Wymusza na modelu jawny łańcuch rozumowania przed wnioskiem, co na złożonych zadaniach wyraźnie redukuje błędy logiczne i arytmetyczne.
Nie stosuj jej przy prostych, jednoznacznych pytaniach, bo wtedy tylko spowalnia bez korzyści. Najlepiej działa przy wieloetapowych analizach, porównaniach i zadaniach matematycznych.
Ile zarabia prompt engineer w Polsce?
Dedykowane stanowiska „prompt engineer” płacą orientacyjnie 12-22 tys. zł brutto miesięcznie (połowa 2026 roku), a ofert jest kilkadziesiąt w miesiącu, głównie w firmach AI, startupach i agencjach content-AI. Częściej to jednak umiejętność, nie etat: copywriter, analityk czy developer, który potrafi budować pipeline LLM, zarabia zauważalnie więcej niż bez tej kompetencji.
