Prompty do AI: 15 promptów do 9 zadań (sprzedaż, e-mail, analiza, tłumaczenie, planowanie) z wynikiem obok 

Poniżej masz 15 promptów do 9 zadań, które realnie pojawiają się w pracy małej firmy: sprzedaż, e-mail, analiza danych, tłumaczenie i planowanie. Każdy jest gotowy do skopiowania, a pod nim pokazuję, co model zwraca i która jedna zmiana w treści promptu odpowiada za tę różnicę. Jeśli nie masz czasu czytać wszystkiego, weź sekcję o anatomii promptu i test z sekcji o weryfikacji - one decydują o jakości wszystkiego, co dalej napiszesz.

Artykuł opiera się na dokumentacji czterech dostawców (OpenAI, Anthropic, Google Cloud, Microsoft) i dwóch polskich praktykach. Tam, gdzie nie dało się niczego sprawdzić, napisałem to wprost.

Model nie wie, czego chcesz. On zgaduje z kontekstu

Zacznijmy od mechanizmu, bo on wyjaśnia wszystkie pozostałe zasady. Microsoft opisuje to tak: model generujący próbuje wytworzyć kolejną sekwencję słów, które najbardziej prawdopodobnie nastąpią po dotychczasowym tekście, czyli działa jak zaawansowane autouzupełnianie. Google używa niemal tego samego sformułowania. Z tego wynika rzecz, którą warto zrozumieć raz: model nie przechodzi w tryb „zapytanie i odpowiedź”. Odpowiada, bo odpowiedź jest po prostu najbardziej prawdopodobnym ciągiem, który może teraz wygenerować.

Dlatego producenci modeli odradzają myślenie kategoriami czarówki. Anthropic proponuje metaforę stażysty w pierwszym dniu pracy, w drugiej wersji tej samej dokumentacji: bystry, ale nowy pracownik, który nie zna Twoich norm i procesów. OpenAI różnicuje modele w tym samym kierunku - model rozumujący zachowuje się jak starszy kolega ze znajomością kontekstu, modele szybkie jak junior, który potrzebuje precyzyjnych instrukcji i konkretnego formatu. Tomasz Turba z sekurak zamyka to w jednym zdaniu: jakość promptu to jakość kontekstu, a model bez kontekstu strzela. Jego porównanie z kelnerem jest celowe - zamawiając „coś dobrego”, dostaniesz bigos, bo kelner nie zna Twojej głowy i nie będzie się dopytywał.

Anatomia promptu: osiem elementów, które robią robotę

Najbardziej kompletna tabela komponentów promptu, jaką udało się znaleźć, pochodzi z dokumentacji Google Cloud. Dzieli ją na część wymaganą i opcjonalną, co jest wygodne, bo od razu widać, co musi się znaleźć w każdym zadaniu, a co zależy od przypadku.

• Cel (objective) - co model ma osiągnąć, razem z celem nadrzędnym. „Twoim celem jest pomóc klientowi w rozliczeniu faktury, nie podając mu odpowiedzi zamiast niej”.
• Instrukcje - kroki po kolei, nie cel.
• Rola (persona) - kim model udaje. Musi to być realna rola, inaczej model improwizuje.
• Ograniczenia - czego model nie może robić. „Nie podawaj odpowiedzi wprost, podpowiedz następny krok” jest tu silniejsze niż „bądź pomocny”.
• Ton - styl odpowiedzi, określony wprost.
• Kontekst - dane, do których model musi się odwołać: dokument, tabela, notatka ze spotkania.
• Format odpowiedzi - JSON, tabela, lista, Markdown, akapit. Zapisanego trzeba, inaczej model sam zgadnie strukturę.
• Przykłady (few-shot) - jak odpowiedź ma wyglądać w praktyce.

Do tego dochodzą trzy elementy, które pojawiają się u wszystkich dostawców, ale pod różnymi nazwami: myślenie krok po kroku, tzw. recap, czyli powtórzenie najważniejszych ograniczeń i formatu na końcu promptu, oraz zabezpieczenia. Ten ostatni punkt u Google to pytanie, czy wokół danych, w które wstawiasz tekst od użytkownika, jest wyraźna bariera - bo to jest droga, którą wchodzi prompt injection.

Tomasz Turba w jednym akapicie wycina z tego najkrótszą wersję użyteczną w codziennej pracy: dobry prompt to cel, kontekst, format, odbiorca i świadomość istnienia ograniczeń. Pięć elementów, które można zapamiętać i od razu stosować, zanim sięgnie się po długie szablony.

Szablon do wklejenia, oparty na strukturze Google Cloud, wygląda tak:

<CEL_I_ROLA>
Jesteś [rola]. Twoje zadanie to...
</CEL_I_ROLA>
<INSTRUKCJE>
Wykonaj zadanie w tych krokach:
1. 2. ...
</INSTRUKCJE>
<OGRANICZENIA> co możesz, a czego nie</OGRANICZENIA>
<KONTEKST> dane, na których pracujemy </KONTEKST>
<FORMAT_WYJśCIA> wynik ma być w formacie... </FORMAT_WYJśCIA>
<PRZYKŁADY> wejście / wyjście </PRZYKŁADY>
<PODSUMOWANIE> powtórz ograniczenia i format </PODSUMOWANIE>

OpenAI używa podobnej, ale czterosekcyjnej kolejności: tożsamość, instrukcje, przykłady, kontekst - z uwagą, że kontekst najlepiej trzymać blisko końca wiadomości.

Trzy techniki, które realnie zmieniają wynik

Dane na górze, pytanie na dole. To najbardziej powtarzalna rada w całej dokumentacji i jednocześnie najczęściej łamana. Dokumenty i dane wejściowe na początku, zapytanie na końcu. Anthropic podaje przy tym konkret: zapytania umieszczone na końcu poprawiały jakość odpowiedzi nawet o 30 procent w testach, szczególnie przy złożonych wejściach wielodokumentowych. To nie jest gwarancja, ale najmocniejsza pojedyncza liczba w materiałach producentów na temat układu promptu. Przy wielu dokumentach oznaczaj je tagami z atrybutem indeksu, żeby model nie pomieszał źródeł.

Rozgrzewka wyjścia (cue). Microsoft opisuje to jako mechanizm, w którym tekst otwierający działa jak skok startowy dla wyniku. Najprostszy przykład: prompt kończący się zdaniem „Jedno możliwe zapytanie wyszukiwarkowe to:” sprawia, że model zwraca jedno zapytanie. Bez tego końcowego zdania zwraca ich kilka. Analogicznie „Kluczowa myśl wiadomości to” daje jedno zdanie, a „Kluczowe punkty:” daje listę. To najtańszy sposób na wymuszenie struktury, kiedy nie chce ci się pisać pełnej specyfikacji formatu.

Przykłady, ale konkretnie. Anthropic podaje 3 do 5 przykładów jako zalecaną liczbę dla techniki few-shot. Nie chodzi o ich objętość, a o zgodność z resztą promptu: przykład w formacie innym niż reszta promptu sam w sobie jest błędem, bo model zaczyna traktować go jako instrukcję.

Microsoft opisuje też efekt recency, czyli tendencję do mocniejszego respektowania informacji z końca promptu. Ostrzeżenie jest jednak uczciwe: w testach Microsoftu odpowiedzi modeli nowszych generacji były takie same niezależnie od stosowania tej techniki. Powtórzenie instrukcji na końcu to kandydat do testu, nie obowiązek.

15 promptów do 9 zadań - z wynikiem obok

W każdym bloku jest prompt gotowy do skopiowania, opis tego, co zwraca, i jedna zmiana, która robi największą różnicę. Prompty piszę po polsku i pod konkretne zadania biznesowe.

Zadanie 1 - Sprzedaż: odpowiedź na zapytanie z lejka (3 prompty)

Prompt 1. Kwalifikacja leada przed odpowiedzią.

Jesteś asystentem handlowym w firmie sprzedającej oprogramowanie do
automatyzacji procesów. Poniżej zapytanie od potencjalnego klienta.
Najpierw wypisz 4 pytania, które pozwolą ci ocenić, czy warto
odpowiadać merytorycznie, i czy mamy realny problem do rozwiązania.
Pytania dotyczą skali, częstotliwości i kosztu ręcznej pracy.
Potem napisz w 120 słowach odpowiedź, która NIE sprzedaje, tylko
odwołuje się do tych pytań i zaprasza na 20-minutową rozmowę.

Wynik obok: pięć pytań do konkretnej operacji (kto, ile razy, ile minut, co się psuje) i krótka odpowiedź bez katalogu usług. Zwykłe „napisz mi odpowiedź na leada” daje w tym samym modelu listę funkcji produktu.

Co to zmieniło: rozdzielenie dwóch zadań. Model, który ma od razu odpowiadać, sprzedaje; model, który ma najpierw zadać pytania, zbiera informację.

Prompt 2. Nagłówek i opis oferty, zamiast „wymyśl nazwę”.

Zadanie: napisz 5 wariantów nagłówka do oferty usługi.
Usługa: wdrożenie automatyzacji procesów w firmie z 20-30 pracownikami.
Odbiorca: prezes zarządu, który nie zna terminologii IT.
Jedyny mierzalny efekt, na którym mi zależy: oszczędność godzin
pracy tygodniowo. Maksymalnie 12 słów na nagłówek.
Nie używaj: "innowacyjny", "rewolucyjny", "inteligentny", "nowoczesny".

Wynik obok: pięć nagłówków liczonych na skali korzyści (tygodnie, godziny, kolejka), żadnych przymiotników. Lista zakazanych słów w prompcie jest tu ważniejsza niż instrukcja „bądź kreatywny”, bo sama nie działa.

Co to zmieniło: ograniczenie liczbowe na długość plus konkretna lista słów, które mają zniknąć. Google nazywa to podejściem opartym na celu: zamiast „napisz krótkie podsumowanie” podaj „napisz podsumowanie maksymalnie w 3 zdaniach”.

Prompt 3. Follow-up po spotkaniu, z notatki wprost.

Poniżej notatka z mojego spotkania z klientem.
Napisz 3 propozycje follow-up maila: jedną rzeczową bez spotkania,
jedną z konkretnym tematem i terminem, jedną krótką przypominającą.
W każdej znajdź się dokładnie jedno pytanie otwarte.
Nie obiecuj terminów ani cen - ich nie mam. Jeśli z notatki nie
wynika konkretna data, nie wymyślaj jej.

Wynik obok: trzy warianty, z których każdy kończy się jednym pytaniem, i zero zmyślonych dat. Bez zakazu wymyślania dat model często wkłada w ofertę termin, którego klient nigdy nie podał.

Co to zmieniło: zdanie „jeśli nie wiesz, odpowiedz, że nie wiesz”, zamiast zakazu w formie przeczenia. Model często łatwiej egzekwuje pozytywną instrukcję („jeśli nie ma daty, zostaw placeholder”) niż ogólne „nie wymyślaj”.

Zadanie 2 - E-mail: odpowiedź na trudną wiadomość (2 prompty)

Prompt 4. Emocjonalny e-mail klienta.

Jesteś osobą, która od 5 lat odpowiada za wdrożenia w tej firmie.
Klient pisze, że automatyzacja zawiodła i chce zrezygnować.
Najpierw wypisz, co dokładnie z jego słów wynika: 3 rzeczy, które
naprawdę go bolą, i jedno, czego nie powiedział wprost.
Potem napisz odpowiedź: przyznaj rację tam, gdzie wynika z faktów,
wyjaśnij przyczynę bez wymówek, zaproponuj jeden konkretny następny
krok. Maksymalnie 180 słów. Bez słów przepraszamy i bez obietnic.

Wynik obok: lista trzech realnych pretensji wyciągniętych z tekstu i odpowiedź, która nie zaczyna się od przeprosin. Prompt z rozdzielonym krokiem „co klient czuje, czego nie powiedział” daje analizę, której sam model nie zrobi w jednym przejściu.

Co to zmieniło: wymuszenie artefaktu kontrolnego przed odpowiedzią. Jeśli pracujesz z klientami, warto zobaczyć, jak ten sam mechanizm działa przy masowej obsłudze zgłoszeń - opisałem to przy automatycznym przetwarzaniu maili.

Prompt 5. Krótki update dla klienta, w trzech wersjach.

Wklejam stan projektu w 10 punktach. Potrzebuję update'u dla klienta
w formie 4 zdań: co zrobiliśmy, co jest w toku, co się zablokowało,
czego potrzebujemy od klienta.
Zakaz: nazwywania wewnętrznych identyfikatorów zadań.
Jeśli czegoś nie ma w punkcie, wypisz to w osobnym akapicie
"brak danych" zamiast dopisywać.

Wynik obok: cztery zdania plus sekcja „brak danych” zamiast płynnego, w pełni wymyślonego update’u. Ten sam mechanizm używa się przy raportach okresowych, które w małej firmie często powstają z notatek, a nie z systemu.

Zadanie 3 - Analiza: tabela i klasyfikacja (2 prompty)

Prompt 6. Jedno pytanie o konkretną tabelę.

Poniżej tabela sprzedaży w formacie TSV (kolumny rozdzielone
tabulatorami). Odpowiedz wyłącznie na pytanie: ile pozycji ma
przychód poniżej 5000 zł.
Pokaż obliczenie krok po kroku, a na końcu samą odpowiedź liczbową.
Nie zaokrąglaj i nie pomijaj pozycji z pustą kwotą - policz je
osobno i podaj, ile ich jest.

Wynik obok: wyliczenie widoczne krok po kroku i liczba, którą można sprawdzić w arkuszu w 20 sekund. Dla tabel MS nazywa to tabele formatem oszczędniejszym tokenowo od JSON z nazwanymi polami, a przy okazji dobrze rozumianym przez modele.

Co to zmieniło: polecenie pokazania obliczenia. To samo pytanie bez niego daje samą liczbę, którą przy pierwszym błędzie nie da się zweryfikować.

Prompt 7. Klasyfikacja zgłoszeń do jednego słowa.

Oceń każde zgłoszenie jako jedno z trzech etykiet:
ROZlicZENIE, TECHNICZNE, INNE.
Odpowiedz jednym słowem na zgłoszenie, bez wyjaśnień i bez
formatowania, w kolejności numerycznej.
Przykłady:
"gdzie jest faktura za marzec" → ROZLICZENIE
"panel się nie ładuje od rana" → TECHNICZNE
"czy macie numer konta do przelewu" → INNE

Wynik obok: lista samych etykiet, po jednej w linii, bez wstępu. W realnym wolumenie taki prompt jest pierwszym krokiem routingu zgłoszeń, a nie zabawką - opisuję to przy 5 wzorcach architektury w n8n, gdzie klasyfikacja jest jednym z elementów.

Co to zmieniło: „odpowiedz jednym słowem, bez komentarza” plus dwa przykłady. Bez ograniczenia formatu model doda własne uzasadnienia, a w eksporcie do arkusza to one psują kolumnę.

Zadanie 4 - Tłumaczenie: z zachowaniem i zmianą rejestru (2 prompty)

Prompt 8. Tłumaczenie, w którym część tekstu zostaje nietknięta.

Przetłumacz poniższy fragment na francuski.
Zawartość znaczników <ZARZAD>...</ZARZAD> zostaw
bez zmian, także gdy wygląda na niedokończoną.
Nie poprawiaj gramatyki w tych znacznikach.
Nie tłumacz nazw własnych, nazwisk ani kwot.

Wynik obok: poprawny tekst francuski z nietkniętymi znacznikami wewnątrz. Tłumaczenie „całości” daje za każdym razem inny wynik przy fragmentach, które mają zostać dosłowne.

Co to zmieniło: oznaczenie części nietykalnej tagami. Anthropic nazywa to redukcją nieporozumień: każdy typ treści w osobnym tagu, z konsekwentnymi nazwami. Trzy różne dokumentacje, jeden mechanizm.

Prompt 9. Formalny tekst na tekst, który da się przeczytać.

Przerób tekst poniżej na wersję dla odbiorcy, który nie czyta
raportów. Zasady:
1. każde zdanie ma poniżej 20 słów,
2. żadnego słowa bez znaczenia ("w zakresie", "na bieżąco",
   "w kontekście", "wdrożyć"),
3. pierwsze zdanie odpowiada na pytanie "co się zmieniło",
4. liczby zostaw, nazwy własne zostaw.
Zachowaj wszystkie fakty. Nie dodawaj nowych.

Wynik obok: ten sam zestaw faktów w wersji, którą da się przeczytać na głos. Lista słów do wycięcia jest tu celem samym w sobie - podanie zakazu konkretnych fraz działa lepiej niż polecenie „pisz prostiej”, bo „prościej” nie ma odniesienia.

Co to zmieniło: zakaz dodawania treści. Bez niego przy skracaniu model regularnie dopisuje uspokajający wniosek, którego w oryginale nie było.

Zadanie 5 - Planowanie: tydzień i wdrożenie (2 prompty)

Prompt 10. Plan tygodnia z listą zadań.

Moja rola: [rola]. Zadania na ten tydzień, każde z szacowanym
czasem w godzinach: [lista].
Ułóż je w kolejność wykonywania, uwzględniając zależności.
Wypisz tabelę: zadanie | czas | czego potrzebuję od innych.
Na końcu wypisz 3 rzeczy, które nie zmieścisz w tygodniu,
i uzasadnij dlaczego.
Nie dodawaj zadań, których nie ma na liście.

Wynik obok: tabela z czasem i zależnościami plus lista świadomie porzuconych zadań. Ta ostatnia często jest najcenniejsza, bo pokazuje, co realnie nie mieści się w tygodniu, zanim powiesz o tym szefowi.

Co to zmieniło: pytanie o to, czego nie da się zrobić. Google nazywa to edge case’em i przypomina, że zadanie bez ścieżki dla przypadków brzegowych jest niedokończoną instrukcją.

Prompt 11. Harmonogram wdrożenia z ryzykami zamiast optymizmu.

Cel: wdrożyć automatyzację procesu [opis] w firmie 25 osób.
Ustal kolejność kroków z datami roboczymi, licząc od poniedziałku.
Dla każdego kroku podaj: kto, ile dni, jaki wynik.
Potem osobno: 3 największe ryzyka tego planu i co je znosi.
Nie pomniejszaj ryzyk. Jeśli plan jest nierealistyczny, napisz to
na początku, przed tabelą.

Wynik obok: plan, który zaczyna się od ostrzeżenia o jego wadliwości, jeśli zdaniem modelu plan jest nierealistyczny, a dopiero potem tabela. Instrukcja „nie pomniejszaj ryzyk” działa wyraźnie lepiej niż „bądź realistą”, bo ma sprawdzalny sens.

Co to zmieniło: pozwolenie modelu na złą wiadomość. Bez niego harmonogram wygląda zawsze dobrze, czyli zawsze kłamie, że wszystko się zmieści.

Zadanie 6 - Streszczenie, które da się sprawdzić (1 prompt)

Prompt 12. Dokument z cytatami zamiast streszczenia z pamięci.

Przeczytaj dokument poniżej. Najpierw wypisz 5 cytatów z dokumentu,
które są najważniejsze dla zadania, z numerami sekcji.
Dopiero potem napisz 8-zdaniowe podsumowanie, opierając się
wyłącznie na tych cytatach.
Jeśli w dokumencie brak informacji, której potrzebuję, napisz
"nie znaleziono" zamiast uzupełniać z wiedzy modelu.

Wynik obok: pięć cytatów z odwołaniem do sekcji i podsumowanie, którego zdania da się sprawdzić w dokumencie. To najprostszy sposób na to, żeby zobaczyć moment, w którym model zaczyna dopisywać od siebie.

Co to zmieniło: kolejność: najpierw cytaty, potem podsumowanie. Cytaty są twardym testem, bo muszą zgadzać się ze źródłem, a tekst generowany później ma już materiał pod ręką. O tym, jak mierzyć halucynacje w firmie, pisałem osobno - test na 100 promptach pokazuje skalę zjawiska.

Zadanie 7 - Weryfikacja faktów (1 prompt)

Prompt 13. Rozbij twierdzenie na sprawdzalne części.

Weź zdanie poniżej. Rozbij je na pojedyncze twierdzenia
faktyczne, które da się sprawdzić.
Dla każdego zrób zapytanie wyszukiwarkowe.
Wskaż, które twierdzenia wymagają weryfikacji w źródle, a które
są kwestią gustu lub interpretacji i nie wymagają.

Wynik obok: lista twierdzeń, do których zamiast zaufania można się odnieść, i osobno lista tych, gdzie spór jest bezprzedmiotowy. W praktyce druga lista bywa dłuższa, i to ona oszczędza najwięcej czasu na bezsensowne spory wewnętrzne.

Co to zmieniło: rozdzielenie „nie wiem” od „nie da się sprawdzić”. Bez tego promptu każde zdanie traktowane jest jako do zweryfikowania, co w praktyce oznacza, że nie weryfikuje się nic.

Zadanie 8 - Redakcja własnego tekstu (1 prompt)

Prompt 14. Popraw, ale nie przepisuj.

Poniżej akapit. Popraw w nim trzy rzeczy: konkretne liczby
zamiast „wiele", bierną na czynną, oraz każde miejsce, gdzie
powtarza się to samo słowo.
Pozostałych słów nie ruszaj.
Na końcu wypisz listę zmian w formacie: cytat przed | cytat po
| dlaczego.

Wynik obok: tekst z poprawkami i lista zmian, którą można wkleić do komentarza albo wprost do dokumentu. Prompt „zrób lepiej” daje nowy akapit, który trzeba porównywać z oryginałem bez żadnej pomocy.

Co to zmieniło: lista trzech konkretnych kryteriów zamiast oceny ogólnej oraz wymuszenie artefaktu kontrolnego. Turba nazywa prompty bez informacji o tym, co jest nie tak, „pasywno-agresywnymi”: „nie, źle”, „jeszcze raz”, „bez sensu” - i uzasadnia to mocno, bo tak właśnie wygląda większość mojej własnej historii z modelami.

Zadanie 9 - Prompt, który poprawia sam siebie (1 prompt)

Prompt 15. Metaprompt: napraw własny prompt.

Poniżej jest prompt, który nie daje oczekiwanych wyników
(model gubi format, dodaje własne wnioski, odpowiada za długo).
Przeanalizuj go i wypisz:
1. które elementy są sprzeczne między sobą,
2. które instrukcje są redundantne,
3. której brakuje (format, odbiorca, ograniczenia),
4. minimalną listę zmian.
Napisz poprawioną wersję, zachowując jak najwięcej z oryginalnego
tekstu. Nie zaczynaj od zera.

Wynik obok: cztery grupy problemów i poprawiona wersja, w której zachowane są wszystkie elementy, które działały. To najbliższe temu, co producenci nazywają przeglądem promptu przed wdrożeniem produkcyjnym.

Co to zmieniło: nakaz zachowania istniejącego tekstu. Bez niego model pisze nowy prompt, który wygląda lepiej, ale gubi wszystkie Twoje ustalenia z 20 iteracji.

Test na 30 sekund: czy Twój prompt jest dobry

Anthropic podaje test krótszy niż wszystkie checklisty, jakie znalazłem: pokaż prompt koledze, który niewiele wie o zadaniu, i poproś go, żeby go wykonał. Jeśli się pogubi, model też się pogubi.

Dla tych, którzy chcą wersję systematyczną, Google publikuje najbardziej rozbudowaną listę kontrolną, jaką znalazłem w całej dokumentacji. Skracam ją do punktów, które najczęściej ratują wynik:

• Cel zamiast przymiotnika. „Podsumowanie w maksymalnie 3 zdaniach” działa, „krótkie podsumowanie” nie.
• Sprawdź pisownię w słowach-kluczach. Literówka w nazwie encji potrafi przekierować całą odpowiedź.
• Zdefiniuj żargon. Jeśli używasz skrótów branżowych, wyjaśnij je w prompcie.
• Sprawdź sprzeczności. Dwa instrukcje, które da się wykonać na dwa sposoby, to najdroższy błąd w prompcie. O tym niżej.
• Usuń to, co nic nie wnosi. Instrukcja, którą można wykasować bez utraty jakości, jest tylko balastem.
• Nie zostawiaj formatu do zgadywania. Model nie zapyta, jaki układ kolumn chcesz.

Jest jeszcze jeden punkt, o którym mówi rzadko: usuń z promptu nacisk emocjonalny. Google wyraża to wprost - jeśli pierwsze generacyjne modele lepiej reagowały na ostrzeżenia w rodzaju „stanie się coś złego, jeśli nie zrobisz tego dobrze”, to obecne już nie, a w wielu przypadkach reagują gorzej.

Kiedy dłuższy prompt jest gorszy

Intuicja podpowiada, że im więcej napiszesz, tym lepiej. Przy mocniejszych modelach bywa odwrotnie.

OpenAI opisuje to wprost: model śledzi instrukcje z chirurgiczną precyzją, przez co źle zbudowany prompt zawierający sprzeczne lub niejasne instrukcje może mu zaszkodzić bardziej niż innym modelom, bo model spędza tokeny na szukanie sposobu na pogodzenie sprzeczności, zamiast po prostu wybrać jedną z nich. W cytowanej dokumentacji medycznej jest pełny przykład: instrukcja „nigdy nie umawiaj wizyty bez zgody pacjenta” zderza się z „przydziel najwcześniejszy wolny termin tego samego dnia”. Rozwiązanie nie polega na dodaniu zdania, tylko na zmianie dwóch: dodaniu „po poinformowaniu pacjenta o działaniach” oraz jawnego wyjątku „w nagłym przypadku nie wykonuj sprawdzenia profilu”. Autorzy zauważają, że po takim przeglądzie usunięcie sprzeczności wyraźnie poprawiło wyniki wczesnych użytkowników.

Ten sam mechanizm zadziałał w drugą stronę. Cursor usunął ze swojego promptu systemowego blok „maksymalizuj rozumienie kontekstu” z instrukcją „bądź dokładny przy zbieraniu informacji”, bo blok działał na starszych modelach, a przy nowszych powodował nadużywanie narzędzi. Z tego samego powodu Anthropic zaleca dziś prostą rzecz: usuń nadmiarowe wzmocnienia, bo narzędzia, które za mało się odpalały w poprzednich modelach, teraz odpalą się właściwie.

Warto tu dodać atrybut. Artykuł CrypS.pl, streszczając nowy materiał OpenAI, podaje, że uproszczenie instrukcji poprawiało wyniki o 10-15 procent i obniżało zużycie danych o 41-66 procent oraz koszty o 33-67 procent. To wtórne źródło opisujące wewnętrzne testy na agentach programistycznych, a nie zwykłym czacie, więc traktuję te liczby jako wskazówkę, nie obietnicę. Ten sam materiał przyznaje ważną rzecz: szczegółowe instrukcje nadal są potrzebne tam, gdzie model ma przestrzegać procedur firmowych.

Wniosek praktyczny: prompt rośnie wtedy, gdy rośnie zadanie. Stałe wzmacniacze, nauczone na poprzednim modelu, zostawiają tylko szkodę.

Czego ten artykuł nie obiecuje

Żeby było uczciwie, wymienię trzy rzeczy, których w źródłach nie ma, a których w artykułach o promptach często szuka czytelnik.

Nie ma wiarygodnych danych o tym, ile polscy użytkownicy zyskują na lepszych promptach. Nie znalazłem benchmarków porównujących modele w zadaniach polskojęzycznych ani danych o wzroście produktywności. Wszystkie liczby powyżej pochodzą z testów dostawców na ich własnych zadaniach. Jedyny wynik z wdrożenia biznesowego w zestawie to przypadek opisany przez Anthropic, w którym dokładność wzrosła o 20 procent. To jedna firma, jedno wdrożenie, model sprzed dwóch lat - nie gwarancja dla Ciebie i nie będę jej obiecywał.

Nie ma zasady numer jeden. Najlepsza rada, jaką znajdziesz w dokumentacji Microsoftu i we wpisie Anthropic, brzmi „myśl krok po kroku”. Ta sama dokumentacja Microsoftu odradza to dla modeli rozumujących, a Google każe testować, czy model korzystający z myślenia w ogóle tego potrzebuje. Zamiast szukać uniwersalnej formuły, testuj na swoich danych.

Nie ma nic, co zabezpieczy przed prompt injection. Google radzi sprawdzić, czy wokół danych wstawianych do promptu jest bariera, i nazywa to poważnym ryzykiem. Dla firmy atak nie musi być złośliwy - wystarczy, że model przeczyta dokument od klienta i potraktuje zawartą w nim instrukcję jako polecenie. Prompt injection na agentach opisuję osobno; zabezpieczeniem jest ograniczenie uprawnień agenta, nie lepsze sformułowanie promptu.

Do tego jedna uwaga o danych: to, co wklejasz do promptu, opuszcza Twoją firmę. W prompcie sprzedażowym ląduje przy okazji cały cennik albo lista klientów. Lista dwunastu pól, których nie należy tam wklejać, i sposób ich anonimizacji są w osobnym tekście - dane wrażliwe w AI.

Z promptu robisz bibliotekę, a z biblioteki proces

Pojedynczy dobry prompt to jeszcze nie nic trwałego. W firmie, która używa modeli do kilku zadań naraz, liczba ich rośnie szybciej niż liczba osób, które je znają.

Dlatego warto przejść trzy kroki, zanim zaczniesz budować dalej. Pierwszy: nazwij każdy prompt zadaniem, nie techniką. „Kwalifikacja leada” jest nazwą, którą zrozumie handlowiec bez wiedzy technicznej. „Prompt z few-shot” nie jest.

Drugi: trzymaj je tam, gdzie reszta firmy. OpenAI zaleca przechowywanie promptów produkcyjnych w kodzie aplikacji, bo daje to to, co firma ma już gdzie indziej: typowane wejścia, przegląd kodu, testy i normalny proces wdrożenia. Dla firmy bez programisty odpowiednikiem jest jeden wspólny dokument z promptami, wersjonowany tak jak każdy inny.

Trzeci: zbuduj dla każdego promptu jeden test. Jeden przypadek, jedno oczekiwane zachowanie, sprawdzone ręcznie. Zmiana modelu, która ten przypadek psuje, powinna dać znać od razu. To najtańsza rzecz, jaką można tu zbudować.

Dwa warunki warto mieć z przodu. Anthropic zastrzega, że nie każdy objaw da się naprawić promptem - czasem wybór innego modelu poprawi koszt albo szybkość taniej. I drugi: jeśli planujesz, żeby te prompty działały dalej bez Twojej głowy przy klawiaturze, to jest już zadanie dla automatyzacji. Wtedy warto przeczytać, jak podpiąć model do n8n, i zajrzeć do tekstu o tym, dlaczego samo promptowanie przestało wystarczać.

Jeśli chcesz przejść to z kimś, kto robi to zawodowo, a nie samodzielnie skakać po narzędziach, napisz do mnie. Odpowiadam zwykle tego samego dnia, a zakres i wycenę dostajesz na piśmie, zanim cokolwiek zaczniemy.