Prompt Engineering Guide
A free prompt engineering guide for ChatGPT, Claude and Gemini: how to write a prompt, the core techniques, prompts for coding, and where models fail. Every prompt on these pages is editable and opens in your own AI app.
Zacznij ścieżkę AI Prompts z przewodnikiemPierwsze kroki
- Co to jest promptPrompt to tekst, który dajesz modelowi AI, żeby powiedzieć mu, co ma wytworzyć. Zobacz, z czego się składa, prawdziwe prompty do tekstu, kodu i obrazów oraz czym prompt różni się od odpowiedzi i od promptu systemowego.
- Prompt engineeringPrompt engineering (inżynieria promptów) to pisanie i testowanie instrukcji dla modelu AI tak, żeby dawał potrzebny ci wynik. Ten poradnik wyjaśnia, dlaczego to działa, i porządkuje wszystkie kluczowe techniki.
- Jak napisać promptDobry prompt to krótki brief: rola, zadanie, kontekst, którego model nie odgadnie, materiał do pracy, kształt odpowiedzi i ograniczenia. Każdy element naprawia inny sposób, w jaki odpowiedź może pójść źle.
- Przykłady promptówTrzynaście gotowych do skopiowania promptów do nauki, programowania, pisania i planowania. Uzupełnij pola, a potem skopiuj prompt albo otwórz go w ChatGPT lub Claude.
- Prompt systemowyPrompt systemowy (system prompt) to zestaw stałych instrukcji, który obowiązuje przez całą rozmowę z modelem AI. Dowiedz się, gdzie się go ustawia, co w nim umieścić i czym różni się od wiadomości użytkownika.
- Tokeny i kontekstModele AI czytają tekst jako tokeny, czyli małe fragmenty słów, i mogą jednocześnie objąć tylko ograniczoną ich liczbę: okno kontekstu. Dowiedz się, jak działa jedno i drugie i co zrobić, gdy czat robi się długi.
- TemperaturaTemperatura kontroluje, ile losowości model językowy stosuje przy wyborze każdego kolejnego słowa. Zobacz, jak zmienia szanse poszczególnych słów, kiedy ustawiać ją nisko albo wysoko i czym różni się od top_p.
Podstawowe techniki
- Zero-shot promptingZero-shot prompting to proszenie modelu o wykonanie zadania na podstawie samych instrukcji, bez przykładów odpowiedzi. Tak większość ludzi korzysta z ChatGPT, Claude i Gemini, i działa to dobrze, gdy zadanie jest typowe, a instrukcja precyzyjna.
- Few-shot promptingFew-shot prompting to umieszczenie w prompcie kilku rozwiązanych przykładów, każdy z wejściem i oczekiwaną odpowiedzią, żeby model skopiował wzorzec. To najszybszy sposób, by nauczyć go formatu, zestawu etykiet albo stylu, którego sam by nie odgadł.
- Chain of thoughtChain of thought prompting (łańcuch myśli) to prośba, żeby model rozpisał swoje rozumowanie, zanim poda odpowiedź. Najbardziej pomaga przy wieloetapowych zadaniach z matematyki i logiki, a mniej znaczy dla modeli rozumujących, które i tak myślą przed odpowiedzią.
- Role promptingRole prompting daje modelowi rolę do odegrania, na przykład nauczyciela, recenzenta kodu albo rekrutera. Rola zmienia, dla kogo pisana jest odpowiedź i jaki standard ma spełniać; nie dodaje wiedzy, której model nie ma.
- Structured outputStructured output (ustrukturyzowana odpowiedź) to prośba o odpowiedź w stałym kształcie, takim jak JSON, tabela albo szablon, żeby program albo człowiek mógł jej użyć bez przerabiania. Podaj schemat, powiedz, co zrobić z brakującymi wartościami, i zwaliduj wynik w kodzie.
- Delimitery i tagi XMLDelimitery oznaczają, gdzie wklejony materiał się zaczyna i kończy, żeby model odróżnił twoje instrukcje od tekstu, na którym ma pracować. Działają cudzysłowy, potrójne backticki, linie ### i tagi XML; tagi XML sprawdzają się najlepiej, gdy prompt zawiera kilka materiałów.
- Szablony promptówSzablon promptu to przetestowany już prompt z polami na części, które za każdym razem się zmieniają. Skopiuj gotowe szablony z polami do uzupełnienia, a potem w pięciu krokach zamień w szablon swój najlepszy prompt.
Zaawansowane techniki
- Prompt chainingPrompt chaining dzieli pracę na sekwencję mniejszych promptów, w której wynik każdego kroku staje się wejściem następnego. Każdy krok robi jedną rzecz, a jego wynik możesz sprawdzić, zanim ruszy kolejny.
- Self-consistencySelf-consistency prompting zadaje to samo pytanie wymagające rozumowania kilka razy, pozwala każdemu przebiegowi rozumować po swojemu i zostawia odpowiedź, która pojawia się najczęściej. Zobaczysz, jak to działa, jak zrobić to ręcznie i jak w kodzie.
- Tree of thoughtTree of thought prompting (drzewo myśli) sprawia, że model bada kilka częściowych rozwiązań, ocenia każde z nich i zostawia tylko obiecujące gałęzie. Zobaczysz, jak działa oryginalna metoda, wersję w jednym prompcie do wypróbowania i miejsca, w których ta wersja zawodzi.
- ReAct promptingReAct prompting sprawia, że model na przemian rozumuje o zadaniu i wywołuje narzędzie, czytając każdy wynik, zanim zdecyduje o kolejnym kroku. To pętla, na której działa większość agentów AI.
- Meta promptingMeta prompting to używanie modelu do pracy nad promptami: napisania nowego, ulepszenia istniejącego albo podzielenia zadania na prompty dla innych wywołań modelu. Oto jak robić każdą z tych rzeczy, żeby nie dostać z powrotem napuchniętego promptu.
- Context engineeringContext engineering to decydowanie o wszystkim, co trafia do okna kontekstu modelu przy każdym wywołaniu: instrukcjach, dokumentach, wynikach narzędzi, pamięci i historii rozmowy, a także o ich kolejności. Wpisany przez ciebie prompt to tylko jedna część.
Prompty do programowania
- Prompty do pisania koduPrompty do programowania działają, gdy czyta się je jak małą specyfikację: język i wersja, wejścia i wyjścia, przypadki brzegowe i testy, które kod musi przejść. Proś o jeden mały krok naraz.
- Prompty do debugowaniaŻeby debugować z ChatGPT albo Claude, wklej pełny błąd i kod, który go wywołał, napisz, czego się spodziewasz i co dzieje się zamiast tego, wypisz, co już próbujesz, i poproś o przyczynę, zanim poprosisz o poprawkę.
- Wyjaśnianie koduPoproś AI o wyjaśnienie kodu linia po linii, na twoim poziomie, z tabelą pokazującą, jak zmieniają się wartości podczas działania. Powiedz, co już wiesz, żeby wyjaśnienie zaczęło się tam, gdzie jesteś.
- Prompty do code reviewDobry prompt do code review mówi, czego szukać, prosi o wagę przy każdym znalezisku, wymaga konkretnego wejścia, które wywołuje błąd, i diffa, a do tego każe pominąć styl. Potem sprawdzasz każde znalezisko, bo część okaże się błędna.
Ograniczenia i bezpieczeństwo
- Halucynacje AIHalucynacja AI to pewna siebie odpowiedź, która jest fałszywa: zmyślony fakt, cytat, funkcja albo pakiet. Zdarza się, bo model językowy przewiduje prawdopodobny tekst, zamiast cokolwiek sprawdzać. Prompty mogą je ograniczyć, ale wychwyci je tylko weryfikacja.
- Prompt injectionPrompt injection to atak, w którym tekst czytany przez model, wpisany przez użytkownika albo ukryty w e-mailu, stronie internetowej czy pliku, nadpisuje instrukcje nadane przez aplikację. Delimitery pomagają, ale go nie powstrzymują; powstrzymuje go ograniczenie tego, co model może zrobić.
- Iteracja promptówUlepszanie promptu działa najlepiej jako mały eksperyment: ustal, jak wygląda dobra odpowiedź, trzymaj kilka stałych wejść testowych, zmieniaj jedną rzecz naraz i porównuj wyniki obok siebie.
