Blog Post

Z generatywną sztuczną inteligencją możesz rozmawiać jak z człowiekiem – ale to nie znaczy, że ona rozumie Cię jak człowiek. To, że ChatGPT zareaguje na „zrób to ciut większe”, nie znaczy, że poradzi sobie z przygotowaniem strategii, analizy czy tekstu eksperckiego bez odpowiednich instrukcji. Prompt engineering to sposób, w jaki należy pracować z LLM-ami, czyli generatywną sztuczną inteligencją, taką jak ChatGPT.

Fot: wygenerowane przez AI Ideogram.

• W promptach nadawaj szeroki kontekst. Im więcej informacji podasz, tym lepszy wynik osiągniesz.
• Rozbijaj złożone zadania na mniejsze etapy. Sztuczna inteligencja jest w stanie przeprowadzić dla Ciebie złożoną analizę, napisać e-booka, ale nie po jednym prompcie.
• Podawaj przykłady wykonanych zadań. O pracy ze sztuczną inteligencją myśl w kontekście pisania briefingu czy onboardingu nowego pracownika. Pokaż dużemu modelowi językowemu (LLM-owi), jak wykonane zostało podobne zadanie.

Wpisujesz prompt (czyli tekstowe instrukcje) do AI. Na pierwszy rzut oka – wszystko działa. ChatGPT odpowiada. Midjourney generuje. Claude doradza. Próg wejścia? Prawie żaden. To właśnie słyszysz wszędzie: „AI rozumie język naturalny”, „Nie musisz się uczyć promptowania”, „Z ChatemGPT możesz rozmawiać jak z człowiekiem”.

I wiesz co? To prawda. Ale tylko częściowa. Bo to, że model zareaguje na Twoje polecenie, nie oznacza, że zrobi to dobrze. Przykład? Kolor czerwony.

Co to jest „czerwony”? Chodzi Ci o: cynober, czyli #E34234, karmin (#960018) czy może o czerwień żelazową (#801818)? Skąd AI ma wiedzieć, co masz na myśli? LLM wygeneruje to, co w wyniku jego probabilistycznej pracy uzna za najczęściej pojawiającą się czerwień, czyli prawdopodobnie: #FF0000 (R: 255, G: 0, B: 0).

No ale czy to będzie ta czerwień, o jaką Ci chodzi? Spójrz na polską flagę. Jest na niej czerwony kolor, prawda? Ale nie jest to #FF0000, a #D4213D (czyli coś bliżej karmazynu).

I tu pojawia się pierwszy zgrzyt. Im więcej do AI włożysz (obojętne, czy chodzi o ChataGPT, Gemini czy Claude’a), tym więcej wyjmiesz. To właśnie od kontekstu powinna zacząć się Twoja praca.

Przestań myśleć o promptach, jak o zwykłych pytaniach, czy prostych poleceniach. Najczęściej, kiedy tłumaczę, jak stworzyć dobry prompt, mówię, żeby myśleć o tym, jak o briefie – to mają być złożone, konkretne instrukcje. Im więcej szczegółów, kontekstu, tym lepszy efekt. Oczywiście dopasowany do zadania. Jeśli pytasz o to, jakiego koloru jest trawa, to nie musisz tworzyć rozbudowanego polecenia.

W innych przypadkach warto to robić. Podam Ci przykład. Mój klient podczas szkolenia z generatywnej sztucznej inteligencji powiedział: „Przecież ChatGPT wie, jak wygląda rysunek techniczny”. To prawda. Miał rację, ale… postanowiłem szybko pokazać mu, że to nie takie proste.

Poprosiłem ChatGPT o wygenerowanie rysunku technicznego konkretnego przedmiotu. Efekt? Bardzo średni. Ot, stworzył coś, ale nie tak, jak wyobrażał to sobie mój klient. Kiedy jednak ponowiliśmy to zadanie, nadaliśmy szerokiego kontekstu, wskazując, jaki ten rysunek techniczny ma być, co ma zawierać, to finalnie okazało się, że poszło o wiele lepiej. I to jest właśnie prompt engineering.

Na tym polega prompt engineering. Nie na tym, że znasz „komendę”. Ale na tym, że potrafisz zaprojektować rozmowę, w której AI rozumie Twoją intencję – zamiast jej się domyślać. Bo gdy model się domyśla, Ty płacisz za halucynacje, zmarnowany czas i frustrację.

Jeśli chcesz osiągać powtarzalne, wysokiej jakości efekty w pracy z dużymi modelami językowymi – zapomnij o przypadkowych promptach. Zamiast tego zacznij korzystać z frameworków. To gotowe struktury, które pozwalają budować skuteczne zapytania, prowadzące AI krok po kroku do właściwego rezultatu.

A oto kilka z nich, które pozwolą Ci poprawić sposób pracy ze sztuczną inteligencją.

To najbardziej podstawowa forma promptowania. Wpisujesz pytanie – AI odpowiada. Bez wskazywania mu przykładów, nadawania szerokiego kontekstu czy roli.

Kiedy działa?

• Gdy pytanie jest precyzyjne, zawiera wystarczająco informacji, a temat nie jest szczególnie skomplikowany.
• Gdy temat mieści się w obszarze „domenowej wiedzy” modelu lub jest łatwo dostępny w internecie.

Przykładowe zastosowanie: „Podaj 3 korzyści z wdrożenia CRM w małej firmie usługowej”.

Zalety:

• Szybkość.
• Prostota.
• Oszczędność czasu.

Ryzyko:

• Brak kontroli nad stylem, formą i głębią odpowiedzi.
• Podatność na halucynacje, gdy pytanie jest zbyt ogólne.

W few-shot dostarczasz modelowi przykłady. Czyli tworzysz coś w rodzaju briefingu dla juniora, gdzie pokazujesz, jak wyglądał Twój dotychczasowy model pracy. Chociażby: „Zobacz, tak to robimy. Teraz zrób podobnie”.

Jest to szczególnie przydatne ze względu na to, że LLM-y, generatywna sztuczna inteligencja, nadal radzi sobie lepiej z przetwarzaniem już istniejących informacji, tekstu niż generowaniem wszystkiego od zera czy bazowaniem wyłącznie na danych, którymi dysponuje. 

Kiedy działa?

• Gdy zależy Ci na powtarzalnym stylu, strukturze, jakości.
• Gdy masz własne wzorce do naśladowania.

Przykładowe zastosowanie: Pokazujesz 2–3 wpisy blogowe firmy, a potem prosisz: „Stwórz kolejny, w tym samym stylu, na temat X”.

Zalety:

• Większa kontrola nad rezultatem.
• Możliwość stylizacji wypowiedzi.

Ryzyko:

• Musisz mieć dobrze przygotowane przykłady.
• AI może pominąć niektóre istotne wątki. LLM-y najlepiej zczytują początek i koniec, często pomijając środek.

To technika, która prowadzi model przez proces „rozumowania”. Zamiast prosić o wynik, prosisz o pokazanie drogi. Dzięki temu np. ChatGPT najpierw postara się ustalić ścieżkę do wykonania tego konkretnego zadania, a dopiero potem zajmie się jego wykonywaniem.

Kiedy działa?

• W zadaniach analitycznych, wymagających rozbicia problemu na etapy.
• W tworzeniu strategii, planów, analiz.

Przykładowe zastosowanie: „Zaproponuj plan komunikacji dla kampanii promującej aplikację finansową dla pokolenia Z. Najpierw opisz grupę docelową, potem określ tone of voice, a na końcu podaj kluczowe hasła”.

Zalety:

• Większa trafność.
• Eliminacja skrótów myślowych i halucynacji.
• Przydatne w kreatywnym i strategicznym myśleniu.

Ryzyko:

• Wolniejsze odpowiedzi.
• Większa złożoność promptu.

To nie tyle osobny framework, co sposób myślenia o promptowaniu jako o konstrukcji złożonej z różnych warstw. Jest to szczególnie przydatne przy bardzo rozbudowanych, wymagających zadaniach, które ma wiele etapów. Pomagają Ci precyzyjnie określić:

• Rola modelu: „Jesteś ekspertem HR z 15-letnim doświadczeniem”.
• Cel: „Stwórz ogłoszenie rekrutacyjne dla stanowiska junior copywriter”.
• Forma odpowiedzi: „W punktach, z nagłówkami, długość: maks. 1000 znaków ze spacjami”.
• Styl i ton: „Zwięzły, nowoczesny, język inkluzywny”.
• Grupa docelowa: „Młodzi absolwenci kierunków humanistycznych”.

Dzięki metawarstwom:

• AI rozumie, kim ma być i jaką funkcję pełni.
• Odpowiedź jest osadzona w realnym kontekście.
• Otrzymujesz wynik dopasowany do Twojego polecenia – a nie losową symulację wiedzy.

Chcesz dowiedzieć się więcej o tworzeniu promptów, prompt engineeringu i poznać więcej frameworków do pracy z AI? Skontaktuj się ze mną i umówmy się na szkolenie z wykorzystania generatywnej sztucznej inteligencji.

Prompt engineering to projektowanie instrukcji tekstowych (promptów), które prowadzą AI do określonego celu. Choć LLM-y (np. ChatGPT) lepiej rozumieją język naturalny, nie oznacza to, że intuicyjnie wiedzą, co masz na myśli. Bez precyzyjnego kontekstu AI często improwizuje – co prowadzi do błędów, halucynacji i nietrafnych odpowiedzi.

Bo język naturalny to za mało. Modele językowe nie interpretują znaczenia jak człowiek – działają probabilistycznie. Gdy wpiszesz „niech to będzie czerwone”, model wybierze najbardziej prawdopodobną interpretację – niekoniecznie Twoją. Dlatego kluczowa jest precyzja, kontekst i struktura promptu. AI nie czyta między wierszami – ona przewiduje na podstawie dostarczonych danych. A jeśli ma ich za mało, to dopowiada sobie brakujące informacje.

Najlepiej działa podejście warstwowe, które przypomina tworzenie dobrego briefu dla współpracownika. Zacznij od nadania modelowi roli (np. „Jesteś strategiem marketingowym…”), określ jasno cel zadania, dodaj informacje o stylu, tonie i formacie odpowiedzi (np. punktowo, długość: maks. 1000 znaków ze spacjami), sprecyzuj grupę docelową, a jeśli możesz – pokaż przykłady wykonanych wcześniej zadań (few-shot prompting). W bardziej złożonych przypadkach prowadź AI krok po kroku, stosując chain-of-thought – to sposób, by model nie zgadywał, tylko myślał. Im więcej znaczenia i kontekstu zawrzesz w promptach, tym trafniejsze i bardziej powtarzalne będą odpowiedzi.

Pomagam markom mówić tak, żeby ludzie o nich rozmawiali – nawet w tramwaju. Od ponad 7 lat tworzę treści, które sprzedają, budują autorytet i zostają w głowie. Współpracowałem z firmami takimi jak Pluxee (Sodexo), Ecadeo Jakuba Roskosza czy inStreamly. Wiem, jak zamienić wiedzę w content, który działa. Szkolę również z AI i jeśli chcesz używać sztucznej inteligencji, żeby tworzyć lepiej, szybciej i mądrzej – pokażę Ci, jak to zrobić w praktyce.