Przewodnik
Prompt engineering
Jak formułować polecenia, żeby AI miała szansę zrobić dobrą robotę. Mniej magii, więcej precyzji.
Polecenie, które można sprawdzić
Dwie osoby proszą ten sam model o mail do klienta. Jedna wpisuje „napisz profesjonalną wiadomość”. Druga podaje sytuację, uzgodnienia, ton i oczekiwany następny krok. Wyniki mogą być bardzo różne, choć narzędzie się nie zmieniło. Ten prosty przykład pokazuje, że część jakości odpowiedzi powstaje po stronie zlecającego. Zanim zaczniesz szukać nowego modelu, sprawdź, czy dobrze opisałeś zadanie.
Prompt engineering to projektowanie i sprawdzanie instrukcji, które pomagają modelowi wykonać określone zadanie. W codziennej pracy oznacza przede wszystkim dobry brief: cel, kontekst, materiały, ograniczenia i sposób oceny wyniku. Nie jest kolekcjonowaniem magicznych zdań. Skuteczność polecenia poznajesz po odpowiedziach na reprezentatywnych przykładach, także tych trudnych i niekompletnych, a nie po tym, jak fachowo brzmi samo polecenie.
Zacznij od opisu wyniku, zanim opiszesz zachowanie modelu. Czy potrzebujesz szkicu wiadomości, listy błędów, porównania ofert czy danych w określonym formacie? Każdy z tych rezultatów ma inne kryteria. „Bądź ekspertem” nie mówi, kiedy praca jest skończona. „Wskaż rozbieżności między tymi dokumentami i przy każdej podaj fragment źródła” pozwala już sprawdzić, co zostało wykonane.
Cel, kontekst, źródła i ograniczenia
Cel określa, co odbiorca zrobi z odpowiedzią. Kontekst wyjaśnia sytuację, w której wynik ma być użyteczny. Materiały dostarczają faktów, a ograniczenia mówią, czego nie wolno dopisać lub zmienić. Zapisz te części osobno, jeśli polecenie robi się długie. Taka struktura pomaga również Tobie zauważyć brak informacji, zanim model wypełni go ogólnym zdaniem albo nietrafnym założeniem.
Źródła oddziel od instrukcji. Możesz oznaczyć początek i koniec dokumentu oraz wyjaśnić, do czego ma zostać użyty. Gdy pracujesz na treści otrzymanej od innych osób, nie traktuj zawartych w niej poleceń jako upoważnienia do działania. Sam starannie napisany prompt nie jest jednak zabezpieczeniem systemu. Przy narzędziach wykonujących operacje potrzebujesz także ograniczeń dostępu i kontroli poza rozmową z modelem.
Ustal zachowanie przy niewiadomej. Model ma zadać pytanie, oznaczyć lukę czy przygotować wersję z wyraźnym miejscem do uzupełnienia? Wybór zależy od zadania. Przy porównaniu cen nieznana opłata powinna pozostać nieznana. Przy szkicu ogłoszenia brak trybu pracy może trafić na listę pytań do przełożonego. Zakaz wymyślania działa lepiej, gdy pokazujesz także dozwolony sposób zakończenia zadania z brakami.
Przykłady pokazują, co znaczy dobrze
Jeśli zadanie ma specyficzny format lub ton, pokaż zaakceptowany przykład. Dodaj krótki komentarz o tym, co jest w nim istotne. Przy klasyfikacji zgłoszeń możesz podać kategorię i uzasadnienie. Przy tekście – sposób otwarcia oraz granice obietnicy. Dobieraj przykłady podobne do rzeczywistej pracy, a nie wyłącznie takie, które najłatwiej przypisać do jednej kategorii. Trudny przypadek uczy także granic.
Duże zadanie podziel, jeśli dzięki temu łatwiej będzie sprawdzić wynik. Najpierw wydobądź fakty ze źródła, potem wybierz argument, na końcu przygotuj szkic. Po każdym etapie możesz poprawić materiał. Nie rozbijaj pracy wyłącznie dla rozbudowania procesu. Podział ma sens wtedy, gdy błąd da się wykryć wcześniej albo poszczególne części potrzebują innych informacji i innego sposobu oceny.
W kolejnych próbach zmieniaj jeden istotny element instrukcji. Jeśli jednocześnie wymienisz przykłady, model i format, nie dowiesz się, co pomogło. Zachowuj wersje polecenia wraz z wynikami. W pracy zespołowej dopisz przeznaczenie, właściciela i ograniczenia użycia. Bez tego nawet dobry prompt szybko staje się plikiem kopiowanym do zadań, do których nigdy nie był przygotowany.
Test, który ujawnia słabe miejsca
Przygotuj mały zestaw prób: typowy materiał, materiał z luką i przypadek na granicy kryteriów. Dla każdego zapisz oczekiwany wynik albo sposób jego oceny. Powtórz zadanie, ponieważ pojedyncza odpowiedź nie pokazuje stabilności procesu. Oceniaj zgodność ze źródłem, kompletność, format i czas potrzebny na poprawki. Jeśli stosujesz ocenę liczbową, wyjaśnij, czym różnią się poszczególne poziomy.
Osobno sprawdź fałszywą pewność. Czy model potrafi wskazać brak informacji, czy zawsze dostarcza rozbudowaną odpowiedź? Obejrzyj błędy i zdecyduj, czy wynikają z polecenia, jakości źródeł czy ograniczenia narzędzia. Nie każdy problem naprawisz kolejnym zdaniem instrukcji. Czasem trzeba zmienić materiał wejściowy, dodać kontrolę człowieka albo zrezygnować z automatycznego wykonywania części zadania.
Zacznij od jednego powtarzalnego zadania i zapisz pierwszą wersję briefu. Przepracuj ją na przykładach promptów do copywritingu, jeśli pisanie jest Twoim obszarem. Na szkoleniu AI Copywriting możesz połączyć brief z argumentacją i redakcją. Celem jest polecenie, które pomaga powtarzalnie wykonać potrzebną pracę. Najcenniejszy prompt to ten, którego wynik potrafisz ocenić, poprawić i bezpiecznie wykorzystać.