Najlepsze polecenia są krótkie, ale precyzyjne
- Najpierw określ zadanie, potem dopisz kontekst i oczekiwany format odpowiedzi.
- Jedno dobre polecenie zwykle działa lepiej niż długi blok ogólników.
- Jeśli odpowiedź jest słaba, doprecyzuj ograniczenia, odbiorcę i przykład pożądanego stylu.
- Największą różnicę robią: cel, zakres, forma i kryterium jakości.
- W trudniejszych zadaniach warto dać modelowi 1-2 przykłady zamiast samego opisu.
Jak pisać polecenia do ChatGPT, żeby model nie zgadywał
Ja zaczynam od prostego założenia: model nie czyta w myślach, więc im mniej niedopowiedzeń, tym lepszy wynik. W praktyce dobry prompt składa się z pięciu klocków: zadania, kontekstu, ograniczeń, formatu odpowiedzi i kryterium, po którym oceniam efekt. W aktualnych materiałach OpenAI to właśnie te elementy wracają najczęściej, bo najbardziej wpływają na użyteczność odpowiedzi.
| Element promptu | Co dopisać | Po co to robi różnicę |
|---|---|---|
| Zadanie | Jasny czasownik: napisz, porównaj, streść, zaplanuj, wygeneruj | Model od razu wie, co ma zrobić, zamiast zgadywać intencję |
| Kontekst | Odbiorca, branża, sytuacja, dane wejściowe | Odpowiedź staje się dopasowana do realnego użycia |
| Ograniczenia | Długość, styl, język, zakres, zakazy | Zmniejsza ryzyko rozwlekłości i niechcianych dygresji |
| Format | Lista, tabela, akapity, kod, plan krok po kroku | Łatwiej od razu wykorzystać wynik bez dodatkowego porządkowania |
| Kryterium jakości | Co ma być najważniejsze: precyzja, prostota, kreatywność, szybkość | Model lepiej rozumie priorytet, a nie tylko temat |
Największy błąd, jaki widzę, to mieszanie wszystkiego w jednym zdaniu: „napisz coś o X, ale tak żeby było fajnie, profesjonalnie i krótkie, może też z przykładami”. Taki prompt zostawia zbyt dużo do zgadywania. Lepiej od razu powiedzieć, dla kogo jest odpowiedź, po co ją tworzysz i jak ma wyglądać końcowy efekt. Kiedy to ustawisz, przejście od teorii do gotowych wzorców staje się dużo prostsze.
Wtedy naturalnie przechodzę do przykładów, bo to one pokazują różnicę najszybciej.
Przykłady poleceń, które naprawdę przyspieszają pracę
Najbardziej użyteczne polecenia nie muszą być długie. Wystarczy, że są konkretne i jasno ustawiają wynik. Ja zwykle korzystam z kilku sprawdzonych schematów, które łatwo przerobić pod własny temat.
- Do pisania tekstów: „Napisz krótki artykuł o X dla początkujących, użyj prostego języka, dodaj 3 przykłady i zakończ listą najważniejszych wniosków.” Ten wzór działa, bo od razu ustawia odbiorcę i format.
- Do analizy: „Porównaj A i B pod kątem kosztu, trudności wdrożenia i ryzyka. Zrób to w tabeli i zaznacz, kiedy każde rozwiązanie ma sens.” Tu ważne jest kryterium porównania, a nie sam temat.
- Do programowania: „Wygeneruj funkcję w Pythonie 3.12, bez zewnętrznych bibliotek, z komentarzami tylko tam, gdzie kod nie jest oczywisty. Na końcu pokaż przykład użycia.” Taki prompt ogranicza chaos i skraca liczbę poprawek.
- Do streszczeń: „Skróć ten tekst do 5 punktów, zachowując liczby, nazwy własne i wnioski praktyczne. Usuń ozdobniki, nie dodawaj nowych informacji.” To ważne, bo model bez takich zasad potrafi zbyt mocno parafrazować.
Widać tu jedną wspólną zasadę: nie proszę o „dobrą odpowiedź”, tylko o konkretny rezultat. Jeśli chcę większej dokładności, dodaję jeden przykład wejścia i jeden przykład wyjścia. Gdy potrzebuję stylu podobnego do konkretnego typu treści, taki mini-zestaw przykładów często działa lepiej niż kolejne akapity opisu. Następny krok to zrozumienie, jakie błędy najczęściej psują efekt, nawet gdy sam temat jest dobrze wybrany.
Najczęstsze błędy, przez które odpowiedzi są słabe
Najgorsze prompty nie są „źle napisane” stylistycznie. Są po prostu zbyt luźne, zbyt szerokie albo wewnętrznie sprzeczne. I to właśnie dlatego ChatGPT zaczyna zgadywać zamiast pomagać.
- Za mało kontekstu. Jeśli nie podasz odbiorcy, celu i poziomu wiedzy, odpowiedź będzie ogólna. Rozwiązanie: dopisz, kto ma z niej skorzystać i w jakiej sytuacji.
- Za dużo zadań naraz. Gdy prosisz jednocześnie o analizę, reklamę, skrót i rekomendację, model rozprasza się na wiele formatów. Rozwiązanie: rozbij zadanie na 2-3 krótsze kroki.
- Brak ograniczeń. Bez limitu długości, stylu i formy model może napisać coś poprawnego, ale mało użytecznego. Rozwiązanie: wskaż liczbę punktów, akapitów, znaków albo tabelę.
- Sprzeczne instrukcje. „Bardzo szczegółowo, ale krótko” to klasyczny przykład prośby, która sama sobie przeczy. Rozwiązanie: ustaw priorytet, np. najpierw dokładność, potem zwięzłość.
- Prośba o wszystko naraz. „Napisz najlepszą wersję” nie mówi nic o jakości, którą chcesz osiągnąć. Rozwiązanie: podaj kryterium sukcesu, np. „ma być zrozumiałe dla osoby nietechnicznej”.
Jeżeli po tych poprawkach odpowiedź nadal jest słaba, problem zwykle nie leży w samym modelu, tylko w konstrukcji briefu. Wtedy przechodzę do dopasowania promptu do konkretnego zadania, bo inny układ działa przy kodzie, a inny przy pracy redakcyjnej.
Jak dopasować prompt do różnych zadań
Nie ma jednego szablonu, który sprawdza się wszędzie. Gdy pracuję z AI, inaczej formułuję prośbę o kod, inaczej o analizę rynku, a jeszcze inaczej o plan publikacji. To oszczędza czas, bo model szybciej trafia w oczekiwania.
| Zadanie | Co doprecyzować | Czego unikać |
|---|---|---|
| Treści marketingowe | Grupę odbiorców, ton, długość, cel sprzedażowy | Ogólników typu „napisz ładnie” |
| Programowanie | Język, wersję, środowisko, ograniczenia, przykład wejścia i wyjścia | Braku specyfikacji technicznej |
| Analiza danych | Zakres danych, metryki, format tabeli, kryterium porównania | Mieszania danych wejściowych z wnioskami |
| Streszczenia i notatki | Długość, poziom szczegółowości, elementy do zachowania | Niejasnych poleceń typu „skrót sensownie” |
W zadaniach technicznych przydaje się jeszcze jedna rzecz: jasne wskazanie środowiska. Jeśli proszę o kod, podaję wersję języka, biblioteki i to, czy odpowiedź ma być gotowa do uruchomienia, czy tylko koncepcyjna. W tekstach roboczych robię odwrotnie: bardziej pilnuję odbiorcy, tonu i struktury. Taki podział robi większą różnicę, niż wielu osobom się wydaje, a po nim zostaje już tylko iteracja, czyli poprawianie promptu na podstawie odpowiedzi.
Co robię, gdy odpowiedź nadal nie jest dobra
Najlepsze wyniki rzadko pojawiają się po pierwszym strzale. Ja traktuję prompt jak wersję roboczą: uruchamiam model, sprawdzam wynik i poprawiam tylko to, co faktycznie zawiodło. Taki proces jest szybszy niż ciągłe przepisywanie wszystkiego od zera.
- Najpierw skracam polecenie do jednego celu, bez pobocznych wątków.
- Potem dodaję kontekst, którego model wcześniej nie miał: odbiorcę, zakres, dane lub ograniczenia.
- Następnie doprecyzowuję format, np. tabela, lista, trzy akapity albo gotowy kod.
- Jeśli styl nadal nie pasuje, dorzucam 1 konkretny przykład odpowiedzi albo pokazuję, czego nie chcę.
- Na końcu sprawdzam, czy problemem nie jest zbyt szerokie zadanie, które trzeba rozbić na dwa osobne prompty.
To podejście ma jedną ważną zaletę: uczy, gdzie naprawdę leży problem. Czasem winny jest brak danych, czasem zbyt luźny styl, a czasem sam format odpowiedzi. Gdy zaczynasz to rozróżniać, korzystanie z AI staje się przewidywalniejsze i dużo mniej frustrujące.
Najlepszy efekt daje prompt traktowany jak krótki brief
Najbardziej praktyczna zasada, którą zostawiam sobie przy pracy z AI, jest prosta: nie piszę „ładnego polecenia”, tylko brief. W briefie są 4 rzeczy, bez których trudno o dobry wynik: cel, kontekst, ograniczenia i forma odpowiedzi. Reszta to dopracowanie szczegółów.
- Jeśli zależy Ci na szybkości, trzymaj prompt krótki i bezpośredni.
- Jeśli zależy Ci na jakości, dodaj przykłady i kryterium sukcesu.
- Jeśli zależy Ci na powtarzalności, zapisuj własne szablony i poprawiaj je po każdym użyciu.
Tak właśnie działają prompty do ChatGPT, które naprawdę oszczędzają czas: nie są efektowne, tylko skuteczne. A gdy raz zbudujesz sobie kilka dobrych wzorców, kolejne zadania stają się prostsze, bo zamiast zaczynać od pustej kartki, rozwijasz sprawdzony schemat.
