Prompt – co to jest i dlaczego decyduje o jakości odpowiedzi
Zaktualizowano 5 min czytaniaPrompt to polecenie, które wydajesz modelowi językowemu – i jednocześnie jedyny sposób, w jaki możesz na niego wpłynąć. Model nie ma dostępu do twoich intencji, kontekstu pracy ani standardów, których się trzymasz. Zna wyłącznie to, co napiszesz.
Dlatego ta sama prośba sformułowana dwa razy inaczej daje odpowiedzi różniące się jakością bardziej, niż różnią się między sobą konkurencyjne modele. To nie jest opinia – to konsekwencja tego, jak te systemy działają.
Skąd wzięło się to słowo
Samo słowo jest starsze niż sztuczna inteligencja w dzisiejszym rozumieniu – w informatyce „prompt” od dekad oznacza znak zachęty, czyli miejsce, w którym system czeka na polecenie. Dzisiejsze znaczenie przyniosła praca badawcza opisująca model GPT-3, „Language Models are Few-Shot Learners”, opublikowana przez zespół OpenAI 28 maja 2020 roku i przedstawiona później na konferencji NeurIPS. Pierwszym z trzydziestu jeden autorów jest Tom B. Brown. Pokazali w niej coś, co zmieniło sposób korzystania z modeli językowych: system o 175 miliardach parametrów potrafi wykonać zadanie, którego nie uczono go osobno, jeśli w samym poleceniu pokaże mu się kilka przykładów. Autorzy nazwali przy tym trzy warianty, którymi posługujemy się do dziś: zero-shot – samo polecenie, bez ani jednego przykładu; one-shot – z jednym przykładem; few-shot – z kilkoma. Kiedy który się opłaca, porównuje tekst o few-shot i zero-shot promptingu.
Wcześniej dostosowanie modelu do nowego zadania oznaczało jego douczanie – proces kosztowny i wymagający tysięcy przykładów treningowych. Praca o GPT-3 pokazała, że wystarczy dobrze napisany tekst wejściowy, bez żadnej aktualizacji wag modelu. Stąd wzięło się znaczenie promptu jako narzędzia pracy, a nie tylko pola do wpisania pytania.
Jak model czyta twoje polecenie
Model nie rozumie polecenia – rozpoznaje wzorzec i przewiduje, co powinno po nim nastąpić. W terminologii branżowej nazywa się to predykcją kontynuacji i to rozróżnienie wyjaśnia wszystkie praktyczne konsekwencje.
Gdy piszesz „streść ten tekst”, model nie sięga do definicji streszczenia. Odtwarza to, jak wyglądały teksty następujące po podobnych poleceniach w materiale, na którym się uczył. Im bardziej twoje polecenie przypomina sytuację, w której dobra odpowiedź była oczywista, tym lepszy wynik.
Stąd biorą się trzy zasady, które działają niezależnie od narzędzia:
- Kontekst działa, bo zawęża wzorzec. „Napisz dla księgowej, która nie zna terminów technicznych” trafia w węższy, bardziej trafny zbiór niż samo „napisz prosto”.
- Przykład działa lepiej niż opis. Pokazanie jednego akapitu w oczekiwanym stylu zastępuje trzy zdania tłumaczenia, jaki ten styl ma być.
- Zakaz jest słabszy od polecenia pozytywnego. „Nie pisz formalnie” zostawia model bez wzorca; „pisz jak w rozmowie z kolegą z pracy” go daje.
Mechanizm generowania odpowiedzi opisuje szerzej tekst o generatywnej AI, a warsztat pisania poleceń – poradnik o pisaniu promptów.
Z czego składa się dobry prompt
Cztery elementy, których brak widać w wyniku.
| Element | Pytanie, na które odpowiada | Przykład |
|---|---|---|
| Zadanie | co model ma zrobić | „streść”, „przepisz”, „porównaj” |
| Materiał | na czym ma pracować | wklejony tekst, dane, plik |
| Forma | jak ma wyglądać odpowiedź | długość, układ, styl, odbiorca |
| Ograniczenia | czego nie wolno | „nie dopisuj niczego spoza tekstu” |
Czwarty element jest pomijany najczęściej i to on odpowiada za największą część rozczarowań. Model bez wyraźnego zakazu dopowiada – bo w materiale treningowym odpowiedzi rozbudowane były częstsze niż oszczędne.
Te cztery elementy porządkują budowę polecenia, ale nie wyczerpują typów promptów. Osobną rodziną są prompty z rolą („jesteś redaktorem technicznym, oceń ten fragment”), które ustawiają perspektywę odpowiedzi, prompty z szablonem wymuszające układ wyniku oraz prompty wieloetapowe, prowadzące model przez kolejne kroki rozumowania – tę ostatnią rodzinę rozkłada tekst o technice chain of thought. Zupełnie inną klasą są prompty do zdjęcia i grafiki: w generatorze obrazu nie opisujesz zadania językowego, tylko kadr, styl i światło.
Prompt użytkownika a prompt systemowy
To dwie różne rzeczy, mylone w polskich tekstach.
- Prompt użytkownika to pojedyncze polecenie w rozmowie. Działa w obrębie jednej wymiany zdań.
- Prompt systemowy to instrukcja ustawiona z góry dla całej rozmowy albo dla całego narzędzia: kim model ma być, jak się zachowywać, czego nigdy nie robić.
W narzędziach konsumenckich prompt systemowy bywa dostępny jako „instrukcje własne” albo ustawienia asystenta. Jest silniejszy od pojedynczego polecenia, bo obowiązuje w tle każdej wymiany. Ten poziom pracy opisuje osobny tekst o promptach systemowych.
Czego prompt nie naprawi
Dobre polecenie nie wyciągnie z modelu wiedzy, której ten nie ma. Jeśli pytasz o fakt spoza jego danych albo o zdarzenie późniejsze niż moment nauki, żadne sformułowanie nie sprawi, że odpowiedź będzie prawdziwa – sprawi co najwyżej, że będzie brzmiała pewniej.
To samo dotyczy liczb i szczegółów, których model nie zna. Mechanizm stojący za tym zjawiskiem opisuje tekst o halucynacjach AI.
Praktyczny wniosek: prompt steruje formą i sposobem pracy, nie zawartością wiedzy. Gdy potrzebujesz faktów, podaj materiał źródłowy w samym poleceniu, zamiast liczyć na pamięć modelu.
Najczęstsze pytania
To polecenie wpisywane modelowi językowemu – jedyny kanał, przez który można wpłynąć na jego odpowiedź. Zawiera zadanie, materiał do pracy, oczekiwaną formę wyniku i ograniczenia. Model nie zna twoich intencji poza tym, co w nim napiszesz. Zasada jest ta sama niezależnie od narzędzia: prompt w ChatGPT działa tak samo jak w każdym innym asystencie opartym na modelu językowym.
Nie długość decyduje, tylko kompletność. Krótkie polecenie zawierające zadanie, formę i ograniczenie działa lepiej niż rozbudowany opis bez wskazania, jak ma wyglądać wynik. Nadmiar tła potrafi wręcz rozmyć to, o co faktycznie prosisz.
Prompt to pojedyncze polecenie. Prompt engineering to systematyczna praca nad ich konstrukcją: testowanie wariantów, budowanie szablonów wielokrotnego użytku i dobieranie technik do typu zadania. Pierwsze jest czynnością, drugie metodą pracy. Same techniki zestawia porównanie metod inżynierii promptów, a te trudniejsze, jak CoVe i ReAct – tekst o zaawansowanej inżynierii promptów.
Bo generowanie zawiera element losowości – model wybiera kolejne fragmenty odpowiedzi spośród prawdopodobnych, a nie zawsze ten najbardziej prawdopodobny. Dlatego oceny narzędzia nie opiera się na jednej próbie, tylko na kilku.
Źródła
- Language Models are Few-Shot Learners, Tom B. Brown i in., OpenAI, arXiv:2005.14165, zgłoszone 28 maja 2020 – dostęp 21.09.2026
- Language Models are Few-Shot Learners – materiały konferencyjne, Advances in Neural Information Processing Systems 33 (NeurIPS 2020) – dostęp 21.09.2026
- Attention Is All You Need, Ashish Vaswani i in., arXiv, 2017 – dostęp 21.09.2026
Ostatnia aktualizacja: · Zgłoś poprawkę
