System Prompts: Jak Projektować Instrukcje Systemowe dla ChatGPT, Claude i Gemini

System prompt to zestaw instrukcji, które definiują zachowanie modelu AI jeszcze zanim użytkownik zada pierwsze pytanie. To właśnie od jakości tego promptu zależy, czy model odpowie precyzyjnie i spójnie — czy zacznie “improwizować” w nieprzewidywalny sposób. Z moich testów wynika, że dobrze zaprojektowana instrukcja systemowa potrafi zmienić jakość odpowiedzi o rząd wielkości — nawet bez zmiany samego modelu.

Problem w tym, że ChatGPT, Claude i Gemini różnią się w sposobie przetwarzania system promptów. Każda platforma preferuje inny format struktury, inaczej traktuje hierarchię instrukcji i inaczej reaguje na szczegółowość wytycznych. Ten poradnik pokazuje krok po kroku, jak projektować instrukcje systemowe dopasowane do każdej z tych platform — z gotowymi szablonami do skopiowania.

---

Czym dokładnie jest system prompt i dlaczego ma znaczenie

System prompt (instrukcja systemowa) to wiadomość, którą przekazujesz modelowi AI w roli “system” — przed jakąkolwiek interakcją z użytkownikiem. Model traktuje tę wiadomość jako nadrzędny kontekst, który kształtuje każdą kolejną odpowiedź.

W praktyce system prompt pełni kilka funkcji jednocześnie:

• Definiuje tożsamość modelu — kim jest, jak się zachowuje, jakim tonem odpowiada
• Ustala reguły i ograniczenia — czego model nie robi, jakich tematów unika, jakie formatowanie stosuje
• Dostarcza kontekst — informacje o firmie, produkcie, grupie docelowej
• Steruje formatem odpowiedzi — JSON, Markdown, lista punktowa, konkretna długość

Bez system promptu model działa w trybie “ogólnym” — odpowiada poprawnie, ale bez dopasowania do konkretnego zastosowania. Z dobrze zaprojektowanym promptem staje się wyspecjalizowanym narzędziem.

Jeśli dopiero zaczynasz przygodę z projektowaniem promptów, warto najpierw poznać podstawy prompt engineeringu, które stanowią fundament pod bardziej zaawansowane techniki.

---

Anatomia skutecznego system promptu — 6 bloków konstrukcyjnych

Każdy profesjonalny system prompt składa się z powtarzalnych bloków, które możesz łączyć i modyfikować w zależności od zastosowania. Poniższa struktura działa uniwersalnie — niezależnie od platformy.

1. Rola i tożsamość (Role/Persona)

Określ kim jest model. Nie wystarczy napisać “bądź pomocny”. Podaj kontekst zawodowy, poziom wiedzy i styl komunikacji.

Jesteś doświadczonym analitykiem danych specjalizującym się w e-commerce.
Masz 10 lat doświadczenia w optymalizacji konwersji.
Odpowiadasz zwięźle i zawsze podajesz konkretne liczby.

2. Cel i zadanie (Task/Objective)

Zdefiniuj CO model ma robić. Im precyzyjniej, tym lepszy wynik.

Twoim zadaniem jest analiza danych sprzedażowych i generowanie
rekomendacji optymalizacyjnych w formacie listy priorytetów.

3. Kontekst i wiedza (Context/Knowledge)

Dostarcz informacje, których model potrzebuje — ale nie ma w swoich danych treningowych.

Pracujesz dla firmy XYZ, która sprzedaje elektronikę.
Średnia wartość zamówienia to 450 PLN.
Główny rynek: Polska, grupa 25-45 lat.

4. Reguły i ograniczenia (Rules/Constraints)

Powiedz czego model NIE powinien robić. Negatywne instrukcje są równie ważne jak pozytywne.

- Nigdy nie podawaj informacji medycznych ani prawnych
- Nie spekuluj — jeśli nie wiesz, powiedz wprost
- Maksymalna długość odpowiedzi: 300 słów
- Nie używaj emoji ani wykrzykników

5. Format wyjścia (Output Format)

Zdefiniuj strukturę odpowiedzi. Model dosłownie traktuje wskazówki formatowania.

Odpowiadaj w formacie:
## Analiza
[2-3 zdania podsumowania]

## Rekomendacje
1. [Priorytet 1 — konkretna akcja]
2. [Priorytet 2 — konkretna akcja]
3. [Priorytet 3 — konkretna akcja]

6. Przykłady (Few-shot Examples)

Pokaż modelowi JAK ma wyglądać idealna odpowiedź. Przykłady to najpotężniejszy element system promptu — eliminują dwuznaczność lepiej niż jakiekolwiek instrukcje słowne.

Przykład:
Pytanie użytkownika: "Dlaczego spadła konwersja?"
Twoja odpowiedź: "Konwersja spadła o 12% w segmencie mobile.
Trzy najbardziej prawdopodobne przyczyny: [...]"

Te sześć bloków to fundament. Szczegółowe techniki ich łączenia — w tym Chain of Verification i ReAct — znajdziesz w artykule o zaawansowanej inżynierii promptów.

---

ChatGPT (OpenAI) — Markdown, precyzja, przykłady

Modele GPT (od GPT-4.1 po GPT-5.2) najlepiej reagują na system prompty sformatowane w Markdown, z wyraźną hierarchią sekcji i konkretnymi przykładami zachowań. OpenAI w swoich wytycznych podkreśla, że nowsze modele podążają za instrukcjami dosłownie — co oznacza, że niejasne prompty dają gorsze wyniki niż w starszych wersjach.

Preferowany format struktury

ChatGPT przetwarza system prompty oparte na nagłówkach Markdown (#, ##), listach numerowanych i blokach kodu. OpenAI stosuje ten sam format w oficjalnych system promptach ChatGPT.

Kluczowe zasady dla ChatGPT

1. Instrukcje muszą być jednoznaczne — GPT-4.1+ interpretuje polecenia bardziej dosłownie niż poprzednie modele. Napisz “Odpowiadaj wyłącznie po polsku” zamiast “Preferuj polski”
2. Sekcja Examples jest krytyczna — OpenAI zaleca osobną sekcję # Examples w system prompcie zamiast wplatania przykładów w opisy narzędzi
3. Narzędzia definiuj przez API — nie wstawiaj opisów narzędzi ręcznie do promptu. Użyj parametru tools w API
4. Kontroluj gadatliwość — GPT-5.2 domyślnie daje zwięzłe odpowiedzi, ale wcześniejsze modele bywają rozwlekłe. Dodaj jawną instrukcję: “Odpowiadaj w max 3 zdaniach, chyba że pytanie wymaga dłuższej analizy”
5. Planowanie między wywołaniami narzędzi — jeśli budujesz agenta, dodaj instrukcję refleksji: “Po każdym wywołaniu narzędzia zastanów się, czy wynik jest wystarczający, zanim przejdziesz dalej”

Szablon system promptu dla ChatGPT

# Rola
Jesteś [rola] specjalizującym się w [dziedzina].
Twój styl komunikacji: [ton — np. rzeczowy, przyjazny, techniczny].

# Instrukcje
- [Reguła 1 — co robić]
- [Reguła 2 — czego NIE robić]
- [Reguła 3 — format odpowiedzi]

# Kontekst
[Informacje o firmie/produkcie/użytkowniku]

# Format odpowiedzi
Odpowiadaj w następującej strukturze:
1. **Podsumowanie**: [1-2 zdania]
2. **Analiza**: [szczegóły]
3. **Rekomendacja**: [konkretna akcja]

# Examples
**Użytkownik**: [przykładowe pytanie]
**Asystent**: [wzorcowa odpowiedź pokazująca pożądane zachowanie]

**Użytkownik**: [drugie pytanie — edge case]
**Asystent**: [odpowiedź pokazująca jak obsługiwać wyjątki]

Jeśli chcesz lepiej zrozumieć jak działają modele GPT i czym różnią się kolejne wersje, przeczytaj przewodnik po modelach GPT i LLM.

---

Claude (Anthropic) — Tagi XML, hierarchia, precyzja granic

Claude został wytrenowany z dużą ilością danych w formacie XML, co sprawia, że tagi XML to jego “natywny język” strukturyzacji promptów. Anthropic oficjalnie rekomenduje XML jako preferowany sposób organizowania instrukcji systemowych — szczególnie w złożonych zastosowaniach.

Preferowany format struktury

Claude najlepiej przetwarza system prompty oparte na niestandardowych tagach XML: <rola>, <instrukcje>, <kontekst>, <przykłady>. Nazwy tagów mogą być dowolne — ważna jest konsekwencja.

Kluczowe zasady dla Claude

1. Używaj tagów XML do separacji sekcji — Claude traktuje tagi jako wyraźne granice semantyczne. <instrukcje> i <kontekst> to nie to samo co nagłówki Markdown — model rozumie je jako osobne “przestrzenie”
2. Zagnieżdżaj tagi hierarchicznie — <zadanie><krok1></krok1><krok2></krok2></zadanie> działa lepiej niż płaskie listy
3. Odwołuj się do nazw tagów w treści — “Korzystając z danych w <kontekst>, odpowiedz na pytanie użytkownika” — to wzmacnia powiązanie
4. Łącz XML z technikami promptowymi — tagi <thinking> i <answer> wymuszają Chain of Thought. Tagi <examples> z parami input/output tworzą few-shot prompting
5. Nie mieszaj formatów — jeśli używasz XML, nie wplataj nagłówków Markdown w ten sam prompt. Konsekwencja formatowania poprawia adhezję do instrukcji
6. Claude 4.x wspiera “thinking” — możesz dodać instrukcję sterującą myśleniem modelu: “Po otrzymaniu wyników narzędzia, zastanów się nad ich jakością zanim odpowiesz”

Szablon system promptu dla Claude

<rola>
Jesteś [rola] specjalizującym się w [dziedzina].
Twój styl: [ton komunikacji].
</rola>

<instrukcje>
<reguly>
- [Reguła 1]
- [Reguła 2]
- [Reguła 3 — czego NIE robić]
</reguly>

<format_odpowiedzi>
Odpowiadaj w następującej strukturze:
1. Podsumowanie (1-2 zdania)
2. Analiza (szczegóły)
3. Rekomendacja (konkretna akcja)
</format_odpowiedzi>
</instrukcje>

<kontekst>
[Informacje o firmie/produkcie/użytkowniku]
</kontekst>

<przyklady>
<przyklad>
<pytanie>Przykładowe pytanie użytkownika</pytanie>
<odpowiedz>Wzorcowa odpowiedź pokazująca pożądane zachowanie</odpowiedz>
</przyklad>
<przyklad>
<pytanie>Edge case — trudne pytanie</pytanie>
<odpowiedz>Odpowiedź pokazująca obsługę wyjątków</odpowiedz>
</przyklad>
</przyklady>

Więcej o modelu Claude 4.x i jego możliwościach znajdziesz w przewodniku po Claude Opus.

---

Gemini (Google) — Persona, struktura, bezpośredniość

Gemini 3 preferuje prompty, które są bezpośrednie, pozbawione “ozdobników” i konsekwentnie sformatowane. Google w dokumentacji zaleca podejście persona-first — zaczynaj od zdefiniowania kim model jest, a dopiero potem podawaj reguły i zadania. Gemini akceptuje zarówno XML, jak i Markdown — pod warunkiem, że nie mieszasz obu formatów w jednym prompcie.

Preferowany format struktury

Gemini dobrze reaguje na XML z tagami <role>, <constraints>, <context>, <task> — oraz na czysty Markdown z nagłówkami. Kluczowa zasada: wybierz jeden format i trzymaj się go konsekwentnie.

Kluczowe zasady dla Gemini

1. Bezpośredniość — Gemini 3 domyślnie daje krótkie odpowiedzi. Jeśli potrzebujesz rozbudowanej analizy, musisz to jawnie zażądać
2. Nie używaj perswazyjnego języka — modele Gemini lepiej reagują na suche instrukcje niż na rozbudowane uzasadnienia. “Odpowiadaj w 3 punktach” działa lepiej niż “Byłoby wspaniale, gdybyś mógł odpowiedzieć w 3 punktach”
3. Definiuj parametry jawnie — każdy termin, który może być wieloznaczny, wymaga definicji. “Krótka odpowiedź” to za mało — napisz “Odpowiedź w max 50 słowach”
4. Self-critique before output — Gemini 3 dobrze reaguje na instrukcję samokorekty: “Przed podaniem odpowiedzi sprawdź: czy odpowiedziałeś na intencję, nie tylko na dosłowne pytanie?”
5. Ustaw datę odcięcia wiedzy — dodaj “Twoja data odcięcia wiedzy to [data]” — Gemini nie zawsze jest tego świadomy

Szablon system promptu dla Gemini

<role>
Jesteś [rola] specjalizującym się w [dziedzina].
Twój styl: [ton — np. bezpośredni, analityczny].
</role>

<constraints>
1. [Reguła 1]
2. [Reguła 2]
3. [Ograniczenie — czego NIE robić]
</constraints>

<context>
[Informacje kontekstowe potrzebne do zadania]
</context>

<task>
[Konkretne zadanie do wykonania]
</task>

<output_format>
Odpowiadaj w następującej strukturze:
- Podsumowanie: [1-2 zdania]
- Analiza: [szczegóły]
- Rekomendacja: [akcja]

Przed podaniem odpowiedzi sprawdź:
1. Czy odpowiedziałeś na intencję użytkownika?
2. Czy ton odpowiada zdefiniowanej roli?
</output_format>

---

Porównanie platform — tabela różnic

Żeby ułatwić wybór formatu, poniżej zestawienie kluczowych różnic w podejściu do system promptów:

Cecha	ChatGPT (OpenAI)	Claude (Anthropic)	Gemini (Google)
Preferowany format	Markdown (nagłówki, listy)	XML (niestandardowe tagi)	XML lub Markdown (bez mieszania)
Separacja sekcji	# Nagłówki + ---	<tagi> zagnieżdżone	<tagi> lub ## Nagłówki
Podejście do przykładów	Osobna sekcja # Examples	Tagi <przyklady><przyklad>	Few-shot w sekcji examples
Dosłowność instrukcji	Wysoka (GPT-4.1+)	Bardzo wysoka	Wysoka (Gemini 3)
Domyślna gadatliwość	Średnia-wysoka	Średnia	Niska (zwięzły domyślnie)
Narzędzia/Tools	Definiuj przez parametr API tools	Definiuj przez parametr API tools	Definiuj przez parametr API tools
Chain of Thought	Instrukcja “myśl krok po kroku”	Tagi <thinking> + extended thinking	Instrukcja self-critique
Pozycja kluczowych reguł	Początek i koniec promptu	Początek promptu (najwyższy priorytet)	Początek promptu

---

5 najczęstszych błędów w system promptach i jak ich unikać

Nawet doświadczeni użytkownicy popełniają te błędy — i tracą przez to kontrolę nad zachowaniem modelu.

1. Zbyt ogólne instrukcje

“Bądź pomocny i odpowiadaj na pytania” to nie system prompt — to domyślne zachowanie każdego modelu. Zamiast tego: zdefiniuj konkretną rolę, ton, ograniczenia i format.

2. Sprzeczne reguły

“Bądź zwięzły” + “Zawsze podawaj pełny kontekst” = model nie wie, co wybrać. Rozwiązanie: ustal priorytety. “Bądź zwięzły. Jeśli pytanie wymaga kontekstu, podaj go w max 2 zdaniach.”

3. Brak negatywnych instrukcji

Powiedzenie modelowi co MA robić to połowa sukcesu. Druga połowa to powiedzenie czego NIE robić. “Nigdy nie rozpoczynaj odpowiedzi od ‘Świetne pytanie!'” eliminuje typowe schlebianie.

4. Mieszanie formatów

XML + Markdown w jednym prompcie dezorientuje model. Wybierz jeden format i trzymaj się go konsekwentnie w całym system prompcie.

5. Brak testowania na edge case’ach

System prompt, który działa na 10 standardowych pytaniach, może zawieść na nietypowym zapytaniu. Testuj z trudnymi przypadkami: wielojęzyczne pytania, prośby sprzeczne z regułami, pytania poza zakresem.

---

Gotowy szablon uniwersalny — dostosuj do swojej platformy

Poniższy szablon zawiera wszystkie 6 bloków konstrukcyjnych. Skopiuj go i dostosuj format do wybranej platformy (Markdown dla ChatGPT, XML dla Claude/Gemini).

═══════════════════════════════════════════
UNIWERSALNY SYSTEM PROMPT — SZABLON
═══════════════════════════════════════════

[BLOK 1: ROLA]
Jesteś [rola/stanowisko] z [X lat] doświadczeniem w [dziedzina].
Twój styl komunikacji: [przymiotniki — np. rzeczowy, analityczny, przyjazny].
Poziom techniczny odpowiedzi: [dostosowany do odbiorcy — np. menedżer, developer, klient].

[BLOK 2: ZADANIE]
Twoim głównym zadaniem jest [opis zadania].
Priorytet #1: [najważniejszy cel].
Priorytet #2: [drugorzędny cel].

[BLOK 3: KONTEKST]
Firma: [nazwa, branża, wielkość]
Produkt/usługa: [opis]
Grupa docelowa: [kto korzysta]
Dodatkowe dane: [specyficzne informacje]

[BLOK 4: REGUŁY]
ROBIMY:
- [Reguła pozytywna 1]
- [Reguła pozytywna 2]

NIE ROBIMY:
- [Zakaz 1 — np. nie podawaj informacji prawnych]
- [Zakaz 2 — np. nie odpowiadaj na pytania poza zakresem]
- [Zakaz 3 — np. nie używaj emoji]

[BLOK 5: FORMAT WYJŚCIA]
Struktura każdej odpowiedzi:
1. [Element 1 — np. podsumowanie w 1 zdaniu]
2. [Element 2 — np. szczegółowa analiza]
3. [Element 3 — np. rekomendacja z uzasadnieniem]

Długość: [zakres — np. 100-200 słów]
Język: [np. polski, formalny]

[BLOK 6: PRZYKŁADY]
Pytanie: "[przykładowe pytanie #1]"
Odpowiedź: "[wzorcowa odpowiedź #1]"

Pytanie: "[trudny edge case]"
Odpowiedź: "[odpowiedź pokazująca obsługę wyjątku]"
═══════════════════════════════════════════

---

Zaawansowane techniki — kiedy podstawowy prompt nie wystarcza

Gdy budujesz system prompt dla agenta AI lub złożonej aplikacji, same bloki konstrukcyjne mogą nie wystarczyć. Oto trzy techniki, które przenoszą instrukcje systemowe na wyższy poziom.

Sterowane myślenie (Guided Thinking)

Dodaj instrukcję, która wymusza wewnętrzną refleksję modelu przed odpowiedzią. Szczególnie skuteczne w Claude (tagi <thinking>) i Gemini (self-critique).

Zanim odpowiesz:
1. Zidentyfikuj intencję pytania
2. Sprawdź, czy masz wystarczające dane
3. Jeśli nie — poproś o uzupełnienie
4. Dopiero wtedy sformułuj odpowiedź

Hierarchia priorytetów instrukcji

W złożonych promptach model może napotkać sprzeczne reguły. Rozwiązanie: jawnie zdefiniuj hierarchię.

PRIORYTET INSTRUKCJI (od najwyższego):
1. Bezpieczeństwo — nigdy nie naruszaj
2. Reguły formatowania — zawsze stosuj
3. Preferencje tonalne — stosuj gdy możliwe
4. Sugestie stylistyczne — opcjonalne

Dynamiczny kontekst z wstrzykiwaniem zmiennych

W aplikacjach produkcyjnych system prompt rzadko jest statyczny. Wstawiaj dynamiczne dane w oznaczonych miejscach:

Użytkownik: {user_name}
Plan subskrypcji: {subscription_tier}
Historia konwersacji: {conversation_summary}
Aktualna data: {current_date}

Architektura instrukcji systemowych w kontekście bezpieczeństwa to osobny, obszerny temat — szczególnie istotny, gdy system prompt zawiera poufne dane lub steruje agentem z dostępem do narzędzi.

---

Jak testować i iterować system prompty

Projektowanie system promptu to proces iteracyjny — rzadko trafiasz idealnie za pierwszym razem. Oto framework testowania w 4 krokach.

Krok 1: Testy bazowe

Wyślij 5-10 typowych zapytań i sprawdź, czy odpowiedzi są zgodne z oczekiwaniami. Zapisuj wyniki.

Krok 2: Testy edge case’ów

Przetestuj sytuacje graniczne: pytania poza zakresem, sprzeczne prośby, wielojęzyczne zapytania, próby “obejścia” reguł.

Krok 3: Testy regresji

Po każdej zmianie w prompcie powtórz testy bazowe. Poprawienie jednego zachowania często psuje inne.

Krok 4: Porównanie A/B

Jeśli nie jesteś pewien, która wersja instrukcji działa lepiej — uruchom obie równolegle na tych samych zapytaniach i porównaj wyniki.

Warto pamiętać, że system prompt to nie jedyny element wpływający na zachowanie modelu. Techniki takie jak porównanie metod prompt engineeringu — Chain of Thought, ReAct, Few-shot — działają w synergii z instrukcjami systemowymi.

---

Najczęsciej zadawane pytania (FAQ)

Podsumowanie

Projektowanie system promptów to umiejętność, która wymaga znajomości specyfiki każdej platformy. ChatGPT reaguje najlepiej na Markdown z wyraźnymi sekcjami i przykładami. Claude preferuje zagnieżdżone tagi XML, które tworzą semantyczną hierarchię. Gemini oczekuje bezpośredniości, spójnego formatowania i jawnie zdefiniowanych parametrów.

Niezależnie od platformy, każdy skuteczny system prompt opiera się na tych samych 6 blokach: rola, zadanie, kontekst, reguły, format wyjścia i przykłady. Zacznij od uniwersalnego szablonu, dostosuj format do wybranego modelu i testuj iteracyjnie. Efekt — przewidywalne, spójne odpowiedzi dopasowane do twojego zastosowania.