Lekcja 4.1
Sztuka zadawania pytań
Prompt to polecenie dla AI. Dobre polecenie to połowa sukcesu.
4.1Sztuka zadawania pytań
Witaj na czwartym poziomie. Znasz już narzędzia AI od środka — teraz nauczysz się z nich korzystać jak zawodowiec. Zaczniemy od umiejętności, która daje najwięcej za najmniej: od zadawania dobrych pytań, czyli pisania promptów.
Każdy rozdział zaczyna się prosto. Chcesz więcej? Otwórz Zaawansowany, a w nim Ekspert.
Zamówienie, nie zgadywanka
Prompt to polecenie, które wpisujesz do AI. Jeśli napiszesz tylko „napisz coś o kosmosie”, dostaniesz cokolwiek. Jeśli napiszesz, dla kogo, jak długo i w jakiej formie — dostaniesz dokładnie to, czego potrzebujesz.
Dobry prompt mówi AI: kim ma być, co ma zrobić, dla kogo i w jakiej formie. A gdy wynik się nie podoba, po prostu dopytaj i popraw.
Wyobraź to sobie tak
„Prompt jest jak zamówienie w restauracji: „coś dobrego” to loteria, a „makaron bez glutenu, ostry, na wynos” to dokładnie to, czego chcesz.”
Pamiętasz z lekcji o modelach językowych, że model widzi tylko tekst, który mu podasz? Nie zna Twoich intencji, więc każdy brakujący szczegół uzupełnia najbardziej typowym, statystycznie prawdopodobnym wyborem. Stąd odpowiedzi „ogólnikowe” na ogólnikowe pytania.
Sprawdzony szkielet promptu to: rola („jesteś nauczycielką fizyki”), zadanie, kontekst (dla kogo, po co, na jakim poziomie), ograniczenia (długość, styl, czego unikać) i format wyniku (lista, tabela, plan lekcji).
- 1Określ rolę i cel
- 2Podaj kontekst: dla kogo i po co
- 3Dodaj ograniczenia i format
- 4Pokaż przykład dobrej odpowiedzi
- 5Oceń wynik i dopytaj
Częsty błąd
Im dłuższy prompt, tym lepsza odpowiedź.
Jak jest naprawdę
Liczy się precyzja, nie długość. Zbędne szczegóły rozpraszają model; jasny cel, kontekst i format działają najlepiej.
Formalnie prompt to kontekst x, który warunkuje rozkład odpowiedzi p(y | x). Każdy element promptu przesuwa ten rozkład — w stronę stylu, formatu czy poziomu szczegółowości, o które prosimy.
Dobre praktyki producentów modeli są zbieżne: jasne, bezpośrednie instrukcje, wyjaśnienie celu (model lepiej trafia, gdy wie, po co ma coś zrobić), oddzielenie instrukcji od danych (np. znacznikami) i opis kryteriów dobrej odpowiedzi.
Zapis formalny
prompt = rola ⊕ zadanie ⊕ kontekst ⊕ ograniczenia ⊕ format (+ k przykładów)
Pokaż przykład
Czasem zamiast długo tłumaczyć, lepiej pokazać przykład. Jeśli chcesz pytań do quizu w określonym stylu, wklej jedno takie pytanie — AI złapie wzór.
Jeden albo dwa dobre przykłady często działają lepiej niż cały akapit wyjaśnień.
To technika few-shot, czyli „kilka strzałów”: w prompcie umieszczasz kilka par „zadanie — wzorcowa odpowiedź”, a model naśladuje ich formę i poziom. Działa szczególnie dobrze przy nietypowych formatach i stylu.
Uważaj jednak: model kopiuje z przykładów także przypadkowe cechy, na przykład długość czy temat. Dlatego przykłady powinny być różnorodne i dobrze dobrane.
Brown i in. (2020) w pracy o GPT-3 opisali uczenie w kontekście (in-context learning): model wykonuje nowe zadanie na podstawie przykładów w prompcie, bez zmiany wag. Skuteczność silnie zależy od doboru i kolejności przykładów.
W 2025–2026 akcent przesunął się z „inżynierii promptów” na „inżynierię kontekstu”: zarządzanie tym, jakie dokumenty, narzędzia, pamięć i instrukcje trafiają do okna kontekstowego, które w nowych modelach liczy od kilkuset tysięcy do miliona tokenów.
Rozmowa, nie jedno pytanie
Pierwsza odpowiedź AI to szkic, a nie ostateczna wersja. Poproś o poprawki: „krócej”, „prościej”, „dodaj przykład z życia”.
Możesz też poprosić AI, żeby oceniła własną odpowiedź albo wskazała, czego nie jest pewna. To dobry nawyk, który chroni przed błędami.
Praca iteracyjna to normalny tryb: proś o warianty, krytykę, wskazanie założeń i źródeł. Przy trudnych zadaniach warto rozbić je na mniejsze kroki i sprawdzać każdy z osobna.
W modelach „rozumujących” (2024–2026) lepiej opisać cel i kryteria sukcesu niż dyktować każdy krok rozumowania — model sam planuje rozwiązanie. Uważaj na prompt injection: jeśli wklejasz do AI cudzy tekst, może zawierać ukryte polecenia.
Wei i in. (2022) opisali chain-of-thought prompting: prośba o rozumowanie krok po kroku podniosła skuteczność modelu PaLM 540B na zadaniach matematycznych GSM8K z ok. 18% do ok. 57%.
Od modeli rozumujących (OpenAI o1, wrzesień 2024; DeepSeek-R1, styczeń 2025) rozumowanie jest trenowane uczeniem ze wzmocnieniem i generowane domyślnie, więc jawne „myśl krok po kroku” ma dziś mniejsze znaczenie niż dobrze opisany cel.
W Laboratorium
W Laboratorium: Trener promptów
W Laboratorium czeka Trener promptów: wpisujesz polecenie do chatbota, a AI ocenia je w skali od 0 do 10, podpowiada, co poprawić, i pokazuje ulepszoną wersję.
To szybki sposób, żeby przećwiczyć wszystko z tej lekcji na własnych pomysłach. Funkcja korzysta z prawdziwej AI i zostanie udostępniona wkrótce.
Trener ocenia prompt w pięciu kryteriach, które poznałeś w tej lekcji: rola, kontekst, zadanie, format i ograniczenia. Każde dostaje od 0 do 2 punktów, a do każdego dołączona jest jedna krótka wskazówka.
Na koniec dostajesz podsumowanie i ulepszoną wersję promptu, która zachowuje Twoją intencję. Jeśli w prompcie znajdą się dane osobowe, trener zwróci na to uwagę — to nawiązanie do lekcji o prywatności.
- 1Wpisz prompt (3–1500 znaków)
- 2AI ocenia 5 kryteriów po 0–2 pkt
- 3Czytasz wskazówki i podsumowanie
- 4Porównujesz z ulepszoną wersją
Model dostaje instrukcję systemową, która każe mu zwrócić wyłącznie obiekt JSON o stałym kształcie: wynik, listę kryteriów z punktami i wskazówkami, podsumowanie i poprawioną wersję. Aplikacja sprawdza i przycina wynik do zakresu 0–10, zanim go wyświetli.
Taki wzorzec — model jako oceniający z jawną rubryką i ustrukturyzowanym wyjściem — jest powszechny w ewaluacji systemów AI. Ma też ograniczenia: ocena modelu bywa niestabilna i wrażliwa na sformułowania, więc traktuje się ją jako informację zwrotną, nie wyrocznię.
Zapamiętaj
- Rola + kontekst + zadanie + format + ograniczenia.
- Rozmawiaj iteracyjnie: poprawiaj i dopytuj.
- Nie podawaj AI danych prywatnych.
Złóż idealny prompt
dokładaj klocki polecenia
prompt.txt
33 znakówWyjaśnij, jak działa fotosynteza.
1/5
jakość
Ogólnie
Ciekawostka
Badania pokazały, że dodanie do polecenia zdania zachęcającego model do rozważenia problemu krok po kroku potrafiło wyraźnie poprawić wyniki starszych modeli w zadaniach matematycznych — to tzw. chain-of-thought prompting (2022).
W liczbach
5
elementów dobrego promptu: rola, kontekst, zadanie, format, ograniczenia
Źródło: Praktyka rozumiem.ai
Ewaluacja · 3 pytania
Sprawdź się
Który prompt jest lepszy?
Twoja opinia · anonimowo
Jak Ci się czytało tę lekcję?
Dokąd dalej
Następny przystanek: Uczę się z AI, a nie zamiast siebie
Dobry prompt to jasne zamówienie: rola, zadanie, kontekst, ograniczenia i format — a do tego przykład i gotowość do poprawek. Przetestujesz to w widgecie z tej lekcji.
Skoro umiesz już dobrze pytać, wykorzystajmy to do nauki. W następnej lekcji zobaczysz, jak sprawić, żeby AI była cierpliwym korepetytorem, a nie leniwą ściągą.