Przejdź do treści

Jak pisać dobre prompty do ChatGPT i Claude? Struktura, przykłady, testy

Jak pisać dobre prompty? Jeden cel, kontekst, format, przykłady few-shot, rozumowanie krok po kroku i testy A/B. Skrót tego, czego uczy kurs, z listą błędów.

Zespół VITA6 min czytania

Jak pisać dobre prompty do ChatGPT i Claude? Zacznij od jednego celu, dodaj kontekst, opisz format odpowiedzi i pokaż przykład, a potem sprawdź wynik na kilku przypadkach zamiast poprawiać na wyczucie. Tak wygląda podejście z kursu Prompty do pracy z AI: struktura, few-shot i przykłady z biura, a poniżej rozpisuję je krok po kroku. Przykłady w tym wpisie są fikcyjne, bo chodzi o schemat, nie o konkretną firmę.

Prompt to instrukcja dla nowego współpracownika

Dobry punkt wyjścia z pierwszego modułu kursu: potraktuj model jak kogoś, kto dziś zaczął pracę w Twojej firmie. Nie zna Twoich klientów, nie wie, co uchodzi za dobry wynik, i nie dopyta o szczegóły. Dostaje tylko to, co wpiszesz. Stąd lekcja o anatomii promptu, która rozkłada polecenie na sześć elementów i pokazuje, jak sprawdzić, którego brakuje, zanim klikniesz "wyślij".

Druga rzecz to zrozumienie, jak model w ogóle tworzy odpowiedź. Kurs tłumaczy tokeny, okno kontekstu i to, skąd biorą się zmyślone fakty. Brzmi to jak teoria, ale ma praktyczny skutek: kiedy wiesz, że model dopisuje najbardziej prawdopodobny ciąg dalszy, przestajesz traktować jego pewny ton jako dowód prawdziwości. Lepiej poprosić o sprawdzenie źródła niż uwierzyć w gładkie zdanie. Pierwsza lekcja kursu mówi zresztą uczciwie, w jakich zadaniach prompt engineering daje największą różnicę i czego żaden prompt nie naprawi. Jeśli brakuje Ci danych albo model dostał dokument, którego nie rozumie, sama zmiana sformułowania nie pomoże, i lepiej wiedzieć o tym od początku, niż tracić godzinę na kolejne wersje polecenia.

Jedno zadanie, jasne kroki, uporządkowany prompt

Najczęstszy powód słabych odpowiedzi to polecenie, które mieści trzy zadania naraz. Lekcja o budowaniu jasnych instrukcji proponuje prostą zasadę: jeden cel, kroki we właściwej kolejności i kryterium, kiedy zadanie jest skończone. Porównaj dwa polecenia z fikcyjnej firmy cateringowej. Pierwsze: "Napisz coś o naszej ofercie". Drugie: "Napisz trzyzdaniowy opis oferty lunchowej dla biur, ton rzeczowy, bez przymiotników w stopniu najwyższym, na końcu jedno zdanie zachęty". W drugim model nie musi zgadywać.

Gdy prompt robi się dłuższy, pomagają nagłówki, listy i znaczniki. Chodzi o to, żeby model nie mylił instrukcji z danymi: osobno polecenie, osobno wklejony e-mail klienta. Kurs pokazuje też, jak wymusić konkretny format odpowiedzi i jak ułożyć prompt z długim dokumentem, żeby model korzystał z niego rzetelnie. Do tego dochodzi lekcja o kontekście: ocena, co model musi wiedzieć, żeby zadanie miało sens, a czego nie trzeba dopisywać.

Przykłady w prompcie: zero-shot, one-shot, few-shot

Zero-shot to sama instrukcja. One-shot to instrukcja i jeden przykład. Few-shot to kilka przykładów. Moduł trzeci uczy, kiedy która wersja ma sens. Dla prostych zadań wystarczy instrukcja. Gdy zależy Ci na konkretnym formacie albo tonie, przykład działa mocniej niż opis.

Lekcja o doborze przykładów wymienia trzy cechy dobrego przykładu: ma być trafny, zróżnicowany i spójny w formacie. Jeśli wszystkie Twoje przykłady odpowiedzi na reklamację zaczynają się od "Dziękujemy za wiadomość", model nauczy się tego otwarcia jako obowiązkowego. Osobna lekcja o one-shot ostrzega przed innym kłopotem: model potrafi skopiować treść przykładu zamiast samego wzoru. Zabezpieczenie jest proste, ale trzeba o nim pamiętać.

Ile przykładów wystarczy? Kurs podaje punkt startu od trzech do pięciu i każe sprawdzić to testem, a nie zgadywać. Za dużo przykładów kosztuje (dłuższy prompt) i bywa pułapką, więc dokładaj je tylko wtedy, gdy wynik na zestawie testowym się poprawia.

Rozumowanie krok po kroku

Moduł o chain of thought, czyli łańcuchu rozumowania, dotyczy zadań wieloetapowych: obliczeń, porównań i decyzji. Prośba "rozpisz rozumowanie, zanim podasz odpowiedź" poprawia wyniki tam, gdzie błąd może się wkraść w środku. Kurs rozróżnia trzy poziomy takiej prośby, od krótkiej wskazówki po własne, ponumerowane kroki, oraz uczy oddzielać rozumowanie od odpowiedzi końcowej, żeby dało się je sprawdzić.

Praktyka to trzy problemy z pracy: wybór między ofertami, szukanie przyczyny problemu i sprawdzanie dokumentu według kryteriów. Przykład fikcyjny: porównujesz dwie oferty ubezpieczenia floty. Zamiast pytać "która lepsza", podajesz kryteria, każesz przejść po nich po kolei i dopiero potem podsumować. Widzisz, na którym kroku model coś założył, i możesz to poprawić.

Czwarta lekcja modułu to techniki zaawansowane: samospójność (kilka rozwiązań i porównanie wyników), drzewo myśli i samokrytyka z poprawą wersji. Program zaznacza też, kiedy ich koszt się opłaca, a kiedy to przerost formy. Już we wprowadzeniu do tego modułu kurs zaznacza, że technika zmieniła się razem z modelami rozumującymi, więc nie każdą wskazówkę sprzed lat stosuje się dziś tak samo.

Testuj prompty jak małe projekty

To część, której w poradnikach z internetu zwykle brakuje. Lekcja o iteracyjnym doskonaleniu opisuje cykl: diagnoza, jedna zmiana, sprawdzenie, zapis. Jedna zmiana naraz sprawia, że wiesz, co pomogło. Potem przychodzi zestaw testowy dla Twojego promptu oraz kryteria sukcesu ustalone na początku, przed testem. Porównujesz wersję A i B na tych samych danych i oceniasz według kryteriów, a nie według pierwszego wrażenia.

Osobna lekcja dotyczy parametrów generowania: temperatury, top_p, limitu długości i sekwencji zatrzymania. Stan na: listopad 2026, program mówi o tym, że w najnowszych modelach część parametrów przestała być dostępna, i pokazuje, czym je zastąpić. Jeśli korzystasz z konkretnego narzędzia, sprawdź w jego dokumentacji, co aktualnie możesz ustawić.

Na koniec modułu łańcuchy promptów: duże zadanie dzielisz na kroki, w których wynik jednego jest wejściem następnego, z punktami kontrolnymi między nimi. Kroki bywają sekwencyjne albo równoległe. Dzięki punktom kontrolnym błąd z kroku drugiego nie przechodzi cicho do piątego.

Bezpieczeństwo i własne szablony

Ostatnia lekcja kursu dotyczy wstrzykiwania poleceń (prompt injection): ktoś ukrywa instrukcję w dokumencie lub e-mailu, który wklejasz do modelu, a model ją wykonuje. Kurs pokazuje, jak zabezpieczyć szablony, i omawia dane osobowe w kontekście RODO. Praktyczna zasada: nie wklejaj do czatu danych, których nie masz prawa tam wklejać. To nie jest porada prawna, więc przy wątpliwościach zapytaj prawnika lub inspektora ochrony danych w swojej organizacji.

Projekt końcowy to zbudowanie, przetestowanie i udokumentowanie trzech szablonów promptów do własnej pracy. Najpierw oglądasz, jak zrobiła to Zofia ze sklepu "Glina i Szkliwo" (przykład z kursu, postać fikcyjna), potem robisz swój. Wcześniej jest lekcja z przeglądem technik: ściąga, która pomaga dobrać metodę do zadania.

Czego unikać

  • Poleceń typu "napisz coś o firmie". Ogólnik zamiast zadania daje ogólnik w odpowiedzi.
  • Trzech zadań w jednym promptcie. Rozbij je na kroki albo łańcuch.
  • Przykładów, które uczą niechcianego nawyku, na przykład zawsze tego samego otwarcia.
  • Poprawiania promptu na wyczucie, kilkoma zmianami naraz. Zmieniaj jedną rzecz i sprawdzaj na zestawie testowym.
  • Uznawania odpowiedzi za prawdziwą tylko dlatego, że brzmi pewnie. Fakty, liczby i cytaty sprawdzaj w źródle.
  • Wklejania danych osobowych klientów lub poufnych dokumentów firmy do narzędzia, którego zasad nie znasz.

Wszystko to jest w programie rozłożone na 6 modułów i 22 lekcje tekstowe, każda z ćwiczeniem i przykładowym rozwiązaniem. Jeśli Twoja praca to e-maile, możesz przejść od razu do kursu AI w pracy z e-mailami: prompty, szkice odpowiedzi i porządek w skrzynce, a jeśli dużo piszesz, sprawdź Pisanie z AI: jak tworzyć treści z ChatGPT, Claude i Gemini.


Napisz prompt, który działa za pierwszym razem, i umiej to sprawdzić.

Zobacz program kursu: Prompty do pracy z AI: struktura, few-shot i przykłady z biura

Szkolisz zespół? Sprawdź kursy dla firm: https://vita.edu.pl/dla-firm/katalog

Najczęściej zadawane pytania

Jak napisać dobry prompt do ChatGPT?

Podaj jeden cel, kontekst, oczekiwany format i kryterium końca zadania. Dłuższe polecenia porządkuj nagłówkami i znacznikami, a wynik sprawdź na kilku przypadkach.

Czym różni się zero-shot od few-shot?

Zero-shot to sama instrukcja, a few-shot to instrukcja z kilkoma przykładami oczekiwanego wyniku. Przykłady pomagają, gdy zależy Ci na formacie lub tonie.

Ile przykładów dać w prompcie?

Kurs podaje punkt startu od trzech do pięciu i zaleca sprawdzić to testem na własnych danych. Więcej przykładów ma sens tylko wtedy, gdy wynik się poprawia.

Co to jest chain of thought?

To prośba o rozumowanie krok po kroku przed odpowiedzią końcową. Pomaga w zadaniach wieloetapowych, takich jak obliczenia czy porównanie ofert.

Czy prompt engineering to wiedza dla programistów?

Nie, przykłady w kursie pochodzą z pracy biurowej i polskich małych firm. Struktura promptu, przykłady i testy dotyczą każdego, kto pisze polecenia dla modelu.

Udostępnij artykuł

Polecane kursy

Powiązane artykuły