Przejdź do treści

Jak pisać prompty? Praktyczny poradnik dla ChatGPT, Gemini i Claude

Adam Marzec
Karta z nazwą szkielet dobrego promptu, czterema elementami rola, kontekst, zadanie i format, licznikiem trzech przewodników firm i 14 obrazów referencyjnych, chipami ChatGPT, Gemini i Claude, pomarańczowa pieczątka prosto z dokumentacji, obraz wyróżniający poradnika o pisaniu promptów

Każdy z nas pisze prompty od dnia, w którym otworzył pierwszy czat, ale mało kto robi to świadomie. Wpisujemy jedno zdanie, dostajemy uogólniony tekst i winimy model, że jest przeciętny. Tymczasem różnica między napisz coś o kawie a promptem, w którym mówisz, kim jesteś, dla kogo piszesz, co ma się znaleźć w odpowiedzi i w jakiej formie, bywa większa niż różnica między konkurencyjnymi modelami. OpenAI definiuje w swojej dokumentacji prompt engineering jako pisanie skutecznych instrukcji tak, żeby model konsekwentnie generował treści spełniające wymagania, i podkreśla, że to mieszanka sztuki i nauki, którą da się jednak opanować metodą (stan dokumentacji na 17.10).

W tym poradniku znajdziesz szkielet dobrego promptu, techniki potwierdzone w przewodnikach producentów, przykłady oraz sekcje o tym, jak pisać prompty do ChatGPT, Gemini i Claude, a w dalszej części osobne rozdziały o obrazach w Nano Banana i muzyce w Suno. Jeśli dopiero wchodzisz w temat, podstawy wyjaśniam osobno w tekście Co to jest prompt i w zbiorze Podstawy AI; tu zakładam, że wiesz już, z czym masz do czynienia, i idziemy o krok dalej.

Najważniejsze informacje

CoStan na 17.10
Szkielet prompturola, kontekst, zadanie, format odpowiedzi; zalecają go przewodniki OpenAI, Google i Anthropic
Przykłady (few-shot)Anthropic: kilka dobrze przygotowanych przykładów; Google: zawsze dołączaj przykłady
Formattabelę, listę albo JSON prosimy wprost; Gemini wymienia też elevator pitch, keywords, sentence
Iteracjadoszlifuj odpowiedź w tej samej rozmowie; w Nano Banana multi-turn to zalecana droga
Obrazyszablon: typ ujęcia, obiekt, sceneria, światło, kąt, obiektyw
MuzykaSuno: opis z gatunku i instrumentów; elementy do wycięcia podajesz w Exclude

Anatomia dobrego promptu: rola, kontekst, zadanie i format

OpenAI w przewodniku o prompt engineeringu rozbija rozbudowaną instrukcję na cztery części, które tłumaczą kolejność myślenia: Identity (kim ma być asystent), Instructions (zasady, czego model ma robić i czego nigdy), Examples (przykładowe pary pytanie i odpowiedź) oraz Context (dane, których model nie zna, najlepiej pod koniec promptu). To układ z dokumentacji API, ale działa identycznie, gdy zamiast kodu piszesz w oknie czatu: najpierw mówisz, w jakiej roli model ma odpowiedzieć, potem dajesz zasady i tło, a na końcu konkretne zadanie z oczekiwanym formatem. Jeśli nie masz pewności, czym dokładnie jest prompt i z czego się składa, wróć do definicji z tekstu Co to jest prompt, bo reszta poradnika opiera się na tym słowniku.

Anthropic dokłada do tego dwie rady, które u mnie zmieniły najwięcej. Pierwsza: wyjaśnij modelowi powód, a nie tylko regułę. Zamiast nie używaj wielokropków ich dokumentacja proponuje twoja odpowiedź zostanie przeczytana na głos przez syntezator mowy, więc nigdy nie używaj wielokropków, bo syntezator nie wie, jak je wymówić; model rozumie cel i sam uogólnia resztę. Druga rada nosi u nich nazwę złotej reguły: pokaż swój prompt koledze, który nie zna kontekstu zadania, i poproś, żeby go wykonał. Jeśli będzie zdezorientowany, model będzie też. Claude porównują w dokumentacji do błyskotliwego, ale nowego pracownika, który jeszcze nie zna waszych procedur, więc im precyzyjniej opiszesz oczekiwanie, tym lepszy wynik.

Zadanie i format to miejsca, gdzie początkujący traci najwięcej. Napisz o smartwach to nie zadanie, tylko mgła; zadanie ma czasownik, zakres i miarę (wypisz 5 powodów, zmieść się w 150 słowach, zestaw w tabeli). Całość, którą mogę wkleić w dowolny czat, wygląda u mnie tak:

Jesteś redaktorem technicznym. Przepisz poniższy opis produktu tak, żeby
brzmiał jak rada praktyka, a nie ulotka. Czyta go ktoś, kto zna komputery,
ale nie zna tego produktu. Zakończ listą trzech zastrzeżeń, o których opis
milczy.

Rola, kontekst, zadanie, format: cztery zdania i zero magii. Reszta tego artykułu to pogłębianie właśnie tych czterech elementów.

Techniki, które zmieniają wyniki: przykłady, kroki, iteracja

Przykłady w promptach (ang. few-shot) to najpewniejsza dźwignia opisana w literaturze wszystkich trzech firm. Google pisze wprost, że zaleca zawsze dołączać przykłady few-shot w swoich promptach, i dodaje, że prompty bez przykładów są zwykle mniej skuteczne, a przy dobrze dobranych przykładach można nawet usuwać część instrukcji. Anthropic zaleca kilka dobrze przygotowanych przykładów na najlepsze efekty i wymienia trzy cechy dobrego zestawu: mają być trafne (odbijającie realnego użycia), zróżnicowane (żeby model nie wyłapał przypadkowego wzorca) i ustrukturyzowane (otoczone znacznikami ). Jest też ostrzeżenie z drugiej strony: zbyt duża liczba przykładów potrafi sprawić, że model zacznie dopasowywać odpowiedź do przykładów zamiast do twojego zadania, a jeśli już dodajesz zestaw, wszystkie pozycje trzymaj w identycznym formacie, bo format przykładów bywa silniejszy niż twoje polecenie. Wpadki z pierwszych prób mam za sobą: gdy szukałem pod hasłem prompty przykłady i kopiowałem cudze zestawy, wynik wracał w cudzym stylu, dopóki nie przepisałem przykładów na własne teksty.

Drugą techniką jest proszenie o rozumowanie. Dokumentacja Gemini wspomina, że proste dopiski w stylu Think very hard before answering (pomyśl mocno, zanim odpowiesz) mogą poprawić wynik, kosztem dodatkowego czasu i tokenów. Są dwa zastrzeżenia. Po pierwsze, ta sama dokumentacja pisze, że w nowych modelach zwykle nie ma potrzeby żądania rozpisywania kroków w odpowiedzi, bo model myśli w tle. Po drugie, OpenAI radzi dobrać poziom sterowania do modelu: modele rozumujące porównują do doświadczonego współpracownika, któremu wystarczy podać cel i zaufać, a modele klasyczne do juniora, który potrzebuje jawnej instrukcji krok po kroku. W praktyce: skomplikowane zadanie analityczne dostanie od ciebie cel i kryteria, proste przeklejenie tekstu dostanie instrukcję szczegółową.

Trzecia technika to iteracja, czyli rezygnacja z mitu jednego idealnego promptu. Anthropic opisuje łańcuch w trzech krokach: wygeneruj szkic, każ modelowi ocenić go względem kryteriów, poprawić według tej oceny; każdy krok to osobne polecenie, które można poprawiać osobno. Google podaje podobną zasadę dekompozycji: jedno polecenie na jeden prompt, a wynik jednego staje się wejściem następnego. Ja domykam to najprościej: zamiast przepisywać wszystko od zera, doprecyzowuję w tej samej rozmowie (skróć o połowę, zamień listę na tabelę, usuń akapit o historii). Przy dłuższych rozmowach pamiętaj tylko, że pamięć czatu jest ograniczona oknem kontekstowym i po przekroczeniu pojemności model gubi wcześniejsze ustalenia, o czym piszę szerzej w tekście o oknie kontekstowym.

Jak pisać prompty do ChatGPT, Gemini i Claude

Szkielet z pierwszego rozdziału działa w każdym czacie, więc poniżej tylko różnice, które realnie coś zmieniają. Nie istnieje jeden „najlepszy uniwersalny prompt”, a listy cudownych fraz krążące po sieci to zwykle echa starych wersji modeli.

ChatGPT

Jak pisać prompty do ChatGPT, gdy planujesz dłuższą pracę na wielu wiadomościach? Otwórz rozmowę wiadomością-kontraktem, w której zamykasz wszystko, co stałe: rolę, styl, język, format, czego unikać (Od teraz odpowiadasz po polsku, ton praktyka, maksymalnie 5 zdań, bez wykrzykników, zawsze kończysz pytaniem o brakujące dane). Kolejne wiadomości to już tylko zadania do wykonania w tych ramach. To dokładnie pomysł z dokumentacji OpenAI, gdzie stałe instrukcje (u nich rola developer) mają wyższy priorytet niż treść pojedynczego zapytania i opisują styl, cele oraz przykłady poprawnych odpowiedzi. Do tego dochodzi dobór trybu: przy prostym zadaniu precyzyjna instrukcja z wyjątkami i formatem; przy zadaniu badawczym cel plus kryteria, żeby model rozumujący miał pole do pracy.

Gemini

Pytanie, jak pisać prompty do Gemini, ma dwie odpowiedzi zależne od objętości materiału. Przy krótkich zadaniach Google radzi wypisać ograniczenia (constraints) i żądany format wprost; ich dokumentacja wymienia w tym kontekście tabelę, listę punktową, elevator pitch, słowa kluczowe, pojedyncze zdanie albo akapit, co jest dobrą ściąga, gdy nie wiesz, jak nazwać oczekiwaną formę. Da się też podać początek oczekiwanej odpowiedzi i pozwolić modelowi dokończyć (u nich „completion strategy”), co porządkuje format lepiej niż niejedna instrukcja. Przy długich dokumentach działa zasada odwrócona: cały materiał na początku, a twoje pytania i instrukcje na samym końcu promptu, spięte frazą typu na podstawie powyższych informacji odpowiedz na poniższe pytania. Google pisze tę zasadę dosłownie: najpierw cały kontekst, instrukcje i pytania na samym końcu. Osobna ciekawostka dla osób korzystających z API: modele Gemini 4 i Gemini 3.6 oraz nowsze ignorują własne wartości temperature, top_p i top_k i zwracają ostrzeżenia o wycofaniu, więc strojenie parametrów przestaje być drogą do lepszych wyników; liczy się treść promptu.

Claude

Claude najlepiej reaguje na strukturę znacznikami. W rozbudowanych promptach, gdzie mieszają się instrukcje, dane i przykłady, ich dokumentacja radzi owinąć każdą porcję treści w osobny znacznik (, , ) i trzymać spójne nazwy w całym prompcie, bo model wtedy nie myli danych od poleceń. Druga rzecz: rolę wystarczy jedno zdanie (Jesteś asystentem programisty specjalizującym się w Pythonie to ich przykład z dokumentacji), a mimo to zmienia ton i zakres odpowiedzi. Trzecia: formułuj polecenia pozytywnie, czyli mów, co ma powstać (twoja odpowiedź to płynne akapity prozy), zamiast listować zakazy; ta sama dokumentacja podaje ten przypadek jako przykład skuteczniejszego sformułowania. Do tego dochodzi obserwacja o stylu: formatowanie twojego promptu przenosi się na odpowiedź, więc jeśli nie chcesz ściany punktów i pogrubień, nie pisz sam w punktach i pogrubieniach. Najnowsze modele bywają zwięzłe i potrafią pominąć streszczenie wykonanej pracy, więc jeśli takowe potrzebujesz, poproś o nie wprost.

Prompty do obrazów: Nano Banana

Generatory obrazów nagradzają inną charakterystykę promptu: konkret wizualny. Dokumentacja Nano Banana (w API Google pod nazwą generowania obrazów przez Gemini) podaje trzy szablony, które dobrze opisują schemat myślenia. Dla scen fotorealistycznych: A photorealistic [typ ujęcia] of a [opis obiektu] in a [opis scenerii]. [Opis światła]. Shot from a [kąt kamery] with a [typ obiektywu], czyli po polsku: co widzisz, gdzie, przy jakim świetle, z jakiej perspektywy i jakim szkłem. Dla stylizowanych ilustracji i naklejek: styl, obiekt z detalami (akcesoria, czynność), cechy graficzne (grubość linii, cieniowanie) i tło. Dla tekstu na obrazie: typ grafiki, marka, dokładna treść napisu w cudzysłowie i charakterystyka czcionki. Google dopowiada, że im bogatszy opis sceny, tym większą kontrolę masz nad wynikiem, a przy profesjonalnych materiałach wskazuje model z wyższej półki (odczyt dokumentacji 17.10).

Edycja idzie tu inną drogą niż w czatach tekstowych: rozmową. Zalecaną metodą poprawek jest iteracja w rozmowie wieloetapowej (multi-turn), czyli polecenia w stylu zaktualizuj tę infografikę na hiszpański, nie zmieniając żadnego innego elementu, bez generowania od zera. Dla spójności postaci i obiektów między obrazami można podeprzeć się obrazami referencyjnymi, dokumentacja wspomina o do 14 obrazach referencyjnych, a na droższym modelu dodatkowo o referencjach stylu. Proporcje i rozdzielczość podaje się jawnie; w odczycie 17.10 lista proporcji obejmowała m.in. 1:1, 4:3, 9:16 i 21:9, a rozdzielczości 1K, 2K i 4K (wariant lite w tej linii ma ograniczenie do 1K).

Prompty do muzyki: Suno

Suno zaczyna od najprostszej możliwej formy: w trybie Simple wpisujesz opis tego, co chcesz usłyszeć, i tyle. Ich pomoc podaje przykład A synth pop song about having fun all night (synthpopowa piosenka o zabawie do rana) i radzi, żeby nie bać się miksowania gatunków ani dopisywania pomysłów o instrumentarium i budowie utworu. Jeśli pomysłu brak, kostka losująca generuje prompt za ciebie.

Drugie narzędzie, o którym mało kto wie, to Exclude: w trybie Custom, pod przyciskiem Advanced Options, wpisujesz instrumenty i elementy, których w utworze nie chcesz. To najbliższy odpowiednik „negatywnego promptu” z grafiki i ratuje sytuacje, w których model uparcie dokłada coś, czego nie zamówiłeś. Sama pomoc Suno nie podaje (nie podano) szczegółowej gramatyki promptów muzycznych: przykładów jest tam więcej niż reguł, a przy słownictwie pomaga ich własny słowniczek terminów muzycznych dla użytkowników Suno, odsyłający do nazw gatunków i instrumentów, których nie umiesz nazwać po angielsku.

Typowe błędy początkujących

Najczęstszy błąd to pisanie do modelu jak do kogoś, kto zna twoją sytuację. Złota reguła Anthropica (pokaż prompt koledze bez kontekstu) właśnie o tym jest; model nie zna twojej firmy, odbiorcy ani tego, co miało być puenty. Blisko tego siedzi polecenie bez miary: bez liczby punktów, długości czy formatu model sam wybierze, i wybierze średnio. Anthropic pokazuje to na przykładzie promptu Create an analytics dashboard, który w ich wersji „mniej skutecznej” znaczy cokolwiek, a w wersji „bardziej skutecznej” dopowiada, żeby funkcji było jak najwięcej i żeby wyjść poza podstawy.

Drugi koszyk błędów to organizacja pracy. Jeden gigantyczny prompt, w którym mieszasz pięć zadań, prawie zawsze przegrywa z łańcuchem krótkich poleceń po jednym zadaniu, z których każdy da się poprawić osobno. Za dużo przykładów w few-shot daje efekt odwrotny do zamierzonego, bo model zaczyna kopiować przykłady zamiast wykonywać zadanie. I ostatni, najkosztowniejszy: poddanie się po pierwszej odpowiedzi. Iteracja jest częścią metody, nie przyznaniem się do porażki; koryguj w tej samej rozmowie, dopóki wynik nie zacznie pasować.

Przy kodowaniu dochodzi wymóg podania kontekstu technicznego: języka, bibliotek, ograniczeń i oczekiwanego formatu odpowiedzi, bo bez tego model dopisze własne założenia, które będą błędne. Ten tryb pracy, w którym aplikacja powstaje z opisu prowadzonego promptami, rozwinąłem osobno w tekście Co to jest vibe coding; zasada pozostaje ta sama co w całym poradniku, tylko stawka rośnie, bo z błędnego promptu wylatuje nie akapit, a architektura.

FAQ

Czy dłuższy prompt zawsze daje lepszą odpowiedź?

Nie. Liczy się gęstość informacji, nie objętość. Rola, kontekst, zadanie i format zmieszczą się w kilku zdaniach, a doklejone akapity wypełniaczy rozwadniają polecenie. Wyjątkiem jest wrzucanie długiego materiału do Gemini, gdzie długi jest kontekst, a pytanie i tak powinno stać na końcu.

Ile przykładów dodać do promptu?

Anthropic zaleca kilka dobrze dobranych przykładów jako liczbę dającą najlepsze efekty, a Google zaleca zawsze dołączać przykłady few-shot. Pamiętaj o dwóch rzeczach z dokumentacji: przykłady mają być zróżnicowane i w identycznym formacie, a zbyt duża liczba sprawia, że model dopasowuje odpowiedź do przykładów zamiast do twojego zadania.

Czy te same prompty działają w ChatGPT, Gemini i Claude?

Szkielet (rola, kontekst, zadanie, format) działa wszędzie, ale detale są różne: Claude dobrze reaguje na znaczniki i , Gemini przy długich dokumentach chce pytania na końcu, a ChatGPT dobrze reaguje na wiadomość-kontrakt na starcie rozmowy. Ten sam prompt potrafi dać różne wyniki, więc po przeniesieniu między narzędziami poświęć chwilę na dopasowanie.

Jak pisać prompty do Gemini, gdy analizuję długi dokument?

Wklej cały materiał na początku promptu, a swoje instrukcje i pytania umieść na samym końcu, spięte frazą przejściową w stylu na podstawie powyższych informacji. Google opisuje tę kolejność wprost w dokumentacji. Dodaj też żądany format odpowiedzi (tabela, lista, punkty), bo przy dużym materiale łatwo o odpowiedź-rozlew.

Czy parametry typu temperature zmienią jakość moich promptów?

W oknach czatów, z których korzysta większość ludzi, ten parametr w ogóle nie występuje. W API za to jest nowość: według dokumentacji Google modele Gemini 4 i Gemini 3.6 oraz nowsze ignorują własne wartości temperature, top_p i top_k i zwracają ostrzeżenia o wycofaniu. Dźwignie, które zostają, to treść promptu, przykłady i jasno podany format.

Źródła

Powiązane artykuły