Prompt Engineering - techniki które musisz znać żeby wyciągnąć maksimum z AI

Dwie osoby siadają do tego samego modelu AI z tym samym zadaniem. Jedna dostaje rozlazłą, ogólnikową ściankę tekstu, którą i tak musi przepisać. Druga dostaje gotowy do użycia wynik, który oszczędza jej pół godziny. Nie chodzi o szczęście ani o lepszy model, tylko o to, jak sformułowano polecenie. Prompt engineering to nie magia ani zaklęcia, lecz zestaw konkretnych, powtarzalnych technik, których da się nauczyć w kilka dni i które działają niezależnie od tego, z jakiego narzędzia korzystasz. Ten artykuł pokazuje siedem najważniejszych, każdą z parą przykładów słaby kontra dobry prompt, oraz uczciwie mówi, czego prompt engineering nie naprawi.

Czym jest prompt engineering i z czego składa się dobry prompt

Prompt to po prostu polecenie, które przekazujesz modelowi AI. Prompt engineering to systematyczne podejście do pisania tych poleceń tak, żeby model rozumiał dokładnie, czego potrzebujesz, i odpowiadał użytecznie za pierwszym razem, a nie po pięciu poprawkach. Model nie czyta w myślach. Dostaje dokładnie tyle informacji, ile mu dasz, a resztę dopowiada na podstawie tego, co statystycznie pasuje. Im więcej istotnego kontekstu i im jaśniejsze instrukcje, tym mniej musi zgadywać.

Większość dobrych promptów da się rozłożyć na pięć elementów: rolę (kim ma być model), kontekst (dla kogo i w jakiej sytuacji), zadanie (co dokładnie ma zrobić), przykłady lub kryteria (jak wygląda dobry wynik) oraz format (jak ma być sformatowana odpowiedź). Nie każdy prompt potrzebuje wszystkich pięciu, ale gdy odpowiedzi są słabe, prawie zawsze brakuje któregoś z nich.

Rola

Kim ma być model - „doświadczony radca prawny od umów IT"

Kontekst

Dla kogo i po co - „dla freelancera, który podpisuje pierwszą umowę"

Zadanie

Co dokładnie zrobić - „znajdź ryzykowne zapisy i zaproponuj zmiany"

Przykłady / kryteria

Jak wygląda dobry wynik - wzorce lub reguły oceny

Format

Jak sformatować odpowiedź - tabela, lista, JSON, długość

Technika 1: Precyzyjna rola i kontekst

Model zachowuje się inaczej w zależności od roli, którą mu nadasz, i kontekstu, który mu podasz. To samo pytanie zadane „neutralnie" i zadane „jako konkretny ekspert dla konkretnego odbiorcy" daje odpowiedzi z innego świata: inny poziom szczegółowości, inny ton, inny dobór tego, co istotne.

SŁABY PROMPT
Czy powinienem podpisać tę umowę o poufności?

DOBRY PROMPT
Jesteś doświadczonym radcą prawnym specjalizującym się w umowach IT.
Analizujesz dokument dla freelancera, który dopiero zaczyna współpracę
z dużą firmą i nie ma działu prawnego za plecami.

Przeanalizuj poniższą klauzulę o poufności pod kątem ryzyk dla freelancera.
Wskaż zapisy potencjalnie niekorzystne, wyjaśnij krótko dlaczego
i zaproponuj bezpieczniejsze brzmienie.

Klauzula: [treść klauzuli]

Dlaczego lepszy: rola („radca prawny od umów IT") zawęża model do właściwej dziedziny i właściwego rejestru. Kontekst („freelancer bez działu prawnego") ustawia perspektywę, więc odpowiedź będzie ostrzegać przed ryzykiem dla słabszej strony, a nie streszczać umowę bezstronnie. Zadanie jest konkretne i mierzalne: znajdź, wyjaśnij, zaproponuj. Słaby prompt to pytanie zamknięte, na które najuczciwsza odpowiedź brzmi „to zależy".

Technika 2: Kilka przykładów w prompcie (few-shot)

Czasem łatwiej pokazać, niż opisać. Zamiast tłumaczyć słowami, jak ma wyglądać wynik, dajesz modelowi dwa albo trzy gotowe przykłady wejścia i oczekiwanego wyjścia, a on wyłapuje wzorzec i stosuje go do nowego przypadku. To technika kilku przykładów (few-shot, dosłownie „kilka strzałów"). Sprawdza się wszędzie tam, gdzie format albo styl jest niestandardowy i trudny do opisania regułami.

SŁABY PROMPT (zero przykładów)
Oceń wydźwięk tych opinii klientów.

DOBRY PROMPT (z kilkoma przykładami)
Klasyfikuj opinie klientów na: POZYTYWNA, NEGATYWNA, MIESZANA.
Kieruj się przykładami:

Opinia: „Szybka dostawa, ale produkt rysuje się po tygodniu."
Klasa: MIESZANA

Opinia: „Wszystko zgodnie z opisem, polecam, kupię ponownie."
Klasa: POZYTYWNA

Opinia: „Czekałem trzy tygodnie i dostałem nie ten model."
Klasa: NEGATYWNA

Teraz sklasyfikuj:
Opinia: „Cena ok, jakość przeciętna, obsługa bez zarzutu."
Klasa:

Dlaczego lepszy: trzy przykłady pokazują modelowi nie tylko etykiety, ale i reguły rozstrzygania, na przykład że „szybka dostawa, ale wada" to MIESZANA, a nie POZYTYWNA. Bez przykładów model sam zgaduje granice kategorii i często rozjeżdża się z Twoim zamiarem. Przy klasyfikacji, własnym tonie wypowiedzi czy specyficznym formacie kilka przykładów potrafi zrobić większą różnicę niż akapit instrukcji.

Technika 3: Łańcuch myśli (chain-of-thought)

Na zadaniach wymagających rozumowania, takich jak matematyka, logika czy analiza wieloetapowa, model daje wyraźnie lepsze wyniki, gdy poprosisz go o rozpisanie kroków, zamiast od razu podać wynik. Ta technika nazywa się łańcuchem myśli (chain-of-thought, dosłownie „łańcuch rozumowania"). Rozbicie problemu na widoczne etapy zmniejsza liczbę błędów, bo model nie skacze do odpowiedzi „na skróty".

SŁABY PROMPT
Firma kupiła sprzęt za 1847 zł netto, dolicza 23% marży i 23% VAT.
Jaka jest cena brutto dla klienta?

DOBRY PROMPT
Firma kupiła sprzęt za 1847 zł netto, dolicza 23% marży,
a następnie 23% VAT. Oblicz cenę brutto dla klienta.

Rozpisz obliczenia krok po kroku: najpierw kwota po marży,
potem kwota VAT, na końcu cena brutto. Na samym końcu podaj wynik
w osobnej linii poprzedzonej słowem WYNIK.

A tak wygląda odpowiedź modelu na dobry prompt: rozumowanie rozpisane etapami, z wynikiem w oznaczonej linii na końcu.

Odpowiedź modelu:
Krok 1: kwota po marży
  1847,00 zł × 23% = 424,81 zł
  1847,00 zł + 424,81 zł = 2271,81 zł

Krok 2: kwota VAT
  2271,81 zł × 23% = 522,52 zł

Krok 3: cena brutto
  2271,81 zł + 522,52 zł = 2794,33 zł

WYNIK: 2794,33 zł

Dlaczego lepszy: wymuszenie kroków („najpierw marża, potem VAT, na końcu brutto") sprawia, że model liczy etapami i łatwiej wychwycić, gdzie ewentualnie się pomylił. Dodatkowo prośba o wynik w osobnej, oznaczonej linii daje Ci coś, co łatwo wyłuskać wzrokiem albo programistycznie. Słaby prompt często zwraca samą liczbę i jeśli jest błędna, nie masz jak sprawdzić, na którym etapie.

Technika 4: Wymuszanie struktury wyjścia (JSON i inne formaty)

Jeśli wynik modelu ma trafić do innego programu, na przykład do arkusza, bazy albo kolejnego kroku w procesie, nie możesz polegać na luźnym tekście. Wymuś konkretny format: JSON, CSV albo tabelę. Dzięki temu odpowiedź da się przetworzyć automatycznie, bez ręcznego doczyszczania.

SŁABY PROMPT
Wyciągnij najważniejsze informacje z tego maila reklamacyjnego.

DOBRY PROMPT
Wyodrębnij dane z poniższego maila reklamacyjnego i zwróć WYŁĄCZNIE
poprawny obiekt JSON, bez komentarzy i bez tekstu wokół,
dokładnie w tej strukturze:

{
  "numer_zamowienia": "string lub null",
  "kategoria": "zwrot | reklamacja | reklamacja_jakosc | inne",
  "pilnosc": "wysoka | srednia | niska",
  "oczekiwanie_klienta": "string, jedno zdanie",
  "produkty": ["lista nazw produktów"]
}

Jeśli jakiejś informacji nie ma w mailu, użyj null.

Mail:
Dzień dobry,
dwa tygodnie temu odebrałem zamówiony u Państwa ekspres ciśnieniowy
(numer zamówienia ZAM-2026-04821). Od wczoraj urządzenie przecieka
od spodu i zalewa blat. Prowadzę małą kawiarnię, więc ekspres jest mi
potrzebny codziennie od rana. Proszę o pilną wymianę na sprawny
egzemplarz albo zwrot pieniędzy.
Pozdrawiam, Marek Nowak

Model zwraca czysty obiekt JSON, gotowy do wczytania przez program, bez wstępów i komentarzy:

Odpowiedź modelu:
{
  "numer_zamowienia": "ZAM-2026-04821",
  "kategoria": "reklamacja",
  "pilnosc": "wysoka",
  "oczekiwanie_klienta": "Proszę o pilną wymianę na sprawny egzemplarz albo zwrot pieniędzy.",
  "produkty": ["ekspres ciśnieniowy"]
}

Dlaczego lepszy: podanie dokładnego schematu plus „zwróć WYŁĄCZNIE poprawny JSON" odcina gadatliwe wstępy w stylu „Oczywiście, oto dane...", które psują parsowanie. Wskazanie dozwolonych wartości (zwrot, reklamacja, inne) ogranicza model do skończonego zbioru, a reguła „brak informacji to null" eliminuje sytuację, w której model zmyśla numer zamówienia, byle wypełnić pole. Słaby prompt zwróci akapit prozy, którego żaden program nie wczyta bez doczyszczania.

Technika 5: Rozbijanie zadania na kroki (łańcuch promptów)

Złożone zadanie wciśnięte w jeden gigantyczny prompt zwykle kończy się odpowiedzią, która coś pomija albo myli wątki. Lepiej rozbić je na serię prostszych kroków, w której wynik jednego jest wejściem następnego. Każdy krok jest prosty, weryfikowalny i łatwy do poprawienia bez przerabiania całości.

SŁABY PROMPT (wszystko naraz)
Przeczytaj tę transkrypcję rozmowy z klientem, wypisz jego problemy,
zaproponuj rozwiązania i napisz do niego mail z planem działania.

DOBRY PROMPT (trzy kroki)
KROK 1: Przeczytaj transkrypcję i wypisz listę problemów klienta,
        każdy w jednym zdaniu.
KROK 2: Dla każdego problemu z listy zaproponuj jedno konkretne
        rozwiązanie wykonalne w ciągu tygodnia.
KROK 3: Na podstawie par problem-rozwiązanie napisz uprzejmy mail
        do klienta z planem działania, maksymalnie 150 słów.

Dlaczego lepszy: w wariancie jednoetapowym model często łączy etapy i gubi pojedyncze problemy albo proponuje rozwiązania oderwane od tego, co naprawdę powiedział klient. Rozbicie na kroki pozwala sprawdzić listę problemów, zanim przejdziesz do rozwiązań, i poprawić ją w jednym miejscu. W praktyce te kroki możesz prowadzić w osobnych wiadomościach, a w aplikacji jako osobne wywołania modelu spięte w łańcuch.

Technika 6: Podawanie ograniczeń i kryteriów

Model wypełnia ciszę. Jeśli nie powiesz, jak długa ma być odpowiedź, do kogo jest skierowana i czego ma unikać, dostaniesz coś uśrednionego. Jawne ograniczenia (długość, ton, czego nie robić) i kryteria sukcesu („dobra odpowiedź to taka, która...") zawężają pole i podnoszą trafność.

SŁABY PROMPT
Napisz opis produktu - słuchawki bezprzewodowe.

DOBRY PROMPT
Napisz opis produktu dla sklepu internetowego: słuchawki bezprzewodowe
dokanałowe, 30 godzin pracy na baterii, redukcja szumów.

Ograniczenia:
- maksymalnie 90 słów
- ton rzeczowy, bez przesadnych superlatywów i wykrzykników
- odbiorca: osoba dojeżdżająca do pracy, szuka spokoju w hałasie
- nie wymyślaj parametrów, których nie podałem powyżej
- zakończ jednym zdaniem mówiącym, dla kogo te słuchawki są.

Dlaczego lepszy: limit słów i ton wycinają marketingowy bełkot. Wskazanie odbiorcy nadaje tekstowi kąt, więc opis będzie mówił o spokoju w hałasie, a nie recytował specyfikacji. Kluczowa jest reguła „nie wymyślaj parametrów", bo bez niej model chętnie dorzuci „wodoodporność" albo „dźwięk studyjny", których nie ma w danych. Słaby prompt prawie zawsze prowadzi do generycznego tekstu, który mógłby opisywać dowolny produkt.

Technika 7: Iteracja i samokrytyka modelu

Pierwsza odpowiedź rzadko jest najlepsza. Zamiast akceptować ją od razu, możesz poprosić model, żeby ocenił własny wynik według wskazanych kryteriów i go poprawił. To tania metoda na podniesienie jakości bez pisania promptu od zera.

SŁABY PROMPT
Napisz treść posta na LinkedIn o naszym nowym szkoleniu.

DOBRY PROMPT (z samokrytyką)
Napisz post na LinkedIn o nowym szkoleniu z prompt engineeringu.

Następnie oceń własny tekst według trzech kryteriów:
1) czy pierwsze zdanie zatrzymuje przewijanie,
2) czy jest w nim konkret, a nie same ogólniki,
3) czy jest jasne wezwanie do działania.

Wypisz ocenę punkt po punkcie, wskaż najsłabszy element,
a potem podaj poprawioną wersję posta.

Dlaczego lepszy: prosząc o ocenę według jawnych kryteriów, zmuszasz model do spojrzenia na własny tekst krytycznie, zamiast tylko go wyprodukować. Często druga wersja jest zauważalnie lepsza, bo model „widzi" własne słabości, gdy każesz mu ich szukać. Warto jednak pamiętać o granicy tej techniki: model krytykuje sam siebie według tego, co wie, więc nie wychwyci błędu merytorycznego w temacie, którego nie zna.

Najczęstsze błędy, przez które prompty zawodzą

Większość rozczarowań modelami AI bierze się nie z modelu, lecz z promptu. Te same kilka błędów wraca u prawie każdego, kto zaczyna:

• Zbyt ogólne polecenie. „Napisz ofertę" to nie prompt, to życzenie. Model nie wie, dla kogo, w jakim celu, w jakim tonie i jak długą.
• Brak kontekstu. Bez informacji o odbiorcy, sytuacji i celu model zwraca uśredniony tekst, który pasuje do wszystkiego i do niczego.
• Brak narzuconego formatu. Jeśli nie powiesz, jak ma wyglądać wynik, dostaniesz prozę, nawet gdy potrzebowałeś tabeli albo struktury JSON do dalszego przetwarzania.
• Sprzeczne instrukcje. „Bądź formalny, ale luźny i kreatywny" zostawia model bez kompasu - wybierze coś pośredniego i niezadowalającego.
• Brak definicji sukcesu. Jeśli sam nie wiesz, co jest dobrą odpowiedzią, model też nie zgadnie. Kryteria oceny pomagają obu stronom.

Prompt engineering w pracy programisty kontra w biznesie

Te same techniki służą różnym celom w zależności od tego, kto i po co ich używa. Warto rozumieć tę różnicę, bo zmienia ona nacisk.

W pracy programisty prompt często jest częścią aplikacji: wpisany w kod, wywoływany setki razy dziennie, parsowany automatycznie. Tu najważniejsze jest wymuszanie struktury (żeby wynik dało się wczytać), powtarzalność (żeby to samo wejście dawało porównywalne wyniki), obsługa przypadków brzegowych (pusty wpis, dane spoza schematu) oraz koszt - krótszy, lepiej zaprojektowany prompt to realnie niższe rachunki przy dużej skali. Programista traktuje prompt jak fragment systemu, który trzeba przetestować i utrzymywać.

W zastosowaniach biznesowych, czyli w marketingu, analizie, obsłudze klienta czy raportowaniu, prompt jest zwykle pisany ręcznie i używany interaktywnie. Tu na pierwszy plan wychodzą rola, kontekst i kryteria jakości: dobrać właściwą perspektywę, dać modelowi dość tła i jasno powiedzieć, jak wygląda dobry wynik. Mniej liczy się parsowanie, bardziej trafność i ton. Obie ścieżki korzystają z tych samych siedmiu technik, tylko rozkładają akcenty inaczej.

Jak testować i wersjonować prompty

Gdy prompt jest częścią procesu, którego używasz regularnie, traktuj go jak kod, a nie jak ulotną notatkę. Prompty psują się po cichu: drobna zmiana sformułowania potrafi poprawić jeden przypadek, a zepsuć trzy inne, których akurat nie sprawdziłeś. Kilka prostych nawyków oszczędza później sporo zdziwienia:

• Zbierz zestaw przypadków testowych. Kilka albo kilkanaście typowych wejść plus przypadki brzegowe (pusty tekst, dane spoza schematu, bardzo długie wejście). Po każdej zmianie promptu przepuść je wszystkie i porównaj wyniki, zamiast sprawdzać jeden przykład.
• Zmieniaj jedną rzecz naraz. Jeśli przerobisz pół promptu i wynik się zmieni, nie wiesz, co zadziałało. Pojedyncze zmiany są diagnozowalne.
• Wersjonuj prompty w repozytorium. Trzymaj je w plikach pod kontrolą wersji (Git), z krótkim opisem, co dana wersja poprawia. Dzięki temu możesz wrócić do poprzedniej, gdy nowa okaże się gorsza.
• Zapisuj nieudane odpowiedzi. Realne wpadki z użytkowania to najlepszy materiał na nowe przypadki testowe. Każda obsłużona wpadka to mniejsza szansa, że wróci.

Czego prompt engineering nie naprawi

Uczciwie: najlepszy prompt na świecie ma granice. Warto je znać, żeby nie szukać rozwiązania nie tam, gdzie trzeba.

Po pierwsze, prompt nie wymyśli danych, których model nie ma. Jeśli odpowiedź zależy od Twojej wewnętrznej dokumentacji, cennika klienta albo świeżych faktów spoza wiedzy modelu, żadne sformułowanie tego nie zastąpi, bo nie ma z czego budować odpowiedzi. To problem dostarczenia danych, a nie polecenia. Rozwiązuje się go, podając modelowi dokumenty wprost w prompcie albo budując system pobierania kontekstu (RAG, czyli generowanie wspierane wyszukiwaniem), który najpierw znajduje właściwe fragmenty wiedzy, a dopiero potem prosi model o odpowiedź na ich podstawie.

Po drugie, prompt zmniejsza ryzyko zmyślania (halucynacji), ale go nie eliminuje. Techniki takie jak zakotwiczenie w podanym dokumencie czy instrukcja „jeśli nie wiesz, napisz, że nie wiesz" wyraźnie pomagają, ale model nadal potrafi pewnym tonem podać nieprawdę. Dlatego krytyczne wyniki, zwłaszcza liczby, nazwiska, daty i cytaty, zawsze trzeba zweryfikować u źródła. Prompt engineering to potężne narzędzie do wydobywania z modelu maksimum, a nie tarcza gwarantująca prawdę.

Po trzecie, prompt nie zastąpi jasności co do tego, czego sam chcesz. Jeśli nie wiesz, jak wygląda dobra odpowiedź, model tego za Ciebie nie ustali. Połowa pracy nad dobrym promptem to w gruncie rzeczy uporządkowanie własnych oczekiwań, i to akurat zawsze się opłaca, niezależnie od narzędzia.

Od czego zacząć

Nie musisz wdrażać wszystkich siedmiu technik naraz. Zacznij od trzech, które dają najwięcej przy najmniejszym wysiłku: dodaj rolę i kontekst, narzuć format wyniku i podaj jedno lub dwa ograniczenia (długość, ton, „nie wymyślaj"). Samo to podnosi jakość odpowiedzi z większości narzędzi AI w sposób od razu zauważalny. Kiedy te wejdą w nawyk, dokładaj kolejne: przykłady, rozbijanie na kroki, samokrytykę. Prompt engineering to umiejętność praktyczna - poprawia się przez pisanie, porównywanie wyników i wyciąganie wniosków z tego, co zadziałało, a co nie.

Prompt engineering - warsztaty zaawansowane z praktykami JSystems 2 dni intensywnych ćwiczeń na realnych zadaniach: rola i kontekst, kilka przykładów, łańcuch myśli, wymuszanie struktury, testowanie i wersjonowanie promptów. Terminy gwarantowane. Sprawdź szkolenie Prompt engineering -->

Sztuczna inteligencja w codziennej pracy Praktyczne warsztaty dla każdego, kto chce oszczędzać czas dzięki AI w codziennych zadaniach: pisanie, analiza, porządkowanie informacji i automatyzacja powtarzalnej pracy. Terminy gwarantowane. Sprawdź szkolenie AI w codziennej pracy -->