Inżynieria promptów (ang. prompt engineering) to praktyka świadomego formułowania poleceń dla modeli językowych i innych modeli AI tak, by konsekwentnie dostawać wyniki, o które ci chodzi. To nie zaklęcia, tylko inżynieria: dobierasz słowa, układasz kontekst, narzucasz strukturę i format odpowiedzi, a potem testujesz, co realnie zwiększa trafność. Model nie czyta w myślach — odpowiada na to, co faktycznie napisałeś, więc precyzja promptu przekłada się wprost na jakość outputu.
Jak to działa
Model językowy przewiduje kolejne tokeny na podstawie tego, co dostał na wejściu. Im lepiej zawęzisz przestrzeń możliwych odpowiedzi — przez rolę, przykłady, ograniczenia i format — tym mniej miejsca na halucynacje i lanie wody. Dlatego dobry prompt zwykle zawiera: jasne zadanie, niezbędny kontekst (dane, fragmenty kodu, dokumentacja), oczekiwany format wyjścia oraz ograniczenia (długość, język, czego unikać).
W praktyce stosuje się kilka powtarzalnych technik. Zero-shot to czyste polecenie bez przykładów. Few-shot dokłada 2–3 przykłady wejścia i pożądanego wyjścia, żeby pokazać wzorzec. Chain-of-thought prosi model, by rozpisał kroki rozumowania przed odpowiedzią — pomaga przy zadaniach logicznych i matematycznych. Coraz częściej używa się też system promptu, który ustawia rolę i zasady na całą rozmowę.
Przykład z praktyki
Załóżmy, że w aplikacji wrzucasz recenzje do GPT-5 lub Claude i chcesz mieć dane, nie esej. Zamiast Oceń tę recenzję piszesz konkret z wymuszonym formatem:
Jesteś klasyfikatorem opinii. Zwróć WYŁĄCZNIE JSON: {"sentiment": "pozytywny|neutralny|negatywny", "ocena": 1-5}. Bez komentarza.- Następnie wklejasz tekst recenzji.
Dzięki temu odpowiedź da się sparsować w kodzie, bez zgadywania, gdzie model schował werdykt. To samo działa przy code review, generowaniu testów czy ekstrakcji danych z faktur.
Częste błędy i mity
Najczęstsza wpadka to prompt zbyt ogólny — napisz coś o bezpieczeństwie da ci ogólnik, bo nie powiedziałeś dla kogo, jak długo i w jakim formacie. Drugi grzech to wrzucanie pięciu zadań w jednym poleceniu; lepiej rozbić to na kroki. Mit numer jeden: istnieje jeden magiczny prompt. Nie istnieje — to samo polecenie da różne wyniki na różnych modelach i wersjach, więc traktuj prompty jak kod: wersjonuj je i testuj na przykładach. Pamiętaj też, że model potrafi pewnym tonem napisać bzdurę, więc krytyczne fakty zawsze weryfikuj samodzielnie.
Pojęcia powiązane
Large Language Model (LLM), few-shot learning, chain-of-thought, system prompt, RAG (Retrieval-Augmented Generation), fine-tuning, halucynacje, temperature, token.