Jeśli wiesz już, co to jest prompt i z czego składa się dobre polecenie, czas na kolejny poziom. Prompt engineering, czyli inżynieria promptów, to zestaw technik, dzięki którym AI odpowiada trafniej, rzadziej zmyśla i oddaje wynik w formie gotowej do użycia. Brzmi technicznie, ale większość tych metod to po prostu dobre nawyki komunikacji – i możesz ich używać w ChatGPT, Claude, Gemini czy Copilocie bez znajomości programowania.
Poniżej znajdziesz 10 technik promptowania opisanych tak samo: na czym polega, kiedy jej używać i przykład promptu do skopiowania. Na końcu pokazujemy, jak połączyć kilka z nich w jednym poleceniu, oraz które „sztuczki” z internetu możesz spokojnie pominąć.
Najważniejsze w skrócie
- Najwięcej dają trzy techniki: przykłady (few-shot), wyraźny format odpowiedzi i praca na wklejonych źródłach.
- Duże zadania dziel na kroki – kilka krótkich promptów działa lepiej niż jeden gigantyczny.
- Pozwól modelowi zadać pytania, zanim odpowie. To najprostszy sposób na brakujący kontekst.
- Nowsze modele „rozumujące” same planują odpowiedź, więc przy nich mniej liczy się instrukcja „myśl krok po kroku”, a bardziej jasny cel i kryteria.
- Wielkie litery, groźby i obietnice napiwku to mity – lepszy wynik daje konkret.
Szybki przegląd: która technika do czego
| Technika | Rozwiązuje problem | Typowe zadania |
|---|---|---|
| 1. Rola | Odpowiedź z niewłaściwej perspektywy lub na złym poziomie | Recenzje, porady, wyjaśnienia |
| 2. Przykłady (few-shot) | Zły styl, ton lub format | Opisy produktów, posty, klasyfikacja |
| 3. Znaczniki i separatory | Model myli instrukcję z treścią do przetworzenia | Streszczenia, analiza dokumentów |
| 4. Format odpowiedzi | Wynik trzeba ręcznie przerabiać | Tabele, raporty, dane do arkusza |
| 5. Łańcuch promptów | Duże zadanie wychodzi płytko | Artykuły, oferty, analizy |
| 6. Krok po kroku | Błędy w liczeniu i logice | Obliczenia, decyzje, diagnozy |
| 7. Pytania zwrotne | Brak kontekstu, model zgaduje | Strategie, plany, teksty ważne dla Ciebie |
| 8. Praca na źródłach | Zmyślanie faktów | Podsumowania, odpowiedzi na podstawie dokumentów |
| 9. Samoocena | Przeciętna pierwsza wersja | Teksty, kod, prezentacje |
| 10. Warianty i wybór | Jedna, przewidywalna propozycja | Nagłówki, nazwy, koncepcje kampanii |
1. Rola (persona) – ustaw perspektywę, a nie tylko tytuł
Technika roli polega na tym, że na początku promptu mówisz modelowi, kim ma być: redaktorem, rekruterem, księgowym, krytycznym klientem. Rola zmienia słownictwo, poziom szczegółowości i to, na co model zwraca uwagę. Obie największe firmy tworzące modele – OpenAI i Anthropic – wymieniają ją w swoich zaleceniach dotyczących promptowania.
Sama rola to jednak za mało. „Jesteś ekspertem od marketingu” niewiele daje, jeśli nie dopiszesz, dla kogo pracujesz i czego oczekujesz. Najlepiej działa rola połączona z perspektywą i celem:
Jesteś doświadczonym rekruterem w branży IT, który dziennie przegląda
kilkadziesiąt CV na stanowiska juniorskie.
Przeczytaj moje CV i powiedz szczerze, co zauważysz w pierwszych
10 sekundach, co Cię zniechęci i co zmienić w pierwszej kolejności.
Nie chwal na zachętę – zależy mi na konkretnych uwagach.
[WKLEJ CV]Kiedy używać: gdy potrzebujesz oceny z określonej perspektywy (klient, rekruter, recenzent) albo wyjaśnienia na konkretnym poziomie („jak nauczyciel dla 12-latka”).
2. Przykłady (few-shot) – pokaż, zamiast opisywać
Few-shot to podanie modelowi kilku przykładów: „tak wygląda wejście, tak ma wyglądać wynik”. To jedna z najskuteczniejszych technik promptowania, bo przymiotniki („lekko, ale profesjonalnie”) każdy rozumie inaczej, a przykład jest jednoznaczny. Prompt bez przykładów nazywa się zero-shot.
Napisz opisy produktów do sklepu z herbatą w takim stylu jak poniższe.
Przykład 1:
Produkt: Earl Grey Classic
Opis: Czarna herbata z bergamotką, która smakuje jak niedzielne śniadanie.
Mocna, aromatyczna, idealna z odrobiną mleka.
Przykład 2:
Produkt: Sencha Kyoto
Opis: Japońska zielona herbata o świeżym, lekko trawiastym smaku.
Parzona krótko daje delikatny napar na spokojne popołudnie.
Teraz napisz opisy dla:
- Rooibos Waniliowy
- Yerba Mate Limonka
- Biała Pai Mu TanWskazówki: wystarczą 2–3 przykłady. Niech różnią się od siebie (inny produkt, inna długość), żeby model nie kopiował jednego schematu słowo w słowo. Few-shot świetnie sprawdza się też przy klasyfikacji: pokazujesz po jednym przykładzie dla każdej kategorii, a model przypisuje kolejne elementy.
3. Znaczniki i separatory – oddziel polecenie od materiału
Gdy wklejasz do promptu dokument, mail czy dane, model musi wiedzieć, gdzie kończy się Twoja instrukcja, a zaczyna treść do przetworzenia. Bez tego potrafi potraktować zdanie z wklejonego tekstu jak polecenie. Rozwiązanie to wyraźne oznaczenie materiału: linia z kreskami, cudzysłów, nagłówek albo znaczniki w stylu XML. OpenAI w swoim przewodniku zaleca nagłówki Markdown i znaczniki XML, a Anthropic wprost poleca znaczniki XML przy pracy z Claude.
Streść poniższy dokument dla zarządu: 5 punktów, każdy maks. 2 zdania,
na końcu jedna rekomendacja. Pracuj tylko na treści dokumentu.
<dokument>
[WKLEJ DOKUMENT]
</dokument>
<uwagi_zarządu>
[WKLEJ UWAGI]
</uwagi_zarządu>Kiedy używać: zawsze, gdy w prompcie jest więcej niż jeden wklejony materiał albo materiał jest długi. Nazwy znaczników mogą być po polsku – ważne, żeby były spójne i żebyś odwoływał się do nich w poleceniu („na podstawie <dokument>”).
4. Format odpowiedzi – zaprojektuj wynik z góry
Najwięcej czasu tracimy nie na złych odpowiedziach, tylko na przerabianiu dobrych: skracaniu, przenoszeniu do tabeli, usuwaniu wstępów. Wystarczy z góry opisać format – albo wręcz podać szablon do wypełnienia.
Przeanalizuj 20 opinii klientów poniżej i zwróć wynik dokładnie w tym formacie:
| Temat | Liczba opinii | Nastrój (+/–/mieszany) | Przykładowy cytat |
|---|---|---|---|
Pod tabelą: 3 najważniejsze wnioski, każdy w jednym zdaniu.
Bez wstępu i bez podsumowania na końcu.
[WKLEJ OPINIE]Format może być tabelą, listą punktów, mailem z tematem, nagłówkami H2, a nawet strukturą JSON do dalszej automatyzacji. Dobrą praktyką jest też podanie limitów: liczby punktów, słów czy znaków. Więcej przykładów pracy z tabelami znajdziesz w prompcie wnioski z tabeli danych.
5. Łańcuch promptów – dziel duże zadania na etapy
Łańcuch promptów (ang. prompt chaining) polega na rozbiciu dużego zadania na kilka mniejszych, gdzie wynik jednego kroku jest materiałem dla następnego. Zamiast „napisz artykuł o X” robisz: plan → akceptacja planu → sekcje → korekta. Każdy krok jest prosty, a Ty masz kontrolę nad kierunkiem, zanim model napisze dwa tysiące słów w złą stronę.
Krok 1:
Przygotuj plan artykułu o tym, jak małe firmy mogą zacząć korzystać z AI.
Odbiorca: właściciel firmy usługowej, 5–15 pracowników, bez działu IT.
Daj 6–8 nagłówków H2, pod każdym 2 zdania o tym, co się w nim znajdzie.
Nie pisz jeszcze treści.
Krok 2 (po Twoich poprawkach planu):
Napisz sekcje 1–3 według zatwierdzonego planu, każda 150–200 słów,
z jednym konkretnym przykładem z firmy usługowej.
Krok 3:
Przeczytaj cały tekst jako redaktor: wypisz powtórzenia, ogólniki
i miejsca, gdzie brakuje przykładu. Potem popraw tekst.Kiedy używać: przy dłuższych tekstach, ofertach, analizach i wszędzie tam, gdzie chcesz zatwierdzić kierunek przed wykonaniem całości. Prompt chaining to też podstawa automatyzacji – w narzędziach typu Make czy Zapier każdy krok to osobny prompt.
6. Krok po kroku (chain of thought) – gdy liczy się logika
Chain of thought, czyli łańcuch myśli, to prośba, żeby model przeszedł przez problem etapami, zanim poda wynik. Przy obliczeniach, porównaniach ofert czy diagnozie problemu znacząco zmniejsza liczbę błędów, bo model nie „przeskakuje” od razu do odpowiedzi.
Mam dwie oferty leasingu samochodu dla firmy. Porównaj je krok po kroku:
1) wypisz wszystkie koszty z obu ofert w tabeli,
2) policz łączny koszt w okresie 36 miesięcy,
3) wskaż różnice w warunkach (wykup, limit kilometrów, ubezpieczenie),
4) dopiero na końcu podaj rekomendację i powiedz, od czego zależy.
Pokaż obliczenia, żebym mógł je sprawdzić.
[WKLEJ OFERTY]Ważna zmiana ostatnich lat: modele „rozumujące” (dostępne w ChatGPT, Claude i Gemini jako tryby z dłuższym myśleniem) planują odpowiedź samodzielnie, zanim cokolwiek napiszą. OpenAI porównuje je do doświadczonego kolegi, któremu wystarczy wysokopoziomowy cel, w odróżnieniu od modeli wymagających precyzyjnych instrukcji. Przy takich modelach zamiast „myśl krok po kroku” lepiej jasno opisać cel, dane i kryteria dobrego rozwiązania. Prośba „pokaż obliczenia” nadal się przydaje – nie dla modelu, tylko dla Ciebie, żebyś mógł sprawdzić wynik.
7. Pytania zwrotne – niech model zapyta, czego nie wie
To najprostsza i często najskuteczniejsza technika z całej listy. Zamiast samodzielnie przewidywać, jakiego kontekstu potrzebuje model, prosisz go, żeby zadał pytania przed odpowiedzią. Model wie, jakie informacje zmieniłyby wynik – Ty tylko odpowiadasz.
Chcę przygotować plan marketingowy na pierwszy kwartał dla mojego
studia jogi. Zanim zaczniesz, zadaj mi 5–7 pytań, które najbardziej
wpłyną na jakość planu. Zadawaj je jedno po drugim i poczekaj
na moją odpowiedź. Plan przygotuj dopiero po ostatniej odpowiedzi.Kiedy używać: przy zadaniach, w których sam nie wiesz, co jest ważne (strategia, plan, pierwszy tekst w nowej dziedzinie), i przy tekstach, które mają brzmieć jak Ty. Wariant tej techniki to dopisanie na końcu dowolnego promptu: „jeśli czegoś brakuje do dobrej odpowiedzi – zapytaj, zamiast zgadywać”.
8. Praca na źródłach – ogranicz zmyślanie
Model językowy generuje tekst prawdopodobny, a nie sprawdzony. Gdy pytasz o fakty „z pamięci”, może podać pewnie brzmiącą, ale nieprawdziwą informację – tzw. halucynację. Najskuteczniejsza obrona to ugruntowanie odpowiedzi w źródłach: wklejasz materiał i każesz pracować wyłącznie na nim.
Odpowiedz na pytanie klienta wyłącznie na podstawie regulaminu poniżej.
Jeśli w regulaminie nie ma odpowiedzi – napisz „brak informacji
w regulaminie” i nie zgaduj.
Pod odpowiedzią zacytuj dokładny fragment regulaminu, na którym się opierasz.
Pytanie klienta: [PYTANIE]
<regulamin>
[WKLEJ REGULAMIN]
</regulamin>Trzy elementy robią tu różnicę: zakaz wychodzenia poza źródło, zgoda na odpowiedź „nie wiem” i prośba o cytat. Cytat pozwala szybko sprawdzić, czy model niczego nie dopowiedział. Ta sama technika działa przy streszczeniach – zobacz prompt streszczenie długiego dokumentu. Pamiętaj tylko, żeby do publicznych narzędzi nie wklejać dokumentów poufnych ani danych osobowych.
9. Samoocena – każ modelowi sprawdzić własną pracę
Pierwsza wersja odpowiedzi rzadko jest najlepsza. Zamiast samemu wypisywać uwagi, możesz poprosić model o krytyczną ocenę według konkretnych kryteriów, a potem o poprawkę. Kluczowe słowo: konkretnych. „Oceń swoją odpowiedź” da ogólniki, a rubryka z kryteriami – realne poprawki.
Oceń powyższy tekst oferty według kryteriów (skala 1–5 i jedno zdanie uzasadnienia):
1. czy w pierwszych dwóch zdaniach jest konkretna korzyść dla klienta,
2. czy każda obietnica jest poparta faktem lub przykładem,
3. czy tekst da się przeczytać w 60 sekund,
4. czy wezwanie do działania jest jedno i jasne.
Potem przepisz tekst tak, żeby każde kryterium miało co najmniej 4.Kiedy używać: przy tekstach do klientów, ofertach, prezentacjach i kodzie. Przy kodzie kryteriami mogą być bezpieczeństwo, czytelność i obsługa błędów.
10. Warianty i wybór – nie bierz pierwszego pomysłu
Model domyślnie podaje najbardziej przewidywalną odpowiedź. Przy zadaniach kreatywnych to wada – pierwszy nagłówek czy nazwa produktu będą poprawne, ale przeciętne. Technika wariantów polega na poproszeniu o kilka wyraźnie różnych propozycji, a potem o wybór według kryteriów.
Zaproponuj 8 nagłówków do landing page kursu Excela dla księgowych.
Każdy w innym stylu: korzyść, liczba, pytanie, problem, obietnica czasu,
dowód społeczny, kontrast „przed/po”, prowokacja.
Potem wybierz 2 najlepsze dla odbiorcy, który nie lubi marketingowego
języka, i uzasadnij wybór w jednym zdaniu.Gotowy szablon do tego typu zadań: generowanie wariantów nagłówków.
Jak połączyć techniki w jednym prompcie
W praktyce rzadko używasz jednej techniki. Dobry prompt do ważnego zadania łączy zwykle 3–4 z nich. Oto przykład z rolą, separatorami, pracą na źródłach, formatem i pytaniami zwrotnymi:
Jesteś specjalistą ds. obsługi klienta w firmie kurierskiej. ← rola
Na podstawie zasad z <procedura> przygotuj odpowiedź na zgłoszenie
z <zgłoszenie>. Opieraj się tylko na procedurze. ← źródła
Format: mail z tematem, maks. 120 słów, na końcu jeden konkretny
następny krok dla klienta. ← format
Jeśli w procedurze brakuje informacji potrzebnej do odpowiedzi,
najpierw zadaj mi pytanie. ← pytania zwrotne
<procedura>
[WKLEJ PROCEDURĘ]
</procedura>
<zgłoszenie>
[WKLEJ ZGŁOSZENIE]
</zgłoszenie>Opisy po strzałkach są tylko dla Ciebie – nie wklejaj ich do czatu. Jeśli taki prompt używasz regularnie, zapisz go jako szablon albo dodaj stałe elementy (rolę, format) do instrukcji niestandardowych – pomoże w tym prompt instrukcje dla własnego asystenta AI.
Mity promptowania, które możesz pominąć
W sieci krąży sporo „magicznych formułek”. Większość z nich nie działa albo działa przypadkiem:
- Pisanie WIELKIMI LITERAMI i „to bardzo ważne!!!”. Nowoczesne modele dobrze rozumieją zwykłe zdania. Nadmiar wykrzykników potrafi wręcz sprawić, że model przesadnie trzyma się jednej zasady kosztem innych. Lepiej wyjaśnić, dlaczego coś jest ważne.
- Obietnice napiwku i groźby. Popularne w memach, ale nie zastąpią kontekstu. Zamiast „dam ci 100 zł za idealną odpowiedź” napisz, co znaczy „idealna” w tym zadaniu.
- Jeden uniwersalny „megaprompt”. Długie, skopiowane z internetu prompty na każdą okazję zwykle zawierają sprzeczne instrukcje. Krótszy prompt dopasowany do zadania wygrywa.
- „Pisz tylko po angielsku, bo AI lepiej rozumie”. Popularne modele dobrze radzą sobie z polskim. Pisz w języku, w którym chcesz dostać odpowiedź.
Jeśli chcesz sprawdzić, czy Twoje polecenia nie mają typowych słabości, zajrzyj do tekstu o 10 błędach w promptach albo użyj promptu „Popraw mój prompt”.
Jak ćwiczyć techniki promptowania
- Wybierz jedno powtarzalne zadanie – cotygodniowy raport, odpowiedzi na maile, opisy produktów.
- Napisz prompt i zapisz wynik. To Twój punkt odniesienia.
- Dodawaj po jednej technice – najpierw format, potem przykłady, potem pracę na źródłach – i porównuj wyniki.
- Zostaw tylko to, co poprawia wynik. Każde zdanie w prompcie powinno mieć powód.
- Zapisz najlepszą wersję jako szablon z polami w nawiasach kwadratowych, tak jak w naszej bibliotece promptów.
FAQ – techniki promptowania
Czym jest prompt engineering?
Prompt engineering, czyli inżynieria promptów, to projektowanie i dopracowywanie poleceń dla modeli AI tak, żeby dawały trafne i powtarzalne wyniki. Obejmuje techniki takie jak podawanie przykładów, określanie formatu, dzielenie zadań na etapy czy pracę na źródłach. W codziennym użyciu mówimy po prostu o promptowaniu.
Jaka technika promptowania jest najskuteczniejsza?
Nie ma jednej najlepszej – zależy od problemu. Gdy wynik ma zły styl, pomagają przykłady. Gdy model zmyśla – praca na źródłach. Gdy duże zadanie wychodzi płytko – podział na etapy. Jeśli miałbyś zacząć od jednej, wybierz pytania zwrotne: model sam wskaże, czego mu brakuje.
Co to jest few-shot i zero-shot?
Zero-shot to prompt bez przykładów – samo polecenie. Few-shot to prompt z kilkoma przykładami pokazującymi, jak ma wyglądać wynik. Few-shot daje zwykle lepsze efekty przy zadaniach, w których liczy się konkretny styl lub format.
Czy techniki promptowania działają tak samo w ChatGPT, Claude i Gemini?
Podstawowe techniki – przykłady, format, separatory, podział na etapy, praca na źródłach – działają we wszystkich popularnych modelach. Różnice dotyczą szczegółów, np. Anthropic szczególnie poleca znaczniki XML przy pracy z Claude. Warto przetestować ważny prompt w dwóch narzędziach.
Czy przy modelach rozumujących nadal trzeba pisać „myśl krok po kroku”?
Zwykle nie. Modele z trybem rozumowania same planują odpowiedź. Lepiej skupić się na jasnym celu, danych wejściowych i kryteriach dobrego wyniku. Prośba o pokazanie obliczeń nadal ma sens – żebyś mógł sprawdzić wynik.
Czy trzeba znać programowanie, żeby stosować prompt engineering?
Nie. Wszystkie techniki z tego artykułu stosujesz zwykłym językiem w oknie czatu. Programowanie przydaje się dopiero wtedy, gdy chcesz wbudować prompty w aplikacje lub automatyzacje.
Źródła i dalsza lektura: przewodnik po prompt engineeringu w dokumentacji OpenAI oraz zalecenia dotyczące promptowania w dokumentacji Anthropic (Claude) – stan na październik 2026 r.