Rozdíl mezi průměrnou a skvělou odpovědí umělé inteligence málokdy dělá model — dělá ho prompt. Představte si, že mluvíte s mimořádně schopným, ale úplně novým kolegou, který nezná kontext vaší práce. Čím přesnější instrukce, tím lepší výsledek. Tady je řada konkrétních pravidel, každé s ukázkou „špatně" a „dobře".
1. Buďte konkrétní, ne zdvořilí
Nejčastější chyba je prompt, který nechává modelu příliš velkou volnost. Neptejte se obecně — řekněte přesně, co chcete, pro koho, jak dlouhé a v jakém tónu.
Napiš e-mail klientovi.
Napiš zdvořilý a stručný e-mail (max 120 slov) klientovi panu Novákovi. Omluv se za zpoždění dodávky o tři dny, nabídni slevu 10 % a navrhni nový termín na příští úterý. Tón profesionální, ne přehnaně omluvný.
2. Přidělte roli a kontext
Modelu pomáhá, když ví, „kým" má být a pro koho píše. Role nastaví slovník, hloubku i tón. Stejně tak doplňte účel: k čemu výstup poslouží [1].
Jsi zkušený daňový poradce. Vysvětli začínající OSVČ bez ekonomického vzdělání, jak funguje paušální daň, ve čtyřech krátkých bodech a bez žargonu.
3. Ukažte příklad (few-shot)
Nic nefunguje líp než ukázka. Když chcete konkrétní formát nebo styl, dejte modelu jeden až tři příklady vstupu a žádaného výstupu; on vzor dopočítá. Téhle technice se říká „few-shot" a patří k nejspolehlivějším [4].
Zařaď zpětnou vazbu do kategorie (Cena / Kvalita / Podpora). Příklad 1: „Bylo to drahé." -> Cena Příklad 2: „Operátor mi nepomohl." -> Podpora Text: „Výrobek se po týdnu rozbil." ->
4. Předepište formát výstupu
Neříkejte jen „co", ale i „jak to má vypadat". Délka, struktura, tabulka, odrážky, JSON — když formát neurčíte, model si ho vymyslí sám a vy ho budete přepisovat.
Vrať odpověď jako tabulku se sloupci Riziko, Pravděpodobnost (nízká/střední/vysoká) a Opatření. Maximálně pět řádků, žádný úvodní text.
5. Nechte model myslet krok za krokem
U úloh, které vyžadují úvahu — matematika, logika, analýza — model výrazně chybuje, když ho nutíte odpovědět hned. Požádejte ho, ať nejdřív rozebere postup a teprve pak vydá závěr. Tahle „chain-of-thought" technika měřitelně zlepšuje přesnost [3].
Vyřeš ten příklad. Nejdřív krok za krokem rozepiš svou úvahu, a až na konci napiš finální výsledek na samostatný řádek.
6. Oddělte instrukce od dat
Když do promptu vkládáte delší text k zpracování, jasně ho ohraničte — třeba značkami nebo uvozovkami. Jinak model snadno splete vaše instrukce s obsahem, který má jen zpracovat. Strukturování pomocí značek je u Claude obzvlášť účinné [1].
Shrň text v značkách do tří vět. <text> ... sem patří text ke shrnutí ... </text>
7. Říkejte, co dělat — ne jen co nedělat
Zákazy fungují hůř než pozitivní pokyn. Místo „nebuď formální" řekněte, jak to chcete. Model se mnohem snáz trefí do pokynu, který popisuje cíl, než do seznamu zákazů.
Nepiš to moc odborně a nebuď nudný.
Piš jednoduše a živě, jako bys to vysvětloval kamarádovi u kávy. Používej krátké věty a konkrétní příklady.
8. Rozdělte velký úkol na kroky
Místo jednoho obřího promptu, který chce všechno najednou, řetězte. Nejdřív nechte model vytáhnout fakta, pak z nich napsat návrh, nakonec ho zkontrolovat. Každý krok je jednodušší a výsledek spolehlivější — této technice se říká „prompt chaining" [1].
9. Dejte modelu únik z halucinací
Jazykový model raději vymyslí věrohodně znějící odpověď, než aby přiznal, že neví. Dvě věci s tím zásadně pomáhají. Zaprvé mu to výslovně dovolte. Zadruhé nespoléhejte na jeho paměť u faktů — vložte zdrojová data přímo do promptu a řekněte, ať čerpá jen z nich.
Odpověz výhradně na základě podkladů níže. Pokud tam odpověď není, napiš přesně „V podkladech to není" a nic si nedomýšlej.
10. Iterujte — první prompt je jen koncept
Nikdo nenapíše dokonalý prompt napoprvé. Pošlete ho, podívejte se, co je na výstupu špatně, přidejte jedno upřesnění a zkuste znovu. Promptování je iterativní řemeslo, ne kouzlo na jeden pokus [1][2]. A bonus: u složitějšího zadání rovnou napište „než začneš, polož mi nejdřív upřesňující otázky" — ušetří to spoustu kol.
Proč na tom záleží
V malém je promptování pohodlí. Ve velkém — když na AI stavíte automatizaci nebo agenty, kteří zpracovávají stovky případů denně — je to rozdíl mezi efektní ukázkou a systémem, na který se dá spolehnout. Přesně tahle kázeň stojí za spolehlivostí, kterou u nasazení AI vyžadujeme, obzvlášť ve veřejné správě.
Zajímá vás, jak stavíme spolehlivá AI řešení?
Více o AI v Atodatu →Zdroje
[1] : Anthropic — Prompt engineering / Prompting best practices (clarity, examples, XML, thinking, chaining) — platform.claude.com/docs/.../prompt-engineering/overview
[2] : OpenAI — Prompt engineering guide — platform.openai.com/docs/guides/prompt-engineering
[3] : Wei et al. (2022) — Chain-of-Thought Prompting Elicits Reasoning in Large Language Models — arxiv.org/abs/2201.11903
[4] : Brown et al. (2020) — Language Models are Few-Shot Learners (GPT-3) — arxiv.org/abs/2005.14165