Od niejasnego do precyzyjnego: udoskonalanie jednego promptu w trzech celowych krokach
Zobacz, jak prosta instrukcja dla modelu językowego ewoluuje w uporządkowany brief, i dowiedz się, dlaczego kontekst określa to, co jest prawdą, podczas gdy rola, format i ograniczenia decydują o dobrym wyniku.
Źródła: I Rewrote the Same Prompt Three Times. Here’s What Changed Each Time.
Większość słabych wyników generowanych przez LLM nie pochodzi od słabego modelu, lecz od promptu, który zmusza model do domysłów. Najprostszym sposobem na to sprawdzenie jest wzięcie jednego zapytania i stopniowe jego ulepszanie, obserwując, co każda zmiana eliminuje z konieczności domyślania się. Poniżej przedstawiono jedno codzienne zadanie w trzech wersjach – na końcu otrzymasz powtarzalny wzorzec, który pozwoli przekształcić własne często używane prompty w takie, których wyniki wymagają niewielkiej lub żadnej edycji.
Zadanie przez cały czas: przygotowanie posta na LinkedIn z informacją o aktualizacji produktu.
Etap pierwszy: zapytanie takie, jak ludzie zwykle je wpisują
Pierwsza wersja to ta, którą wysyła niemal każdy.
Write a LinkedIn post about our new feature launch.
Nic tutaj nie jest błędne, ale prawie nic też nie zostało określone. Nie ma roli, którą model miałby przyjąć, żadnego opisu funkcji, żadnej grupy docelowej, żadnego tonu ani formatu. Jedyne wskazówki to „post na LinkedIn” i „premiera funkcji”, więc model wypełnia każdą lukę swoimi najbezpieczniejszymi, najbardziej ogólnymi standardami. Rezultatem jest wyrafinowana treść korporacyjna, która mogłaby ogłaszać dowolny produkt.
Krok drugi: podanie faktów
Druga wersja mówi modelowi, co tak naprawdę się wydarzyło.
Write a LinkedIn post about our new feature launch. We just added dark mode to our app, and users have been asking for it for months. Keep it casual.
To jest prawdziwy postęp. Model teraz wie, że chodzi o tryb ciemny i że użytkownicy od dawna tego żądali, a hasło „trzymać się prostoty” sprawia, że ton nie przypomina komunikatu prasowego. Nadal brakuje określonego mówcy, ograniczeń formatowych oraz jasnego celu wykraczającego poza „napisanie posta”. Dlatego model nadal musi zdecydować, jak długi ma być tekst, czy dodać wezwanie do działania oraz w jakim tonie ma pisać.
Dla wielu osób na tym kończy się proces generowania treści, a wynik jest zazwyczaj przydatny. Jednak przydatny to niekoniecznie najlepszy możliwy wynik.
Krok trzeci: dodanie roli, celu, formatu i ograniczeń
Ostateczna wersja dzieli prośbę na dwie części. Najpierw określana jest rola, która ustala ton tekstu:
Act as a founder writing a personal, low-key LinkedIn update, not a marketing announcement.
Następnie pojawia się uporządkowany streszczenie obejmujące kontekst, cel, format oraz wyraźne wykluczenia. Jest oznaczone jako zwykły tekst, a nie YAML; umieszczenie każdej etykiety na osobnej linii ułatwia analizę poszczególnych sekcji.
Context: We just shipped dark mode after users requested it for months. This is a small update, not a major launch, so it shouldn't be hyped up.Objective: Announce the update in a way that feels like a genuine update from a builder, not corporate copy, and invite people to try it and share feedback.Format: Under 100 words. No emojis. End with a direct, casual question rather than a call to action button.Constraints: Do not use the words "excited," "thrilled," or "game-changer." Do not use hashtags.
Korzyść nie polega jedynie na tym, że instrukcja stała się dłuższa. Każda niejednoznaczność pozostała z drugiej próby została teraz rozwiązana: model wie, kto mówi, jakiego tonu należy unikać, jaki jest limit słów, jak zakończyć post oraz które słowa i hasztagi są zabronione. Gdy nie ma już wiele do odgadnięcia, nie ma też wiele możliwości popełnienia błędu.
Zwróć szczególną uwagę na negatywne ograniczenia. Wymienienie słów zabronionych, takich jak „excited” czy „game-changer”, jest często najskuteczniejszym sposobem na usunięcie klišé, które sprawiają, że generowany tekst jest rozpoznawalny, ponieważ bezpośrednio dotyczy najbardziej prawdopodobnych domyśleń modelu.
Dlaczego drugi skok jest ważniejszy niż pierwszy
Przejście od pierwszego etapu do drugiego dodało kontekst. Przejście od drugiego do trzeciego etapu dodało strukturę: rolę, wyraźny format oraz ograniczenia dotyczące tego, czego należy unikać. Drugi krok zazwyczaj ma większy wpływ, niż ludzie się spodziewają, ponieważ te dwa elementy pełnią różne funkcje. Kontekst informuje model o tym, co jest prawdą. Struktura pokazuje mu, jak powinien wyglądać dobry wynik.
To różnice wpływają również na to, gdzie skupia się nasze wysiłki. Przy promptzie typu „pass-two” zazwyczaj poprawiamy kształt wyniku po jego otrzymaniu: skracamy długość, usuwamy zbędne elementy, przepisujemy zakończenie. Przy promptzie typu „pass-three” opisujemy kształt wyniku od razu na początku, dzięki czemu edycja praktycznie nie jest konieczna. Jeśli szukasz bardziej kompleksowego wzoru do systemów produkcyjnych, zapoznaj się z naszym siedmiowarstwowym frameworkiem dla promptów LLM.
Należy pamiętać o jednej ważnej uwadze: nie każdy prompt wymaga tak szczegółowego potraktowania. W przypadku szybkiej, jednorazowej pytania wystarczy metoda „pass two”. Wersja strukturyzowana okazuje się przydatna dla promptów, które używamy wielokrotnie, dzielimy z zespołem lub od których zależy tekst przeznaczony dla publiczności.
Zastosuj ten wzorzec do swoich promptów
Wybierz prompt, który wysyłasz regularnie – taki, który prawie możesz wpisać z pamięci – i powtórz to ćwiczenie:
- Najpierw dodaj kontekst: fakty, których model nie może poznać samodzielnie.
- Dodaj rolę, która określa głos lub perspektywę.
- Dodaj format: długość, strukturę oraz to, jak powinien wyglądać koniec wyniku.
- Dodaj jedno lub dwa wyraźne wykluczenia: słowa, style lub elementy, które należy pominąć.
Zazwyczaj pierwsze dwie wersje nadal wymagają edycji, podczas gdy trzecia jest już prawie gotowa.
Główne wnioski
- Jedynie prośba zmusza model do wypełniania luk ogólnymi standardami.
- Kontekst poprawia dokładność, ale nie określa, co oznacza „dobrze wykonane zadanie”.
- Rola, cel, format i ograniczenia przekształcają prośbę w specyfikację.
- Ograniczenia negatywne to tani i skuteczny sposób na usunięcie kliше.
- Inwestuj w strukturę dla promptów, których używasz wielokrotnie; pytania ad hoc powinny być proste.
Pozycje pokrewne
- 30 praktycznych technik wyzwalania Claude z rzeczywistego codziennego użycia — Dokładny opis 30 technik wyzwalania Claude sprawdzonych w praktyce, uporządkowany według tego, co faktycznie osiągają, od jasnych instrukcji po kompleksowe systemy promptów.
- Stwórz osobisty wyostrzacz i generator promptów z użyciem Claude Artifacts — Jak przekształcić jedną rozmowę z Claude w narzędzie do promptów, które można wielokrotnie używać, aby udoskonalić słabe prompty i rozwijać surowe pomysły w wersje podstawowe, zaawansowane i ekspertyczne.