Kurs Python · Moduł 10: AI i modele językowe
Prompt Engineering - jak wydawać polecenia AI
W tej lekcji8
Wyobraź sobie że masz do dyspozycji genialnego stażystę: przeczytał pół internetu, ale nie czyta w myślach i zrobi dokładnie to, co napiszesz - ani mniej, ani więcej. Prompt engineering to sztuka wydawania mu poleceń tak, by trafiał za pierwszym razem. Trzy filary: bądź konkretny, daj kontekst, określ format.
Filar 1: bądź konkretny
Ogólne polecenie daje ogólną odpowiedź. Im węziej opiszesz, czego chcesz, tym trafniejszy wynik. Porównaj:
# Źle - stażysta zgadnie, co masz na myśli
"Napisz coś o zwierzętach"
# Dobrze - nie ma miejsca na domysły
"Napisz 3 akapity o zachowaniach lwów afrykańskich podczas polowania,
skupiając się na współpracy w stadzie."Różnica nie jest w długości, lecz w precyzji: liczba akapitów, konkretny temat, konkretny aspekt. Dobra zasada: jeśli po przeczytaniu promptu człowiek mógłby napisać dziesięć różnych odpowiedzi, model też będzie zgadywać.
Filar 2: podaj kontekst
Ten sam stażysta pomoże dużo lepiej, gdy wie, kim jesteś i na czym stoisz. Kontekst zawęża odpowiedź do Twojej sytuacji.
# Źle - o czym w ogóle mowa?
"Jak to naprawić?"
# Dobrze - model wie, kto pyta i co się dzieje
"Jestem junior Python developerem. Mój kod FastAPI zwraca błąd 422
przy POST request. Oto kod: [kod]. Jak to naprawić?"Kto pyta, jaka technologia, jaki dokładnie objaw - te trzy informacje zamieniają ogólny wykład na odpowiedź szytą na miarę. Model nie zna Twojego projektu; wszystko, co przemilczysz, będzie musiał zgadnąć.
Filar 3: określ format
Jeśli wynik ma trafić do programu, nie proś o "opis" - pokaż dokładny kształt, jakiego oczekujesz. Model odwzoruje podany wzór.
prompt = """
Przeanalizuj tekst i zwróć wynik w formacie JSON:
{
"gatunek": "nazwa gatunku",
"siedlisko": "gdzie żyje",
"dieta": "co je"
}
Tekst: Lew afrykański żyje na sawannach...
"""Podając gotowy szkielet JSON, prawie gwarantujesz, że odpowiedź da się wczytać w kodzie bez ręcznego sprzątania. To najprostszy sposób, by wynik z modelu wpiąć wprost do aplikacji.
Technika: few-shot, czyli ucz przykładem
Gdy zależy Ci na powtarzalnym wzorcu odpowiedzi, nie tłumacz go słowami - pokaż kilka przykładów. Model dopasuje się do wzoru.
prompt = """
Klasyfikuj zwierzęta:
Zwierzę: Lew
Klasyfikacja: Drapieżnik
Zwierzę: Zebra
Klasyfikacja: Roślinożerca
Zwierzę: Słoń
Klasyfikacja:
"""Dwa rozwiązane przykłady mówią modelowi więcej niż akapit instrukcji: widzi format, styl i poziom szczegółowości. Zostawiając ostatnią klasyfikację pustą, każesz mu dokończyć wzór - i o to chodzi w "few-shot".
Technika: chain of thought, czyli każ myśleć na głos
Przy zadaniach wymagających rozumowania model częściej się myli, gdy odpowiada od razu. Poproś go, by rozpisał kroki - tak jak uczeń pokazujący działania.
prompt = """
Rozwiąż problem krok po kroku:
Problem: W Safari jest 15 lwów i 23 słonie.
Każdego dnia przybywa 2 lwy i odchodzi 1 słoń.
Ile zwierząt będzie po 5 dniach?
Rozwiązanie:
Krok 1: Policz początkową liczbę zwierząt...
"""Fraza "krok po kroku" i zaczęte "Rozwiązanie" skłaniają model do rozłożenia zadania na etapy zamiast strzelania od razu wynikiem. Przy matematyce i logice ta jedna sztuczka zauważalnie podnosi trafność.
Technika: role prompting, czyli nadaj rolę
Możesz ustawić modelowi punkt widzenia, z którego ma odpowiadać. Robisz to w wiadomości systemowej, która nadaje ton całej rozmowie.
system_prompt = """
Jesteś doświadczonym przewodnikiem Safari z 20-letnim stażem.
Odpowiadasz entuzjastycznie, używasz anegdot z terenu.
Zawsze dbasz o bezpieczeństwo turystów.
"""Nadanie roli zmienia nie fakty, lecz styl i priorytety odpowiedzi - ten sam model raz brzmi jak sucha encyklopedia, raz jak gawędziarz z buszu. To najszybszy sposób dopasowania tonu do odbiorcy.
Szablony - powtarzalny prompt jako funkcja
Gdy ten sam prompt odpalasz na wielu danych, nie sklejaj napisów ręcznie - użyj szablonu z lukami do wypełnienia.
from string import Template
template = Template("""
Jako ekspert od $dziedzina, przeanalizuj poniższy $typ_danych:
$dane
Zwróć: 1. Obserwacje 2. Problemy 3. Rekomendacje
""")
prompt = template.substitute(
dziedzina="ekologii Safari",
typ_danych="raport populacji",
dane="Lwy: 45, Słonie: 120, Żyrafy: 78"
)Template podmienia $dziedzina, $typ_danych i $dane na przekazane wartości - dzięki temu masz jeden sprawdzony prompt i wiele wejść, zamiast dziesięciu ręcznie sklejanych wariantów.
Dobre nawyki na koniec
Kilka zasad, które oszczędzą Ci frustracji - potraktuj je jak listę kontrolną przy pisaniu promptu.
# 1. Oddzielaj sekcje separatorami, by prompt był czytelny dla modelu
prompt = """
### Zadanie ###
Przeanalizuj kod poniżej i znajdź błąd.
### Kod ###
def calculate(): pass
### Format odpowiedzi ###
- Na czym polega błąd
- Poprawiona wersja
"""
# 2. Mów też, czego NIE chcesz
"Odpowiedz krótko, bez wstępów typu 'Oczywiście, oto...'"
# 3. Dobierz temperaturę do zadania:
# temperature=0 -> kod i fakty (powtarzalnie)
# temperature=0.7 -> tekst kreatywny (różnorodnie)Nagłówki ### ... ### pomagają modelowi odróżnić instrukcję od danych, a wskazanie, czego unikać, bywa równie ważne jak polecenie. Temperatura zaś steruje losowością: przy kodzie chcesz zawsze tej samej, poprawnej odpowiedzi, przy opowieści - odrobiny fantazji.
Pamiętaj z tej lekcji: piszesz do zdolnego stażysty, który nie czyta w myślach. Konkretnie, z kontekstem, w zadanym formacie - a gdy zadanie jest trudne, dorzuć przykłady albo każ myśleć krok po kroku.
Widzisz błąd w tej lekcji?
Sprawdź się
Odpowiedz na pytania z tej lekcji. Wybierz odpowiedź, a od razu zobaczysz, czy jest poprawna.
1. Czym jest Prompt Engineering?
2. Czym jest technika Few-shot prompting?
To 2 z 4 pytań do tej lekcji. Pozostałe rozwiążesz w grze.
Zadania praktyczne w grze
- Edytor kodu
Użyj Template ze string do stworzenia szablonu z zmiennymi.
- Układanie w poziomie
Ułóż elementy:
- Klikanie w kolejności
Kliknij w kolejności: