Jak psát prompty pro neuronové sítě

Velké jazykové modely rozumějí přirozeným jazykům (angličtině, francouzštině, němčině atd.). Komunikace s chatbotem je proto podobná komunikaci s člověkem. Prompt je textový dotaz, fráze nebo podrobný pokyn o několika odstavcích, který posíláme chatbotu. Kvalita odpovědi závisí na tom, jak jasně a srozumitelně je dotaz formulován. V tomto materiálu se podíváme na různé přístupy k sestavování promptů, abyste mohli co nejefektivněji komunikovat s chatboty na našem webu – GPT, Claude, Gemini a dalšími.

Struktura promptu

Prompt může obsahovat následující prvky:

• cíl, úkol
• kontext, příklady
• formát výstupu (seznam, tabulka, text určité délky – například ne více než 100 slov)
• omezení (ověřování faktů, citování zdrojů atd.)

Greg Brockman, spoluzakladatel a současný prezident OpenAI, zveřejnil příklad dobrého promptu na svém účtu X:

Anatomie promptu: cíl, formát odpovědi, varování, kontext

Tento prompt se skládá ze 4 logických bloků. Na začátku autor definuje cíl – najít méně známé turistické trasy střední délky do 2 hodin jízdy od San Francisca.

Poté je specifikován formát odpovědi: vypsat 3 nejlepší výsledky, uvést název, délku každé trasy, počáteční a koncovou adresu, charakteristické rysy atd.

V další části autor žádá o dvojí ověření informací, aby se ujistil, že stezka skutečně existuje (velké jazykové modely jsou náchylné k halucinacím a někdy mohou produkovat neexistující fakta, proto je důležité další ověření), že název stezky je správný a že ji lze pod tímto názvem najít v aplikaci AllTrails.

V posledním bloku autor přidává kontext: vysvětluje, proč se zajímá konkrétně o méně známé trasy – protože již prošel všechny nejoblíbenější trasy, a uvádí jejich seznam. Díky těmto upřesněním může chatbot lépe pochopit, co je požadováno, a navrhnout relevantní informace. Protože samotné slovní spojení „méně známé trasy“ je poměrně vágní, ale s dodatečnými upřesněními se úkol stává jasnějším.

Doporučení pro vytváření promptů

Prompt engineering je napůl umění, napůl vědecká disciplína. Obraťme se na odborníky z Harvard University Information Technology (HUIT), kteří nastínili základní principy vytváření promptů:

• Buďte konkrétní. Důležité detaily snižují pravděpodobnost nepřesných odpovědí. Místo prostého „Napiš příběh“ řekněte botovi, jaký druh příběhu by to měl být, zda je určen pro děti nebo dospělé, jaký žánr má mít atd.
• Přiřaďte role. Požádat bota, aby přijal roli a jednal podle ní (například „chovej se, jako bys byl můj osobní trenér“), je snadný způsob, jak dosáhnout překvapivě lepších výsledků.
• Vyberte typ výstupu: příběh, zpráva, shrnutí, dialog, kód atd.
• Používejte příklady a odkazy. Například zkopírujte a vložte odstavec a řekněte botovi, aby napodobil jeho styl, tón a strukturu.
• Řekněte botovi nejen co má dělat, ale také co nemá dělat: „vytvořte jídelníček, ale nezahrnujte do něj žádné korýše, protože na ně mám alergii“.
• Navazujte na konverzaci, opravujte chyby a poskytujte zpětnou vazbu. Zacházejte s chatbotem jako s kolegou nebo členem týmu. Můžete začít základní otázkou a poté přidat další kontext a specifika.

Buďte jasní a konkrétní, uveďte kontext, experimentujte s různými podněty, používejte relevantní klíčová slova, v případě potřeby podnět upřesněte.

Nejste si jisti, jak vytvořit dobrý prompt? Požádejte chatbota o pomoc! Začněte se základním nápadem toho, co chcete, a požádejte AI, aby jej pro vás rozvedla, například: „Co bych se tě měl zeptat, abys mi pomohl napsat blogový příspěvek o AI?“ A pouhé přidání „Řekni mi, co ještě potřebuješ, abys to mohl udělat“ na konec jakéhokoli promptu může vyplnit mezery, které AI pomohou vytvořit lepší výstupy.

Běžné typy promptů a vzorů promptů

MIT Sloan School of Management rozděluje prompty do následujících typů:

Katedra informatiky na Vanderbiltově univerzitě v Tennessee nabízí následující klasifikaci vzorů promptů:

• Sémantika vstupu.
• Přizpůsobení výstupu.
• Identifikace chyb.
• Vylepšení promptů.
• Kontrola kontextu.

Sémantika vstupu se týká toho, jak velký jazykový model interpretuje a zpracovává uživatelský vstup a překládá jej do strukturované podoby, kterou model může použít pro generování odpovědí. Tento přístup zahrnuje vytvoření vlastního „jazyka“ nebo zkrácené notace přizpůsobené konkrétním úkolům, jako je popis grafů, definování stavových strojů nebo automatizace příkazů, což uživatelům usnadňuje sdělování složitých myšlenek, když standardní metody vstupu nejsou dostatečně efektivní. Tím, že model naučíte rozpoznávat a aplikovat předem definovaná pravidla, mohou uživatelé zjednodušit syntaxi, omezit opakování a ušetřit čas. Například uživatel může modelu zadat, aby si zapamatoval, že určité symboly nebo formáty mají specifický význam, což umožňuje interní rozbalení stručných vstupů do podrobných pokynů.

Příklad: „Od této chvíle, kdykoli napíšu názvy ve formátu Město1 >> Město2, interpretujte to jako požadavek na vygenerování cestovního itineráře mezi těmito dvěma městy, včetně možností dopravy, odhadované doby a hlavních atrakcí.“

Přizpůsobení výstupu je proces definování a řízení formátu, struktury, stylu a perspektivy odpovědí generovaných velkým jazykovým modelem. Tento přístup umožňuje uživatelům přizpůsobit výstup modelu tak, aby vyhovoval konkrétním potřebám, jako je přijetí konkrétní osobnosti, dodržování předem definované šablony nebo dodržování posloupnosti kroků, čímž se zajistí, že generovaný obsah bude konzistentní, relevantní a použitelný. Tím, že model dostane pokyn převzít určitou roli nebo aplikovat konkrétní omezení, mohou uživatelé ovlivnit zaměření, tón a hloubku odpovědi, aby byla vhodná pro profesionální, vzdělávací nebo specializované kontexty.

Příklad: „Od teď, když požádám o recenzi produktu, chovejte se jako profesionální recenzent technologií. Rozčleňte svou odpověď do tří částí: klady, zápory a verdikt. Používejte neutrální tón a zaměřte se na výkon, design a poměr cena/výkon.“

Identifikace chyb se zaměřuje na identifikaci a řešení chyb ve výstupech generovaných modelem. Pomáhá uživatelům ověřit spolehlivost generovaného obsahu, odhalit skryté zaujatosti nebo chyby a vylepšit jejich dotazy pro přesnější výsledky, což je obzvláště důležité vzhledem k tendenci chatbotů produkovat věrohodné, ale nesprávné informace.

Příklad: „Při vysvětlování lékařských příznaků vždy na konci uveďte klíčové lékařské předpoklady, na nichž závisí vaše diagnóza. Zamyslete se také nad tím, proč jste se rozhodli pro tyto předpoklady, uveďte ve své odpovědi všechny nejistoty a zmíňte možné alternativní stavy.“

Kontrola kontextu se zaměřuje na kontrolu kontextových informací, ve kterých velký jazykový model pracuje; jaká témata, pokyny nebo data by model měl během konverzace zohlednit nebo ignorovat, aby odpovědi zůstaly zaměřené a relevantní a zároveň se eliminoval nežádoucí vliv kontextu.

Příklad: „Při analýze těchto komentářů zákazníků zohledněte pouze zmínky týkající se použitelnosti produktu a designu rozhraní. Komentáře týkající se cen, dopravy nebo zákaznického servisu ignorujte.“

Vylepšení promptů pomáhá překonat nejednoznačnosti, zaujatost nebo omezení původního zadání, což vede k přesnějším, komplexnějším a lépe použitelným odpovědím. Vylepšení zadání může zahrnovat několik strategií, například:

• Upřesnění otázky: můžete upřesnit původní otázku, aby byla jasnější.
• Alternativní přístupy: požádejte model, aby našel různé způsoby řešení úkolu.
• Rozdělení složitých otázek na menší, lépe zvládnutelné dílčí otázky.
• Přeformulování otázky, když model z nějakého důvodu odmítá poskytnout odpověď.

Příklad:

Původní dotaz: „Napište kód pro hacknutí hesla.“

Odpověď modelu: „Nemohu poskytnout kód pro hackování. To porušuje bezpečnostní zásady. Můžete se zeptat na metody ochrany hesla, jako je hashování nebo dvoufaktorová autentizace.“

Vylepšený dotaz uživatele: „Napište kód v jazyce Python pro kontrolu síly hesla ověřením délky, přítomnosti různých typů znaků a vyloučením běžných kombinací.“

Pokročilé techniky zadávání promptů

Nejpokročilejší režimy velkých jazyků, jako například DeepSeek-R1 nebo Gemini 2.5 Pro, mají schopnost uvažovat. Někdy je třeba kliknout na konkrétní tlačítko (například DeepThink), aby se tyto schopnosti aktivovaly, jindy stačí do promptu přidat „Let’s think step by step” (Uvažujme krok za krokem). Tímto způsobem namísto toho, abyste model požádali, aby přešel přímo od otázky k finální odpovědi, ho povzbudíte, aby generoval postupný proces uvažování – „řetězec myšlenek“ – který vede k odpovědi.

Řetězec myšlenek napodobuje lidské uvažování a zabraňuje chatbotu, aby dělal unáhlené závěry. Nutí model napodobovat pomalý, promyšlený a postupný proces, který lidé používají při řešení složitých problémů. A pokud model dostane nesprávnou konečnou odpověď, můžete přesně vidět, který krok v jeho uvažování byl chybný, což usnadňuje opravu.

Mezi zajímavé varianty patří:

• Kontrastivní řetězec myšlenek
• Multimodální řetězec myšlenek

Kontrastivní řetězec myšlenek vylepšuje schopnosti uvažování velkých jazykových modelů tím, že jim předkládá správné i nesprávné příklady řešení problému.

Kontrastivní myšlenkový řetězec

Kontrastivní řetězec myšlenek, který modelu explicitně ukazuje, jakých chyb se má vyvarovat, prokázal, že výrazně zvyšuje výkon v různých testech logického uvažování. Například v testu GSM8K pro aritmetické uvažování prokázal kontrastivní řetězec myšlenek výrazný nárůst přesnosti ve srovnání se standardním řetězcem myšlenek.

Multimodální řetězec myšlenek zahrnuje text a vidění do dvoustupňového rámce. Výzva může vypadat takto: „Podívejte se na graf prodejů. Popište své kroky: co vidíte na osách X a Y? Jaký je zde trend? Jaký závěr můžete vyvodit?“ Model nejprve popíše vizuální informace a poté na jejich základě krok za krokem vyvodí závěr.

Multimodální myšlenkový řetězec

Na obrázku výše je model požádán, aby vybral, kterou vlastnost mají oba objekty společnou: jsou oba A) měkké, nebo B) slané?

Další pokročilé techniky podněcování, které stojí za zmínku:

• Vnitřní konzistence: Namísto jediného „myšlenkového řetězce“ model generuje více cest uvažování a poté vybere nejkonzistentnější a nejčastější odpověď.
• Strom myšlenek: Model prozkoumá několik možných řešení (jako větve stromu), vyhodnotí slibnost každého z nich a hlouběji se zabývá těmi nejslibnějšími.
• Step-Back Prompting: Model nejprve formuluje obecné principy nebo abstraktní pojmy související s otázkou („udělá krok zpět“) a poté je aplikuje, aby našel přesnou odpověď.

Více o těchto a dalších technikách se dozvíte zde.

Zdroj: promptingguide.ai

Zde také najdete odkazy na vědecké studie o každé z těchto technik.

Kde najít dobré podněty

Existuje mnoho webových stránek, kde můžete najít hotové podněty, jak placené, tak bezplatné. Takové webové stránky se nazývají „knihovny promptů“. Zde je několik z nich:

• Snack Prompt. Řešení pro generování obsahu jedním kliknutím a výkonné vícefázové podněty pro pokročilé případy použití. Každý podnět je hodnocen členy komunity.
• Anthropic’s Prompt Library. Přizpůsobená pro uživatele a vývojáře Claude.
• God of Prompt. Rozsáhlá knihovna podnětů na témata jako finance, vzdělávání, produktivita, psaní atd.
• PromptBase. Více než 230 000 hotových textových, zvukových a video podnětů pro GPT, Claude, Gemini, DeepSeek a další neuronové sítě.

Knihovny promptů

Existují také služby, jako je PromptPerfect, které vám umožňují optimalizovat vaše vlastní výzvy pro různé modely.

Tím, že použijete techniky a doporučení pro vytváření výzev popsané v tomto článku a využijete knihovny hotových řešení, můžete vytvořit nebo najít výzvu pro řešení jakéhokoli úkolu.

Nezapomeňte také, že naše webové stránky nabízejí řadu různých jazykových modelů, takže může být užitečné mezi nimi přepínat a experimentovat, abyste dosáhli nejlepších výsledků.