Podstawy Prompt Engineering: Praktyczny Wpis ze Słownika

Prompt engineering to praktyka pisania tekstu wejściowego, który skłania model języka do wygenerowania dokładnie tego, co chcesz. Znajduje się gdzieś pomiędzy pisaniem a debugowaniem: nie codujesz w tradycyjnym sensie, ale testujesz hipotezy na temat tego, jak model interpretuje instrukcje, i iterujesz, gdy coś pójdzie nie tak.

Czym naprawdę jest prompt

Prompt to wszystko, co wysyłasz do modelu, zanim generuje odpowiedź — instrukcje, kontekst, przykłady i właściwe pytanie lub zadanie. Większość nowoczesnych modeli chat dzieli to na role: wiadomość systemowa (ustawia zachowanie i ograniczenia), wiadomości użytkownika (faktyczne żądanie) i czasami wiadomości asystenta (poprzednie tury lub przykłady). Jeśli korzystasz z API, takiego jak OpenAI czy Anthropic, ustawisz je jawnie w kodzie. Jeśli korzystasz z interfejsu chat, prompt systemowy jest często ukryty lub ustawiony raz na początku rozmowy.

Dlaczego to samo pytanie daje różne odpowiedzi

Modele języka przewidują następny token na podstawie wszystkiego, co poprzedzało, łącznie z twoją frazą, kolejnością wyrazów, a nawet znakami interpunkcyjnymi. Zapytaj "Wyjaśnij rekurencję" i otrzymasz ogólnikową odpowiedź z podręcznika. Zapytaj "Wyjaśnij rekurencję młodemu programiście, który rozumie pętle, ale nie rekurencję, używając jednego przykładu w Pythonie z przypadkiem bazowym i przypadkiem rekurencyjnym" i otrzymasz coś znacznie bardziej przydatnego. Specyficzność twojego wejścia bezpośrednio kształtuje specyficzność wyjścia. To jest kluczowa wiedza dla początkujących: model nie czyta twoich myśli, dopasowuje się do twoich słów.

Podstawowe techniki warte nauki

Zero-shot prompting oznacza bezpośrednie pytanie bez przykładów: "Napisz regex, który dopasowuje numery telefonów w USA". To dobrze sprawdza się w przypadku zwyczajnych, dobrze zdefiniowanych zadań.

Few-shot prompting oznacza podanie modelowi jednego lub więcej przykładów wzorca wejścia/wyjścia, który chcesz uzyskać, zanim poprosisz go o kontynuowanie wzorca. Jeśli chcesz, aby model klasyfikował zgłoszenia wsparcia do kategorii, pokazanie mu trzech otagowanych przykładów najpierw da bardziej spójne wyniki niż samo opisanie kategorii prozą.

Chain-of-thought prompting prosi model, aby rozumował krok po kroku przed udzieleniem ostatecznej odpowiedzi, często dosłownie dodając "myśl krok po kroku" lub prosząc go o pokazanie swojej pracy. To pomaga w matematyce, logice i zadaniach wieloetapowych, chociaż zwiększa również użycie tokenów i długość odpowiedzi.

Role prompting przypisuje modelowi osobę — "Jesteś starszym inżynierem bezpieczeństwa przeglądającym ten kod pod kątem luk" — co może zmienić ton, słownictwo i rodzaj szczegółów, które model priorytetuje. Nie przyznaje modelowi nowych zdolności, ale zakotwicza styl jego wyjścia.

Struktura liczy się bardziej niż spryt

Początkowcy często zakładają, że prompt engineering to poszukiwanie magicznej frazy. W praktyce struktura prawie zawsze wygrywa ze sprytem. Podziel swój prompt na jasne części: kontekst, zadanie, ograniczenia i format. Na przykład:

Kontekst: Przeglądasz aplikację Python Flask do audytu bezpieczeństwa.
Zadanie: Zidentyfikuj ryzyka SQL injection w poniższym kodzie.
Ograniczenia: Oznacz tylko problemy w trasach /login i /search.
Format: Zwróć listę numerowaną z numerem linii i wyjaśnieniem w jednym zdaniu.

Ten rodzaj jawnego formatowania zmniejsza niejednoznaczność i ułatwia analizę wyjść programowo, jeśli łączysz prompty razem w skrypt.

Częste błędy na początek

Częsty błąd to niejasność przebierająca się za zwięzłość — pytanie "popraw to" bez zdefiniowania, co "popraw" oznacza (szybciej? bardziej czytelnie? bezpieczniej?). Innym jest wciśnięcie pięciu niepowiązanych zadań w jeden prompt, co zwykle daje płytkie odpowiedzi na wszystkie pięć zamiast solidnej odpowiedzi na jedno. Początkujący zapominają też, że modele nie mają pamięci pomiędzy oddzielnymi wywołaniami API, chyba że jawnie przekażesz wcześniejszą historię rozmowy, co wprowadza ludzi w błąd podczas budowania czegoś stanowego.

Testowanie i iteracja jak inżynier

Traktuj prompty jak kod, który wersjanujesz i testujesz, a nie jednorazowy tekst, który wyrzucasz. Prowadź dziennik zmian promptu i ich wyjść, szczególnie dla wszystkiego, co będziesz ponownie używać w produkcji, na przykład bota wsparcia klienta lub asystenta przeglądu kodu. Małe zmiany sformułowań — "podsumuj" vs "podsumuj dokładnie w trzech punktach" — mogą dać znacznie różne wyniki, a jedynym sposobem, aby wiedzieć, co działa dla twojego przypadku użycia, jest przeprowadzenie samego porównania zamiast założenia.

Gdzie to pasuje w budowaniu prawdziwych rzeczy

Kieedy prompty stają się niezawodne, następnym krokiem jest zwykle użycie programowe: wywołanie API z ustawionymi parametrami temperature i max_tokens dla twojego zadania, dodanie logiki ponownych prób na wypadek zniekształconych wyjść i walidacja odpowiedzi, zanim trafią do użytkownika. To jest punkt, w którym prompt engineering zaczyna pokrywać się z regularną dyscypliną inżynierii oprogramowania, i to dobry moment, aby przejść z eksperymentowania w oknie chatu do pisania rzeczywistych skryptów.

Jeśli chcesz pójść dalej, sprawdź segmenty Korra Studio na temat pracy z LLM API w Pythonie i budowania małych narzędzi zasilanych sztuczną inteligencją od podstaw.