O czym jest ten film
- Dominująca rada „dopisz więcej szczegółów do promptu” przestała działać przy najnowszych modelach.
- Dzisiejsze modele czytają instrukcje bardzo dosłownie, więc poprawa polega na usuwaniu słów, a nie dokładaniu.
- Pierwsza kategoria do wycięcia: słowa-absoluty („zawsze”, „nigdy”, „musisz”).
- Zamiast absolutów autor proponuje reguły warunkowe w formacie „jeśli… to…”, dające modelowi wyjście awaryjne.
- Druga kategoria: słowa mgliste („szczegółowy”, „profesjonalny”, „podsumowanie”), które człowiek i model rozumieją inaczej.
- Lekarstwo na mgliste słowa: precyzyjna definicja albo przykład wcześniejszej pracy do naśladowania.
- Trzecia kategoria: zwroty wymuszające wysiłek („myśl głębiej”, „myśl krok po kroku”) — dziś tylko rozpraszają.
- Wysiłek modelu reguluje się dziś ustawieniem w narzędziu: „effort level” w Claude, „thinking level” w ChatGPT.
- Poziom rozumowania nie ma związku z długością odpowiedzi — to dwie niezależne rzeczy.
- Stare prompty i skille można wyczyścić samą sztuczną inteligencją; autor podaje gotowy prompt rewizyjny.
Redakcyjne tłumaczenie
Rada, która przestała działać
Niemal wszyscy powtarzają to samo o promptach do AI: dodawaj więcej. Więcej szczegółów, więcej reguł, więcej kroków. Przez długi czas to rzeczywiście działało — ale już nie działa.
Jeśli trafiliście tu po raz pierwszy: nazywam się Dylan i prowadzę firmę doradczą zajmującą się sztuczną inteligencją. Od pewnego czasu duża część moich sesji coachingowych sprowadza się do naprawiania promptów, które kiedyś były świetne, a dziś przestały być użyteczne.
Najnowsze modele czytają słowa bardziej dosłownie. Dlatego naprawa polega na wyjmowaniu słów, a nie na dokładaniu kolejnych. Pokażę trzy rodzaje słów, które warto wyciąć, i podpowiem, czym je zastąpić.
Są trzy kategorie słów, które chcemy usunąć albo przeformułować, żeby wyciągnąć więcej z dzisiejszych modeli.
Pierwsza kategoria to słowa-reguły — absoluty. „Zawsze”, „nigdy”, „musisz” i podobne, którymi próbujemy zmusić model do trzymania się instrukcji. Dziś te słowa często pogarszają wynik, bo model robi wszystko, co w jego mocy, żeby spełnić to jedno „zawsze”, poświęcając przy tym całą resztę promptu czy skilla.
Druga kategoria to słowa mgliste i nieostre: „szczegółowy”, „profesjonalny”, „podsumowanie”. Mamy dla nich własne definicje, ale model też ma swoje — i bywają zupełnie inne niż nasze.
Trzecia kategoria to słowa, którymi próbujemy wycisnąć z modelu więcej wysiłku: „myśl głębiej”, „myśl krok po kroku” i tak dalej. Kiedyś była to bardzo popularna taktyka, dziś jest nieaktualna i w praktyce działa na dzisiejsze modele wyłącznie jako rozpraszacz. Trzeba ją usunąć całkowicie i zastąpić ustawieniem.
Kategoria pierwsza: absoluty
Kiedy używacie w promptach — czy to w skillu, czy w projekcie — terminów absolutnych w rodzaju „zawsze”, „nigdy”, „musisz”, model za wszelką cenę stara się tę instrukcję wypełnić. Dzisiejsze modele czołowej klasy, takie jak Fable 5 czy GPT-5.6, wyjątkowo dobrze trzymają się instrukcji i są skrajnie dosłowne. Jeśli więc naładujecie prompt absolutami, model poświęci wszystko inne, byle spełnić tę jedną regułę — i najpewniej odda wam słaby wynik.
(Informacja dodatkowa: Fable 5 i GPT-5.6 to nazwy modeli, którymi autor posługuje się jako przykładami „stanu na dziś”; mechanizm, o którym mówi, dotyczy całej klasy najnowszych modeli, nie konkretnego producenta).
Zamiast tego chcemy dać modelowi wentyl — możliwość pójścia inną ścieżką, kiedy zajdzie taka potrzeba. Służą do tego konstrukcje „jeśli… to…”.
Jak to wygląda w praktyce? Zła wersja promptu jest naszpikowana absolutami:
Zawsze dołącz sekcję o ryzykach. Nigdy nie zakładaj niczego z góry. Musisz podać źródło dla każdej liczby.
To stary sposób, który kiedyś działał, a dziś już nie działa. Wersja poprawiona składa się z serii wentyli, czyli zdań warunkowych:
Jeśli w danej sekcji nie ma realnych ryzyk, napisz „nie znaleziono” zamiast wymyślać ryzyko.
Jeśli jakiejś liczby nie ma w pliku, który ci przekazałem, oznacz ją jako „nie znaleziono”. Nie zgaduj.
Jeśli moje polecenie jest niejasne, zadaj mi jedno pytanie, zanim zaczniesz.
Każde z tych zdań daje modelowi wybór jednej z dwóch ścieżek, zamiast blokować całą pracę dlatego, że nie dało się spełnić sztywnej reguły.
Jak wyczyścić stare prompty rękami samej AI
Piękne w tej kategorii — i w następnej — jest to, że do poprawy możemy wykorzystać samą sztuczną inteligencję. Bierzemy stare instrukcje: prompt systemowy w projekcie albo skill, każemy modelowi znaleźć w nich absoluty i je poprawić.
Oto prompt, który możecie sobie po prostu przywłaszczyć. Załóżmy, że chcecie przejrzeć projekty albo skille, z których korzystacie na co dzień:
Przejrzyj instrukcje w tym projekcie / skillu. Czy są w nich słowa absolutne w rodzaju „zawsze”, „nigdy”, „musisz”? Jeśli tak, wypisz mi je. Dodatkowo zaproponuj, jak zamienić każde z nich na regułę „jeśli… to…”, dopasowaną do tego, czego realnie potrzebuję w tym skillu / projekcie.
Kiedy propozycje wam odpowiadają, mówicie po prostu: „Dobrze, akceptuję. Zaktualizuj instrukcje projektu / skilla” — i model robi to automatycznie.
Jest jedno zastrzeżenie: to działa bez żadnego wysiłku z waszej strony, jeśli używacie agenta desktopowego, na przykład Codex albo Claude CoWork. Jeśli korzystacie z Claude’a lub ChatGPT w przeglądarce, będziecie musieli kopiować prompty tam i z powrotem: wkleić instrukcje, dostać uwagi, a potem wkleić nową wersję z powrotem do projektu albo skilla. Bardziej ręcznie i uciążliwie, ale wykonalne.
Kategoria druga: słowa mgliste
To pojęcia, które definiujemy sami dla siebie — zwykle w domyśle — i nigdy nie mówimy tej definicji modelowi wprost. Na przykład: „chcę, żebyś był bardziej szczegółowy”. Albo „dokładny”. Albo „profesjonalny”. Wszystkie te słowa znaczą coś innego dla mnie, a coś innego dla modelu.
Przykład: proszę o „szczegółowe” podsumowanie. W mojej głowie „szczegółowe” to mniej więcej jedna strona. Dla modelu może to być trzydzieści pięć stron. To zupełnie różne definicje.
W miejscach, w których mgliste słowo pada w naprawdę ważnej części promptu albo skilla, musimy je zdefiniować albo dać przykład. To dwa dostępne rozwiązania.
Rozwiązanie pierwsze: definiowanie. Stary prompt, który kiedyś działał, brzmiał: „Daj mi szczegółowe, profesjonalne podsumowanie tego raportu”. Działał, bo model przyjmował wtedy szereg założeń i nie był tak dosłowny jak dziś. Ponieważ dzisiejsze modele są bardzo mocne, bardzo dosłowne i mają własne wyrobione zdanie, potrafią szybko zjechać z toru, jeśli nie ustawimy ich w odpowiednim kierunku naszymi definicjami albo próbkami.
Wersja poprawiona to po prostu wyłożenie, co rozumiemy przez „szczegółowe”:
Streść ten raport na jednej stronie. Zacznij od trzech rzeczy, co do których muszę podjąć decyzję. Przy każdym twierdzeniu wskaż numer strony. Pomiń wstęp.
Widać tu bardzo konkretne rozwinięcie słowa „szczegółowe” — a to przy nowych modelach ma znaczenie.
Rozwiązanie drugie: przykład. Jeśli macie bardzo określony sposób pisania podsumowań albo analizowania dokumentów, po prostu go modelowi pokażcie: „Oto wcześniejszy przykład mojej pracy. Dopasuj się do tego stylu w nowym materiale”. Modele bardzo dobrze naśladują próbki, więc to skuteczna droga do trzymania waszego stylu.
Krótka uwaga do pierwszego rozwiązania: tak jak przy absolutach, możecie skierować model na swoje stare prompty i skille, kazać mu wskazać te mgliste słowa, które faktycznie mają znaczenie, i zaproponować definicje pasujące do kontekstu. Przeglądacie propozycje, a jeśli wam odpowiadają — model sam aktualizuje prompt i skill. Znowu: robi za was praktycznie całą robotę.
Kategoria trzecia: zaklęcia o wysiłku
Ta kategoria polega głównie na wycinaniu. Kiedyś bardzo popularną taktyką było mówienie modelowi „myśl głębiej”, „myśl krok po kroku” albo „przeanalizuj to naprawdę porządnie”. Wszystkie te formuły miały wycisnąć z modelu więcej wysiłku przy trudnym zadaniu. Przy dzisiejszych czołowych modelach to podejście nie jest już użyteczne i szczerze mówiąc działa raczej jak rozpraszacz. Trzeba je z promptów wykasować.
Powód jest prosty: mamy teraz odpowiednie ustawienie w samych narzędziach. Nie zmuszamy już modelu do większego wysiłku promptem — regulujemy suwak w Claude, ChatGPT czy Gemini. Każde narzędzie nazywa to inaczej, ale sprowadza się to do tego, jak mocno model stara się przy danym zadaniu. W Claude nazywa się to poziomem wysiłku (effort level), w ChatGPT — poziomem myślenia (thinking level).
W Claude, pod wyborem modelu, mamy poziom wysiłku: niski, średni, wysoki, extra i max. Każdy odpowiada temu, jak intensywnie model myśli. Analogicznie w ChatGPT: średni, wysoki, extra wysoki i pro extended. To wszystko poziomy intensywności myślenia. Nie trzeba już o to prosić w prompcie — wystarczy zmienić ustawienie. Wykasujcie więc te stare fragmenty promptów i po prostu ustawcie odpowiedni poziom przy konkretnych zadaniach.
Ważna rzecz do zapamiętania: kiedy zmieniacie poziom rozumowania, nie ustawiacie tym samym długości odpowiedzi. To wyłącznie kwestia tego, jak mocno model się nad zadaniem trudzi. Wyobraźcie sobie wykres, gdzie jedna oś to intensywność myślenia, a druga długość odpowiedzi. Model może myśleć bardzo długo i dać krótką odpowiedź albo myśleć krótko i wyprodukować długi tekst. Między długością odpowiedzi a intensywnością myślenia nie ma korelacji.
Podsumowanie
Trzy rzeczy do zmiany albo usunięcia w starych promptach pod nowe modele.
Po pierwsze, wyrzućcie tyle absolutów, ile się da. Jeśli w prompcie jest zbyt wiele terminów w rodzaju „zawsze”, „musisz”, „nigdy”, jakość wyniku spada, bo model poświęca całą resztę instrukcji, żeby spełnić te twarde reguły. Zamiast tego dajcie mu opcje wyboru ścieżki — reguły „jeśli… to…”. I znowu: stare instrukcje i skille można poprawić samą AI, każąc jej znaleźć absoluty i zamienić je na zdania warunkowe.
Po drugie, to samo podejście dotyczy precyzji słów. Jeśli w prompcie albo skillu są ważne słowa kluczowe, których nie zdefiniowaliście — „szczegółowy”, „dokładny”, „podsumowanie” — a model rozumie je inaczej, zdefiniujcie je lub dajcie przykład do naśladowania.
Po trzecie, kasujcie zwroty mające zmusić model do większego wysiłku. „Myśl głębiej”, „myśl krok po kroku” i podobne trzeba usunąć całkowicie i po prostu zmienić ustawienie w narzędziu. Każdy produkt nazywa je inaczej, ale chodzi zawsze o poziom rozumowania — o to, jak mocno model myśli.
Na koniec: sprawdźcie, zanim zaufacie
Zanim uwierzycie swojemu oczyszczonemu promptowi, przetestujcie go. Uruchomcie go na zadaniu, które już kiedyś zrobiliście ręcznie, i porównajcie oba wyniki. Jeśli AI nie dorównuje waszej pracy, prompt nie jest jeszcze gotowy.
10 najważniejszych takeaways — z kontekstem zastosowania
1.„Dodaj więcej” to już nie jest domyślna strategia
Na czym polega: Przy dosłownie czytających modelach rozbudowywanie promptu o kolejne reguły i szczegóły częściej szkodzi, niż pomaga. Poprawa polega na odejmowaniu.
Jak stosować: Zanim dopiszecie do promptu nowy akapit, sprawdźcie najpierw, czy nie da się usunąć czegoś, co model bierze zbyt dosłownie.
Na co uważać: To nie jest zachęta do promptów jednozdaniowych. Autor mówi o wycinaniu trzech konkretnych typów słów, a nie o rezygnacji z konkretów — konkretów akurat przybywa, o czym mówi kategoria druga.
2.Absoluty degradują wynik
Na czym polega: „Zawsze”, „nigdy”, „musisz” są przez dzisiejsze modele traktowane jako reguły do spełnienia za wszelką cenę — kosztem reszty instrukcji.
Jak stosować: Przejrzyjcie swoje najczęściej używane prompty pod kątem tych trzech słów i policzcie je. Im więcej, tym większe ryzyko, że model poświęca dla nich całą resztę.
Na co uważać: Nie każdy absolut jest zły — problem robi się przy ich nagromadzeniu. Jeśli jakaś reguła naprawdę jest twarda i nienegocjowalna, zostawcie ją, ale niech będzie jedna z niewielu.
3.Reguła „jeśli… to…” jako wentyl bezpieczeństwa
Na czym polega: Zdanie warunkowe daje modelowi zdefiniowaną drugą ścieżkę zamiast zmuszać go do spełnienia reguły na siłę.
Jak stosować: Przekładajcie mechanicznie: „Zawsze cytuj źródło dla każdej liczby” → „Jeśli liczby nie ma w przekazanym pliku, oznacz ją jako »nie znaleziono«. Nie zgaduj”.
Na co uważać: Wentyl musi mieć jasno określone zachowanie awaryjne. „Jeśli nie wiesz, zrób co uważasz” nie jest regułą warunkową — to zaproszenie do improwizacji.
4.Reguła warunkowa jako antidotum na konfabulację
Na czym polega: Wymuszenie „zawsze dołącz sekcję o ryzykach” każe modelowi wymyślić ryzyka nawet tam, gdzie ich nie ma. Warunek z opcją „nie znaleziono” likwiduje ten przymus.
Jak stosować: Wszędzie tam, gdzie prompt wymusza obecność jakiejś sekcji, pola czy liczby, dopiszcie jawną etykietę pustki: „nie znaleziono”, „brak danych”, „nie dotyczy”.
Na co uważać: Sprawdzajcie potem, czy model faktycznie z tej etykiety korzysta. Jeśli nigdy nie pisze „nie znaleziono”, prawdopodobnie nadal woli coś dopowiedzieć niż przyznać się do braku.
5.Pytanie zwrotne zamiast zgadywania
Na czym polega: Reguła „jeśli moje polecenie jest niejasne, zadaj mi jedno pytanie, zanim zaczniesz” zatrzymuje model, zanim zbuduje długą pracę na złym założeniu.
Jak stosować: Wstawcie ją do promptów zadań kosztownych — długich analiz, generowania dokumentów, wieloetapowych zleceń.
Na co uważać: Limit „jedno pytanie” jest w oryginale nieprzypadkowy. Bez niego można wpaść w przesłuchanie zamiast pracy.
6.Mgliste słowa znaczą co innego dla was, a co innego dla modelu
Na czym polega: „Szczegółowy”, „profesjonalny”, „dokładny”, „podsumowanie” mają w waszej głowie definicję, której nigdy nie wypowiedzieliście. Przykład autora: dla was „szczegółowe” to jedna strona, dla modelu trzydzieści pięć.
Jak stosować: Zamieńcie przymiotnik na parametry: długość, struktura, punkt startowy, co pominąć. „Streść na jednej stronie, zacznij od trzech decyzji do podjęcia, przy każdym twierdzeniu podaj numer strony, pomiń wstęp”.
Na co uważać: Nie definiujcie wszystkiego. Autor wyraźnie zawęża to do słów mglistych stojących w naprawdę ważnym miejscu promptu.
7.Przykład zamiast definicji, gdy styl trudno opisać
Na czym polega: Modele bardzo dobrze naśladują próbki, więc dołączenie wcześniejszej własnej pracy z poleceniem „dopasuj się do tego stylu” zastępuje próbę opisania stylu słowami.
Jak stosować: Trzymajcie pod ręką jeden dobry, reprezentatywny przykład każdego powtarzalnego formatu, który produkujecie, i wklejajcie go do promptu.
Na co uważać: Model naśladuje też wady próbki. Podawajcie przykład, z którego naprawdę jesteście zadowoleni, a nie pierwszy z brzegu.
8.„Myśl krok po kroku” to dziś rozpraszacz
Na czym polega: Formuły wymuszające wysiłek były taktyką z poprzedniej generacji modeli. Dziś nic nie wnoszą i tylko zabierają miejsce w instrukcji.
Jak stosować: Przeszukajcie stare prompty i skille pod kątem „think harder”, „think step by step”, „przeanalizuj dokładnie” i po prostu je skasujcie.
Na co uważać: Kasowanie zaklęcia o wysiłku to nie to samo co rezygnacja z wymogu, żeby model pokazał tok rozumowania. Jeśli chcecie widzieć kroki w odpowiedzi, poproście o nie jako o element formatu wyjścia.
9.Intensywność myślenia to ustawienie, nie prompt
Na czym polega: W Claude to poziom wysiłku (niski, średni, wysoki, extra, max), w ChatGPT poziom myślenia (średni, wysoki, extra wysoki, pro extended). To one decydują, jak mocno model się trudzi.
Jak stosować: Dobierajcie poziom do zadania, nie ustawiajcie go raz na zawsze — wyższy do trudnych analiz, niższy do prostych, powtarzalnych operacji.
Na co uważać: Nazwy i dostępne poziomy różnią się między narzędziami i zmieniają w czasie; sprawdzajcie, co faktycznie macie w swoim interfejsie, zamiast opierać się na liście z filmu.
10.Poziom rozumowania nie steruje długością odpowiedzi
Na czym polega: To dwie niezależne osie. Model może myśleć długo i odpowiedzieć krótko albo myśleć chwilę i wyprodukować długi tekst.
Jak stosować: Długość regulujcie osobno, w treści promptu („jedna strona”, „pięć punktów”), a wysiłek — suwakiem.
Na co uważać: Częsty błąd to podnoszenie poziomu wysiłku w nadziei na bogatszą odpowiedź albo obniżanie go, żeby dostać coś krótszego. Ani jedno, ani drugie nie zadziała w zamierzony sposób.