O czym jest ten film
- Część dobrych rad o promptowaniu sprzed roku dziś pogarsza wyniki, bo modele się zmieniły — a nikt nie ogłasza, która rada straciła ważność.
- Autor dzieli dziesięć przeterminowanych nawyków na trzy kategorie: jak pytamy AI, jak reagujemy na błąd AI, jak budujemy zaufanie do AI.
- Do zadania trzeba dołączyć cel i intencję — wtedy model sam uzupełnia luki, o których zapomnieliśmy.
- Liczy się właściwy kontekst, nie maksymalny: lepiej wskazać interesującą sekcję niż wrzucić dwustustronicowy dokument.
- Pytania, które model zadaje przed startem, należy realnie odpowiadać — a przy długich zadaniach wręcz samemu je wywoływać.
- Ponowne generowanie bez zmiany inputu to gra na automacie; przy nowych modelach prawie nie działa — trzeba naprawiać wejście.
- Pytanie „jesteś pewien?” w tym samym wątku daje odpowiedź obciążoną; ocenę trzeba przenieść do świeżego czatu.
- Nowsze modele potrzebują mniej instrukcji, nie więcej — nadmiar reguł powoduje fiksację i wewnętrzne sprzeczności.
- Zamiast oceny pewności („confidence score”) należy żądać dowodów: cytatów, numerów stron, źródeł.
- Log decyzji przed wynikiem oraz regularne testowanie starych promptów na nowych modelach to dwa najmocniejsze mechanizmy budowania zaufania.
Redakcyjne tłumaczenie
Rady, które straciły ważność
Część najlepszych rad o pracy z AI, jakie kiedykolwiek poznaliście, dziś działa przeciwko wam. Rzeczy w rodzaju: dodawaj więcej szczegółów do promptów, zapisuj swoje najlepsze prompty, dawaj modelowi przykłady do naśladowania. Rok temu wszystko to było słuszne. Ale modele zmieniły się od tamtej pory na tyle, że wiele z tych zaleceń dziś pogarsza wyniki. I nikt nie mówi wam, która rada straciła ważność.
Jeśli trafiliście tu po raz pierwszy — nazywam się Dylan, prowadzę firmę doradczą zajmującą się AI i widzę te przeterminowane nawyki dosłownie co tydzień. Chcę przeprowadzić was przez dziesięć, które spotykam najczęściej. Szanse są duże, że kilka z nich stosujecie. Przy każdym pokażę, ile was kosztuje, oraz zamiennik, który naprawia problem w jakieś dwadzieścia sekund.
Podzieliłem te nawyki na trzy kategorie. Pierwsza dotyczy tego, jak pytamy AI o rzeczy — jak poprawić sam sposób zadawania zadań. Druga: co robimy, kiedy AI popełni błąd. Trzecia: jak zwiększamy zaufanie do AI.
W trakcie oglądania chciałbym, żebyście liczyli. Ile z tych nawyków wciąż realizujecie po staremu, w sposób dopasowany do starszych modeli? Na końcu wpiszcie swój wynik w komentarzu. Zwykle u większości wychodzi między cztery a sześć.
Kategoria pierwsza: jak pytamy AI
Nawyk 1. Zadanie bez celu
Pierwszy nawyk polega na tym, że prosicie AI o wykonanie czegoś, podając samo zadanie, bez celu. Przy nowych modelach cel ma naprawdę ogromne znaczenie. Szczególnie „dlaczego”: po co w ogóle to robimy. Kiedy dzielicie się z AI swoją intencją, model potrafi wstecznie uzupełnić wszystkie luki, o których zapomnieliście wspomnieć, podając samo zadanie.
Zły sposób wygląda tak: prosicie AI o streszczenie umowy, bez żadnego dodatkowego kontekstu, po co to robimy. Ale jeśli dopiszecie do tego promptu, że powodem jest odnowienie umowy w piątek, a w odnowieniach zwykle zależy wam na cenach i związanych z nimi warunkach — samo podanie „dlaczego” i celu sprawi, że AI wykona zadanie znacznie trafniej, bo wie, na czym wam zależy. Bez tego będzie się męczyć.
Nawyk 2. Za dużo kontekstu zamiast właściwego kontekstu
Drugi nawyk dotyczy kontekstu. Ludzie bardzo często podają AI o wiele za dużo kontekstu — zwłaszcza dzisiaj. Zamiast dawać więcej kontekstu, trzeba dawać właściwy kontekst.
Co to znaczy w praktyce? Jeśli macie dwustustronicowy dokument, nie wrzucajcie całości, o ile da się tego uniknąć. Może wystarczy wyciągnąć dwanaście stron, które faktycznie mają znaczenie, i podać właśnie je. A jeśli się nie da — nic nie szkodzi. Wtedy dajecie prompt tego typu: wskazujecie plik albo pliki i mówicie, co konkretnie was w nich interesuje. Na przykład: „Załączam plik. Interesuje mnie w szczególności sekcja dotycząca płatności — skup się na niej”. Kierując uwagę AI w konkretne miejsce, dostaniecie wynik znacznie wyższej jakości. Zamiast nadmiaru kontekstu dajecie kontekst właściwy i wskazujecie na niego palcem.
Nawyk 3. Zbywanie pytań, które zadaje AI
Trzeci nawyk to lekceważenie pytań, które zadaje wam AI. Wiele czołowych modeli — GPT-5.6, Fable-5, Opus-5 — przy zadaniach o długim horyzoncie ma tendencję do zadawania pytań przed rozpoczęciem pracy, bo chce się upewnić, że dobrze rozumie polecenie. A ja bardzo często widzę, że ludzie na część pytań odpowiadają: „Zrób, jak uważasz za najlepsze”.
Tymczasem trzeba wnieść własny wkład. Musicie podzielić się z AI bogatym kontekstem, odpowiadając na te pytania, żeby model zbliżył się do tego, czego oczekujecie. Na pytania w rodzaju „Ma to być formalne czy swobodne?” albo „Kto jest odbiorcą?” warto odpowiedzieć konkretnie.
Można zresztą zrobić coś jeszcze lepszego: zamiast czekać, aż AI samo zapyta, można ten mechanizm zainicjować. Polecam to zwłaszcza przy zadaniach naprawdę długodystansowych — takich, nad którymi AI pracuje dziesięć minut, trzydzieści minut, godzinę. Formułujecie to mniej więcej tak: „Zanim zaczniesz, zadaj mi maksymalnie trzy pytania, które twoim zdaniem najsilniej wpłyną na wynik”. Odpowiadacie na te trzy pytania i dopiero wtedy AI zabiera się do pracy.
To koniec pierwszej kategorii.
Kategoria druga: co robimy, gdy AI się pomyli
Nawyk 4. Regenerowanie i liczenie na szczęście
Czwarty nawyk, pierwszy w tej kategorii, to „generuj ponownie i miej nadzieję”. Sam sporo tak robiłem i doskonale rozumiem, skąd się to bierze. Dajecie AI wejście, dostajecie kiepski wynik — więc pociągacie za dźwignię jednorękiego bandyty jeszcze raz, nic nie zmieniając. To samo wejście, ten sam model, nadzieja na inny wynik.
Czasem faktycznie dostajecie coś bliższego oczekiwaniom. Ale przy nowszych modelach zdarza się to bardzo rzadko. Więc zamiast wracać do kasyna i próbować w kółko, licząc na lepszy wynik, trzeba się cofnąć i zapytać samego siebie — a nawet zapytać AI: co mogę zmienić w danych wejściowych, żeby zbliżyć nas do celu?
Prosty prompt, który w tym pomaga, brzmi mniej więcej tak: „Spójrz jeszcze raz na moje pierwotne polecenie i sprawdź, czy czegoś w nim brakuje albo czy coś jest niejasne — bo ten wynik odbiega od tego, czego oczekiwałem”. Warto przy tym opisać swoje oczekiwania, żeby model rozumiał, dokąd miał zmierzać, a nie tylko gdzie wylądował. Wtedy dostaniecie informację zwrotną, co zmienić w wejściu, zamiast dalej ciągnąć za dźwignię.
Nawyk 5. „Jesteś pewien?” w tym samym wątku
Piąty nawyk to pytanie AI „jesteś pewien?” w dokładnie tym samym czacie. Widuję to i nie jest to dobre rozwiązanie, bo pytacie model o ocenę tego, co sam przed chwilą wyprodukował. Za każdym razem, gdy pytacie o to ten sam model w tym samym wątku, w którym udzielił odpowiedzi, będzie tej odpowiedzi bronił. A nawet jeśli zmusicie go do ustępstwa — a czasem ustąpi — i tak najprawdopodobniej będzie dalej trzymał się głównej linii, którą pierwotnie obrał.
Morał: nie pytajcie AI o opinię na temat jego własnej pracy w tym samym wątku, w którym ją wykonało. Zamiast tego wyjmijcie odpowiedź razem z wejściem, wklejcie do świeżego czatu bez żadnej historii i tam zapytajcie: jak ta AI poradziła sobie z zadaniem? Dokładnie to robi ten prompt: mamy wejście, mamy wyjście, pytamy — na podstawie tego wejścia, dokumentu źródłowego i podanego tu wyniku, czy jest to poprawne względem naszych oczekiwań? Jeśli zrobicie to w nowym czacie, nie ma obciążenia historią, więc odpowiedź będzie nieobciążona.
Nawyk 6. Dokładanie kolejnych reguł do instrukcji
Szósty nawyk to dorzucanie coraz większej liczby reguł do instrukcji. Tu też jestem winny. Dodawałem mnóstwo instrukcji do promptów w projektach, w skillach, we wszelkich możliwych miejscach. I ciągle dokładałem kolejne: nigdy nie rób tego, nigdy nie rób tamtego. Instrukcji było stanowczo za dużo.
Przy nowszych modelach dzieje się tak, że nadmiernie fiksują się na tych instrukcjach, a te instrukcje potrafią sobie nawzajem przeczyć. To pogarsza wynik. Trzeba więc — i to jest wspólny motyw wielu rzeczy, o których tu mówię — usuwać coraz więcej z instrukcji, żeby AI mogło wykorzystać własną inteligencję. Mądrzejsze modele potrzebują mniej instrukcji, nie więcej.
Kiedy więc czujecie, że naprawdę musicie dodać nową regułę, przejdźcie przez serię bramek. Pierwsza bramka: czy ten błąd jest systematyczny? Czy zdarzył się wielokrotnie, przy wielu różnych wejściach i wyjściach? Czy to powtarzalny motyw w tym, jak model radzi sobie z tym zadaniem? Jeśli tak, przechodzicie do kolejnego pytania: czy zamiast dodawać nową regułę, mogę po prostu doprecyzować istniejącą? Sprawdziłbym to i przetestował — a jeśli się da, świetnie, nie dodaję nowej reguły, tylko poprawiam obecną. Jeśli jednak spróbowaliście i to nie działa, wtedy i dopiero wtedy dodajecie nową regułę.
Ale nie dodajecie jej byle jak, tylko w bardzo precyzyjny, punktowy sposób. Właśnie do tego służy ten prompt: „Dodaj do tego promptu bardzo małą regułę, możliwie najmniejszą, jaka wystarczy do wykonania zadania. Kiedy ją dodasz, powiedz mi dokładnie, co dopisałeś” — żebyście mogli szybko ocenić, czy jesteście z tego zadowoleni. Celem jest zmniejszanie liczby reguł w instrukcjach, a jeśli już coś dodajemy, to minimalnie i celnie.
Kategoria trzecia: budowanie zaufania do AI
Nawyk 7. Bałagan w plikach
Siódmy nawyk sprowadza się do higieny dokumentów. Jeśli korzystacie z agenta działającego na komputerze — Claude Cowork, Claude Code czy ChatGPT Work — często kierujecie go na folder z kupą plików w środku i chcecie, żeby jakoś je przetworzył.
(Informacja dodatkowa: mowa o narzędziach agentowych działających bezpośrednio na plikach na dysku użytkownika, a nie o czacie w przeglądarce.)
Tyle że w tym folderze zwykle leży wiele starych wersji tego samego pliku. Możemy mieć propozycję ofertową, ale w wersjach: V1, V2, „final” i „final final”. Kiedy AI na to patrzy — skąd ma wiedzieć, która propozycja jest tą właściwą? To mylące zarówno dla człowieka, jak i dla AI.
Trzeba więc zadbać, żeby na każdy temat przypadał tylko jeden żywy plik. Wszystkie starsze wersje przenosicie do podfolderu z archiwum w tym samym katalogu. Nie musicie ich kasować — wystarczy usunąć je z pola widzenia AI, żeby nie rozpraszały go starymi wersjami.
Nawyk 8. Proszenie o „confidence score”
Ósmy nawyk to proszenie AI o ocenę pewności. Sam robiłem to często i musiałem zmienić własne zachowanie. Chodzi o sytuację, w której AI wyciąga dla was informacje z jakiegoś materiału, a wy prosicie o wskaźnik pewności dla każdej pozycji.
W przypadku AI to prośba o predykcję — prosimy model, żeby przewidział własną pewność. To bardziej odczucie niż konkret i niewiele z tego wynika. Zamiast oceny pewności trzeba prosić o dowód. Jeśli robicie jakąkolwiek ekstrakcję danych, chcecie dostać pokwitowanie: numery stron, dokładne cytaty, przypisy.
Startowy prompt do tego brzmi mniej więcej tak: przy każdym pojedynczym twierdzeniu podaj dokładnie, co zostało wyciągnięte — jeśli wyciągnąłeś jakieś liczby, podaj je dosłownie, wraz z numerem strony i miejscem pochodzenia. Jeśli coś wywnioskowałeś, powiedz, z czego to wywnioskowałeś — jaka informacja stała za tym wnioskiem. A jeśli czegoś nie znalazłeś, zaznacz to wyraźnie: nie znaleziono.
Taka konstrukcja radykalnie ułatwia przegląd wyniku. Możecie przejrzeć ten aneks czy dokument z cytatami, skupiając się wyłącznie na pozycjach wywnioskowanych i nieznalezionych. Bo jeśli pozycje wyciągnięte wprost są poprawne, wystarczy szybko sprawdzić źródła. Uwagę kierujecie na wnioski — czy zgadzacie się z tym, co model wywnioskował — oraz na braki, do których trzeba znaleźć właściwe źródło.
Nawyk 9. Ignorowanie decyzji, które AI podejmuje po drodze
Dziewiąty nawyk to coś, na czym wielu ludzi się potyka przy budowaniu zaufania do AI. Źródłem problemu jest to, że nie zdajemy sobie sprawy, jak wiele decyzji AI musi podjąć w danym procesie.
Kiedy daję AI zadanie — powiedzmy czterdziestostronicową umowę i polecenie „streść najważniejsze fragmenty” — wydaje nam się, że jest tu może osiem do dziesięciu decyzji do podjęcia. W rzeczywistości jest ich prawdopodobnie sześćdziesiąt do siedemdziesięciu. I model podejmuje je wszystkie bez waszego udziału. Jeśli nie dacie mu właściwego kierunku, dostaniecie wynik zupełnie odbiegający od oczekiwań.
Zamiast więc podawać tylko to, co określiliście — te dwadzieścia procent — i liczyć, że pozostałe osiemdziesiąt wyjdzie dobrze, możecie poprosić AI o log decyzji po zakończeniu pracy i szybko ocenić, czy zgadzacie się z najważniejszymi z tych decyzji.
Prompt wygląda tak: „Prowadź log każdej decyzji, którą podejmujesz, a której nie określiłem wprost na starcie. Potem pokaż mi ten log, zanim pokażesz wynik”. Proszę o pokazanie przed wynikiem, bo nie chcę skupiać się na wyniku, jeśli nie zgadzam się z decyzjami. Najpierw patrzę na decyzje. Jeśli je akceptuję, wtedy i dopiero wtedy patrzę na wynik. Jeśli się nie zgadzam, przekazuję feedback: „Z tymi pięcioma kluczowymi decyzjami się nie zgadzam, i to z takich powodów. Daj mi nowy wynik z uwzględnieniem tych uwag”. To prawdopodobnie jeden z najpotężniejszych sposobów wymuszenia na AI lepszych decyzji.
Nawyk 10. Trzymanie starych promptów przy nowych modelach
Dziesiąty i ostatni nawyk — również taki, który sam popełniałem mnóstwo razy. Tworzycie prompt, z którego jesteście bardzo zadowoleni, bo świetnie sprawdza się na starszym modelu. Wbudowujecie go w projekt, skill albo coś innego. Ale z czasem, gdy pojawiają się nowe modele, dalej używacie tego samego starego promptu. Widzę to raz za razem — wyniki tego promptu zaczynają dryfować i pogarszać się w czasie. To wraca do wcześniejszej tezy: nowsze modele potrzebują mniej instrukcji, nie więcej.
Moja rekomendacja: wybierzcie trzy najczęstsze prompty albo zastosowania, z których często korzystacie i z których jesteście zadowoleni. Uruchomcie je na starym modelu. Bierzecie wejście, dostajecie wynik i zapisujecie go na boku. Zapisujecie, bo będziecie ten test powtarzać za każdym razem, gdy wychodzi nowy model — a przynajmniej przy każdym większym wydaniu. Wtedy porównujecie poprzedni wynik z nowym: to samo wejście, nowy model, nowy wynik, porównanie. Lepiej czy gorzej?
Jeśli gorzej, ustalcie dokładnie, dlaczego jest gorzej niż poprzednio. Podajcie ten konkretny powód AI i zapytajcie: „Biorąc pod uwagę moje instrukcje, co muszę wyciąć, żeby ten wynik spełniał oczekiwania na poziomie poprzedniej wersji?”. I znowu — skupiamy się na cięciu, nie na dodawaniu. Zapamiętajcie to.
Podsumowanie
Ciekawi mnie, jaki jest wasz wynik. Wpiszcie go w komentarzu, żebym zobaczył, ile z tych nawyków macie. Powtórzę: u większości to zwykle cztery do sześciu.
Zamiast streszczać wszystkie nawyki, przypomnę cztery najważniejsze, o których warto pamiętać.
Po pierwsze: kiedy prosicie AI o wykonanie czegoś, do zadania dołączcie cel. Podzielcie się swoim „dlaczego”, intencją. Kiedy to zrobicie, AI samo uzupełni za was luki.
Po drugie: kiedy AI coś przeoczy albo zepsuje, naprawiajcie wejście, a nie ciągnijcie za dźwignię automatu w nadziei, że kolejna regeneracja bez żadnej zmiany coś da.
Po trzecie: dowód zamiast pewności. Nie chcę oceny pewności — chcę cytatów, nazw, liczb, numerów stron i sekcji, z których pochodzi informacja.
Po czwarte: zaufanie do AI buduje się systematycznie, rozumiejąc, jakie decyzje model podejmuje w tle. Robimy to, prosząc o log decyzji przed pokazaniem wyniku i sprawdzając, czy się z tymi decyzjami zgadzamy.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Do każdego zadania dołącz cel i intencję
Na czym polega: Nowe modele potrafią wstecznie uzupełnić brakujące szczegóły, jeśli znają powód, dla którego wykonujecie zadanie. Samo „streść tę umowę” to za mało; „streść, bo w piątek odnawiam i patrzę na ceny oraz warunki” to zupełnie inne zadanie.
Jak stosować: Do każdego polecenia dopiszcie jedno zdanie o tym, po co to robicie i co będzie dalej z tym wynikiem. Wystarczy dosłownie jedna linijka.
Na co uważać: Cel to nie to samo co lista wymagań. Nie zamieniajcie „dlaczego” w kolejny rozdział instrukcji — to prowadzi wprost do nawyku szóstego.
2.Właściwy kontekst, nie maksymalny
Na czym polega: Wrzucanie wszystkiego, co macie, obniża jakość. Lepiej podać dwanaście istotnych stron niż dwieście.
Jak stosować: Jeśli możecie, wytnijcie istotny fragment. Jeśli nie — załączcie całość, ale w promptcie wskażcie palcem: „interesuje mnie sekcja o płatnościach, skup się na niej”.
Na co uważać: Zawężanie na ślepo bywa ryzykowne, gdy nie wiecie jeszcze, gdzie leży odpowiedź. Wtedy lepiej wskazać obszar zainteresowania niż amputować dokument.
3.Odpowiadaj na pytania modelu — a przy długich zadaniach sam je wymuszaj
Na czym polega: Czołowe modele przed dużymi zadaniami dopytują o formę, odbiorcę i zakres. „Zrób jak uważasz” marnuje najtańszą okazję do sterowania wynikiem.
Jak stosować: Przy zadaniach, nad którymi model pracuje dziesięć minut i dłużej, otwierajcie promptem: „Zanim zaczniesz, zadaj mi do trzech pytań, które najmocniej wpłyną na wynik”. Potem odpowiedzcie konkretnie.
Na co uważać: Ograniczajcie liczbę pytań (autor sugeruje trzy). Przy krótkich zadaniach ta runda pytań to zwykły narzut czasowy.
4.Naprawiaj wejście, nie klikaj „regeneruj”
Na czym polega: Ponowna generacja bez zmiany inputu przy nowych modelach prawie nigdy nie daje istotnie lepszego wyniku. To gra na automacie.
Jak stosować: Po nieudanym wyniku zapytajcie model: „Spójrz na moje pierwotne polecenie — czego w nim brakuje lub co jest niejasne, skoro wynik odbiega od oczekiwań?”. Dołączcie opis tego, czego oczekiwaliście.
Na co uważać: Bez opisania oczekiwań model nie ma punktu odniesienia i wypisze ogólniki o „braku kontekstu”.
5.Ocena jakości należy do świeżego czatu
Na czym polega: Zapytane w tym samym wątku „jesteś pewien?”, AI broni własnej odpowiedzi, a nawet ustępując, trzyma się pierwotnej linii.
Jak stosować: Skopiujcie wejście i wyjście do nowego czatu bez historii i zapytajcie: „Czy ten wynik jest poprawny względem tego dokumentu źródłowego i tych oczekiwań?”.
Na co uważać: Przenieście też materiał źródłowy — bez niego świeży czat oceni tylko styl, nie zgodność z faktami.
6.Mniej reguł, nie więcej — i trzy bramki przed dopisaniem nowej
Na czym polega: Nowsze modele fiksują się na nadmiarze instrukcji, a rozrośnięte zestawy reguł zaczynają sobie przeczyć, co pogarsza wynik.
Jak stosować: Zanim dopiszecie regułę, sprawdźcie: (1) czy błąd jest systematyczny, powtarzalny na wielu wejściach; (2) czy da się zamiast tego zaostrzyć istniejącą regułę; (3) dopiero potem dodajcie regułę możliwie najmniejszą i poproście model, żeby pokazał dokładnie, co dopisał.
Na co uważać: Jednorazowy błąd nie jest podstawą do zmiany instrukcji. Bez zobaczenia dopisanego fragmentu tracicie kontrolę nad tym, jak puchnie prompt.
7.Jeden żywy plik na temat
Na czym polega: Agenci pracujący na folderach gubią się w wersjach V1, V2, „final” i „final final” — tak samo jak człowiek.
Jak stosować: W każdym katalogu, na który kierujecie agenta, zostawcie jedną aktualną wersję dokumentu, a resztę przenieście do podfolderu archiwum. Kasować nie trzeba.
Na co uważać: Samo archiwum musi być poza ścieżką, którą przeszukuje agent — inaczej problem wraca w innym opakowaniu.
8.Żądaj dowodów, nie oceny pewności
Na czym polega: „Confidence score” to prośba o predykcję własnego odczucia modelu — mało użyteczna. Dowód jest sprawdzalny.
Jak stosować: Przy ekstrakcji danych wymagajcie dla każdego twierdzenia: dosłownego cytatu i numeru strony, wskazania podstawy przy wnioskach, oraz jawnego oznaczenia „nie znaleziono”.
Na co uważać: Kontrolę kierujcie na pozycje wywnioskowane i nieznalezione — tam siedzi ryzyko. Cytaty też warto wyrywkowo zweryfikować przy źródle.
9.Log decyzji przed wynikiem
Na czym polega: Przy streszczeniu czterdziestostronicowej umowy model podejmuje nie osiem, lecz około sześćdziesięciu–siedemdziesięciu decyzji, których nie określiliście.
Jak stosować: Poproście: „Prowadź log wszystkich decyzji, których nie określiłem wprost, i pokaż mi ten log, zanim pokażesz wynik”. Zaakceptujcie decyzje, dopiero potem czytajcie wynik; przy sprzeciwie wskażcie konkretne pozycje i poproście o nową wersję.
Na co uważać: Kolejność ma znaczenie — log po wyniku traci sens, bo już jesteście zakotwiczeni w tym, co przeczytaliście.
10.Testuj stare prompty przy każdym nowym modelu
Na czym polega: Prompt dopracowany pod starszy model z czasem dryfuje i daje gorsze wyniki na nowych modelach.
Jak stosować: Wybierzcie trzy najczęściej używane prompty, zapiszcie na boku wejście i wynik z obecnego modelu i powtarzajcie ten test przy każdym większym wydaniu. Porównujcie wyniki wprost.
Na co uważać: Gdy nowa wersja wypadnie gorzej, nazwijcie konkretny powód i zapytajcie model, co wyciąć z instrukcji. Odruch dopisywania kolejnych reguł jest tu dokładnie odwrotny do tego, czego potrzebują nowe modele.