Prompt - jedno zdanie, które decyduje, czy AI zrozumie, o co naprawdę prosisz

Czym prompt różni się od promptu systemowego i prompt engineeringu?

Te trzy słowa krążą razem w tekstach o AI, ale opisują trzy różne rzeczy. Prompt już znasz z pierwszego akapitu - to Twój tekst. System prompt to instrukcja ustawiona z góry, zanim jeszcze zobaczysz okno rozmowy, np. „odpowiadaj uprzejmie, nie podawaj porad medycznych”. W zwykłym czacie zwykle go nie widzisz i nie zmienisz, w narzędziach dla programistów (API) to osobne pole, które ustawia firma budująca aplikację. Prompt engineering to już nie jedno zdanie, a praca: systematyczne pisanie, testowanie i poprawianie promptów pod konkretny cel, często na wielu przykładach naraz.

Dokumentacja Anthropic i OpenAI, firm budujących Claude i GPT, rozdziela te warstwy już w samej architekturze narzędzi: osobne miejsce na instrukcję systemową i osobne na polecenie użytkownika. To rozróżnienie tłumaczy część nieporozumień, np. „czy mogę zmienić to, co AI ma robić z zasady” (zwykle nie, bez dostępu do systemowego pola).

	Prompt	System prompt	Prompt engineering
Kto pisze	użytkownik, w rozmowie	producent modelu albo firma budująca narzędzie	osoba, która projektuje i testuje prompty systematycznie
Kiedy powstaje	przy każdym pytaniu	raz, z góry	w cyklu: napisz, przetestuj, popraw
Widoczność	widzisz go, bo sam go piszesz	zwykle niewidoczny w czacie, widoczny w API	widoczna jest tylko finalna wersja
Przykład	„Napisz krótki mail z informacją o opóźnieniu”	„Odpowiadaj uprzejmie, nie podawaj porad medycznych”	wersja 7. tego samego prompta po testach na 20 przykładach

Jak napisać dobry prompt?

Dobry prompt mówi modelowi trzy rzeczy: co ma zrobić, z czym to się wiąże i w jakiej formie oddać wynik. Google w przewodniku dla swoich narzędzi biurowych (Prompting guide 101, wydanie z 1 października 2024 r.) nazywa te elementy Persona, Task, Context, Format: rola, zadanie, kontekst i format. Zadanie, najlepiej z czasownikiem na początku („napisz”, „podsumuj”, „porównaj”), nazywa „najważniejszym elementem prompta”. Nie trzeba używać wszystkich czterech naraz - rola pomaga, gdy ma znaczenie punkt widzenia, format pomaga, gdy wynik ma trafić od razu dalej.

Zobacz różnicę na jednym zadaniu. To przykład ilustrujący zasadę, nie wynik mierzonego testu:

• Słaby prompt: „Napisz mail do klienta.”
• Lepszy prompt: „Jesteś handlowcem w małej firmie produkcyjnej. Napisz krótki mail do klienta: termin dostawy przesuwa się o tydzień z powodu awarii maszyny. Ton spokojny, bez przepraszania w każdym zdaniu. Na końcu jedno pytanie, czy nowy termin mu odpowiada. Maksymalnie 80 słów.”

Drugi prompt ma rolę (handlowiec), zadanie (mail o opóźnieniu), kontekst (awaria maszyny) i format (ton, długość, pytanie na końcu). Model nie musi zgadywać żadnego z tych elementów.

Do tego samego dochodzi dokumentacja Anthropic: pokazanie modelowi 3-5 przykładów tego, czego oczekujesz (nie tylko opis słowami), i znaczniki porządkujące długi prompt, np. <dane>...</dane>. Prośbę, żeby model rozpisał rozumowanie krok po kroku, Anthropic traktuje dziś jako rozwiązanie awaryjne: nowsze modele same przemyślą zadanie przed odpowiedzią, a ogólne „przemyśl to dokładnie” działa zwykle lepiej niż ręcznie rozpisany plan. OpenAI zamiast trenowania własnej wersji modelu (fine-tuning) radzi najpierw dodać do prompta kilka możliwie różnych przykładów wejścia i oczekiwanego wyniku (few-shot).

Jedno nie zmienia się niezależnie od narzędzia: pierwszy prompt rzadko jest ostatnim. Sprawdzasz wynik, doprecyzowujesz, próbujesz jeszcze raz. To normalna część pracy z AI, nie oznaka błędu.

Jakich błędów unikać przy pisaniu promptów?

• Zadanie bez kontekstu. „Popraw ten tekst” nie mówi modelowi, dla kogo tekst jest i po co powstał. Model zgadnie styl, ale niekoniecznie Twój.
• Brak formatu odpowiedzi. Bez wskazania długości i układu dostajesz to, co model uzna za rozsądne, czyli zwykle więcej tekstu, niż potrzebujesz.
• Za duże zadanie na raz. Jeden ogromny prompt na cały raport działa gorzej niż kilka mniejszych kroków, gdzie sprawdzasz wynik po drodze.
• Brak iteracji. Pierwsza odpowiedź nie pasuje, więc zaczynasz od zera w nowej rozmowie, zamiast dopisać „zrób to krócej” albo „zmień ton na mniej formalny” w tej samej.
• Dane poufne albo osobowe w publicznym narzędziu. To, co wklejasz do prompta w darmowej wersji popularnego czatu, może trafić do logów albo materiału do dalszego trenowania, zależnie od ustawień konta i regulaminu. Dane klientów, umowy, numery PESEL nie powinny tam trafiać.
• Zaufanie bez sprawdzenia. Model może zmyślić fakt, cytat albo liczbę, nawet gdy odpowiedź brzmi pewnie. O tym, skąd się biorą takie pomyłki, piszemy w haśle halucynacje AI.

Czy listy „50 najlepszych promptów” działają?

Listy w stylu „50 promptów, które zmienią Twoją pracę” albo „o tym poleceniu do ChatGPT nie wiedziałeś” obiecują coś, czego prompt nie może dać: gotowy wynik bez Twojego kontekstu. A to kontekst decyduje o jakości odpowiedzi - dla kogo, po co i w jakiej formie. Cudzy prompt go nie zna.

Do tego ten sam prompt działa różnie w różnych modelach i przy różnych zadaniach. Zespół Google DeepMind (Yang i in., 2023) kazał modelowi automatycznie szukać najlepszego dopisku do zadań matematycznych. Wygrało „Take a deep breath and work on this problem step-by-step” („weź głęboki oddech i rozwiąż to krok po kroku”): 80,2% poprawnych odpowiedzi wobec 71,8% dla klasycznego „Let’s think step by step”. Ale tylko dla jednego modelu (PaLM 2) i jednego zestawu zadań - przy innym modelu najlepszy okazał się inny dopisek, a sami autorzy zaznaczają, że optymalny prompt zależy od modelu i od zadania. Badanie VMware, o którym piszemy niżej, doszło do podobnego wniosku.

W modelach nie ma też ukrytych komend, które „odblokowują” lepszą wersję. Dlatego takie listy to chwyt marketingowy: sprzedają poczucie, że brakuje Ci jednego tajnego zdania, a zwykle brakuje opisu Twojej sytuacji. Lista może się przydać najwyżej jako ściąga, o czym warto napisać w prompcie, nie jako gotowiec do wklejenia.

Czy trzeba pisać prompty po angielsku?

Nie, a w niektórych zadaniach polski wypada w badaniach lepiej niż angielski. Zespół z Uniwersytetu Maryland, Microsoftu i UMass Amherst zbudował wielojęzyczny test ONERULER (badanie z 2025 r.) i sprawdził 26 języków przy długich kontekstach, czyli przy zadaniu „znajdź konkretną informację w bardzo długim tekście”. Przy najdłuższych tekstach (64 i 128 tysięcy tokenów) polski wypadł najlepiej ze wszystkich 26 języków, ze średnią trafnością 88% dla wszystkich badanych modeli. Angielski był dopiero 6., ze średnią 83,9%.

Zastrzeżenie: to jedno konkretne zadanie (wyszukiwanie w długim kontekście), nie dowód, że polski jest „lepszy” do wszystkiego. Ale obala mit, że model zrozumie Cię dopiero, gdy przetłumaczysz prompt na angielski. Pisz w języku, w którym myślisz - łatwiej zauważysz, że coś jest niejasne.

Czy prompt engineering to jeszcze zawód?

Jako samodzielne stanowisko w Polsce w 2026 r. praktycznie zniknęło z ofert pracy, ale sama umiejętność nie zniknęła - weszła do innych ról. Tak wynika z analizy My Company Polska z 20 października 2026 r., opartej na ofertach z pięciu polskich portali rekrutacyjnych oraz z LinkedIn, Indeed i Wellfound: „prompt engineer” wypadł z listy 15 zawodów AI, których firmy szukają w 2026 r. „Pisanie poleceń to dziś umiejętność, nie etat” - jest częścią pracy inżyniera AI, konsultanta albo twórcy agentów.

Ten sam wniosek, dwa lata wcześniej, wywołał głośną dyskusję w USA. IEEE Spectrum w marcu 2024 r. ogłosił „koniec prompt engineeringu” na podstawie badania zespołu VMware (Battle i Gollapudi, luty 2024 r.): automatyczny optymalizator promptów pobił ręcznie pisane wersje, a technika „każ modelowi rozumować krok po kroku” raz pomagała, raz szkodziła - autorzy podsumowali to zdaniem, że „jedynym prawdziwym trendem może być brak trendu”. Zarazem podtytuł artykułu brzmiał „niech żyje prompt engineering”: umiejętność formułowania zadań dla AI nie stała się zbędna, przestała tylko być osobnym stanowiskiem.

To jest też powód, dla którego uczymy zespoły pracy z AI i agentami, a nie prowadzimy osobnego kursu samego pisania promptów: ta umiejętność ma sens razem z resztą pracy.

Czym różni się prompt do ChatGPT od prompta do obrazków?

To inna logika i inny temat, choć słowo jest to samo. Prompt tekstowy (ChatGPT, Claude, Gemini) najlepiej działa jako pełne zdania ze strukturą: rola, zadanie, kontekst, format. Prompt do obrazu (Midjourney i podobne narzędzia) to zwykle lista słów kluczowych, opis stylu i parametry techniczne (np. proporcje kadru, wagi poszczególnych słów), a nie zdania opisujące sytuację. Jeśli szukasz, jak pisać prompty do generowania obrazów, to osobny temat ze swoimi zasadami - to hasło dotyczy promptów tekstowych.

Czy prompt może być niebezpieczny dla firmy?

Tak, w dwóch kierunkach. Pierwszy dotyczy tego, co Ty wpisujesz: dane poufne i osobowe w prompcie, o czym piszemy wyżej. Drugi jest mniej oczywisty: to, co ktoś inny ukryje w treści, którą AI czyta za Ciebie - w mailu, na stronie, w pliku. Model nie odróżnia Twojego polecenia od zdania w dokumencie, które brzmi jak polecenie, więc cudzy tekst może stać się dla niego promptem bez Twojej wiedzy. Ten mechanizm, zwany prompt injection, i sposoby obrony przed nim opisujemy w haśle prompt injection.

Dobry prompt a praca z agentem AI - czy to wystarczy?

Przy jednym pytaniu tak, przy zadaniu na wiele kroków prompt jest tylko początkiem. W haśle agent AI piszemy, że polecenie w instrukcji agenta to prośba, nie blokada - to samo dotyczy pojedynczego prompta. Gdy AI ma wykonać proces, a nie odpowiedzieć na pytanie, liczy się więcej: plan działania, punkty kontrolne przed krokami, których nie da się odwołać, i pamięć, która przenosi ustalenia z jednego zadania na następne, zamiast pisać ten sam kontekst od nowa w każdym prompcie.

Tego dotyczy nasze szkolenie z Claude CLI dla zespołu: nie uczy pisania promptów w izolacji, a prowadzenia agenta w terminalu na prawdziwych zadaniach zespołu - z planem, weryfikacją i punktami kontrolnymi, pamięcią projektu, która trwa między zadaniami, i podziałem pracy na subagentów. Dobry prompt pomaga zacząć. Dobre zasady pracy z agentem decydują, czy zadanie na dwadzieścia kroków skończy się tak, jak miało.

Najczęstsze pytania

Jak pisać dobre prompty w kilku krokach?

Napisz, czego konkretnie chcesz (zadanie), w jakiej sytuacji (kontekst) i w jakiej formie ma to wrócić (format). Dodaj rolę, gdy ma znaczenie punkt widzenia. Sprawdź wynik i doprecyzuj w tej samej rozmowie, zamiast zaczynać od zera. Szczegóły i przykład wyżej, w sekcji „Jak napisać dobry prompt”.

Czy warto się uczyć prompt engineeringu, jeśli to już nie zawód?

Tak, jako umiejętność w ramach innej pracy, nie jako osobny etat. Opłaca się każdemu, kto codziennie korzysta z AI, niezależnie od tytułu na wizytówce.

Czy da się trwale „zepsuć” model złym promptem?

Nie. Model nie zmienia się między rozmowami. Zła odpowiedź w jednej rozmowie nie wpływa na kolejną - nowa rozmowa to nowy start, bez pamięci o poprzedniej, jeśli narzędzie nie ma włączonej osobnej funkcji pamięci.

Czy mogę sam zmienić system prompt?

W zwykłym czacie zwykle nie - system prompt ustawia producent albo firma budująca aplikację. W narzędziach dla programistów (API) i w niektórych aplikacjach z ustawieniami „niestandardowych instrukcji” tak, bo system prompt jest wtedy osobnym, dostępnym polem.

Ile tekstu może mieć prompt?

Zależy od okna kontekstowego modelu, czyli ile tekstu naraz model „widzi” - różni się między modelami i narzędziami. W praktyce krótszy, uporządkowany prompt działa zwykle lepiej niż bardzo długi, nawet gdy limit pozwala na więcej.

Każdy w zespole pisze prompty inaczej?

To częsty sygnał, że warto ustalić wspólne zasady, zanim różnica w jakości promptów zacznie się przekładać na różnicę w jakości pracy. Na szkoleniu z Claude CLI dla zespołu ćwiczymy to na Waszych zadaniach, nie na przykładach z prezentacji.

To hasło dotyczy prompta jako polecenia dla modelu językowego (ChatGPT, Claude, Gemini), nie znaku zachęty w wierszu poleceń systemu operacyjnego, od którego wzięła się ta nazwa. Stan na 29 października 2026 r.

Źródła

• Google, Prompting guide 101, wydanie 1.10.2024.
• Anthropic, Prompting best practices.
• OpenAI, Prompt engineering.
• Kim, Russell, Karpinska, Iyyer, One ruler to measure them all (ONERULER), arXiv 2025.
• Yang i in. (Google DeepMind), Large Language Models as Optimizers, arXiv 2023.
• Battle, Gollapudi, The Unreasonable Effectiveness of Eccentric Automatic Prompts, VMware, 20.02.2024.
• IEEE Spectrum, AI Prompt Engineering Is Dead, 6.03.2024.
• My Company Polska, Koniec specjalistów od ChatGPT, 20.10.2026.
• weles.biz, szkolenie Claude CLI dla zespołu.