Pravda: Jak efektivně komunikovat s umělou inteligencí

Úvod do prompt engineeringu

Stále více lidí využívá umělou inteligenci v podobě AI nástrojů jako ChatGPT, Claude, Gemini či Copilot přímo v aplikacích, které denně používají ať už pro tvorbu textů, emailů, organizaci úkolů nebo hledání informací. Možná si ale všimli, že odpovědi těchto systémů nejsou vždy zcela podle jejich představ. Jednou je odpověď příliš stručná, jindy se velký jazykový model (LLM) netrefí do tématu nebo odpoví nepřesně. Právě zde přichází na řadu nový typ dovednosti. prompt engineering (inženýrství promptů), tedy umění správně položit otázku a navést model, aby odpověděl co nejlépe na naše požadavky. Tak jako v reálném rozhovoru často záleží na tom, jak se zeptáme, tak i při komunikaci s modelem je kvalita výsledku často otázkou správného zadání.

Co je prompt a proč na něm záleží?

Prompt je jednoduše řečeno vstupní zpráva nebo zadání, kterým velkému jazykovému modelu (LLM) vysvětlíme, co od něj očekáváme. Nejde jen o obyčejnou otázku, prompt může být popis situace, zadání úkolu, přiřazení úkolu určité „role“ nebo výzva ke kreativní činnosti. Čím jasnější, konkrétnější a pro model srozumitelnější prompt napíšeme, tím užitečnější odpověď dostaneme. Oproti klasickým chatbotům, kde jsou možnosti příkazů omezené, má velký jazykový model v podstatě nekonečné možnosti, a proto je důležité mu jasně říci, co vlastně potřebujeme.

Příklad:

Zadáte jen „napiš mi email ohledně opožděného projektu“ na což dostanete univerzální a velmi obecnou odpověď. Pokud však prompt rozšíříte na \"Jsi asistent manažera v IT firmě. Potřebuji, abys napsal formální email kolegovi ohledně opožděného projektu, vyjádři pochopení i požadavek na nový termín a přilož návrh na schůzku, \"odpověd bude mnohem přesnější a lépe použitelná v praxi.

Základní techniky promptování: Zero-shot, one-shot, few-shot

Prvním krokem je vybrat vhodnou techniku ​​podle toho, jak moc potřebujete model „navést“ na správnou odpověď:

• Zero-shot prompting znamená, že modelu zadáte jen roli nebo otázku bez dalších příkladů či vysvětlení. Například: „Vytvoř úvodní text k článku o zdravém životním stylu.“

• One-shot prompting poskytuje jeden konkrétní příklad, podle kterého má model pochopit zadání. "Takto vypadá předchozí úvod: (příklad). Vytvoř podobný, ale na téma produktivity v práci."

• Few-shot prompting rozšíří zadání o více příkladů, čímž zvýšíte pravděpodobnost, že se model trefí do vašeho stylu nebo požadavku.

Příklad:

Pokud potřebujete generovat odpovědi zákaznické podpory v konkrétním stylu, v promptech rovnou přidejte 2–3 vzorové odpovědi (is konkrétními formulacemi či stylem), které model může následovat.

Kontext, role a formátování, z čehož se skládá efektivní prompt

Moderní jazykové modely dokáží přijmout prompt, který obsahuje:

• Roli: Kdo má „odpovědět“. Například odborník, učitel, marketér?

• Úlohu: Co přesně má model provést? Například shrnout, vysvětlit, vytvořit nebo upravit tón.

• Kontext: Jaké jsou důležité souvislosti? Kde model může čerpat data (např. konkrétní dokument, soubor, email)?

• Formát: V jakém výstupu očekáváte výsledek? (např. tabulka, body, email, blog, odpověď ve formátu JSON)

Příklad:

"Jsi HR manažer ve středně velké firmě. Na základě přiloženého dokumentu @Pravidla_dovolenka_v2025 připrav krátké interní oznámení pro zaměstnance, kde jim vysvětlíš nejdůležitější změny v pravidlech čerpání dovolené v roce 2025. Použij pozitivní a motivační tón a rozděl text do odrážek."

Příklady reálných promptů a jejich úprava (iterace)

Jednou z velkých výhod jazykových modelů je možnost vést s nimi rozhovor, kde výsledek postupně dolaďujete. Pokud jste s odpovědí nespokojeni, prompt stačí upravit a zkusit to znovu. Často už jen drobná změna nebo doplnění příkladu vede k lepšímu výsledku.

Příklad iterace promptu:

1. První prompt: „Navrhni plán teambuildingu na 2 dny.“

2. Odpověď je příliš stručná? Doplníte: „Přidej konkrétní aktivity na rozvoj týmové spolupráce, zohledni věkový průměr týmu (35 let) a to, že všichni rádi sportují.“

3. Chybí formát? „Rozděl program do tabulky podle dnů a časů.“

Takto vzniká iterace, při které se výsledek postupně přibližuje vašim představám.

Pokročilé techniky: Chain of Thought, ReAct a struktura odpovědí

Při náročnějších zadáních využijete tzn. Chain of Thought (řetěz myšlenek). Zde model vyzvete, aby nejprve krok za krokem popsal, jak by postupoval nebo na jaké otázky by odpověděl, než se pustí do samotného řešení.

Příklad:

"Nejprve popiš postup, jak bys řešil zákaznickou reklamaci produktu, který byl poškozen při doručení. Potom vymysli šablonu odpovědi zákazníkovi a navrhni možné způsoby kompenzace."

Metoda ReAct (Reason & Act) spojuje uvažování s konkrétní akcí, například když model kromě rozboru problému navrhne i konkrétní kroky, které může uživatel podniknout nebo rovnou zpracuje data z externího souboru, emailu či vytvoří tabulku.

Tipy jak vylepšit promptování v praxi

1. Pište přirozeně a úplně. Komunikujte s modelem jako s kolegou. Krátká a nejasná zadání typu „Napiš blog na téma efektivního time managementu.“ bývají neefektivní. Zkuste například: „Napiš blog na téma efektivního time managementu pro začínající podnikatele, rozděl ho na úvod, hlavní body a závěr, buď konkrétní a uváděj příklady.“

2. Nebojte se detailů a příkladů. Pokud vám záleží na stylu nebo struktuře, rovnou jej popište nebo dejte modelu vzorový odstavec, jaký by vám vyhovoval.

3. Nebojte se vícenásobných pokusů. Každý prompt můžete zkusit upravit, model je dobře stavěný na iteraci.

4. Doplňujte kontext. Pokud pracujete s firemními dokumenty, zadejte je přímo do promptu (např. v Google Workspace můžete modelu „otagovat“ konkrétní dokument pomocí @název_souboru).

5. Jasně určujte formát výstupu. Pokud potřebujete odpověď v bodech, tabulce, formální email nebo krátké shrnutí, vždy to předem napište.

6. Kontrolujte výsledek. Odpověď modelu berte vždy jako návrh a jde-li o důležitý email či veřejný výstup, zkontrolujte přesnost, citlivost na osobní údaje a relevanci.

Co když velký jazykový model (LLM) odpoví nepřesně nebo nesprávně?

I nejlepší modely nejsou neomylné. Někdy si mohou vymyslet informace, nepochopit záměr otázky nebo nesprávně interpretovat kontext. Tehdy je vhodné prompt upravit, rozšířit nebo přeformulovat otázku. Zadáte-li: „Shrň mi tento dokument,“ a model odpoví nepřesně, zkuste: „Shrň hlavní body dokumentu X, uveď alespoň 3 konkrétní příklady a upozorni na doporučení v závěru.“

Promptování je dovednost dostupná pro každého

Prompt engineering se sice může na první pohled jevit jako technická dovednost, ale ve skutečnosti jde hlavně o jasnou, konkrétní a lidskou komunikaci. Každý, kdo používá AI nástroje, ať už v práci nebo doma, může s trochou praxe a pár jednoduchými pravidly výrazně zlepšit kvalitu a hodnotu odpovědí, které obdrží. Stačí experimentovat a zejména zadávat zadání přesně podle svých potřeb, stejně jako byste zadávali roli kolegovi.

ZDROJ: Pravda