Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Kontext a omezení

Lekce 4 z 16 Aktualizováno 28. července 2026 Začátečník
Na této stránce
  1. Kontext: Dej modelu to, co neví
  2. Tři typy kontextu, které je třeba poskytnout
  3. Definuj očekávaný formát
  4. Omez rozsah délky
  5. Omez tón a registr
  6. Omez rozsah tématu
  7. Kombinuj kontext a omezení
  8. Klíčové poznatky

Kontext: Dej modelu to, co neví

Modely Mistral mají rozsáhlé obecné znalosti, ale nic nevědí o tvé konkrétní situaci: tvé firmě, tvém projektu, tvém publiku ani tvých obchodních omezeních. Kontext, který uvedeš ve svém promptu, tento rozdíl překlenuje. To je to, co dělá rozdíl mezi univerzálním nástrojem a specializovaným asistentem. Bez kontextu model produkuje obecné odpovědi – v průměru správné, ale v konkrétním případě nepoužitelné. Se správným kontextem generuje odpovědi šité na míru.

Tři typy kontextu, které je třeba poskytnout

Prvním je situační kontext: situace obklopující tvůj požadavek. Marketingový ředitel, který napíše pouze „navrhni marketingový plán“, získá učebnicový plán. Pokud specifikuje svou situaci, vše se změní:

Context: I am the marketing director of an SME with 50 employees
specializing in B2B office furniture sales.
We are launching a new eco-friendly line in September 2026.
Our annual marketing budget is €80,000.

Každá věta v tomto kontextu eliminuje desítky odpovědí mimo téma: žádné strategie B2C, žádné rozpočty v řádu milionů, žádná doporučení nesouvisející s uvedením na trh.

Druhým je kontext dokumentu: data, která musí model analyzovat nebo použít. Model nezná tvá interní čísla – musíš mu je poskytnout, ideálně oddělená tagy, aby se odlišila od instrukcí:

Here are the quarterly results to analyze:

<data>
Q1 2026: Revenue €1.2M, margin 23%, 145 new clients
Q2 2026: Revenue €1.5M, margin 21%, 178 new clients
Q3 2026: Revenue €1.1M, margin 19%, 112 new clients
</data>

Identify trends and propose 3 corrective actions for Q4.

Třetím je kontext publika: pro koho je generovaný obsah určen. Stejné téma nevysvětluješ stejně začátečníkovi a expertovi. Specifikuj například: „Text je určen zkušeným vývojářům Pythonu (5+ let praxe), kteří se poprvé setkávají s API jazykových modelů. Není třeba vysvětlovat základy Pythonu, ale podrobně rozeber koncepty LLM.“ Model pak přesně nastaví míru detailnosti tam, kde ji tvůj čtenář potřebuje.

Definuj očekávaný formát

Formát výstupu je jedním z nejmocnějších omezení. Bez vedení si model vybere výchozí formát – často prostý text –, který budeš muset přepracovat. Specifikací formátu získáš přesně to, co potřebuješ, připravené k okamžitému použití.

Pro seznam to řekni explicitně: „Uveď výhody jako odrážky (maximálně 5).“ Pro tabulku: „Prezentuj výsledky v Markdown tabulce se sloupci Funkce | Dostupnost | Priorita.“ Pro integraci softwaru je králem strukturované JSON a zaslouží si specifikaci pole po poli:

Return the response in the following JSON format:
{
  "summary": "string (max 100 words)",
  "keywords": ["string"],
  "sentiment": "positive | neutral | negative",
  "confidence_score": "number (0-1)"
}

Stejný princip platí pro kód: „Napiš funkci v Pythonu 3.11+. Přidej docstringy ve stylu Google a typové nápovědy. Na konec přidej 2 příklady použití v komentářích.“ Čím přesněji popíšeš formát, tím méně přepracování tě čeká.

Omez rozsah délky

Modely Mistral mají tendenci být vyčerpávající, pokud nestanovíš limity. Délku můžeš omezit počtem slov („Odpověz maximálně 150 slovy“), strukturou („Odpověz přesně ve 3 odstavcích po 2–3 větách“) nebo počtem prvků („Uveď přesně 5 doporučení, každé v jedné větě“).

Jedno varování však platí: jazykové modely počítají slova a znaky špatně. Požadavek na „přesně 150 slov“ vytvoří text o délce přibližně 150 slov, zřídka přesně. Pokud ti na délce opravdu záleží, upřednostni strukturální omezení – počet odstavců, bodů, sekcí –, která model dodržuje mnohem věrněji než přesné počty.

Omez tón a registr

Tón odpovědi přímo ovlivňuje její užitečnost: text se špatným tónem je text, který musíš přepsat. Buď explicitní, klidně i kombinací specifikací: „Tón: profesionální, ale přístupný. Vyhně se technickému žargonu, pokud není nevyhnutelný (v takovém případě jej definuj). Používej spisovný jazyk. Žádná emotikony ani hovorový jazyk.“

Tip pro pokročilé: nejefektivnější pokyny pro tón často přirovnávají úkol k známé profesionální situaci. „Odpověz jako senior konzultant prezentující před představenstvem“, „Přijmi pedagogický tón, jako profesor vysvětlující studentům magisterského studia“ nebo „Buď přímý a stručný, jako zpráva z interního auditu“: každá z těchto frází kondenzuje celou sadu voleb slovní zásoby, délky a postoje do jednoho obrazu, který model umí dekódovat.

Omez rozsah tématu

Vymezení rozsahu znamená říct modelu, kde má přestat. Zde je příklad omezení:

Scope constraints:
- Focus ONLY on the French market
- Do NOT mention US or UK regulations
- Ignore tax aspects (another expert handles this)
- If information is missing, state it explicitly
  rather than inventing it

Věnuj zvláštní pozornost poslednímu omezení: je to tvá nejlepší obrana proti halucinacím. Model požádaný o úplnou odpověď má tendenci zaplňovat mezery věrohodnými informacemi; tím, že mu explicitně povolíš přiznat své limity, změníš tiché vymýšlení na viditelný příznak, který můžeš následně řešit.

Kombinuj kontext a omezení

V praxi profesionální prompt přirozeně kombinuje vše výše uvedené: kontext a trvalá pravidla v systémovém promptu, data a očekávaný formát v uživatelské zprávě. Zde je kompletní příklad analýzy HR:

messages = [
    {
        "role": "system",
        "content": """You are a senior HR analyst at a tech company.
Rules:
- Formal English, professional tone
- Base your analysis solely on the provided data
- If data is missing, flag it with [MISSING_DATA]
- Format: sections with headings, bullet points, no prose"""
    },
    {
        "role": "user",
        "content": """Analyze the absenteeism data below and propose an action plan.

Q1 2026 Data:
- Overall absenteeism rate: 7.2% (+1.8 points vs Q1 2025)
- Most affected department: Customer Support (12.1%)
- Main reason: short-term sick leave (< 5 days)
- Average tenure of absent employees: 2.3 years

Expected format:
1. Diagnosis (3 points max)
2. Probable causes (3 hypotheses)
3. Action plan (5 concrete measures with timeline)"""
    }
]

Všimni si, jak každý prvek probíraný v této lekci našel své místo: role a registr v systému, vymezená data v uživatelské zprávě, číslovaný formát na konci zprávy a ochranný prvek proti vymýšlení ([MISSING_DATA]) nastavený jednou provždy.

Klíčové poznatky

  • Kontext mění obecnou odpověď na personalizovanou
  • Podle potřeby poskytuj situační kontext, kontext dokumentu i kontext publika
  • Vždy definuj očekávaný formát výstupu (JSON, seznam, tabulka atd.)
  • Omezuj délku pomocí struktury, nikoliv počtu slov
  • Vymez rozsah tématu a povol modelu signalizovat chybějící informace