Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Anti-vzory, kterým se vyhnout

Lekce 8 z 16 Aktualizováno 2. listopadu 2026 Začátečník
Na této stránce
  1. Chyby, které sabotují tvé prompty
  2. Anti-vzor 1: Subjektivní jazyk
  3. Anti-vzor 2: Rozporuplné instrukce
  4. Anti-vzor 3: Žádost modelu o počítání
  5. Anti-vzor 4: Nadměrná generace tokenů
  6. Anti-vzor 5: Číselné škály
  7. Anti-vzor 6: Nejasné instrukce
  8. Anti-vzor 7: Ignorování předvyplnění
  9. Klíčové poznatky

Chyby, které sabotují tvé prompty

Ovládnutí tvorby promptů znamená také vědět, co nedělat. Určité návyky, které jsou v lidské komunikaci zcela přirozené, přinášejí u modelů Mistral špatné výsledky – právě proto, že spoléhají na implicitní pochopení, které model postrádá. Tato lekce uvádí sedm nejčastějších anti-vzorů, včetně chybné verze, opravené verze a logiky stojící za každou opravou. Během čtení pravděpodobně rozpoznáš několik svých vlastních návyků.

Anti-vzor 1: Subjektivní jazyk

Mezi kolegy funguje věta „napiš mi text, který není příliš dlouhý“, protože sdílíte kontext: kolega zná případ použití, čtenáře i zvyklosti firmy. Model však subjektivní slova nevnímá tak jako ty. Výrazy jako „krátký“, „dlouhý“, „mnoho“, „zajímavý“ nebo „příliš“ jsou nejednoznačné a vedou k nepředvídatelným výsledkům při každém spuštění.

Špatně:

Write a text not too long about AI.
Include many interesting examples.

Dobře:

Write a text of 200 to 300 words about generative AI.
Include 3 concrete examples of application in business
(marketing, HR, customer service).

Pravidlo opravy je mechanické: nahraď každý subjektivní výraz objektivním měřítkem. „Není příliš dlouhý“ se stane „200–300 slov“, „mnoho příkladů“ se změní na „3 příklady“ a „zajímavý“ se převede na přesný popis typu očekávaných příkladů.

Anti-vzor 2: Rozporuplné instrukce

Když tvůj prompt obsahuje neslučitelné pokyny – například „buď vyčerpávající a pokryj všechny aspekty“ následované „odpověz maximálně ve 3 větách“ – model si musí vybrat, kterou instrukci dodržet, a tato volba je nepředvídatelná. Jednou dostaneš tři povrchní věty, podruhé obsáhlou zeď textu. Oprava spočívá ve sladění obou požadavků do jedné koherentní instrukce: „Pokryj 3 hlavní aspekty tématu. Pro každý aspekt uveď shrnující větu (max. 25 slov).“ Vyčerpávající se stává definovaným rozsahem, stručnost omezením pro každý prvek – žádný další konflikt.

Pokud jsou tvá pravidla skutečně složitá s různým chováním v závislosti na případě, nenaskládej je na sebe: strukturovej je jako rozhodovací strom, kde je každá větev explicitní:

If the client is an individual:
  → Use an accessible tone, avoid technical jargon
  → Propose the Starter offer first

If the client is a business:
  → Use a professional and technical tone
  → Propose the Enterprise offer first

If you are unsure:
  → Politely ask if this is for personal or professional use

Anti-vzor 3: Žádost modelu o počítání

Jazykové modely jsou špatné v počítání. Ve skutečnosti nepočítají slova, znaky ani věty – odhadují, protože pracují s tokeny, nikoliv s textovými jednotkami. Požadavek na „přesně 150 slov“ nebo „zkontroluj, že každá věta má méně než 20 slov“ je jako požadovat po malíři měření v mikronech: není to jeho nástroj.

Špatně:

Write a text of exactly 150 words.
Check that each sentence is less than 20 words.

Dobře:

Write a short text (around 150 words, 2-3 paragraphs).
Use concise and direct sentences.

A pokud je počítání pro tvou aplikaci skutečně kritické – například limit znaků vynucený rozhraním – proveď ho v kódu až po obdržení odpovědi modelu, nikoliv v promptu. Tvůj programovací jazyk počítá perfektně; model ne.

Anti-vzor 4: Nadměrná generace tokenů

Každý vygenerovaný token má cenu, finanční i v podobě latence. Žádat model, aby produkoval informace, které nepoužiješ, je čisté plýtvání: platíš více a čekáš déle na text, který si nepřečteš. Typickým případem je analýza kódu, kde žádáš „podrobně vysvětli každý řádek“, plus „historii jazyka“ a „možné alternativy“, když tě zajímají pouze chyby.

Dobře:

Analyze this code and identify:
1. Potential bugs (with the line concerned)
2. A proposed fix for each bug
Nothing else.

Závěrečné „nic dalšího“ je překvapivě silná instrukce: explicitně říká modelu, aby nepřidával doplňky, varování a rozšíření, která spontánně generuje. Tvá odpověď dorazí rychleji, stojí méně a jde rovnou k věci.

Anti-vzor 5: Číselné škály

Žádat model o hodnocení na škále 1 až 5 nebo 1 až 10 se zdá být rigorózní – ve skutečnosti je to pravý opak. Model nemá spolehlivou interní kalibraci pro tyto škály: stejný text může dnes dostat 6/10 a zítra 8/10, bez kritérií vysvětlujících rozdíl. Řešením je nahradit čísla slovními škálami s explicitními kritérii:

Evaluate the quality of this text according to these levels:
- Insufficient: factual errors, incoherent structure
- Acceptable: correct but lacks depth or clarity
- Good: well structured, clear, with relevant examples
- Excellent: publication-ready, original, brings clear added value

Choose one level and justify in 2 sentences.

Protože je každá úroveň definována pozorovatelnými kritérii, stává se hodnocení reprodukovatelným a odůvodněným – víš, proč je text „Přijatelný“ spíše než „Dobrý“, a model aplikuje stejná kritéria při každém volání.

Anti-vzor 6: Nejasné instrukce

„Vylepši tento text“ je dokonalým příkladem instrukce, která se zdá být jasná, ale vůbec není. Vylepšit co? Pravopis? Styl? Strukturu? Model si vybere za tebe a riskuje přepsání pasáží, které jsi chtěl zachovat tak, jak jsou. Profesionální verze vymezuje jak to, co opravit, tak to, co zůstane nedotčeno:

Improve this text by correcting:
1. Spelling and grammar mistakes
2. Sentences longer than 30 words (simplify them)
3. Word repetitions within a range of 3 sentences

Do NOT modify:
- The meaning of sentences
- Technical terms (even if synonyms exist)
- Paragraph structure

Blok „Neměň“ je stejně důležitý jako ten první: bez něj horlivý model nahradí tvé technické termíny nepřesnými synonymy.

Anti-vzor 7: Ignorování předvyplnění

Poslední anti-vzor není aktivní chybou, ale promarněnou příležitostí: mnoho uživatelů ignoruje možnost předvyplnit odpověď prostřednictvím role assistant, jak bylo popsáno v lekci o rolích. Je to však mocná páka pro vynucení formátu. Při jednoduché uživatelské zprávě žádající JSON může model přidat úvodní větu, zpětná lomítka, závěrečný komentář – tolik prvků, které rozbijí tvé parsování. Ukončením svých zpráv začátkem odpovědi asistenta se formát stane quasi zaručeným:

Bez předvyplnění (nepředvídatelný formát):

messages = [
    {"role": "user", "content": "List 3 advantages of remote work in JSON."}
]

S předvyplněním (zaručený formát):

messages = [
    {"role": "user", "content": "List 3 advantages of remote work in JSON."},
    {"role": "assistant", "content": "{\"advantages\": [", "prefix": True}
]

Model se ocitne již „v procesu psaní“ JSON objektu: může jej pouze dokončit.

Klíčové poznatky

  • Nahraď subjektivní jazyk a nejasné instrukce měřitelnými a ohraničenými pokyny
  • Vyhně se rozporuplným instrukcím – složité případy strukturovej jako rozhodovací strom
  • Nikdy nežádej model o počítání: kritická počítání prováděj v kódu
  • Omez generaci pouze na skutečně využívané informace a používej slovní škály místo číselných
  • Využij předvyplnění asistenta k zaručení výstupního formátu