Prompty warunkowe i rozgałęzione
Na tej stronie
Do tej pory Twoje prompty podążały liniową ścieżką: jedna instrukcja, jeden wynik. Rzeczywiste sytuacje zawodowe rzadko bywają tak uległe. Co robisz, gdy właściwa odpowiedź zależy od cechy, którą poznasz dopiero po przetworzeniu sprawy, albo gdy musisz obsłużyć wiele scenariuszy w jednym przebiegu? Prompty warunkowe i rozgałęzione absorbują tę zmienność: zamiast pisać osobny prompt dla każdego scenariusza, piszesz regułę, która raz na zawsze rozróżnia przypadki.
Napisz regułę „jeśli/wtedy“
Najprostszy warunek opisuje możliwe przypadki i działanie przypisane do każdego z nich. Wyobraź sobie, że moderujesz opinie na profilu swojej firmy: komentarze napływają codziennie, wymieszane, i nie wszystkie wymagają takiej samej reakcji.
Analyze this customer review and respond appropriately.
Rules:
- If the review is positive: thank them warmly and invite
them to leave a Google review
- If the review is negative: apologize, ask for
details about the issue, and offer direct contact
- If the review is a question: answer factually and offer
to take it further by email
- If the review is spam: simply state "SPAM - delete"
Review: "[PASTE REVIEW HERE]"
Ten jeden prompt obsługuje cztery przypadki i pozwala przetwarzać dziesiątki opinii bez przepisywania czegokolwiek między nimi. Zmiana jest głębsza, niż się wydaje: nie sortujesz już danych wstępnie, by wybrać właściwy prompt; sortowanie staje się teraz częścią instrukcji.
Łączenie wielu kryteriów
Gdy odpowiedź zależy jednocześnie od dwóch lub trzech zmiennych, zapisz swoje warunki jako drzewo decyzyjne. Doradca kariery nie udziela takich samych rad juniorowi zmieniającemu branżę, co seniorowi chcącemu założyć firmę; poniższy prompt koduje to rozróżnienie raz na zawsze.
You are a professional career counselor.
A candidate provides the following information.
Tailor your recommendations to their profile.
Candidate profile:
- Experience: [JUNIOR (0-2 years) / MID-LEVEL (3-7 years) / SENIOR (8+ years)]
- Current sector: [SECTOR]
- Goal: [ADVANCEMENT / CAREER CHANGE / START A BUSINESS]
- Constraint: [GEOGRAPHIC / SALARY / TIME / NONE]
Adaptation rules:
- If JUNIOR + ADVANCEMENT: focus on skills to acquire
and relevant training
- If JUNIOR + CAREER CHANGE: emphasize transferable skills
and suggest concrete bridges
- If MID-LEVEL + ADVANCEMENT: propose positioning strategies
and targeted networking
- If MID-LEVEL + START A BUSINESS: assess feasibility and propose
a gradual transition plan
- If SENIOR + ADVANCEMENT: steer toward leadership or
advisory roles, with personal branding
- If SENIOR + START A BUSINESS: leverage existing expertise
and network
If GEOGRAPHIC constraint: include remote-first options.
If SALARY constraint: prioritize fast-income options.
If TIME constraint: propose an accelerated plan.
Spójrz na strukturę, a nie na treść: przecięcie doświadczenia i celu determinuje sedno porady, podczas gdy ograniczenie działa jak filtr nakładany na wynik. Rozdzielenie tych dwóch poziomów zamiast łączenia wszystkiego pozwala uniknąć pisania osiemnastu reguł, gdy wystarczy dziewięć – i umożliwia dodanie czwartego ograniczenia jutro bez przepisywania całego drzewa.
Sortowanie całej listy w jednym przebiegu
Ten sam mechanizm zamienia ręczne kwalifikowanie w pojedynczą operację. Przy eksporcie leadów warunki działają jak siatka punktacji, a tabela wymusza format dostarczalny, z którego zespół sprzedaży może skorzystać natychmiast, bez dodatkowego formatowania.
Here is a list of 10 sales leads. For each, assess
priority and propose the appropriate follow-up action.
Scoring rules:
- If the lead visited the pricing page: HOT -> propose a call
- If the lead downloaded a white paper: WARM -> send a
personalized nurturing email
- If the lead only subscribed to the newsletter: COLD -> add
to the automated sequence
- If the lead requested a demo: VERY HOT -> call within 24h
For each lead, produce:
| Name | Behavior | Score | Recommended action | Personalized message (2 lines) |
Leads:
1. Marie L. - visited pricing + downloaded the "ROI Guide" white paper
2. Thomas D. - subscribed to newsletter 3 months ago, no activity since
3. Sophie R. - demo request received yesterday, company of 200 employees
[...]
Jedna uwaga przed wklejeniem takiej listy: zawiera ona dane osobowe. Sprawdź, na co pozwalają Twój plan i regulamin wewnętrzny firmy. W planach Business, Enterprise i Edu OpenAI domyślnie nie wykorzystuje Twoich treści do trenowania modeli; w planach osobistych mogą one zostać użyte do treningu, chyba że wyłączysz tę opcję w ustawieniach kontroli danych. W każdym razie przechowuj tylko informacje niezbędne do sortowania, np. imię i inicjał zamiast pełnego imienia, nazwiska i adresu.
Generowanie wielu wersji tej samej wiadomości
Przydatną wariacją jest poproszenie nie o wybór, ale o wszystkie gałęzie naraz. To typowa sytuacja dla delikatnego ogłoszenia, które musi trafić do różnych grup odbiorców, nigdy nie będąc sprzecznym między kanałami.
We are preparing an announcement about a restructuring of the sales team.
Write 3 versions of the message based on context.
Scenario A - Team meeting (direct, transparent tone):
The announcement is made in person to the affected team.
Priority: honesty and addressing concerns.
Scenario B - Internal email to the entire company (factual, reassuring tone):
General information sent to all employees.
Priority: clarity and message stability.
Scenario C - Communication to clients (professional, confident tone):
Message intended for key clients who have a dedicated contact.
Priority: service continuity and trust.
For each scenario, produce:
1. The full message (200 words max)
2. The 3 likely questions and prepared answers
3. The main point of vigilance
Uzyskanie wszystkich trzech wersji w jednej odpowiedzi to nie tylko oszczędność czasu; to wygrana spójności: model ma przed oczami dwie pozostałe wersje podczas tworzenia każdej z nich, co nie miałoby miejsca, gdybyś otworzył trzy osobne konwersacje.
Zagnieżdżanie warunków
W przypadku naprawdę złożonych kompromisów zagnieżdżaj warunki tak, jak w notatce określającej zakres. Poniższy przykład sprawia, że rekomendacja zależy najpierw od progu budżetowego, a następnie, w ramach każdego progu, od drugiego kryterium, które nie jest wszędzie takie samo – cykl sprzedaży dla skrajnych budżetów, dojrzałość rynku dla poziomu średniego.
Help me choose the best customer acquisition strategy.
Decision parameters:
- Monthly budget: [AMOUNT]
- Sales cycle: [SHORT (< 1 month) / LONG (> 3 months)]
- Market maturity: [MATURE / EMERGING]
Recommendation logic:
IF budget < 5,000 EUR:
IF cycle SHORT -> SEO + content marketing
IF cycle LONG -> Organic LinkedIn + email nurturing
IF budget 5,000-20,000 EUR:
IF market MATURE -> Google Ads + retargeting
IF market EMERGING -> Content + industry events
IF budget > 20,000 EUR:
IF cycle SHORT -> Google Ads + LinkedIn Ads + SDR
IF cycle LONG -> ABM (Account Based Marketing) + events
For each recommendation, detail:
1. Budget allocation by channel
2. KPIs to track
3. Expected results at 3 and 6 months
Wykorzystywanie warunków jako guardraili
Reguły warunkowe służą nie tylko do sterowania treścią: mogą monitorować jakość wyniku w trakcie jego tworzenia. Każde „jeśli“ staje się instrukcją autokorekty, którą model stosuje do własnego tekstu, zamiast zostawiać Ci odkrywanie problemu podczas recenzji.
Write an 800-word blog post on e-commerce trends in 2026.
Guardrails:
- If you mention a statistic, cite the source or indicate
"estimate" in parentheses
- If you claim a trend is "the most important," justify
with at least 2 arguments
- If a paragraph exceeds 100 words, split it in two
- If you use a technical term, add an explanation in
parentheses the first time
- If you can't find a concrete example for a point, flag it
with [ADD EXAMPLE]
Twoja kolej
Zbuduj i przetestuj własne drzewo decyzyjne. Wybierz zadanie, które powtarzasz, a w którym scenariusze się zmieniają, a następnie dopasuj je do tej macierzy.
[YOUR RECURRING TASK]
Conditions:
- If [CONDITION A] then [ACTION A]
- If [CONDITION B] then [ACTION B]
- If [CONDITION C] then [ACTION C]
- If no condition applies: [DEFAULT ACTION]
Apply these conditions to:
[YOUR DATA]
Następnie przetestuj to na co najmniej trzech różnych danych wejściowych, dobranych tak, by uruchomiły odrębne gałęzie. Ten test niemal zawsze ujawnia jeden z trzech klasycznych błędów. Warunek sformułowany w niejasny sposób – „jeśli ton jest przeciętny“ – nic nie mówi modelowi: zastąp go obiektywnym kryterium lub podaj przykład dla każdej kategorii. Brak przypadku domyślnego pozostawia modelowi improwizację, gdy dane wejściowe wykraczają poza oczekiwany schemat, i to tam pojawiają się niepasujące odpowiedzi; linia „w przeciwnym razie / we wszystkich innych przypadkach“ nigdy nie jest zbędna. Wreszcie, powyżej sześciu czy siedmiu gałęzi prompt staje się niemożliwy do utrzymania: nie będziesz wiedział, która z nich wygenerowała dany wynik. Uprość go lub podziel na kilka połączonych promptów.
Źródła oficjalne: Best practices for prompt engineering with the OpenAI API · How your data is used to improve model performance (Centrum Pomocy OpenAI)
Kluczowe wnioski
- Prompty warunkowe dostosowują odpowiedź do różnych przypadków za pomocą reguł „jeśli/wtedy“.
- Rozgałęzienia wielokryterialne pozwalają obsługiwać złożone sytuacje w jednym prompcie.
- Przetwarzanie wsadowe z warunkami automatyzuje analizę całych list.
- Prompty wieloscenariuszowe generują kilka wersji dopasowanych do różnych kontekstów.
- Zawsze uwzględnij przypadek domyślny i ogranicz liczbę gałęzi, aby zachować przejrzystość.
- Przed przetworzeniem danych osobowych sprawdź, na co pozwalają Twój plan i firma, i zredukuj dane do absolutnego minimum.