Przejdź do głównej treści
Polski— Wybierz język
Menu

Strukturyzowanie poleceń

Lekcja 3 z 16 Zaktualizowano 28 lipca 2026 Początkujący
Na tej stronie
  1. Dlaczego struktura ma znaczenie
  2. Markdown: Naturalny standard
  3. Znaczniki XML: Maksymalna precyzja
  4. Niezbędne sekcje ustrukturyzowanego polecenia
  5. Instrukcje jawne kontra domyślne
  6. Pisz tak, jakby model nic nie wiedział
  7. Kluczowe wnioski

Dlaczego struktura ma znaczenie

Dobrze zbudowane polecenie to nie luksus, lecz konieczność. Modele Mistral są trenowane na ogromnych ilościach ustrukturyzowanego tekstu: dokumentacji technicznej, artykułach, kodzie źródłowym. Lepiej rozumieją i wykonują Twoje instrukcje, gdy są one wyraźnie uporządkowane, ponieważ taka organizacja przypomina to, co widziały miliardy razy podczas treningu.

Wyobraź sobie, że wydajesz ustne polecenia koledze z pracy, mieszając wszystko w jedną całość: termin ukryty w anegdocie, oczekiwany format wtrącony na końcu zdania, a kontekst podany dopiero po samej instrukcji. Efekt byłby mylący, a Twój kolega musiałby zgadywać, co jest najważniejsze. To samo dotyczy modelu językowego: struktura Twojego polecenia decyduje o jasności jego interpretacji. W tej lekcji poznasz dwa narzędzia do strukturyzowania – Markdown i znaczniki XML – oraz siatkę sekcji pozwalającą uporządkować każde złożone polecenie.

Markdown: Naturalny standard

Markdown to najskuteczniejszy format strukturyzacji dla modeli Mistral, i to z trzech wzajemnie wzmacniających się powodów. Po pierwsze, jest czytelny: łatwo go pisać i przeglądać, co ma znaczenie, gdy polecenie żyje i ewoluuje w ramach aplikacji. Po drugie, jest znany modelowi: Markdown występuje masowo w danych treningowych, więc model bez wysiłku rozumie jego konwencje. Wreszcie, przetwarza się naturalnie: model wyraźnie identyfikuje hierarchię nagłówków, list i bloków kodu, wnioskując o względnym znaczeniu każdej sekcji.

Oto jak wygląda to w praktyce na przykładzie analizy konkurencji:

# Task
Write a competitive analysis report.

## Context
Company: TechCorp, B2B SaaS, French market
Main competitors: AlphaSoft, BetaCloud, GammaTech

## Expected Format
For each competitor, provide:
- **Strengths**: 3 points maximum
- **Weaknesses**: 3 points maximum
- **Pricing positioning**: low / medium / premium

## Constraints
- Maximum 800 words
- Professional and factual tone
- No strategic recommendations (analysis only)

To polecenie wykorzystuje nagłówki (#, ##) do oddzielenia sekcji, tekst pogrubiony dla kluczowych elementów oraz listy punktowane dla szczegółów. Model natychmiast rozumie hierarchię: najpierw zadanie, potem kontekst, następnie format, a na końcu ograniczenia. Możesz przekazać ten sam dokument ludzkiemu współpracownikowi bez zmiany ani jednego słowa – to dobry znak.

Znaczniki XML: Maksymalna precyzja

Markdown porządkuje; znaczniki XML wyznaczają granice. Gdy musisz jednoznacznie odizolować bloki danych lub instrukcji – typowo gdy Twoje polecenie miesza instrukcje z tekstem do przetworzenia – znaczniki XML są szczególnie skuteczne:

<instructions>
Analyze the provided text and extract named entities.
Categorize them into: people, organizations, locations.
</instructions>

<format>
Return the result in JSON with the structure:
{"people": [], "organizations": [], "locations": []}
</format>

<text>
President Macron met with the Director-General of the WHO in Geneva
to discuss European health strategy.
</text>

Korzyść polega na tym, że model dokładnie wie, gdzie zaczyna się i kończy każda sekcja. Gdyby tekst do analizy zawierał zdanie przypominające instrukcję – np. „wyodrębnij listę uczestników“ – znaczniki zapobiegłyby pomyleniu go przez model z Twoimi poleceniami. To właśnie to rozdzielenie między instrukcjami a danymi czyni XML cennym w poleceniach produkcyjnych.

Niezbędne sekcje ustrukturyzowanego polecenia

Niezależnie od wybranego formatu, złożone polecenie organizuje się wokół tych samych sekcji. Pierwsza i jedyna obowiązkowa to zadanie: zawsze wyraźnie określ, czego oczekujesz, zaraz na początku. „Zadanie: Przetłumacz poniższy tekst z francuskiego na angielski, zachowując formalny rejestr“ nie pozostawia żadnych wątpliwości co do misji.

Następnie pojawia się kontekst, gdy jest konieczny: informacje tła, których model nie może odgadnąć. Jeśli pracujesz dla startupu fintech budującego aplikację do zarządzania budżetem dla osób fizycznych we Francji, powiedz o tym – bez tego szczegółu model napisze tekst dla ogólnego odbiorcy i będziesz musiał robić wszystko od nowa.

Trzecia sekcja, zasady, określa ramy zachowania: wyraźnie wymień, co model musi, a czego nie wolno mu robić. Na przykład: używaj formalnego tonu, nie wspominaj o markach konkurencji, twórz akapity liczące od 50 do 100 słów. Każda zapisana zasada to poprawka, której nie będziesz musiał wprowadzać ręcznie.

Czwarta sekcja, format wyjścia: opisz dokładnie formę, jaką musi przybrać odpowiedź. „Zwróć tabelę w Markdown z kolumnami: Kryterium | Ocena (1-5) | Komentarz“ generuje materiał gotowy do bezpośredniego skopiowania do Twojego dokumentu, podczas gdy brak instrukcji skutkuje prozą wymagającą przeróbki.

Na końcu przykłady rozwiewają pozostałe niejasności, pokazując oczekiwany rezultat. Technika ta jest tak potężna, że ma własną lekcję: wrócimy do niej szczegółowo przy omawianiu promptingu few-shot.

Instrukcje jawne kontra domyślne

Modele Mistral nie odgadują Twoich intencji: wszystko, co w Twojej głowie jest domyślne, musi stać się jawne w poleceniu. Porównaj „Streszcz ten artykuł“ z „Streszcz ten artykuł w 3 punktach, każdy po maksymalnie 20 słów. Zachowaj kluczowe liczby. Użyj neutralnego i rzeczowego tonu“. Pierwsza wersja pozostawia modelowi decyzję o długości, formacie i tonie – trzech decyzjach, które może podjąć inaczej niż Ty. Druga nie pozostawia miejsca na interpretację: model dokładnie wie, co ma wyprodukować, a Ty za każdym razem otrzymasz wynik tego samego typu.

Pisz tak, jakby model nic nie wiedział

Zakończmy fundamentalną zasadą: pisz swoje polecenie, zakładając, że model nie ma żadnego wcześniejszego kontekstu dotyczącego Twojej sytuacji. Nawet jeśli coś wydaje Ci się oczywiste – kim jesteś, co chcesz osiągnąć, do jakiego celu, w jakim formacie – określ to, polegając na poleceniu systemowym w kwestii elementów stałych. Pisarz chainujący żądania w tej samej rozmowie zaczyna wierzyć, że „model wie“; ale gdy tylko rozmowa się zmieni lub polecenie zostanie użyte gdzie indziej, cały kontekst domyślny znika. Podejście „zerowego kontekstu“ gwarantuje spójne wyniki niezależnie od stanu rozmowy.

Kluczowe wnioski

  • Strukturyzuj swoje polecenia za pomocą wyraźnych sekcji (Markdown lub XML)
  • Markdown jest idealny w większości przypadków; znaczniki XML służą do izolowania danych
  • Zawsze rozdzielaj zadanie, kontekst, zasady i oczekiwany format
  • Uczyń jawne wszystko, co w Twojej głowie jest domyślne
  • Każde polecenie pisz tak, jakby model zaczynał od zera