Przejdź do głównej treści
Polski— Wybierz język
Menu

Kontekst i ograniczenia

Lekcja 4 z 16 Zaktualizowano 28 lipca 2026 Początkujący
Na tej stronie
  1. Kontekst: Daj modelowi to, czego nie wie
  2. Trzy rodzaje kontekstu do podania
  3. Zdefiniuj oczekiwany format
  4. Ogranicz długość
  5. Ogranicz ton i rejestr
  6. Ogranicz zakres
  7. Łącz kontekst i ograniczenia
  8. Kluczowe wnioski

Kontekst: Daj modelowi to, czego nie wie

Modele Mistral posiadają rozległą wiedzę ogólną, ale nie wiedzą nic o Twojej specyficznej sytuacji: Twojej firmie, projekcie, odbiorcach czy ograniczeniach biznesowych. Kontekst, który podajesz w prompcie, niweluje tę lukę. To właśnie on decyduje o różnicy między narzędziem ogólnego przeznaczenia a wyspecjalizowanym asystentem. Bez kontekstu model generuje ogólne odpowiedzi – przeciętnie poprawne, ale w praktyce nieużyteczne. Dzięki odpowiedniemu kontekstowi otrzymujesz odpowiedzi szyte na miarę.

Trzy rodzaje kontekstu do podania

Pierwszym jest kontekst sytuacyjny: okoliczności towarzyszące Twojemu zapytaniu. Dyrektor marketingu, który napisze po prostu „zaproponuj plan marketingowy“, otrzyma podręcznikowy schemat. Jeśli jednak określi swoją sytuację, wszystko się zmienia:

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.

Każde zdanie w tym kontekście eliminuje dziesiątki nieistotnych odpowiedzi: brak strategii B2C, brak budżetów siedmiocyfrowych, brak rekomendacji niezwiązanych z uruchomieniem nowej linii.

Drugim jest kontekst dokumentowy: dane, które model musi przeanalizować lub wykorzystać. Model nie zna Twoich wewnętrznych liczb – musisz mu je dostarczyć, najlepiej oddzielone tagami, aby odróżnić je od instrukcji:

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.

Trzecim jest kontekst odbiorcy: osoba, do której skierowana jest generowana treść. Nie wyjaśnia się tego samego tematu w ten sam sposób początkującemu i ekspertowi. Określ to wyraźnie, na przykład: „Tekst jest przeznaczony dla doświadczonych programistów Pythona (5+ lat doświadczenia), którzy po raz pierwszy poznają interfejsy API modeli językowych. Nie trzeba wyjaśniać podstaw Pythona, ale należy szczegółowo omówić koncepcje LLM”. Model dostosuje wtedy poziom szczegółowości dokładnie tam, gdzie potrzebuje tego Twój czytelnik.

Zdefiniuj oczekiwany format

Format wyjścia to jedno z najpotężniejszych ograniczeń. Bez wskazówek model wybierze format domyślny – często zwykły tekst – który będziesz musiał przerobić. Określając format, otrzymujesz dokładnie to, czego potrzebujesz, gotowe do użycia.

Jeśli chcesz listę, powiedz to wprost: „Wymień zalety w formie punktów (maksymalnie 5)“. W przypadku tabeli: „Przedstaw wyniki w tabeli Markdown z kolumnami: Funkcja | Dostępność | Priorytet“. Przy integracji oprogramowania królem jest ustrukturyzowany JSON i warto go określić pole po polu:

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

Ta sama zasada dotyczy kodu: „Napisz funkcję w Pythonie 3.11+. Dodaj docstringi w stylu Google i adnotacje typów. Dołącz 2 przykłady użycia w komentarzach na końcu“. Im precyzyjniej opiszesz format, tym mniej pracy będziesz musiał włożyć w poprawki.

Ogranicz długość

Modele Mistral mają tendencję do wyczerpywania tematu, jeśli nie wyznaczysz limitów. Możesz ograniczyć długość poprzez liczbę słów („Odpowiedz w maksymalnie 150 słowach“), strukturę („Odpowiedz dokładnie w 3 akapitach po 2–3 zdania każdy“) lub liczbę elementów („Podaj dokładnie 5 rekomendacji, każda w jednym zdaniu“).

Jedno ostrzeżenie: modele językowe słabo liczą słowa i znaki. Poproszenie o „dokładnie 150 słów“ wygeneruje tekst liczący około 150 słów, rzadko co do słowa. Jeśli długość jest dla Ciebie kluczowa, preferuj ograniczenia strukturalne – liczba akapitów, punktów, sekcji – które model przestrzega znacznie wierniej niż precyzyjne liczniki.

Ogranicz ton i rejestr

Ton odpowiedzi bezpośrednio wpływa na jej użyteczność: tekst o niewłaściwym tonie to tekst, który musisz przepisać. Bądź wyraźny, nawet jeśli oznacza to nakładanie na siebie wielu specyfikacji: „Ton: profesjonalny, ale przystępny. Unikaj żargonu technicznego, chyba że jest nieunikniony (wtedy go zdefiniuj). Używaj języka formalnego. Bez emoji i języka potocznego“.

Wskazówka: najskuteczniejsze dyrektywy dotyczące tonu często porównują zadanie do znanej sytuacji zawodowej. „Odpowiedz jak starszy konsultant prezentujący wyniki komitetowi wykonawczemu“, „Przyjmij ton dydaktyczny, jak profesor wyjaśniający studentom studiów magisterskich“ lub „Bądź bezpośredni i zwięzły, jak w raporcie z audytu wewnętrznego“: każde z tych zdań kondensuje cały zestaw wyborów dotyczących słownictwa, długości i postawy w jeden obraz, który model potrafi zdekodować.

Ogranicz zakres

Określenie zakresu oznacza wskazanie modelowi, gdzie ma się zatrzymać. Oto przykład ograniczeń:

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

Zwróć szczególną uwagę na ostatnie ograniczenie: to Twoja najlepsza obrona przed halucynacjami. Model poproszony o kompletną odpowiedź ma tendencję do wypełniania luk prawdopodobnymi informacjami; wyraźne zezwolenie mu na przyznanie się do braków zamienia ciche zmyślanie w widoczny sygnał, którym możesz się potem zająć.

Łącz kontekst i ograniczenia

W praktyce profesjonalny prompt naturalnie łączy wszystko, co omówiono powyżej: kontekst i stałe reguły w prompcie systemowym, dane i oczekiwany format w wiadomości użytkownika. Oto kompletny przykład analizy 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)"""
    }
]

Zauważ, jak każdy element omówiony w tej lekcji znajduje swoje miejsce: rola i rejestr w części systemowej, wydzielone dane w wiadomości użytkownika, ponumerowany format na końcu wiadomości oraz zabezpieczenie przed zmyślaniem ([MISSING_DATA]) ustawione raz na zawsze.

Kluczowe wnioski

  • Kontekst przekształca ogólną odpowiedź w spersonalizowaną
  • Dostarczaj w razie potrzeby kontekst sytuacyjny, dokumentowy i odbiorcy
  • Zawsze definiuj oczekiwany format wyjścia (JSON, lista, tabela itp.)
  • Ograniczaj długość poprzez strukturę, a nie liczbę słów
  • Wytyczaj zakres i zezwalaj modelowi na sygnalizowanie brakujących informacji