Przejdź do głównej treści
Polski— Wybierz język
Menu

Antywzorce, których należy unikać

Lekcja 8 z 16 Zaktualizowano 2 listopada 2026 Początkujący
Na tej stronie
  1. Błędy, które sabotują Twoje prompty
  2. Antywzorzec 1: Język subiektywny
  3. Antywzorzec 2: Sprzeczne instrukcje
  4. Antywzorzec 3: Proszenie modelu o liczenie
  5. Antywzorzec 4: Nadmierna generacja tokenów
  6. Antywzorzec 5: Skale liczbowe
  7. Antywzorzec 6: Niejasne instrukcje
  8. Antywzorzec 7: Ignorowanie wstępnego wypełnienia (Pre-filling)
  9. Kluczowe wnioski

Błędy, które sabotują Twoje prompty

Opanowanie tworzenia promptów oznacza również wiedzę o tym, czego nie robić. Pewne nawyki, całkowicie naturalne w ludzkiej komunikacji, przynoszą słabe rezultaty w modelach Mistral – właśnie dlatego, że polegają na domyślnym zrozumieniu, którego modelowi brakuje. Ta lekcja wymienia siedem najczęstszych antywzorców, prezentując dla każdego wersję błędną, poprawioną oraz logikę stojącą za korektą. Prawdopodobnie rozpoznasz po drodze kilka swoich własnych nawyków.

Antywzorzec 1: Język subiektywny

W rozmowie między kolegami fraza „napisz mi tekst niezbyt długi“ działa, ponieważ dzielicie kontekst: kolega zna przypadek użycia, odbiorcę i zwyczaje firmy. Model nie postrzega słów subiektywnych tak jak Ty. Terminy takie jak „krótki“, „długi“, „wiele“, „ciekawy“ czy „niezbyt“ są niejednoznaczne i generują nieprzewidywalne rezultaty przy każdym uruchomieniu.

Źle:

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

Dobrze:

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

Zasada korekty jest mechaniczna: zastąp każdy termin subiektywny miarą obiektywną. „Niezbyt długi“ staje się „200–300 słów“, „wiele przykładów“ zamienia się w „3 przykłady“, a „ciekawy“ w precyzyjny opis typu oczekiwanych przykładów.

Antywzorzec 2: Sprzeczne instrukcje

Gdy Twój prompt zawiera instrukcje niezgodne – np. „bądź wyczerpujący i omów wszystkie aspekty“, a zaraz potem „odpowiedz w maksymalnie 3 zdaniach“ – model musi wybrać, której przestrzegać, a ten wybór jest nieprzewidywalny. Jednego dnia otrzymasz trzy powierzchowne zdania, następnego obszerną ścianę tekstu. Korekta polega na pogodzeniu tych dwóch wymagań w jedną, spójną instrukcję: „Omów 3 główne aspekty tematu. Dla każdego aspektu podaj zdanie podsumowujące (maks. 25 słów)“. Wyczerpującość staje się zdefiniowanym zakresem, a zwięzłość ograniczeniem na element – koniec konfliktu.

Jeśli Twoje zasady są naprawdę złożone i zależą od przypadku, nie piętruj ich: ustrukturyzuj je jako drzewo decyzyjne, gdzie każda gałąź jest wyraźna:

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

Antywzorzec 3: Proszenie modelu o liczenie

Modele językowe słabo liczą. Nie liczą faktycznie słów, znaków ani zdań – szacują, ponieważ operują na tokenach, a nie jednostkach tekstowych. Żądanie „dokładnie 150 słów“ lub „sprawdź, czy każde zdanie ma mniej niż 20 słów“ jest jak wymaganie od malarza mierzenia w mikronach: to nie jest jego narzędzie.

Źle:

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

Dobrze:

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

A jeśli liczenie jest naprawdę kluczowe dla Twojej aplikacji – np. limit znaków narzucony przez interfejs – wykonaj je w kodzie po otrzymaniu odpowiedzi od modelu, a nie w prompcie. Twój język programowania liczy perfekcyjnie; model nie.

Antywzorzec 4: Nadmierna generacja tokenów

Każdy wygenerowany token ma koszt, zarówno finansowy, jak i w postaci opóźnienia. Proszenie modelu o wyprodukowanie informacji, których nie użyjesz, to czysty odpad: płacisz więcej i czekasz dłużej na tekst, którego nie przeczytasz. Typowym przypadkiem jest analiza kodu, gdzie prosisz o „szczegółowe wyjaśnienie każdej linii“, plus „historię języka“ i „możliwe alternatywy“, gdy interesują Cię tylko błędy.

Dobrze:

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

Końcowe „nothing else“ (nic więcej) to zaskakująco potężna instrukcja: mówi modelowi wprost, aby nie dodawał uzupełnień, ostrzeżeń i rozwinięć, które produkuje spontanicznie. Twoja odpowiedź przychodzi szybciej, kosztuje mniej i od razu przechodzi do sedna.

Antywzorzec 5: Skale liczbowe

Proszenie modelu o ocenę w skali 1 do 5 lub 1 do 10 wydaje się rygorystyczne – w rzeczywistości jest odwrotnie. Model nie posiada wiarygodnej wewnętrznej kalibracji dla tych skal: ten sam tekst może otrzymać dziś 6/10, a jutro 8/10, bez żadnych kryteriów wyjaśniających tę różnicę. Rozwiązaniem jest zastąpienie liczb skal słownymi z wyraźnymi kryteriami:

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.

Ponieważ każdy poziom jest zdefiniowany przez obserwowalne kryteria, ocena staje się powtarzalna i uzasadniona – wiesz, dlaczego tekst jest „Akceptowalny“, a nie „Dobry“, a model stosuje te same kryteria przy każdym wywołaniu.

Antywzorzec 6: Niejasne instrukcje

„Ulepsz ten tekst“ to idealny przykład instrukcji, która wydaje się jasna, a wcale taka nie jest. Co ulepszyć? Pisownię? Styl? Strukturę? Model wybierze za Ciebie i ryzykuje przepisanie fragmentów, które chciałeś zachować bez zmian. Wersja profesjonalna precyzuje zarówno to, co poprawić, jak i to, co zostawić nienaruszone:

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 „Do NOT modify“ (Nie modyfikuj) jest równie ważny jak pierwszy: bez niego gorliwy model zastąpi Twoje terminy techniczne przybliżonymi synonimami.

Antywzorzec 7: Ignorowanie wstępnego wypełnienia (Pre-filling)

Ostatni antywzorzec to raczej stracona okazja niż aktywny błąd: wielu użytkowników ignoruje możliwość wstępnego wypełnienia odpowiedzi poprzez rolę assistant, omawianą w lekcji o rolach. A jest to potężny dźwignia wymuszająca format. Przy prostym wiadomości od użytkownika proszącej o JSON, model może dodać zdanie wstępne, backticki, komentarz końcowy – tyle elementów, które zepsują Twoje parsowanie. Kończąc swoje wiadomości początkiem odpowiedzi asystenta, format staje się quasi-gwarantowany:

Bez wstępnego wypełnienia (nieprzewidywalny format):

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

Ze wstępnym wypełnieniem (gwarantowany format):

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

Model znajduje się już „w trakcie pisania“ obiektu JSON: może go jedynie dokończyć.

Kluczowe wnioski

  • Zastąp język subiektywny i niejasne instrukcje poleceniami mierzalnymi i ściśle określonymi.
  • Unikaj sprzecznych instrukcji – strukturyzuj złożone przypadki jako drzewo decyzyjne.
  • Nigdy nie proś modelu o liczenie: krytyczne operacje liczenia wykonuj w kodzie.
  • Ogranicz generację tylko do faktycznie wykorzystywanych informacji, używając skal słownych zamiast liczbowych.
  • Wykorzystaj wstępne wypełnienie roli asystenta, aby zagwarantować format wyjścia.