Przejdź do głównej treści
Polski— Wybierz język
Menu

Promptowanie modelu rozumującego

Lekcja 6 z 12 Zaktualizowano 2 listopada 2026 Programista
Na tej stronie
  1. Co zmieniło się od czasu modelu Magistral
  2. Rozdzielenie rozumowania od odpowiedzi
  3. Dostosowanie do domeny
  4. Trzy częste błędy
  5. Kluczowe wnioski

Lekcja przepisana 2 listopada 2026 r. Poprzednia wersja tej lekcji omawiała prompt systemowy Magistral, który został wycofany 31 lipca 2026 r. Aktualna dokumentacja dotycząca rozumowania (Reasoning) nie wymaga już dedykowanego promptu systemowego: wystarczy parametr reasoning_effort. Poniższe sekcje wyjaśniają różnice między dawną dokumentacją Magistral a obecnym stanem rzeczy oraz przypominają zasady tworzenia promptów, które nadal są przydatne.

Co zmieniło się od czasu modelu Magistral

Model Magistral osiągał najlepsze wyniki dzięki domyślnemu promptowi systemowemu, który dokumentacja wiernie odtwarzała (obecnie zarchiwizowanemu na stronie Native reasoning (deprecated)). W istocie instructował on model, aby najpierw sporządził tok rozumowania, niczym wewnętrzny monolog, a następnie przedstawił samodzielną odpowiedź; nakazywał używanie formatu Markdown i LaTeXa do równań oraz odpowiadanie w języku zapytania. Zawierał nawet szablon rozumowania w postaci fragmentu thinking umieszczonego w wiadomości systemowej. Parametr prompt_mode pozwalał wymusić ten domyślny prompt ("reasoning") lub go wyłączyć (None).

W przypadku obecnych modeli żadne z tych rozwiązań nie jest konieczne: strona dotycząca rozumowania nie wspomina ani o dedykowanym prompcie systemowym, ani o parametrze prompt_mode. Rozumowanie włączasz za pomocą reasoning_effort, a Twój prompt systemowy wraca do swojej standardowej roli, określającej rolę, metodę i oczekiwany format. Jeśli migrujesz z modelu Magistral, usuń szablon rozumowania ze swoich wiadomości systemowych oraz parametr prompt_mode z wywołań API, a następnie porównaj wyniki (Lekcja 8).

Rozdzielenie rozumowania od odpowiedzi

Model dysponuje obecnie dwiema odrębnymi przestrzeniami: przestrzenią rozumowania, której użytkownik często nie widzi, oraz przestrzenią końcowej odpowiedzi. Dobry prompt uwzględnia tę strukturę. Opisuje oczekiwaną metodę – czyli to, co zweryfikowałby ekspert dziedzinowy – oraz określa format odpowiedzi: odpowiedź musi być zrozumiała bez konieczności czytania rozumowania, ponieważ tok myślenia będzie zazwyczaj ukryty.

import os
from mistralai.client import Mistral

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

system_prompt = """Jesteś starszym ekspertem ds. debugowania w Pythonie.

METODA
- Przeczytaj cały kod przed sformułowaniem diagnozy.
- Sformułuj co najmniej dwie hipotezy przed wydaniem wniosku.
- Upewnij się, że Twoje rozwiązanie nie tworzy nowego problemu.

ODPOWIEDŹ KOŃCOWA
1. Precyzyjna diagnoza
2. Przyczyna źródłowa
3. Poprawiony kod
4. Test dowodzący skuteczności naprawy"""

response = client.chat.complete(
    model="mistral-small-2603",
    messages=[
        {"role": "system", "content": system_prompt},
        {"role": "user", "content": "Mój kod wyrzuca błąd RecursionError: def fibonacci(n): return fibonacci(n-1) + fibonacci(n-2)"},
    ],
    reasoning_effort="high",
)

W przypadku tej funkcji fibonacci, której brakuje przypadku bazowego, wymóg sformułowania dwóch hipotez eliminuje odruchową diagnozę „zwiększ limit rekurencji“ i prowadzi do odkrycia rzeczywistej przyczyny błędu.

Dostosowanie do domeny

Ten sam szkielet – najpierw metoda, potem format odpowiedzi – dostosowuje się do konkretnej domeny. W matematyce metoda skupia się na hipotezach i rodzaju dowodu:

math_prompt = """Jesteś rygorystycznym matematykiem.

METODA
- Przed każdym dowodem wyraźnie określ hipotezy.
- Jawnie wybierz między indukcją, dowodem nie wprost a obliczeniami bezpośrednimi.
- Zweryfikuj wynik na konkretnym przypadku.

ODPOWIEDŹ KOŃCOWA
Dowód formalny: hipotezy, uzasadnione kroki, wniosek."""

W analizie strategicznej nacisk kładzie się na interesariuszy i kwantyfikację, a oczekiwana odpowiedź przybiera formę rekomendacji wraz z planem działania:

strategy_prompt = """Jesteś konsultantem ds. strategii.

METODA
- Oceń każdą opcję pod kątem wykonalności, wpływu i ryzyka.
- Kwantyfikuj wyniki, gdy tylko jest to możliwe, nawet jeśli tylko jako rząd wielkości.
- Poszukaj najsilniejszego kontrargumentu przeciwko własnej rekomendacji.

ODPOWIEDŹ KOŃCOWA
Jasna rekomendacja, zalety i wady każdej opcji oraz plan działania z datowanymi krokami."""

Trzy częste błędy

Prompt jest zbyt ogólny. Zwrot „Jesteś pomocnym asystentem“ nie mówi nic o metodzie: model rozumuje zgodnie ze swoimi nawykami, a nie Twoimi. Opisz dokładnie, co powinien zweryfikować ekspert.

Prompt jest sprzeczny. Polecenie „Bądź bardzo zwięzły. Szczegółowo opisz każdy krok“ stawia model przed niemożliwym do spełnienia żądaniem. Rozwiąż tę sprzeczność, rozdzielając role: szczegóły należą do etapu rozumowania, a zwięzłość do końcowej odpowiedzi.

good_prompt = """W końcowej odpowiedzi bądź zwięzły: podaj tylko wnioski i kluczowe liczby.
Szczegóły eksploruj w rozumowaniu, a nie w odpowiedzi."""

Żądanie przedstawienia procesu w odpowiedzi. Prośba o „rozumowanie krok po kroku“ w widocznej odpowiedzi zmusza model do ponownego zapisania tego, co już zrobił w etapie rozumowania: wydłuża to odpowiedź, a Ty płacisz podwójnie za te same kroki w tokenach wyjściowych. Żądaj przedstawiania kroków w odpowiedzi tylko wtedy, gdy użytkownik musi je przeczytać, na przykład w przypadku tutora edukacyjnego.

Kluczowe wnioski

  • Domyślny prompt systemowy i parametr prompt_mode były specyficzne dla modelu Magistral: nie są już konieczne.
  • Włącz rozumowanie za pomocą reasoning_effort, a prompt systemowy pozostaw w jego klasycznej roli.
  • Opisz oczekiwaną metodę oraz format odpowiedzi czytelnnej bez konieczności znajomości toku rozumowania.
  • Rozdziel role: szczegóły w rozumowaniu, zwięzłość w odpowiedzi.
  • Nie każ modelowi przepisywać procesu w odpowiedzi, jeśli nikt nie musi jej czytać.