Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Kontext a obmedzenia

Lekcia 4 z 16 Aktualizované 28. júla 2026 Začiatočník
Na tejto strane
  1. Kontext: Daj modelu to, čo nevie
  2. Tri typy kontextu, ktoré treba poskytnúť
  3. Definuj očakávaný formát
  4. Obmedz rozsah dĺžky
  5. Obmedz tón a register
  6. Obmedz rozsah pôsobnosti
  7. Kombinuj kontext a obmedzenia
  8. Kľúčové poznatky

Kontext: Daj modelu to, čo nevie

Modely Mistral majú rozsiahle všeobecné znalosti, ale nič nevedia o tvojej konkrétnej situácii: tvojej firme, tvojom projekte, tvojom publiku ani obchodných obmedzeniach. Kontext, ktorý uvedieš v prompte, tento rozdiel vyrovnáva. To je to, čo robí rozdiel medzi univerzálnym nástrojom a špecializovaným asistentom. Bez kontextu model produkuje všeobecné odpovede – v priemere správne, ale v konkrétnom prípade nepoužiteľné. So správnym kontextom prináša odpovede šité na mieru.

Tri typy kontextu, ktoré treba poskytnúť

Prvým je situačný kontext: situácia obklopujúca tvoju požiadavku. Marketingový riaditeľ, ktorý napíše jednoducho „navrhni marketingový plán“, dostane učebnicový plán. Ak špecifikuje svoju situáciu, všetko sa zmení:

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.

Každá veta v tomto kontexte eliminuje desiatky odpovedí mimo témy: žiadne stratégie B2C, žiadne rozpočty v ráde miliónov, žiadne odporúčania nesúvisiace so spustením.

Druhým je dokumentový kontext: údaje, ktoré musí model analyzovať alebo použiť. Model nepozná tvoje interné čísla – musíš mu ich poskytnúť, ideálne ohraničené tagmi, aby sa oddelili od inštrukcií:

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.

Tretím je kontext publika: pre koho je generovaný obsah určený. Tú istú tému nevysvetľuješ rovnako začiatočníkovi a expertovi. Špecifikuj napríklad: „Text je pre skúsených vývojárov Pythonu (5+ rokov praxe), ktorí sa prvýkrát stretávajú s API jazykových modelov. Nie je potrebné vysvetľovať základy Pythonu, ale podrobne rozveď koncepty LLM.“ Model potom presne nastaví úroveň detailnosti tam, kde ju tvoji čitatelia potrebujú.

Definuj očakávaný formát

Formát výstupu je jedným z najsilnejších obmedzení. Bez usmernenia si model vyberie predvolený formát – často súvislý text –, ktorý budeš musieť následne upravovať. Špecifikáciou formátu získaš presne to, čo potrebuješ, pripravené na použitie.

Ak chceš zoznam, povedz to: „Vymenuj výhody ako odrážky (maximálne 5).“ Pre tabuľku: „Prezentuj výsledky v Markdown tabuľke so stĺpcami Funkcia | Dostupnosť | Priorita.“ Pri integrácii softvéru je kráľom štruktúrovaný JSON a oplatí sa špecifikovať ho pole po poli:

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

Rovnaký princíp platí pre kód: „Napíš funkciu v Pythone 3.11+. Pridaj docstringy v štýle Google a typové nápovedy. Na koniec zahrň 2 príklady použitia v komentároch.“ Čím presnejšie popíšeš formát, tým menej úprav budeš musieť robiť.

Obmedz rozsah dĺžky

Modely Mistral majú tendenciu byť vyčerpávajúce, ak nestanovíš limity. Dĺžku môžeš obmedziť počtom slov („Odpovedz maximálne na 150 slov“), štruktúrou („Odpovedz presne v 3 odsekoch po 2–3 vetách“) alebo počtom prvkov („Uveď presne 5 odporúčaní, každé v jednej vete“).

Jedno upozornenie však platí: jazykové modely zle počítajú slová a znaky. Požiadavka na „presne 150 slov“ vyprodukuje text s približne 150 slovami, zriedka presne. Ak ti na dĺžke skutočne záleží, uprednostni štrukturálne obmedzenia – počet odsekov, bodov, sekcií –, ktoré model dodržiava oveľa vernšie než presné počty.

Obmedz tón a register

Tón odpovede priamo ovplyvňuje jej použiteľnosť: text so zlým tónom je text, ktorý musíš prepisovať. Buď explicitný, pokojne aj kombináciou špecifikácií: „Tón: profesionálny, no prístupný. Vyhni sa technickému žargónu, pokiaľ nie je nevyhnutný (v takom prípade ho definuj). Používaj formálny jazyk. Žiadne emotikony ani neformálny jazyk.“

Tip pre profesionálov: najúčinnejšie smernice pre tón často prirovnávajú úlohu k známej profesionálnej situácii. „Odpovedz ako senior konzultant prezentujúci pred výkonným výborom“, „Prijmi pedagogický tón, ako keď profesor vysvetľuje študentom magisterského štúdia“ alebo „Buď priamy a stručný, ako interná audítorská správa“: každá z týchto fráz kondenzuje celý súbor volieb slovnej zásoby, dĺžky a postoja do jedného obrazu, ktorý model vie dekódovať.

Obmedz rozsah pôsobnosti

Vymedzenie rozsahu znamená povedať modelu, kde má prestať. Tu je príklad obmedzení:

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

Venuj veľkú pozornosť poslednému obmedzeniu: je to tvoja najlepšia obrana proti halucináciám. Model, od ktorého sa žiada úplná odpoveď, má tendenciu vypĺňať medzery vierohodnými informáciami; tým, že mu explicitne povolíš priznať svoje limity, zmeníš tiché vymýšľanie na viditeľný flag, ktorý môžeš následne riešiť.

Kombinuj kontext a obmedzenia

V praxi profesionálny prompt prirodzene kombinuje všetko vyššie uvedené: kontext a trvalé pravidlá v systémovom prompte, údaje a očakávaný formát v správe používateľa. Tu je kompletný príklad analýzy ľudských zdrojov:

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)"""
    }
]

Všimni si, ako každý prvok prebraný v tejto lekcii našiel svoje miesto: rola a register v systéme, ohraničené údaje v správe používateľa, číslovaný formát na konci správy a ochranný mechanizmus proti vymýšľaniu ([MISSING_DATA]) nastavený raz a navždy.

Kľúčové poznatky

  • Kontext mení všeobecnú odpoveď na personalizovanú
  • Podľa potreby poskytni situačný, dokumentový kontext a kontext publika
  • Vždy definuj očakávaný formát výstupu (JSON, zoznam, tabuľka atď.)
  • Obmedzuj dĺžku štruktúrou, nie počtom slov
  • Vymedz rozsah pôsobnosti a povoľ modelu signalizovať chýbajúce informácie