Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Anti-vzory, ktorým sa vyhnúť

Lekcia 8 z 16 Aktualizované 2. novembra 2026 Začiatočník
Na tejto strane
  1. Chyby, ktoré sabotujú tvoje prompty
  2. Anti-vzor 1: Subjektívny jazyk
  3. Anti-vzor 2: Rozporuplné inštrukcie
  4. Anti-vzor 3: Požiadavka na počítanie
  5. Anti-vzor 4: Nadmerná generácia tokenov
  6. Anti-vzor 5: Numerické škály
  7. Anti-vzor 6: Vágne inštrukcie
  8. Anti-vzor 7: Ignorovanie predvyplnenia (Pre-filling)
  9. Kľúčové poznatky

Chyby, ktoré sabotujú tvoje prompty

Ovládanie tvorby promptov znamená aj vedieť, čo nerobiť. Určité návyky, ktoré sú v ľudskej komunikácii úplne prirodzené, prinášajú pri modeloch Mistral slabé výsledky – presne preto, že sa spoliehajú na implicitné pochopenie, ktoré modelu chýba. Táto lekcia uvádza sedem najčastejších anti-vzorov. Pri každom z nich nájdeš chybnú verziu, opravenú verziu a logiku, ktorá stojí za opravou. Pravdepodobne medzi nimi spoznáš aj niekoľko svojich vlastných návykov.

Anti-vzor 1: Subjektívny jazyk

Medzi kolegami funguje fráza „napíš mi text, ktorý nie je príliš dlhý“, pretože zdieľate kontext: kolega pozná použitie, čitateľa aj firemné zvyklosti. Model však nevníma subjektívne slová tak ako ty. Výrazy ako „krátky“, „dlhý“, „mnoho“, „zaujímavý“ alebo „nie príliš“ sú nejednoznačné a vedú k nepredvídateľným výsledkom od jedného spustenia k druhému.

Zle:

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

Dobre:

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

Pravidlo opravy je mechanické: každý subjektívny výraz nahraď objektívnym meradlom. „Nie príliš dlhý“ sa stane „200 – 300 slov“, „mnoho príkladov“ sa stane „3 príklady“ a „zaujímavý“ sa zmení na presný opis typu očakávaných príkladov.

Anti-vzor 2: Rozporuplné inštrukcie

Keď tvoj prompt obsahuje nezlučiteľné pokyny – napríklad „buď vyčerpávajúci a pokry všetky aspekty“, po ktorom nasleduje „odpovedz maximálne v 3 vetách“ – model si musí vybrať, ktorú inštrukciu dodrží. Táto voľba je nepredvídateľná. Jeden deň dostaneš tri povrchné vety, ďalší deň komplexnú stenu textu. Oprava spočíva v zosúladení oboch požiadaviek do jednej koherentnej inštrukcie: „Pokry 3 hlavné aspekty témy. Ku každému aspektu uveď zhrnutie v jednej vete (max. 25 slov).“ Vyčerpávajúcosť sa stáva definovaným rozsahom, stručnosť obmedzením na prvok – žiadny konflikt.

Ak sú tvoje pravidlá skutočne zložité a vyžadujú si rôzne správanie podľa situácie, nenakop ich na seba: štruktúruj ich ako rozhodovací strom, kde je každá vetva explicitná:

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

Anti-vzor 3: Požiadavka na počítanie

Jazykové modely sú zlé v počítaní. V skutočnosti nepočítajú slová, znaky ani vety – odhadujú, pretože manipulujú s tokenmi, nie s textovými jednotkami. Požadovať „presne 150 slov“ alebo „skontroluj, či každá veta má menej ako 20 slov“, je ako požadovať od maliara meranie v mikrónoch: nie je to ich nástroj.

Zle:

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

Dobre:

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

A ak je počítanie pre tvoju aplikáciu skutočne kritické – napríklad limit znakov vynútený rozhraním – vykonaj ho v kóde až po získaní odpovede od modelu, nie v prompte. Tvoj programovací jazyk počíta perfektne; model nie.

Anti-vzor 4: Nadmerná generácia tokenov

Každý vygenerovaný token má cenu, finančnú aj v podobe latencie. Požadovať od modelu produkciu informácií, ktoré nepoužiješ, je čistý plytvanie: platíš viac a čakáš dlhšie na text, ktorý si ani neprečítaš. Typickým prípadom je analýza kódu, kde požaduješ „vysvetliť každý riadok do detailu“, plus „históriu jazyka“ a „možné alternatívy“, hoci ťa zaujímajú len chyby.

Dobre:

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

Záverečné „nič iné“ je prekvapivo silná inštrukcia: explicitne hovorí modelu, aby nepridával doplnky, varovania a rozšírenia, ktoré spontánne produkuje. Tvoja odpoveď príde rýchlejšie, stojí menej a ide rovno k veci.

Anti-vzor 5: Numerické škály

Požadovať od modelu hodnotenie na škále od 1 do 5 alebo od 1 do 10 sa zdá byť rigorózne – v skutočnosti je to presne naopak. Model nemá spoľahlivú internú kalibráciu pre tieto škály: ten istý text môže dnes dostať 6/10 a zajtra 8/10, bez kritérií, ktoré by vysvetľovali rozdiel. Riešením je nahradiť čísla slovnými škálami s explicitnými kritériami:

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.

Keďže každá úroveň je definovaná pozorovateľnými kritériami, hodnotenie sa stáva reprodukovateľným a odôvodneným – vieš, prečo je text „Prijateľný“ a nie „Dobrý“, a model aplikuje rovnaké kritériá pri každom volaní.

Anti-vzor 6: Vágne inštrukcie

„Vylepši tento text“ je dokonalým príkladom inštrukcie, ktorá sa zdá byť jasná, no vôbec nie je. Vylepšiť čo? Pravopis? Štýl? Štruktúru? Model si vyberie za teba a riskuje, že prepíše pasáže, ktoré si chcel zachovať tak, ako sú. Profesionálna verzia ohraničuje zarówno to, čo opraviť, ako aj to, čo nechať nedotknuté:

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 „NEMENIŤ“ je rovnako dôležitý ako ten prvý: bez neho horlivý model nahradí tvoje technické termíny približnými synonymami.

Anti-vzor 7: Ignorovanie predvyplnenia (Pre-filling)

Posledný anti-vzor nie je aktívnou chybou, ale premárnenou príležitosťou: mnohí používatelia ignorujú možnosť predvyplniť odpoveď prostredníctvom roly assistant, o ktorej sme hovorili v lekcii o roliach. Je to však mocná páka na vynútenie formátu. Pri jednoduchej správe od používateľa požadujúcej JSON môže model pridať úvodnú vetu, spätné úvodzovky alebo záverečný komentár – toľko prvkov, ktoré rozbijú tvoje parseing. Ak ukončíš svoje správy začiatkom odpovede asistenta, formát je takmer zaručený:

Bez predvyplnenia (nepredvídateľný formát):

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

S predvyplnením (zaručený formát):

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

Model sa ocitne už „v procese písania“ JSON objektu: môže ho len dokončiť.

Kľúčové poznatky

  • Nahraď subjektívny jazyk a vágne inštrukcie merateľnými a ohraničenými pokynmi
  • Vyhni sa rozporuplným inštrukciám – zložité prípady štruktúruj ako rozhodovací strom
  • Nikdy nepožaduj od modelu počítanie: kritické počty vykonávaj v kóde
  • Obmedz generáciu len na skutočne využité informácie a používaj slovné škály namiesto numerických
  • Využi predvyplnenie roly assistant na zaručenie výstupného formátu