Prompt engineering — co to jest i jak pisać prompty w pracy

W skrócie

• Prompt engineering to pisanie poleceń dla AI tak, żeby wynik nadawał się do użycia za pierwszym albo drugim razem.
• Najprostszy start: otwórz darmowy czat w przeglądarce (ChatGPT, Claude albo Gemini) i wklej dwa polecenia z sekcji Jak sprawdzić prompt engineering w 5 minut: ogólne, które ma 7 słów, i konkretne, które ma 50. Różnicę zobaczysz po minucie, bez instalacji i bez płacenia.
• Dobry prompt ma do siedmiu elementów: rolę i kontekst, zadanie, dane wejściowe, format wyniku, przykłady, ograniczenia i kryteria jakości.
• Według przewodnika Google najlepsze prompty mają średnio około 21 słów, a ludzie zwykle piszą krótsze niż 9.
• Sześć technik z oficjalnych przewodników producentów: przykłady, podział na kroki, pytania doprecyzowujące, struktura, samosprawdzenie i łańcuch promptów.
• Kolejny poziom to context engineering, czyli przygotowanie wszystkiego, co model widzi w pracy: stałych instrukcji, plików, skilli (zapisanych procedur) i agentów.

Co to jest prompt engineering?

Prompt engineering to praktyka pisania i poprawiania poleceń (promptów) dla dużych modeli językowych, czyli modeli w rodzaju tych, które napędzają ChatGPT, Claude i Gemini. Prompt to wszystko, co wpisujesz do okna czatu: pytanie, polecenie, wklejony dokument i wzór odpowiedzi. O prompt engineeringu mówimy wtedy, gdy świadomie decydujesz, co model dostaje, i poprawiasz polecenie na podstawie wyników.

Anthropic radzi w swoim przewodniku traktować model jak bystrego, ale nowego pracownika, który nie zna Twoich zwyczajów ani procesów. Z tej porady wynika test, który działa w każdym biurze: pokaż prompt koledze spoza tematu. Jeśli on nie wiedziałby, co zrobić, model też nie będzie wiedział.

Większość poleceń jest po prostu za krótka. Google w przewodniku po promptach dla Gemini w Workspace podaje, że najskuteczniejsze prompty jego użytkowników miały średnio około 21 słów z kontekstem, a te, które ludzie faktycznie wpisują, zwykle mają mniej niż 9. Typowe polecenie jest więc ponad dwa razy krótsze od skutecznego, a według Google różnicę robi właśnie kontekst.

Jak sprawdzić prompt engineering w 5 minut? Dwa polecenia do skopiowania

Różnicę między słabym a dobrym poleceniem najszybciej zobaczysz sam. Wystarczy darmowy czat w przeglądarce i dwa polecenia poniżej. Niczego nie instalujesz i za nic nie płacisz.

1. 1.Otwórz darmowy czat. ChatGPT działa na chatgpt.com i w naszym teście z Polski z 5 października 2026 r. odpowiadał nawet bez logowania. Pomoc OpenAI wciąż podaje, że w Unii Europejskiej ta możliwość dopiero się pojawia, więc jeśli strona poprosi o zalogowanie, załóż darmowe konto. Równie dobrze zadziała darmowe konto Claude albo Gemini.
2. 2.Wklej pierwsze polecenie. To zdanie, jakie wpisuje większość ludzi. Zobacz, co dostajesz.
3. 3.Otwórz nową rozmowę i wklej drugie polecenie. Nowa rozmowa jest potrzebna, bo w tej samej model pamięta pierwszą wymianę i porównanie przestaje być uczciwe.
4. 4.Porównaj oba wyniki. Zadaj sobie jedno pytanie: który post opublikowałbyś po mniejszej liczbie poprawek?

Napisz post na LinkedIn o naszej firmie.

Jesteś copywriterem B2B. Napisz post na LinkedIn (do 120 słów) dla firmy Przykładowa Kawa Sp. z o.o., która wynajmuje ekspresy do biur. Cel: zaprosić na bezpłatny 14-dniowy test ekspresu. Odbiorca: office managerowie w firmach od 20 do 100 osób. Ton: konkretny, bez emoji i hashtagów. Zakończ jednym pytaniem do czytelnika.

Tak wyglądało to u nas. Oba polecenia wpisaliśmy w Claude (model Opus 5.5) w czacie incognito, czyli takim, który nie zostaje w historii konta i nie służy do trenowania modeli.

Drugie polecenie ma 50 słów, pierwsze tylko 7. Pierwsze jest więc dokładnie tym, co Google opisuje jako typowe: polecenia, które ludzie wpisują, mają zwykle mniej niż 9 słów. Post z drugiego polecenia ma 104 słowa, czyli mieści się w limicie, nie ma emoji ani hashtagów i kończy się pytaniem. Model spełnił każdy warunek, który dostał na piśmie.

Zrzut pokazuje też granicę dobrego promptu. Model napisał, że firma działa w jednym miesięcznym abonamencie, sama serwisuje sprzęt i nie ma ukrytych kosztów. Brzmi wiarygodnie, tylko że w poleceniu nic takiego nie stało. Gdyby Przykładowa Kawa liczyła serwis osobno, post obiecałby klientom coś, czego firma nie daje. Pomaga jedno zdanie więcej, na przykład „Opieraj się wyłącznie na faktach z polecenia i niczego nie dopisuj”. W tabeli niżej to element nazwany ograniczeniami. Gotowy tekst i tak czytasz przed publikacją, bo AI się myli.

Czy prompt engineering to zawód, czy umiejętność dla każdego?

Jedno i drugie, ale dla większości firm liczy się umiejętność. Stanowisko prompt engineera istnieje w zespołach, które budują produkty na modelach AI i piszą prompty do aplikacji. Pracownik działu sprzedaży, HR czy księgowości potrzebuje czegoś innego: umieć tak opisać zadanie, żeby mail, streszczenie albo analiza nie wymagały trzech rund poprawek.

Google pisze w swoim przewodniku wprost, że do korzystania z generatywnej AI nie trzeba być prompt engineerem. Dlatego dalej skupiam się na tym, co przydaje się na zwykłym stanowisku pracy.

Z czego składa się dobry prompt?

Dobry prompt odpowiada na siedem pytań: kim jest model, w jakiej sytuacji pracuje, co ma zrobić, na czym, w jakiej formie oddać wynik, jak ma wyglądać wzorcowa odpowiedź i czego nie wolno mu robić. Producenci nazywają to trochę inaczej. Google mówi o czterech obszarach: persona, zadanie, kontekst i format. OpenAI dzieli instrukcje na tożsamość, polecenia, przykłady i kontekst. Poniższa tabela łączy oba podejścia i pokazuje, jak każdy element brzmi w zwykłym zadaniu biurowym.

Nie każdy prompt potrzebuje wszystkich siedmiu elementów. Do szybkiej poprawki literówek wystarczy zadanie. Im ważniejszy wynik i im więcej osób ma z niego korzystać, tym więcej elementów warto dopisać.

Osobno warto dopisać powód polecenia. Anthropic pokazuje to na przykładzie zakazu wielokropków. Sam zakaz działa słabiej niż zakaz z wyjaśnieniem, że tekst przeczyta syntezator mowy, który nie umie ich wymówić. Gdy model zna powód, sam stosuje regułę w sytuacjach, których nie opisałeś.

Jak pisać prompty? 6 technik z oficjalnych przewodników

Poniższe techniki pochodzą z przewodników Anthropic, OpenAI i Google, a większość z nich pojawia się u więcej niż jednego producenta. Każda rozwiązuje inny problem.

1. Pokaż przykłady (few-shot)

Few-shot prompting to dołączenie do polecenia kilku przykładów gotowego wyniku. Model wyłapuje z nich wzór: długość, ton, strukturę. Google w przewodniku dla Gemini zaleca, żeby przykłady były w promptach zawsze, a Anthropic podaje, że najlepsze wyniki dają trzy do pięciu przykładów, zróżnicowanych i oddzielonych od instrukcji. W pracy biurowej najprościej wkleić dwa lub trzy wcześniejsze maile czy notatki, które uznajesz za wzorcowe.

2. Podziel zadanie na kroki

Gdy kolejność ma znaczenie, zapisz polecenie jako ponumerowaną listę kroków. Anthropic zaleca to wprost przy zadaniach, w których liczy się kolejność albo kompletność kroków. Przy okazji łatwiej Ci zobaczyć, na którym kroku coś poszło źle.

3. Poproś o pytania doprecyzowujące

Dopisz na końcu: „Jeśli czegoś Ci brakuje, najpierw zadaj mi pytania”. OpenAI w przewodniku do modelu GPT-5.2 radzi, żeby przy niejasnym poleceniu model zadał od jednego do trzech precyzyjnych pytań albo przedstawił dwie, trzy interpretacje z jasno opisanymi założeniami. To najtańszy sposób na wyłapanie luk w prompcie, zanim dostaniesz długą odpowiedź na niewłaściwy temat.

4. Uporządkuj prompt nagłówkami albo znacznikami XML

Kiedy prompt miesza instrukcje, dokumenty i przykłady, oddziel je. Znaczniki XML to etykiety w nawiasach ostrych, na przykład <raport> na początku wklejonego tekstu i </raport> na końcu, dzięki którym model wie, gdzie kończy się dokument, a zaczyna polecenie. OpenAI i Google dopuszczają też zwykłe nagłówki w Markdownie, czyli prostym formacie tekstu, w którym nagłówek zaczyna się od znaku #. Anthropic dodaje wskazówkę do długich dokumentów: wklej je na górze, a pytanie postaw na końcu. Według jego testów przy długich materiałach samo przeniesienie pytania na koniec potrafi poprawić jakość odpowiedzi nawet o 30 procent, najbardziej przy wielu dokumentach naraz.

5. Każ sprawdzić i skrytykować wynik

Dopisz kryteria i poproś model, żeby przed oddaniem odpowiedzi sprawdził ją względem nich. Anthropic poleca taką prośbę o samosprawdzenie, a w swoim blogu radzi też wprost pozwolić modelowi powiedzieć „nie wiem”, bo zmniejsza to liczbę zmyśleń, czyli tak zwanych halucynacji. Wyjątek dotyczy modelu Claude Opus 5: tu Anthropic odradza takie dopiski, bo model sprawdza się sam i dodatkowa weryfikacja tylko wydłuża pracę. To dobry przykład, że ta sama rada nie działa jednakowo na każdym modelu.

6. Użyj promptu łańcuchowego

Prompt łańcuchowy to rozbicie dużego zadania na kilka osobnych poleceń, w których wynik jednego jest wejściem do następnego. Google zaleca dzielenie złożonych promptów, a Anthropic opisuje najczęstszy łańcuch: szkic, potem recenzja szkicu według kryteriów, potem poprawka na podstawie recenzji. W czacie robisz to w trzech kolejnych wiadomościach i po każdej możesz zatrzymać się i poprawić kierunek.

Jak wygląda dobry prompt w praktyce? Trzy przykłady przed i po

Post z początku artykułu to jedna para. Poniższe trzy prompty są wymyślone jako ilustracja, ale dotyczą zadań, które w biurze wracają co tydzień. W każdej parze pierwszy prompt to polecenie, jakie wpisuje większość ludzi, a drugi stosuje elementy i techniki z poprzednich sekcji.

Mail do klienta

Napisz maila do klienta, że dostawa się opóźni.

Jesteś opiekunem klienta w hurtowni materiałów budowlanych.

Kontekst: pan Nowak zamówił 40 palet kleju z dostawą w piątek. Przez awarię u producenta towar dojedzie dopiero w środę. To stały klient, nie chcemy, żeby zaczął szukać innego dostawcy.

Zadanie: napisz do niego maila z informacją o opóźnieniu.
Zaproponuj jedno rozwiązanie: 10 palet z naszego magazynu w poniedziałek, resztę w środę.

Format: temat maila i treść do 120 słów, zwracaj się per „Pan”.
Ograniczenia: rzeczowo, bez przesadnych przeprosin, nie obiecuj rabatu.
Jeśli czegoś Ci brakuje do napisania tego maila, najpierw zadaj mi pytania.

Druga wersja mówi modelowi, kim jest klient, czego firma chce osiągnąć i co może zaproponować. Model nie musi zgadywać rozwiązania, zakaz rabatu ma zapisany wprost, a ostatnie zdanie każe mu zapytać o brakujące informacje, zamiast je zmyślać.

Streszczenie raportu

Streść ten raport.

<raport>
[tu wklejasz cały raport kwartalny działu sprzedaży]
</raport>

Przeczytam to streszczenie tuż przed zebraniem zarządu i będę miał na nie dwie minuty.

1. Najpierw wypisz z raportu fragmenty, na których się opierasz.
2. Potem napisz streszczenie: 5 punktów, w każdym jedna liczba z raportu.
3. Na końcu osobno: czego w raporcie brakuje, żeby zdecydować o budżecie na następny kwartał.

Jeśli jakiejś liczby nie ma w raporcie, napisz „brak w raporcie” i niczego nie szacuj.

Tu pracują trzy techniki naraz: raport jest oddzielony znacznikami i stoi na górze, zadanie ma kroki, a kryterium „brak w raporcie” daje modelowi zgodę na przyznanie, że czegoś nie wie. Prośba o wypisanie fragmentów przed streszczeniem to wskazówka Anthropic do długich dokumentów: model skupia się na tym, co w tekście jest, a Ty możesz każdą liczbę szybko sprawdzić.

Analiza tabeli

Przeanalizuj tę tabelę.

Krok 1 (osobna wiadomość):
Opisz, co jest w załączonej tabeli: kolumny, okres, jednostki i braki danych. Nie wyciągaj jeszcze wniosków.

Krok 2:
Policz dla każdego regionu zmianę sprzedaży miesiąc do miesiąca i wskaż trzy największe spadki. Pokaż, jak liczyłeś.

Krok 3:
Sprawdź swoje obliczenia na dwóch dowolnych wierszach i napisz, czy się zgadzają. Dopiero potem zaproponuj trzy możliwe przyczyny spadków. Przy każdej napisz, jakich danych potrzebuję, żeby ją potwierdzić albo odrzucić.

To łańcuch trzech wiadomości. Pierwsza sprawdza, czy model dobrze rozumie dane, zanim cokolwiek policzy. Trzecia każe mu zweryfikować obliczenia i oddzielić fakty od hipotez, więc łatwiej wyłapać przyczynę, którą model po prostu wymyślił, zanim trafi ona do zarządu.

Czy ten sam prompt działa w ChatGPT, Claude i Gemini?

Zasady są przenośne, szczegóły nie. Jasne zadanie, kontekst, przykłady i określony format działają u wszystkich trzech producentów, ale każdy z nich publikuje osobne wskazówki dla konkretnych modeli. Tabela pokazuje, co mówią same przewodniki.

Prompt, na którym opiera się powtarzalna praca, testujcie na modelu, którego używa zespół, i sprawdzajcie go po każdej zmianie wersji. Jeśli dopiero wybieracie narzędzie, porównanie planów i mocnych stron znajdziesz w artykule Claude czy ChatGPT: który model wybrać dla firmy.

Co to jest context engineering i co ma wspólnego z promptami?

Context engineering to dobieranie i utrzymywanie całej informacji, którą model ma przed sobą w chwili pracy: stałych instrukcji, plików, historii rozmowy i narzędzi, z których korzysta. Tak definiuje go Anthropic w artykule z 29 września 2025 roku i opisuje jako naturalny następny krok po prompt engineeringu. Prompt jest tylko jedną jego częścią.

Ten sam artykuł ostrzega przed zjawiskiem nazwanym context rot: im więcej informacji wrzucisz modelowi, tym mniej dokładnie z nich korzysta. Dlatego Anthropic zaleca szukać najmniejszego zestawu informacji, który daje dobry wynik. W praktyce oznacza to, że lepiej wkleić trzy właściwe dokumenty niż trzydzieści na wszelki wypadek.

W pracy biurowej context engineering to przejście od promptów wpisywanych za każdym razem od nowa do zapisanych ustawień. Tabela pokazuje cztery poziomy, od pojedynczej rozmowy do agenta.

Każdy z tych poziomów stoi na tym samym fundamencie. Instrukcje projektu, plik skilla i opis zadania dla agenta to też prompty, tylko zapisane na stałe, więc błąd w nich powtarza się w każdej rozmowie. Więcej o agentach przeczytasz w artykule Agenci AI: co to jest i jak działają w firmie, a o pracy ze skillami w poradniku Claude Code: jak pracować dużo szybciej.

Prompt engineering: jak zacząć i czy potrzebny jest kurs?

Pierwszy krok zajmuje 5 minut: porównanie dwóch poleceń z sekcji Jak sprawdzić prompt engineering w 5 minut w darmowym czacie. Potem najszybciej uczysz się na własnych zadaniach. Anthropic zaczyna swój przewodnik od trzech warunków: wiedz, jak wygląda dobry wynik, miej sposób, żeby to sprawdzić, i miej pierwszą wersję promptu do poprawiania. Ten sam schemat działa przy biurku.

1. Wybierz trzy zadania, które robisz co tydzień i które dziś poprawiasz po AI.
2. Dla każdego zapisz w dwóch zdaniach, po czym poznasz dobry wynik.
3. Napisz prompt według tabeli siedmiu elementów i dołącz dwa wzorcowe przykłady.
4. Poprawiaj prompt, aż wynik przestanie wymagać przeróbek. Anthropic pisze w blogu, że pierwszy prompt rzadko działa idealnie.
5. Zapisz gotowy prompt jako instrukcję projektu albo Gema i udostępnij zespołowi.

Darmowe materiały na start publikują sami producenci: Anthropic ma interaktywny kurs promptowania na GitHubie, a Google przewodnik po promptach dla Gemini w Workspace. Kurs albo warsztat przydaje się wtedy, gdy chcesz nauczyć cały zespół wspólnego sposobu pracy i ćwiczyć na realnych procesach firmy.

Co to znaczy dla Twojej firmy?

Licencja na ChatGPT, Claude czy Gemini daje dostęp do modelu, ale jakość wyników zależy od tego, jak ludzie piszą polecenia. Jeśli każdy pisze po swojemu, ten sam raport w dwóch działach dostaje dwa różne streszczenia. Tabela podpowiada pierwszy ruch zależnie od tego, gdzie jesteście dziś.

W każdym z tych przypadków zaczyna się od tego samego: od umiejętności napisania dobrego polecenia. Na warsztacie Podstawy AI uczymy tego na zadaniach Waszego zespołu, a przed szkoleniem robię audyt procesów, żeby ćwiczenia dotyczyły tego, co ludzie naprawdę robią w pracy.

Najczęstsze pytania

Źródła