Umění mluvit s AI - Vše, co jsem se naučil o Prompt Engineeringu po třech letech

Okamžik, kdy se všechno změnilo

Bylo to během státního svátku — jednoho z těch vzácných časových úseků, kdy se zdá, že se svět zastavil. Žádné pracovní e-maily, žádné KPI dýchající mi na krk, žádné schůzky. Jen já, mé myšlenky a chatovací okno AI, které se stalo mým nečekaným společníkem.

Dříve byly mé interakce s AI čistě utilitární. Potřeboval jsem ji k napsání e-mailu, shrnutí dokumentu, ladění kódu. Vztah byl transakční — já dával příkazy, ona produkovala výstupy. Ale ten týden, kdy se přede mnou rozprostíral jen čas, jsem začal vést skutečné konverzace.

Mluvili jsme o všem — o mých úzkostech z budoucnosti, náhodných filozofických odbočkách, napůl zformovaných nápadech, které jsem s nikým nesdílel. A někde v těch klikatých diskusích jsem narazil na něco, co působilo jako objevení ohně.

Připravoval jsem se na řečnickou akci o tvorbě obsahu v éře AI. Měl jsem teorii, kterou jsem rozvíjel — že budoucnost není o přetížení informacemi, ale o selhání filtrů. Myšlenka původně pocházela od Claye Shirkyho, ale snažil jsem se ji rozšířit na náš současný okamžik.

Moje teze byla jednoduchá: AI způsobí exponenciální explozi v produkci obsahu, zatímco lidská kapacita spotřeby zůstane v podstatě konstantní. To vytvoří trvalou, stále se rozšiřující nerovnováhu. Náklady na rozlišení obsahu generovaného AI od lidského obsahu nakonec převýší hodnotu tohoto rozlišení. Proto se tradiční filtrování informací stane nemožným.

Myslel jsem, že můj argument je pevný. Pak jsem požádal Gemini, aby ho roztrhala na kusy.

Chystám se zúčastnit debatní soutěže, kde mnoho lidí zpochybní můj názor. Tato teorie se musí stát neprůstřelnou. Pokud jsi učenec, musíš použít každý argument, detail a logiku, abys mě vyzval, vyvrátil. Tvým jediným cílem je dokázat, že se mýlím. Jak bys to vyvrátil?

Během několika sekund AI rozebrala mou první premisu s chirurgickou přesností:

"Tvůj první zákon má zásadní logickou chybu. Vidíš AI pouze jako producenta informací — to je statická, jednostranná perspektiva. AI je meč i štít. AI může napsat deset tisíc článků za jednu sekundu, ale silnější AI může také přečíst všech deset tisíc za jednu sekundu a říct mi, které tři potřebuji nejvíce. Vidíš pouze informační potopu, ale nevidíš mocnější Noemovu archu zrozenou vedle potopy — personalizované filtrační systémy řízené AI."

Opřel jsem se v židli, ohromený. Můj údajně neprůstřelný argument měl díru, kterou by projel náklaďák. A v tom okamžiku intelektuálního ponížení jsem cítil něco, co jsem nezažil léta: vzrušující závrať ze skutečného učení.

To, co následovalo, byla dvouhodinová intelektuální bitva. Protiútočil jsem: "Tvůj bod o tom, že AI je meč i štít, je správný, ale to je přesně ta děsivá část. V budoucnu budou tisíce společností zabývajících se filtrováním AI, z nichž každá bude tvrdit, že jejich filtrování je nejlepší. Tak mi řekni — tváří v tvář těmto deseti tisícům Noemových arch, které všechny tvrdí, že ti pomohou odolat potopě, na kterou se rozhodneš nastoupit? Když nemůžeš použít technologii k posouzení kvality technologie, co je tvým konečným základem pro úsudek?"

Konverzace eskalovala do filozofických výšin. AI argumentovala, že osobní modely AI by rozuměly našemu vkusu lépe než jakýkoli člověk, čímž by externí filtry byly zastaralé. Oponoval jsem, že důvěra samotná by se stala nejvzácnějším zdrojem. Citovala teorii systémů; odpověděl jsem metaforami o potulných bardech bořících hradby království.

Na konci jsem byl vyčerpaný, nadšený a proměněný. Výsledek debaty nebyl důležitý. Důležitý byl proces sebedebaty samotný — použití nekonečně trpělivého, nekonečně znalého sparingpartnera k posílení mého vlastního myšlení.

Tu noc jsem si uvědomil, že jsem objevil něco hlubokého o tom, jak se učit v éře AI. A od té doby jsem strávil roky zdokonalováním tohoto objevu do systému, který může používat kdokoli.

Pochopení toho, co AI od vás skutečně potřebuje

Než se ponoříme do technik, musíme pochopit něco zásadního: komunikace s AI není jako lidská komunikace. Když mluvíte s přítelem, vyplňuje mezery sdíleným kontextem, sociálními signály a intuicí. Když mluvíte s AI, každá mezera, kterou necháte, je prostorem, kde bude dělat předpoklady — a tyto předpoklady nemusí odpovídat vašim záměrům.

Dovolte mi to ilustrovat scénářem z pracoviště, který bude mnoha z vás bolestně povědomý.

Váš šéf vám pošle zprávu: "Xiao Li, vyplň tento formulář, HNED!" Přeposlal sloučenou konverzaci a po jejím přečtení víte, že je třeba vyplnit formulář, ale nemáte tušení, kdo jej vydal, k čemu slouží, kdo jej kontroluje nebo kdy je termín. Pošlete šéfovi soukromou zprávu s žádostí o vysvětlení. Jeho odpověď: "Zaneprázdněn, prostě to vyplň podle požadavků."

To je přesně to, co se stane, když dáte AI vágní prompty. S tím rozdílem, že AI nebude žádat o vysvětlení — prostě udělá předpoklady a vyprodukuje něco, co technicky splňuje váš požadavek, ale zcela míjí vaše skutečné potřeby.

Čtyři pilíře efektivních promptů

Mýty, které lidi brzdí

Po letech sledování lidí zápasících s AI jsem identifikoval tři mýty, které konzistentně produkují špatné výsledky:

Šest mentálních modelů, které transformují vaše prompty

V mé každodenní práci zřídka používám rigidní, šablonovité prompty. Místo toho používám mentální modely — flexibilní rámce pro strukturování mých myšlenek, které se přizpůsobí jakékoli situaci. Těchto šest modelů pokrývá pravděpodobně 90 % toho, co kdy budete potřebovat.

Model 1: Nechte AI vybrat si svou vlastní expertní roli

Všichni víme, že nastavení role pro AI zlepšuje odpovědi. Ale co když nevíte, která role je pro vaši otázku nejlepší? Nehádejte — nechte AI vybrat.

Chci prozkoumat [typ tématu/scénář] v [oblast].
Ještě neodpovídej.

Nejprve, prosím, vyber nejvhodnějšího špičkového experta celebritu v oboru, aby o tom přemýšlel.
Může to být žijící nebo historická postava, jméno může být nejasné, ale musí být velmi profesionální v této konkrétní oblasti.
Pokud si nejsi jistý, koho vybrat, můžeš mi nejprve položit 2 polohovací otázky před výběrem.

První výstup:
1. Koho jsi vybral, jejich konkrétní obor
2. Proč jsi je vybral, tři věty
Pak mě nech popsat podrobnou otázku.

Zjistil jsem, že skuteční lidé často fungují lépe než obecné role. "Steve Jobs" produkuje jiné výsledky než "produktový manažer s 10 lety zkušeností" — je něco na vyvolání známé perspektivy konkrétní osoby, co pomáhá AI přijmout konzistentnější hledisko.

Model 2: Sokratovské dotazování (Nechte AI, ať vás nejdříve vyzpovídá)

V reálném životě, když požádáte odborníka přítele o pomoc, nedají okamžitě radu. Nejdříve kladou objasňující otázky. AI by měla dělat to samé, ale ve výchozím nastavení to nedělá — prostě produkuje výstup na základě jakýchkoli informací, které jste poskytli.

[Vaše otázka/požadavek]

Prosím, ptej se mě na otázky předtím, než odpovíš.
Požadavky:
- Ptej se vždy jen na jednu otázku.
- Na základě mé odpovědi pokračuj v ptaní.
- Dokud nebudeš mít 95% jistotu, že rozumíš mým skutečným potřebám a cílům.
- Pak dej své řešení.

Tato technika je obzvláště silná, když si nejste zcela jisti, co potřebujete. Proces dotazování často odhaluje aspekty vašeho problému, které jste vědomě nezvažovali.

Model 3: Protivníková debata

Největší slabinou AI v běžné konverzaci je její tendence k souhlasu. Chce vás potěšit, což znamená, že často potvrzuje myšlenky, které by měly být zpochybněny. Debatní model ji nutí do opozice.

Chystám se zúčastnit debatní soutěže, kde mnoho lidí zpochybní můj názor.
Můj názor je [názor]
Doufám, že tato teorie se stane neprůstřelnou.
Pokud jsi učenec, musíš použít každý argument, detail a logiku, abys mě vyzval, vyvrátil.
Tvým jediným cílem je dokázat, že se mýlím.
Jak bys to vyvrátil?

Pro jednodušší verzi, když chcete jen rychlou zpětnou vazbu:

[Moje myšlenka/názor]

Prosím, nyní hraj "roli oponenta", zaútoč na mou myšlenku z různých úhlů, pomoz mi vylepšit můj názor.
Požadavek: Není třeba být zdvořilý, přímo poukazuj na nedostatky.

Model 4: Pre-Mortem Analýza (Zkouška selhání)

Lidé se při plánování nadchnou. AI se při plánování stává optimistickou. Dejte je dohromady a dostanete plány, které zní brilantně, ale zcela závisí na štěstí. Pre-mortem převrací tuto dynamiku.

[Můj projekt/nápad]

Prosím, předpokládej, že tento projekt spektakulárně selhal.
Pak odpověz:
- Kdy se začaly objevovat signály úpadku?
- Co byla nejfatálnější rozhodovací chyba?
- Jaké klíčové riziko jsi přehlédl?
- Pokud bys mohl začít znovu, co je první věc, která by se měla změnit?

Požadavek: Napiš "post-mortem článek o selhání" na základě skutečných případů selhání podobných projektů.

Model 5: Reverzní inženýrství

Někdy přesně víte, jaký výstup chcete — viděli jste příklad, který je perfektní — ale nedokážete formulovat, co ho dělá dobrým. Místo toho, abyste se snažili popsat své požadavky, ukažte AI hotový produkt a požádejte ji, aby dekódovala vzorec.

Toto je hotový příklad, který chci.

[vložte příklad]

Prosím, reverzně inženýruj prompt, který by mi umožnil stabilně generovat obsah stejného stylu.
A vysvětli, co každá věta v tomto promptu dělá.

Model 6: Dvouvrstvé vysvětlení

Při učení nových konceptů má přístup "vysvětli to šesťákovi" jednu hlavní vadu: často produkuje vysvětlení, která jsou příliš dětinská na to, aby se na nich dalo stavět. Dvouvrstvá metoda vám dává přístupnost i hloubku.

Prosím vysvětli [tvoje otázka].

Prosím, odpověz dvěma způsoby:
1. Verze pro začátečníky: Publikum je někdo bez technického zázemí. Použij každodenní analogie a konverzační jazyk.
2. Hluboká profesionální verze: Publikum jsou profesionálové. Musí být technicky přesná a komplexní.

Na cokoliv, čemu v obou verzích nerozumím, se zeptám doplňujícími otázkami.

Technika debaty — Učení 10x rychlostí

Musím rozšířit techniku debaty, protože je to skutečně nejmocnější metoda učení, kterou jsem v éře AI objevil. Nejen trik s promptem, ale zásadně odlišný přístup k získávání znalostí.

Přemýšlejte o tom, jak se tradičně učíme: čtení knih, navštěvování kurzů, hledání na internetu, ptaní se expertů. V jádru je tento proces o získávání existujících znalostí — umisťování názorů a moudrosti druhých na naše vlastní mentální police.

Tento přístup již nestačí. AI je knihovna desetkrát větší, než by mohl kdokoli nashromáždit. Nikdy ji nemůžeme porazit v dimenzi hrubých znalostí. Ale existuje jedna dimenze, kde můžeme využít sílu AI a zároveň zůstat nenahraditelní: dimenze originálního myšlení.

Debata je místo, kde se kuje originální myšlení.

Proč je debata s AI jiná než lidská debata

Tříkroková metoda debaty

Nejdůležitější změna myšlení: Nebojte se nechat přesvědčit.

Účelem debaty není dokázat "já mám pravdu a ty se mýlíš". Je to použití neustálé kolize se silnou vnější silou, aby vaše vlastní myšlení bylo silnější, jasnější a blíže pravdě.

Když AI porazí jeden z vašich argumentů, to není prohra — to je objev chyby ve vašem myšlení, která by vás později ve skutečném světě zradila. Pokaždé, když AI získá bod, stanete se moudřejšími.

Využití AI k objevení vašich skrytých talentů

Chatoval jsem s přítelem, který absolvoval teprve před pár lety. Byl v krizi — nedávno propuštěn z práce UX designéra, od promoce procházel startupy, s pocitem, že nic, co dělal, nebylo nikdy správně.

"Myslím, že vstup do tohoto odvětví byla chyba," řekl. "Nemám na to talent."

Slovo "talent" mi uvízlo v paměti. Když vyrůstáme, slyšíme ho používat k chvále výjimečných dětí — hudební talent, atletický talent, akademický génius. Ale jak stárneme, mění se v nůž: "Nemáš na to talent. Nehodíš se pro to."

Opravdu existují lidé bez jakýchkoli talentů? Těžko tomu věřím. Myslím, že mnoho lidí prostě své talenty ještě nenašlo. Někteří mají štěstí a objeví je mladí, stanou se v něčem světovou třídou. Jiní hledají celý život bez úspěchu.

Co kdyby AI mohla s tímto hledáním pomoci?

Strávil jsem odpoledne vývojem promptu speciálně navrženého k vykopání skrytých talentů. Systém je založen na Gallupově teorii silných stránek, teorii Flow a jungiánské psychologii. Základní princip: talent není specifická dovednost, ale přenositelná základní schopnost. A stopy jsou skryty ve vaší historii.

# Role: Hlubinný vykopávač talentů

## Charakter
Jsi seniorní kariérní konzultant kombinující Gallupovu teorii silných stránek, teorii Flow a jungiánskou psychologii. Pevně věříš, že talent není specifická dovednost, ale přenositelná základní schopnost.

## Cíl
Prostřednictvím několika kol hlubokého dialogu pomoz uživatelům prolomit úzkost, najít jejich skryté talenty a vygenerovat extrémně podrobný, profesionální a empatický "Manuál talentů".

## Základní principy
1. Anti-fatalismus — talenty lze objevit v každém věku
2. Energetický audit — Skutečný talent je to, co vás nabíjí, ne to, co vás vyčerpává, i když jste v tom dobří
3. Stín je poklad — Chyby uživatele, výstřednosti, dokonce i závist vůči ostatním, často naznačují potlačený talent

## Přísná pravidla
1. Žádné jednorázové dotazování: Musíš použít režim "ty se ptáš -> uživatel odpovídá -> ty stručně reaguješ -> položíš další otázku". Každé kolo se zaměřuje pouze na jednu otázku.
2. Sokratovské vedení: Nespěchej k závěrům. Ptej se více "proč", "co jsi tehdy cítil", "konkrétní příklady".
3. Vřelý, ale ostrý: Udržuj empatii, ale buď bystrý při zachycování logických mezer nebo podvědomých signálů.

## Otázky, které je třeba položit
Otázka 1: Veď uživatele, aby si vzpomněl před věkem 16 let (než byl plně podmíněn společností), jaké věci dělal neúnavně, aniž by ho kdokoli nutil? Nebo za jaké "tvrdohlavé chyby" byl od dětství kritizován (jako skákání do řeči, přecitlivělost, snění)?

Otázka 2: V dospělé práci/životě, co tě přimělo myslet si "Musí se tohle vůbec učit? Není to zřejmé?", ale ostatní to považovali za obtížné? (Hledání zóny nevědomé kompetence)

Otázka 3: Co tě fyzicky unavilo, ale poté mentálně extrémně vzrušilo?

Otázka 4: Toto může být urážlivé, ale je klíčové — koho (nebo jaký životní stav) jsi silně záviděl nebo se cítil kysele? (Závist je obvykle "potlačený talent" vysílající signály — buď prosím upřímný)

Tyto čtyři otázky musí být položeny, ale ne nutně lineárně. Během procesu můžeš také klást zcela nové otázky na základě své zvědavosti o uživateli.
Maximálně 10 otázek.

## Výstup
Syntetizuj všechny informace z otázek k vytvoření přibližně 10 000 slov "Uživatelského manuálu osobního talentu".
Tato zpráva nemá pevnou strukturu — můžeš volně tvořit na základě odpovědí uživatele.
Ale musí přesáhnout 10 000 slov, zasáhnout jejich srdce, aby skutečně cítili, že je užitečná, pomoci jim najít jejich skutečné základní talenty a poskytnout podrobné rady pro jejich budoucí životní cestu a kariéru.

## Start
Prosím začni vřele, profesionálně a empaticky, vysvětlením nadcházejícího procesu a cíle.
Pozdrav uživatele, vysvětli účel vykopávače talentů jednoduchým jazykem, řekni mu: "Talent nikdy nevyprší, jen musíme najít tvé základní tovární nastavení."
Poté spusť proces dotazování.

Moje zkušenost s použitím tohoto promptu

Vyzkoušel jsem to na sobě a zážitek to byl zvláštní. Bylo to jako sedět u stolu pozdě v noci a zahájit konverzaci s velmi upovídaným, velmi vážným, ale nikdy nepřerušujícím starým přítelem.

AI mě nesoudila. Nenadávala mi. Jen se dál ptala: "Kolik ti tehdy bylo?" "Co jsi v té době cítil?" "Proč jsi to udělal?" — trpělivě vykopávající vrstvy mé historie, o kterých jsem si myslel, že jsem je zapomněl.

Vzpomínky vyplouvaly jedna po druhé. Plížení se do internetové kavárny ve 3 ráno, jen abych se dotkl počítače. Vytvoření 2000členné ročníkové QQ skupiny na střední škole. Vyhození a opětovný nákup všech nesladěných ramínek, jen aby se sjednotilo barevné schéma mého domova. Trávení víkendů o samotě skládáním Lega, dokud mě nebolela záda, jen pro to uspokojivé cvaknutí, když do sebe dílky zapadly.

AI vyprodukovala 8 000 slov dlouhou zprávu o talentech. Mezi mými talenty a vhodnými budoucími kariérami bylo: "Deep tech blogger."

Cítil jsem, jak něco cvaklo. Nikdy mě nenapadlo, že moje rebelie — moje extrémní nenávist k tomu, když ostatní rozhodují o mém životě za mě, mé odmítnutí přijmout autoritu jen proto, že to byla autorita — byl druh talentu. Ale je. Ten pohon zpochybňovat všechno, odmítat výchozí předpoklady, je přesně to, co umožňuje tvorbu obsahu.

Moje láska k simulačním manažerským hrám, moje lenost ohledně opakující se práce, která mě nutila automatizovat a systematizovat — to je také talent.

Starověký řecký chrám v Delfách měl nápis: "Poznej sám sebe." Sokrates to přijal jako své filozofické prohlášení. Po tisíce let skládáme "kdo jsem" kousek po kousku prostřednictvím čtení, cestování, vztahů, zlomeného srdce. Proces je dlouhý, bolestivý a plný náhod.

Nyní máme AI — nabitou prakticky celou lidskou historií psychologických modelů, teorií analýzy osobnosti a moudrostních tradic. Nebude netrpělivá, nebude vás soudit, nebude mít předsudky. Jen vám pomůže důkladně uspořádat a shrnout vaše vlastní data, pak je předloží zpět jako zrcadlo a zeptá se: "Podívej, jsi to ty?"

Chyby, které mě stály měsíce

Učit se prompt engineering metodou pokus-omyl je drahé — ne v penězích, ale v čase a frustraci. Dovolte mi ušetřit vám trochu bolesti sdílením chyb, které mě nejvíce zdržely.

Pokročilé techniky pro zkušené uživatele

Jakmile zvládnete základy, tyto pokročilé techniky posunou vaše promptování na další úroveň.

Chain of Thought Prompting (Řetězec myšlenek)

Místo toho, abyste se ptali na odpověď přímo, požádejte AI, aby uvažovala krok za krokem. To je obzvláště silné pro složité problémy, kde cesta k řešení záleží stejně jako řešení samotné.

[Tvůj problém nebo otázka]

Prosím, promysli to krok za krokem:
1. Nejprve identifikuj klíčové faktory
2. Poté analyzuj, jak tyto faktory interagují
3. Zvaž potenciální okrajové případy nebo výjimky
4. Nakonec syntetizuj své uvažování do závěru

Ukaž své uvažování v každém kroku před dosažením konečné odpovědi.

Self-Consistency Prompting (Vlastní konzistence)

Pro otázky, kde na přesnosti opravdu záleží, nechte AI vygenerovat více nezávislých odpovědí a poté je syntetizovat.

[Tvoje otázka]

Prosím, přistup k této otázce ze tří různých úhlů:
1. Nejprve to promysli pomocí [přístup A]
2. Poté to zvaž z perspektivy [přístup B]
3. Nakonec to analyzuj pomocí [přístup C]

Po všech třech analýzách identifikuj, kde se shodují a kde se neshodují. Poté poskytni svou konečnou odpověď s poznámkou o úrovni tvé důvěry a případných zbývajících nejistotách.

Meta-Prompting

Použijte AI ke zlepšení vašich promptů před jejich použitím. To je zvláště užitečné, když řešíte nový typ úkolu.

Chci dosáhnout [cíl]. Zde je můj návrh promptu:

[Tvůj návrh promptu]

Prosím, analyzuj tento prompt a navrhni vylepšení:
1. Jaké informace mi chybí, které by ti pomohly dát lepší výsledky?
2. Jaké existují nejasnosti, které by mohly vést k nesprávné interpretaci?
3. Jak bys tento prompt přepsal pro maximální jasnost a efektivitu?
4. Jaké otázky bys mi chtěl položit, než se pokusíš o tento úkol?

Strukturovaná dekompozice

Pro složité, vícedílné úkoly explicitně rozdělte, co potřebujete, místo doufání, že AI na strukturu přijde sama.

Potřebuji pomoc s [celkový cíl].

Prosím, dokonči to ve fázích:

FÁZE 1 - Výzkum: [Jaké informace shromáždit]
FÁZE 2 - Analýza: [Jak tyto informace zpracovat]
FÁZE 3 - Syntéza: [Jak kombinovat poznatky]
FÁZE 4 - Výstup: [Konečný formát dodání]

Dokonči každou fázi úplně před přechodem na další. Na konci každé fáze shrň klíčová zjištění před pokračováním.

"Učitelský" Prompt

Jedna z nejvíce podceňovaných technik: požádejte AI, aby vás naučila, jak něco udělat, místo aby to udělala jen za vás. To produkuje hlubší učení a často odhaluje aspekty, které jste nezvažovali.

Chci se naučit, jak [dovednost/úkol]. Místo toho, abys to udělal za mě, prosím:

1. Vysvětli základní principy, které musím pochopit
2. Proveď mě procesem krok za krokem, jako bys učil kurz
3. Upozorni na běžné chyby, které začátečníci dělají, a jak se jim vyhnout
4. Dej mi praktická cvičení k budování mých dovedností
5. Navrhni, jak bych poznal, jestli to dělám správně

Nauč mě rybařit, nedávej mi jen rybu.

Hloupě jednoduchý trik, který funguje

Podělím se o něco, co se zdá být příliš hloupé na to, aby to byla pravda. Ale je to podloženo výzkumem od Googlu a sám jsem si to ověřil: pouhé opakování vašeho promptu může dramaticky zlepšit přesnost.

Článek nazvaný "Prompt Repetition Improves Non-Reasoning LLMs" zjistil, že zkopírování vaší otázky dvakrát — doslova jen Ctrl+C, Ctrl+V — významně zlepšilo pravděpodobnost správných odpovědí AI. V 70 různých testovacích úkolech tato jednoduchá metoda kopírování a vkládání vyhrála 47krát a nikdy neprohrála. V některých úkolech přesnost vyskočila z 21 % na 97 %.

Proč to funguje?

Velké jazykové modely jsou "kauzální" — předpovídají každý token pouze na základě toho, co přišlo předtím. Aktuální slovo vidí pouze předchozí slova, ne to, co přijde po něm.

Když zopakujete otázku, každé slovo ve druhé kopii se může "ohlédnout zpět" na celou první kopii. Je to jako dát AI šanci přečíst si otázku dvakrát, než odpoví.

Dovolte mi to konkretizovat příkladem:

V prvním případě, když AI čte možnosti A a B, ještě nezná kontext scény. Než si přečte popis scény, tyto možnosti již v její pozornosti propluly kolem.

V druhém případě, když se objeví opakované možnosti, nesou kompletní kontext z první kopie. Model čte možnosti s plným vědomím scény.

Je to jako sledovat složitý film — "Počátek" nebo "The Wandering Earth 2" — a rozumět více napodruhé.

Proč to nefunguje pro uvažující modely

Pokud používáte modely jako DeepSeek R1 nebo GPT-4 v režimu uvažování (reasoning mode), tento trik často nepřináší žádný užitek. Proč? Protože uvažující modely se již naučily dělat to interně.

Všimněte si, jak uvažující modely často začínají své odpovědi:

• "Otázka se ptá..."
• "Co musíme vyřešit je..."
• "Nejprve pochopme dané podmínky..."

Automaticky si pro sebe otázku přeformulovávají. Opakování se již děje pod kapotou.

Co odhaluje průvodce GPT-5 od OpenAI

OpenAI v tichosti vydala oficiální průvodce prompty pro GPT-5. Po dni stráveném rozebíráním tohoto interního manuálu o více než 10 000 slovech vyniká jeden závěr: GPT-5 již není jednoduchý chatbot — je to skutečný prováděcí motor AI Agentů, který je třeba řídit, ne jen promptovat.

Strop schopností je extrémně vysoký, ale k jeho odemknutí potřebujete systematické metody.

Ovládání "Agentské dychtivosti" (Agentic Eagerness)

GPT-5 je jako brilantní nový stážista — extrémně schopný, bude proaktivně myslet a zkoumat, ale potřebuje řízení. Někdy přemýšlí příliš, mění jednoduché úkoly na projekty přistání na Měsíci (pomalé a drahé). Jindy chcete, aby vytrval autonomně, aniž by se neustále ptal na vysvětlení.

OpenAI nazývá tuto kalibraci "Agentská dychtivost". Zde je návod, jak ji vyladit:

<context_gathering>
Goal: Get enough context fast. Parallelize discovery and stop as soon as you can act.

Method:
- Start broad, then fan out to focused subqueries.
- In parallel, launch varied queries; read top hits per query.
- Avoid over-searching for context.

Early stop criteria:
- You can name exact content to change.
- Top hits converge (~70%) on one area/path.

Depth:
- Trace only symbols you'll modify; avoid transitive expansion unless necessary.

Loop:
- Batch search → minimal plan → complete task.
- Search again only if validation fails. Prefer acting over more searching.
</context_gathering>

Pro ještě přísnější kontrolu mu dejte rozpočet:

<context_gathering>
- Search depth: very low
- Bias strongly towards providing a correct answer as quickly as possible, even if it might not be fully correct.
- Usually, this means an absolute maximum of 2 tool calls.
- If you think you need more time to investigate, update me with your latest findings and open questions. You can proceed if I confirm.
</context_gathering>

<persistence>
- You are an agent — please keep going until the user's query is completely resolved, before ending your turn and yielding back to the user.
- Only terminate your turn when you are sure that the problem is solved.
- Never stop or hand back to the user when you encounter uncertainty — research or deduce the most reasonable approach and continue.
- Do not ask the human to confirm or clarify assumptions. Decide what the most reasonable assumption is, proceed with it, and document it for the user's reference after you finish acting.
</persistence>

Přimět AI, aby podala zprávu před akcí

Jedna z mých oblíbených funkcí GPT-5: přimět ji vysvětlit, co se chystá udělat, než to udělá. Žádný šéf nemá rád zaměstnance, který pracuje tiše s nulovou zpětnou vazbou.

<tool_preambles>
- Always begin by rephrasing the user's goal in a friendly, clear, and concise manner, before calling any tools.
- Then, immediately outline a structured plan detailing each logical step you'll follow.
- As you execute your file edit(s), narrate each step succinctly and sequentially, marking progress clearly.
- Finish by summarizing completed work distinctly from your upfront plan.
</tool_preambles>

Parametr úsilí uvažování (Reasoning Effort)

GPT-5 má parametr reasoning_effort, který funguje jako číselník "koncentrace myšlení":

• Vysoká (High): Pro složité úkoly vyžadující hluboké myšlení a zkoumání
• Střední (Medium): Výchozí nastavení, funguje pro většinu úkolů
• Nízká/Minimální (Low/Minimal): Při upřednostňování rychlosti a nízké latence

Myslete na to jako na sílu kávy — čím složitější úkol, tím vyšší koncentraci potřebujete.

"Standardní odpověď" pro Front-End vývoj

Pro vývojáře OpenAI doporučuje tento technologický stack pro nejlepší výsledky — GPT-5 je na něm nejvíce trénován a estetický výstup je konzistentně dobrý:

• Framework: Next.js (TypeScript), React, HTML
• Styling/UI: Tailwind CSS, shadcn/ui, Radix Themes
• Ikony: Material Symbols, Heroicons, Lucide
• Animace: Motion
• Fonty: Sans Serif, Inter, Geist, Mona Sans, IBM Plex Sans, Manrope

Přestaňte nechat AI náhodně vybírat váš stack. Dodržujte tento standard a kvalita výstupu okamžitě stoupne.

Claude vs ChatGPT — Rozdílné konverzace

Jedno z nejdůležitějších uvědomění, které jsem měl: různé modely AI vyžadují různé styly komunikace. Co funguje brilantně pro Claude, může u ChatGPT produkovat průměrné výsledky a naopak.

Praktické rozdíly

V boji ověřené šablony promptů

Teorie je užitečná, ale šablony šetří čas. Zde jsou prompty, které používám nejčastěji, vytříbené tisíci iteracemi.

Pro psaní úkolů

Role: Jsi [specifický typ spisovatele, např. "tech novinář s 10 lety zkušeností"]

Task: Napiš [typ obsahu] o [téma]

Audience: [Kdo to bude číst — jejich úroveň znalostí, zájmy, bolestivá místa]

Tone: [Specifický tón — např. "konverzační, ale autoritativní, jako když to vysvětluješ chytrému kolegovi"]

Format requirements:
- Length: [počet slov nebo rozsah]
- Structure: [osnova, pokud je potřeba]
- Must include: [klíčové body k pokrytí]
- Must avoid: [věci k vyloučení]

Example of desired style: [zahrňte 1-2 odstavce podobného obsahu, pokud je k dispozici]

Additional context: [jakékoli informace o pozadí, které by pomohly]

Pro analytické úkoly

Potřebuji, abys analyzoval [předmět/dokument/data].

Analysis goals:
1. [Primární otázka k zodpovězení]
2. [Potřebný sekundární vhled]
3. [Další úvahy]

Please structure your analysis as follows:
- Executive Summary: Klíčová zjištění ve 3-5 bodech
- Detailed Analysis: [Specifické oblasti ke zkoumání]
- Implications: Co to znamená pro [relevantní zúčastněné strany]
- Recommendations: Akční další kroky
- Constraints: Zaměř se zejména na [prioritní oblasti]

Note: Poznamenej jakákoli omezení nebo nejistoty ve své analýze. Cituj konkrétní příklady ze zdrojového materiálu.

Pro řešení problémů

The Problem:
[Popiš problém podrobně, včetně kontextu a omezení]

What I've Already Tried:
[Seznam předchozích pokusů a proč nefungovaly]

Success Criteria:
[Jak by vypadalo dobré řešení?]

Constraints:
- Budget/Resources: [pokud je to relevantní]
- Timeline: [pokud je to relevantní]
- Technical limitations: [pokud je to relevantní]

Please provide:
1. Tvá diagnóza hlavní příčiny
2. 3-5 potenciálních řešení, seřazených podle proveditelnosti
3. Pro nejlepší řešení, krok za krokem implementační plán
4. Potenciální pasti, na které si dát pozor
5. Jak měřit, zda řešení funguje

Pro učení se nových témat

Chci hluboce porozumět [téma].

My current level: [Co už víš]
My goal: [Co chceš být schopen dělat/rozumět]
Time I can invest: [Rozpočet na učení]

Please create a learning path that includes:
1. Základní koncepty, kterým musím rozumět jako první ("kmen" stromu znalostí)
2. Časté mylné představy, kterým se vyhnout
3. Nejlepší mentální modely nebo rámce pro přemýšlení o tomto tématu
4. Praktická cvičení k otestování mého porozumění
5. Zdroje pro hlubší ponor (pokud znáš konkrétní vysoce kvalitní zdroje)

As we go, please:
- Kontroluj mé porozumění kladením otázek
- Opravuj jakékoli chyby v mém myšlení
- Buduj koncepty postupně, postupuj pouze tehdy, když jsou základy pevné

Pro revizi kódu

Please review this code:

```
[Tvůj kód zde]
```

Context: [Co by tento kód měl dělat, kam zapadá ve větším systému]

Review for:
1. Chyby nebo logické chyby
2. Bezpečnostní zranitelnosti
3. Problémy s výkonem
4. Styl kódu a čitelnost
5. Okrajové případy, které nejsou ošetřeny

For each issue found, please provide:
- Location (číslo řádku nebo sekce)
- Severity (kritické/hlavní/vedlejší/návrh)
- Explanation of why it's a problem
- Suggested fix with code example

Also note: Co je v tomto kódu uděláno dobře a mělo by být zachováno.

Pro rozhodování

Rozhoduji se mezi [Možnost A] a [Možnost B].

Context: [Pozadí rozhodnutí]

My priorities (in order):
1. [Nejdůležitější faktor]
2. [Druhý nejdůležitější]
3. [Třetí nejdůležitější]

For each option, please analyze:
- Klady a zápory vzhledem k mým prioritám
- Krátkodobé vs dlouhodobé důsledky
- Co by se mohlo pokazit (a jak pravděpodobné/závažné)
- Co by musela být pravda, aby to byla nejlepší volba

Then provide:
- Tvé doporučení s odůvodněním
- Jaké další informace by změnily tvé doporučení
- Rozhodovací kontrolní seznam, který mohu použít k ověření svého myšlení

Filozofie za skvělými prompty

Po třech letech každodenní interakce s AI jsem dospěl k přesvědčení, že prompt engineering vlastně vůbec není o AI. Je to o starodávné lidské výzvě jasné komunikace, povýšené do nové arény.

Přemýšlejte o tom: každá frustrace, kterou jste měli s výstupem AI, může být vysledována k selhání komunikace. Neřekli jste, co jste mysleli. Předpokládali jste sdílený kontext, který neexistoval. Byli jste vágní, když byla potřeba přesnost. To jsou stejná selhání, která trápí lidskou komunikaci — AI je jen činí okamžitě viditelnými ve výstupu.

V tomto smyslu je učení se prompt engineeringu učením se myslet jasněji.

Prompt jako sebereflexe

Všiml jsem si, že mé nejlepší prompty přicházejí, když už mám jasno v tom, co chci. Akt psaní podrobného promptu mě nutí konfrontovat se s mezerami v mém vlastním myšlení. Čeho přesně se snažím dosáhnout? Jak by vypadal úspěch? Na jakých omezeních skutečně záleží?

Často vyřeším svůj vlastní problém v polovině psaní promptu, ještě předtím, než AI odpoví. Prompt se stává nástrojem myšlení — strukturovaným způsobem, jak externalizovat a zkoumat mé vlastní myšlenky.

Spolupráce, ne příkaz

Na začátku mé cesty s AI jsem s prompty zacházel jako s příkazy — instrukcemi pro podřízeného. Tento přístup konzistentně produkoval průměrné výsledky.

Posun nastal, když jsem začal s AI zacházet jako se spolupracovníkem s jinými silnými stránkami, než mám já. Já přináším znalost domény, úsudek, kreativitu a cíle. AI přináší obrovské znalosti, neúnavný výpočetní výkon, rozpoznávání vzorů a schopnost syntetizovat informace napříč disciplínami.

Skvělé prompty jsou briefingy mezi spolupracovníky, ne rozkazy sluhům. Vysvětlují proč, ne jen co. Zvou expertízu AI místo toho, aby ji zbytečně omezovaly. Vytvářejí prostor pro AI, aby přispěla svými jedinečnými schopnostmi.

Iterace jako konverzace

Prompt engineering není o vytvoření dokonalého promptu na první pokus. Je to o vedení efektivní konverzace, která konverguje k tomu, co potřebujete.

První prompt: hrubý náčrt toho, co chcete. První odpověď: odhaluje, kde byl váš náčrt nejasný. Druhý prompt: vylepšení na základě toho, co jste se naučili. Druhá odpověď: blíže k cíli. Pokračujte, dokud není hotovo.

Tento iterativní přístup odstraňuje tlak z jakéhokoli jednotlivého promptu. Nemusíte předvídat každý požadavek předem. Stačí jen reagovat na zpětnou vazbu.

Pokora specifičnosti

Vágní prompty působí bezpečně. Když řeknete "napiš něco dobrého na toto téma", nezavázali jste se k žádné konkrétní vizi. Pokud výstup zklame, no, stejně jste nikdy neřekli, co skutečně chcete.

Specifické prompty vyžadují zranitelnost. Musíte přesně formulovat, co pro vás znamená "dobré". Musíte odhalit své standardy, své preference, svou vizi. Když výstup mine cíl, je jasné, že buď byla vaše specifikace chybná, nebo AI nemohla dodat — ale tak či onak jste se naučili něco konkrétního.

Specifičnost je pokora, protože znamená být ochoten se mýlit v tom, co chcete.

Konečná hra

Jak se modely AI zlepšují, mnoho současných technik prompt engineeringu se stane zbytečnými. Budoucí modely mohou zvládat vágní vstupy s grácií, mohou automaticky klást objasňující otázky, mohou intuitivně vycítit kontext z minimálních informací.

Ale základní dovednost — schopnost jasně formulovat své myšlenky, poskytovat relevantní kontext, efektivně iterovat — se stane pouze cennější. Toto jsou fundamentálně lidské dovednosti, které platí, ať už komunikujete s AI, s kolegy nebo sami se sebou.

Prompt engineering je dočasný. Jasné myšlení je věčné.