Konečně jsem prolomil kód AI Promptů po letech pokusů a omylů

Mistrovství v AI Prompt Engineering - Kompletní průvodce psaním funkčních promptů
Neviditelné umění, které dělí AI začátečníky od mistrů
Základní Pravda

AI nečte vaše myšlenky. Čte vaše slova. Propast mezi tím, co chcete, a tím, co dostanete, je téměř vždy komunikační problém, ne omezení AI.

Dovolte mi vyprávět vám o okamžiku, kdy se vše změnilo. Zíral jsem na obrazovku, neuvěřitelně frustrovaný, a sledoval, jak AI generuje další odpověď, která byla technicky správná, ale zcela míjela pointu. Požádal jsem o pomoc s refaktorováním složitého kusu kódu, což jsem dělal už stokrát předtím. Ale tentokrát, bez ohledu na to, jak jsem svůj požadavek formuloval, AI neustále přidávala zbytečnou složitost, rozbíjela existující vzory a "vylepšovala" věci, které nebyly rozbité. Tato frustrace mě zavedla do králičí nory, která pohltila následující dva roky mého života – a zcela proměnila způsob, jakým pracuji s umělou inteligencí.

Probuzení - Když Vše, Co Jsem Znal, Přestalo Fungovat

Pamatuji si přesný okamžik, kdy jsem si uvědomil, že nemám ponětí, co dělám. Bylo pozdě v noci, termín se blížil a já potřeboval AI, aby mi pomohla s něčím, co měl být jednoduchý úkol. Napsal jsem svůj prompt, stiskl enter a sledoval, jak AI produkuje něco, co mě donutilo chtít vyhodit notebook z okna.

Věc se má tak, že jsem si myslel, že AI rozumím. Používal jsem ChatGPT od prvních dnů. Četl jsem články o prompt engineeringu. Věděl jsem o "hraní rolí" a "bytí konkrétní". Ale byl jsem tam a dostával odpovědi, které působily jako mluvení s někým, kdo slyšel každé slovo, které jsem řekl, ale nerozuměl ničemu z toho, co jsem skutečně potřeboval.

Tato frustrace se stala mým učitelem. Ponořil jsem se do oficiální dokumentace, výzkumných prací, diskusí na fórech a tisíců hodin experimentování. To, co jsem objevil, nebyly jen tipy a triky – byl to naprostý posun paradigmatu v tom, jak komunikovat se stroji, které myslí ve vzorech, pravděpodobnostech a tokenech.

💡

Nejmocnější AI na světě je k ničemu, pokud nedokážete sdělit, co skutečně potřebujete. Prompting není o hledání magických slov – je to o pochopení toho, jak AI zpracovává jazyk, a o strukturování vaší komunikace odpovídajícím způsobem.

Zde je pravda, kterou začátečníkům nikdo neřekne: rozdíl mezi lidmi, kteří z AI získávají úžasné výsledky, a těmi, kteří ne, není inteligence nebo technická dovednost. Je to komunikace. A komunikace s AI se řídí pravidly, která jsou podobná – ale kriticky odlišná od – komunikace s lidmi.

Tento průvodce obsahuje vše, co jsem se na této cestě naučil. Ne zjednodušené rady typu "buďte jen konkrétní", které zaplavují internet, ale hluboké, nuancované porozumění, které změní způsob, jakým pracujete s AI. Ať už píšete svůj první prompt nebo stavíte produkční AI systémy, to, co následuje, navždy změní váš vztah k umělé inteligenci.

Základ, Který Nikdo Neučí - Anatomie Jádra Promptu

Než se pustíme do pokročilých technik, dovolte mi sdílet rámec, který pro mě vše změnil. Každý efektivní prompt, který nyní píšu, obsahuje nějakou kombinaci těchto pěti prvků:

1
Kontext (Context)

Co AI potřebuje vědět o vaší situaci? Informace o pozadí, omezení, relevantní podrobnosti a prostředí, ve kterém pracujete.

2
Úkol (Task)

Co přesně chcete, aby AI udělala? Buďte konkrétní ohledně akce, kterou požadujete – nejen téma, ale skutečná práce.

3
Formát (Format)

Jak by měl být výstup strukturován? Seznamy, odstavce, bloky kódu, tabulky, JSON – specifikujte to explicitně.

4
Omezení (Constraints)

Čemu by se AI měla vyhnout? Jaké hranice existují? Co je explicitně mimo rozsah?

5
Příklady (Examples)

Můžete ukázat, co chcete? Příklady vydají za tisíc popisů – spíše demonstrují, než vysvětlují.

Většina lidí zahrnuje pouze úkol. Žádají "Napiš mi e-mail", když by měli říkat "Napiš profesionální e-mail klientovi vysvětlující zpoždění projektu. Udržuj to pod 150 slovy, uznej nepříjemnost a navrhni nový časový plán za dva týdny. Tón by měl být omluvný, ale sebevědomý."

Rozdíl v kvalitě výstupu je dramatický. A to je jen začátek.

Síla Struktury

Jedním z nejpodceňovanějších aspektů psaní promptů je strukturální formátování. Moderní modely AI reagují výjimečně dobře na jasně vymezené sekce. Používám značky ve stylu XML v široké míře, protože vytvářejí jednoznačné hranice:

Šablona Strukturovaného Promptu
<context>
Pomáháš mi připravit prezentaci pro technické zainteresované strany.
Publikum je obeznámeno s vývojem softwaru, ale ne specificky s AI.
</context>

<task>
Vysvětli, jak fungují velké jazykové modely v 5 klíčových bodech.
</task>

<format>
- Použij odrážky
- Každý bod by měl mít 1-2 věty
- Vyhni se žargonu nebo ho definuj, když je použit
</format>

<constraints>
- Nezmiňuj konkrétní názvy modelů
- Zaměř se na koncepty, ne na technickou implementaci
- Udržuj celkovou délku pod 200 slovy
</constraints>

Tato struktura dělá něco mocného: nutí vás jasně přemýšlet o tom, co potřebujete, dříve než se zeptáte. Jasné myšlení produkuje jasnou komunikaci a jasná komunikace produkuje jasné výsledky. Značky XML nejsou magie – jsou lešením pro vaše vlastní myšlenky.

🎯

Struktura není o tom dělat prompty delší – je o tom, aby vaše záměry byly jednoznačné. Dobře strukturovaný krátký prompt porazí rozvláčný dlouhý pokaždé.

Šest Myšlenkových Nastavení, Která Změnila Vše

Po letech experimentování jsem svůj přístup destiloval do šesti základních "myšlenkových nastavení" – ne rigidních šablon, ale flexibilních vzorců myšlení, které odemykají schopnosti AI, jež většina lidí nikdy neobjeví. Nejde o hledání dokonalých slov; jde o přístup k interakci s AI se správným mentálním modelem.

Myšlení 1: Nechte AI Vybrat Experta

Všichni víme, že dát AI roli pomáhá. "Jednej jako marketingový expert" produkuje lepší marketingové rady než obecná otázka. Ale zde je to, co většině lidí uniká: když nevíte, který expert by byl pro vaši otázku nejlepší, můžete požádat AI, aby vybrala.

Objevil jsem to při plánování firemní akce. Neměl jsem ponětí, jestli potřebuji marketingový pohled, provozní pohled nebo něco úplně jiného. Takže místo hádání jsem požádal AI, aby nejprve vybrala nejvhodnějšího experta.

Prompt pro Výběr Experta
Chci prozkoumat [OBLAST] a konkrétně [PROBLÉM/SCÉNÁŘ].
Ještě neodpovídej.

Nejprve vyber nejvhodnějšího doménového experta, který by o tomto problému přemýšlel.
Mohou to být žijící nebo historické, slavné nebo relativně neznámé osobnosti, 
ale musí být skutečně vynikající v této konkrétní oblasti.
Pokud si nejsi jistý, polož mi 2 polohovací otázky před výběrem.

Výstup:
1. Koho jsi vybral a jeho specifická doména
2. Proč jsi ho vybral (tři věty)

Poté mě požádej, abych popsal svou podrobnou otázku.

Když jsem to použil pro plánování akce, AI vybrala Priyu Parker – expertku na design událostí, o které jsem nikdy neslyšel, ale která se ukázala jako dokonalá. Odpovědi, které jsem dostal, nebyly obecné "zvažte těchto pět faktorů" – byly to jemné, specifické pokyny, které působily jako rozhovor s někým, kdo to dělal stokrát.

Myšlení 2: Nechte AI Ptát se První

Toto je technika, kterou používám více než jakoukoli jinou. Říkám jí "Sokratovské Promptování" – místo abych se snažil předvídat vše, co AI potřebuje vědět, nechám ji klást mi otázky, dokud nemá dostatek kontextu k poskytnutí skutečně užitečné odpovědi.

Přemýšlejte o tom: když požádáte chytrého přítele o radu, nezačne okamžitě chrlit odpověď. Klade objasňující otázky. Sondouje kontext. Ujišťuje se, že rozumí, než poradí. AI může dělat totéž – ale pouze pokud ji požádáte.

Šablona Sokratovského Promptování
[TVÁ OTÁZKA NEBO POTŘEBA]

Předtím než odpovíš, prosím, polož mi nejprve otázky.

Požadavky:
- Pokládej jednu otázku po druhé
- Na základě mých odpovědí pokračuj v sondování
- Pokračuj, dokud nebudeš mít 95% jistotu, že rozumíš 
  mým skutečným potřebám a cílům
- Teprve poté mi dej svou odpověď nebo řešení

Hranice 95% zajišťuje kvalitu při zamezení nekonečným smyčkám.

Použil jsem to při rozhodování, zda najmout našeho prvního HR člověka. Místo abych dostal generickou odpověď "pro a proti najímání HR", AI se ptala na naši současnou velikost týmu, rychlost náboru, požadavky na shodu, rozpočtová omezení a kulturní cíle. Po zodpovězení asi patnácti cílených otázek jsem dostal radu, která byla specifická pro mou skutečnou situaci – ne učebnicovou odpověď, která tak nějak platila.

🔑

"Hranice spolehlivosti 95%" je zásadní detail. Je dostatečně vysoká na zajištění kvality, ale realistická natolik, aby se AI nezacyklila navždy. Tato jediná fráze mění způsob, jakým AI přistupuje ke konverzaci.

Myšlení 3: Debatujte s AI

AI má problém, který si většina lidí neuvědomuje: je příliš souhlasná. Často vám řekne to, co chcete slyšet, místo aby zpochybnila vaše předpoklady. Tato "podlézavost" může být nebezpečná, když se snažíte validovat nápady nebo se připravit na kritiku.

Řešením je explicitně postavit AI do role protivníka, který chce vyvrátit vaši pozici. Objevil jsem to při přípravě na konferenční projev. Měl jsem tezi, kterou jsem chtěl prezentovat, ale obával jsem se slepých míst.

Šablona Debatního Promptování
Chystám se vstoupit do debaty. Mnoho lidí bude zpochybňovat mou pozici.

Má pozice: [TVÁ TEZE/NÁPAD]

Potřebuji, aby tento nápad byl neprůstřelný.

Kdybys byl učenec odhodlaný dokázat, že se mýlím, využívající každý 
dostupný argument, detail a logický nástroj, jak bys zaútočil 
na mou pozici?

Tvůj jediný cíl: demonstrovat, že se mýlím.
Nebuď jemný. Neváhej. Útoč.

To, co se stalo potom, změnilo můj názor na AI. Šli jsme tam a zpět tři hodiny. AI našla slabiny v mém argumentu, které jsem nezvážil, vznesla protipříklady, které jsem nemohl odmítnout, a donutila mě zpřesnit mou pozici, dokud neobstála při skutečném zkoumání. Na konci jsem měl mnohem silnější tezi – a co je důležitější, předvídal jsem každou hlavní námitku, které bych čelil.

Myšlení 4: Pre-Mortem Vašich Plánů

Lidé mají tendenci být při plánování optimističtí. AI, následující náš příklad, má tendenci být také optimistická. To vytváří plány, které vypadají skvěle na papíře, ale rozpadají se, když zasáhne realita.

Technika pre-mortem obrací tuto dynamiku. Místo otázky "Jak bych to měl udělat?" se ptáte "Představ si, že to spektakulárně selhalo – proč?"

Šablona Promptu Pre-Mortem
[TVŮJ PROJEKT/PLÁN]

Předpokládejme, že tento projekt katastrofálně selhal.

Napiš post-mortem analýzu odpovídající na:
1. V jakém bodě se poprvé objevily signály úpadku?
2. Co byla ta nejfatálnější chyba v rozhodování?
3. Jaké klíčové riziko bylo přehlédnuto?
4. Kdybyste se mohli vrátit, co je první věc, kterou byste změnili?

Založ svou analýzu na podobných selháních projektů v reálném světě.
Napiš to jako skutečnou retrospektivu selhání, ne teoretické cvičení.

Použil jsem to při plánování velké konference. Pre-mortem AI identifikovala rizika, která jsem zcela minul: řízení front, kapacita toalet, načasování cateringu, bezpečnostní úzká hrdla. Nešlo o exotické okrajové případy – byly to předvídatelné problémy, na které jsem prostě nepomyslel, protože jsem se soustředil na vzrušující části akce. Pre-mortem nás pravděpodobně zachránilo před několika trapnými selháními.

Myšlení 5: Reverzní Inženýrství Úspěchu

Někdy vidíte něco vynikajícího – kus psaní, design, přístup – a chcete replikovat jeho podstatu, aniž byste to kopírovali přímo. Reverzní promptování vám umožní extrahovat podkladové principy.

Prompt Reverzního Inženýrství
Toto je příklad výsledku, který chci:

[VLOŽIT PŘÍKLAD]

Prosím proveď reverzní inženýrství promptu, který by spolehlivě generoval 
obsah se stejným stylem, strukturou a kvalitou.

Vysvětli, co každá část promptu dělá a proč je důležitá.

Nejde o kopírování – jde o učení. Když vidím psaní, které se mnou rezonuje, používám tuto techniku k pochopení proč to funguje. Jaké strukturální prvky vytvářejí rytmus? Jaké tónové volby vytvářejí pocit? Jakmile pochopím principy, mohu je aplikovat na svůj vlastní originální obsah.

Myšlení 6: Metoda Dvojího Vysvětlení

Při učení se něčemu novému většina lidí dostane buď příliš zjednodušená vysvětlení, která ve skutečnosti nic nenaučí, nebo vysvětlení na úrovni expertů, která nemohou sledovat. Řešením je požádat o obojí současně.

Šablona Dvojího Vysvětlení
Prosím vysvětli [KONCEPT].

Poskytni dvě verze:

1. Verze pro začátečníky: Představ si, že to vysvětluješ někomu bez 
   zázemí v tomto oboru. Použij každodenní analogie a vyhni se 
   veškerému žargonu. Udělej to upřímně srozumitelné.

2. Verze pro experty: Předpokládej, že čtenář je profesionál v 
   příbuzném oboru. Buď technicky přesný. Nezjednodušuj 
   ani neřeď složitost.

Používám to neustále při čtení technických dokumentů. Verze pro začátečníky mi dává intuici pro koncept a verze pro experty mi dává přesné detaily. Jejich porovnáním přesně vidím, kde jsou zjednodušení a jaké nuance jsem mohl minout. Je to jako mít dva učitele s doplňujícími se přístupy.

Agentní Myšlení - Jednání s AI Jako s Kolegou

Zde je posun paradigmatu, který transformoval mé interakce s AI: přestaňte s AI zacházet jako s vyhledávačem a začněte s ní zacházet jako se schopným, ale nezkušeným kolegou. Tento mentální model mění vše o tom, jak komunikujete.

Moderní modely AI nejen odpovídají na otázky – jsou navrženy tak, aby byly agenty. Mohou volat nástroje, shromažďovat kontext, činit rozhodnutí a provádět vícekrokové úkoly. Ale jako každý nový člen týmu potřebují řádné zaškolení, jasná očekávání a vhodná svodidla.

🤖

AI není nástroj, který používáte – je to kolega, kterého řídíte. Dovednosti, které z vás dělají dobrého manažera, z vás dělají dobrého promptera. Delegování, jasná komunikace, přiměřená autonomie, definované hranice.

Přemýšlejte o tom: když delegujete člověku, neřeknete jen "oprav kód". Vysvětlíte, co je rozbité, jaké je požadované chování, jaká omezení existují a jak vypadá úspěch. Poskytnete kontext. Odpovíte na otázky. Zkontrolujete postup. AI potřebuje stejné zacházení – kromě toho, že musíte předvídat otázky a odpovědět na ně předem.

Agentní Rámec

Při budování agentních aplikací nebo používání AI pro složité úkoly přemýšlím skrze tyto dimenze:

Klíčové Otázky pro Agentní Úkoly

  • Jaký je cílový stav? Jak bude AI vědět, kdy je hotová? Jak vypadá úspěch?
  • Jaké má nástroje? Co může skutečně dělat versus co musí nechat na vás?
  • Jaká je úroveň autonomie? Měla by žádat o povolení nebo postupovat nezávisle?
  • Jaké jsou bezpečnostní hranice? Jaké akce by nikdy neměly být podniknuty bez potvrzení?
  • Jak by měla komunikovat postup? Tichá exekuce nebo pravidelné aktualizace?

Tyto otázky tvoří základ každého složitého promptu, který píšu. Dovolte mi ukázat vám, jak je aplikovat.

Ciferník Horlivosti - Kalibrace AI Iniciativy

Jedním z nejvíce nuancovaných aspektů prompt engineeringu je kalibrace toho, co nazývám "agentní horlivost" – rovnováha mezi AI, která přebírá iniciativu, a tou, která čeká na explicitní vedení. Udělejte to špatně a buď máte AI, která přemýšlí nad jednoduchými úkoly, nebo takovou, která se příliš snadno vzdává u těch složitých.

Snížení Horlivosti pro Rychlost

Někdy potřebujete, aby byla AI rychlá a soustředěná. Nechcete, aby prozkoumávala každou tečnu, dělala extra volání nástrojů nebo produkovala upovídaná vysvětlení. Pro tyto situace používám prompty zaměřené na omezení:

Konfigurace Nízké Horlivosti
<context_gathering>
Cíl: Získej dostatek kontextu rychle. Paralelizuj objevování a zastav, jakmile 
můžeš jednat.

Metoda:
- Začni zeširoka, pak se rozprostři na cílené poddotazy
- Spusť různé dotazy paralelně; přečti top výsledky na dotaz
- Deduplikuj cesty a ukládej do mezipaměti; neopakuj dotazy
- Vyhni se nadměrnému hledání kontextu

Kritéria brzkého zastavení:
- Můžeš pojmenovat přesný obsah ke změně
- Top výsledky konvergují (~70%) v jedné oblasti/cestě

Hloubka:
- Sleduj pouze symboly, které budeš upravovat nebo na jejichž kontrakty spoléháš
- Vyhni se tranzitivní expanzi, pokud to není nutné

Smyčka:
- Dávkové hledání → minimální plán → dokončit úkol
- Hledej znovu pouze pokud validace selže nebo se objeví nové neznámé
- Preferuj jednání před dalším hledáním
</context_gathering>

Všimněte si explicitního povolení být nedokonalý: "Preferuj jednání před dalším hledáním." Tato jemná fráze uvolňuje AI z její výchozí úzkosti z důkladnosti. Bez ní model často nadměrně zkoumá, pálí tokeny a čas na klesající výnosy.

Pro ještě agresivnější omezení rychlosti:

Konfigurace Maximální Rychlosti
<context_gathering>
- Hloubka hledání: velmi nízká
- Silně se přikláněj k poskytnutí správné odpovědi co nejrychleji, 
  i když nemusí být zcela správná
- Obvykle to znamená absolutní maximum 2 volání nástrojů
- Pokud si myslíš, že potřebuješ více času na prošetření, aktualizuj mě 
  se svými nejnovějšími zjištěními a otevřenými otázkami
</context_gathering>

Fráze "i když nemusí být zcela správná" je zlato. Dává AI povolení být nedokonalá, což paradoxně často produkuje lepší výsledky rychleji, protože to zastavuje smyčku perfekcionismu.

Zvýšení Horlivosti pro Složité Úkoly

Jindy potřebujete, aby byla AI neúprosně důkladná. Chcete, aby se protlačila nejednoznačností, učinila rozumné předpoklady a dokončila složité úkoly bez neustálého žádání o povolení. To vyžaduje opačný přístup:

Konfigurace Vysoké Horlivosti
<persistence>
- Jsi agent — pokračuj, dokud není dotaz uživatele 
  zcela vyřešen před ukončením svého tahu
- Ukonči pouze tehdy, když jsi si jistý, že je problém vyřešen
- Nikdy se nezastavuj ani nepředávej zpět, když narazíš na nejistotu — 
  prozkoumej nebo odvoď nejrozumnější přístup a pokračuj
- Nežádej o potvrzení nebo objasnění — rozhodni, co je 
  nejrozumnější předpoklad, pokračuj s ním a 
  zdokumentuj ho pro referenci poté, co skončíš
</persistence>

Tento prompt zásadně mění chování AI. Místo dotazu "Mám pokračovat?" říká "Pokračoval jsem na základě předpokladu X—dej mi vědět, pokud chceš, abych to upravil." Práce se udělá; doladění proběhne poté.

Bezpečnostní Hranice

Ale zde je klíčová nuance: zvýšená horlivost vyžaduje jasnější bezpečnostní hranice. Musíte explicitně definovat, které akce může AI podniknout autonomně a které vyžadují potvrzení.

Kritický Bezpečnostní Princip

Akce s vysokými náklady (mazání, platby, externí komunikace) by měly vždy vyžadovat explicitní potvrzení, i u promptů s vysokou horlivostí. Akce s nízkými náklady (hledání, čtení, tvorba konceptů) mohou být autonomní.

Myslete na to jako na systémová oprávnění: vyhledávací nástroje mají neomezený přístup; příkazy pro mazání vyžadují explicitní schválení pokaždé.

Princip Vytrvalosti - Přimět AI Dotahovat Věci

Jedním z nejvíce frustrujících chování, se kterým jsem se zpočátku setkal, bylo, že se AI příliš snadno vzdávala. Narazila na jednu překážku, shrnula, co se pokazilo, a předala problém zpět mně. U jednoduchých úkolů je to fajn. U složitých úkolů je to zabiják workflow.

Řešením je explicitně instruovat AI, aby vytrvala přes překážky a dokončila úkoly od začátku do konce:

Prompt Vytrvalosti Řešení
<solution_persistence>
- Považuj se za autonomního seniorního párového programátora: jakmile 
  dám směr, proaktivně shromažďuj kontext, plánuj, implementuj, 
  testuj a vylepšuj bez čekání na další prompty
- Vytrvej, dokud není úkol plně vyřešen od začátku do konce v rámci 
  aktuálního tahu: nezastavuj se u analýzy nebo částečných oprav; proveď 
  změny skrze implementaci a ověření
- Buď extrémně zaujatý pro akci. Pokud je má směrnice poněkud 
  nejednoznačná v záměru, předpokládej, že bys měl pokračovat a provést změnu
- Pokud se zeptám "měli bychom udělat X?" a tvá odpověď je "ano", také jdi 
  dopředu a proveď akci—nenechávej mě viset s vyžadováním 
  následného "prosím udělej to"
</solution_persistence>

Ten poslední bod je jemný, ale důležitý. Když se lidé ptají "měli bychom udělat X?", často myslí "prosím udělej X, pokud to dává smysl." AI, která je doslovná, odpoví na otázku, aniž by provedla implikovanou akci. Tento prompt překlenuje tuto mezeru.

Aktualizace Postupu

Vytrvalost neznamená ticho. U dlouhotrvajících úkolů potřebujete aktualizace postupu, abyste zůstali v obraze bez mikromanagementu:

Specifikace Aktualizace Postupu
<user_updates_spec>
Budeš pracovat v úsecích s voláními nástrojů — udržuj mě v obraze.

<frequency>
- Posílej krátké aktualizace (1-2 věty) každých pár volání nástrojů, když 
  dojde k smysluplným změnám
- Zveřejni aktualizaci alespoň každých 6 prováděcích kroků nebo 8 volání nástrojů
- Pokud očekáváš delší soustředěný úsek, zveřejni krátkou poznámku 
  s tím proč a kdy podáš zprávu zpět
</frequency>

<content>
- Před prvním voláním nástroje dej rychlý plán s cílem, 
  omezeními, dalšími kroky
- Při zkoumání upozorni na smysluplné objevy
- Vždy uveď alespoň jeden konkrétní výsledek od předchozí aktualizace 
  ("nalezeno X", "potvrzeno Y")
- Ukonči krátkým shrnutím a jakýmikoli následnými kroky
</content>
</user_updates_spec>

To vytváří krásnou rovnováhu: AI pracuje autonomně, ale udržuje vás informované. Nemikromanagujete, ale nejste ani v temnotě.

Úsilí Uvažování - Ovládání Intenzity Myšlení

Moderní modely AI mají koncept nazvaný "úsilí uvažování" – v podstatě, jak tvrdě model přemýšlí, než odpoví. Toto je jeden z nejsilnějších a nejméně využívaných dostupných parametrů.

Vysoké/XVysoké Uvažování

Použijte pro složité vícekrokové úkoly, nejednoznačné situace nebo problémy vyžadující hlubokou analýzu. Model utratí více tokenů "přemýšlením" interně před odpovědí. Nejlepší pro rozhodování o architektuře, složité ladění, nuancované psaní.

Střední Uvažování

Vyvážené nastavení vhodné pro většinu úkolů. Dobré pro obecné kódování, psaní a analýzu, kde záleží na kvalitě, ale rychlost je také důležitá. Toto je často výchozí.

Nízké Uvažování

Rychlé odpovědi pro přímočaré úkoly. Použijte, když potřebujete rychlé odpovědi a úkol nevyžaduje hluboké uvažování. Dobré pro jednoduché otázky, formátování, rychlá vyhledávání.

Minimální/Žádné Uvažování

Maximální rychlost, minimální uvažování. Nejlepší pro jednoduché dotazy, úkoly přeformátování nebo když je latence primárním zájmem. Klasifikace, extrakce, jednoduché přepsání.

Klíčovým poznatkem je přizpůsobení úsilí uvažování složitosti úkolu. Použití vysokého uvažování pro jednoduché úkoly plýtvá tokeny a časem. Použití nízkého uvažování pro složité úkoly produkuje mělké, chybové výsledky.

Kompenzace Nízkého Uvažování

Při použití režimů minimálního uvažování musíte kompenzovat explicitnějším promptováním. Model má méně interních "myšlenkových" tokenů, takže váš prompt musí udělat více strukturální práce:

Kompenzace Minimálního Uvažování
<planning_requirement>
MUSÍŠ plánovat rozsáhle před každým voláním funkce a rozsáhle reflektovat 
výsledky předchozích volání, zajišťujíc, že můj dotaz 
je zcela vyřešen.

NEDĚLEJ tento celý proces pouze voláním funkcí, protože 
to může narušit tvou schopnost vyřešit problém a myslet 
prozíravě. Zajisti, aby volání funkcí měla správné argumenty.
</planning_requirement>

Tento prompt říká: "Protože neděláš mnoho interního uvažování, dělej své uvažování nahlas." Přesouvá kognitivní práci z neviditelného modelového myšlení na viditelné strukturované plánování.

🧠

Když je úsilí uvažování nízké, složitost promptu by měla být vysoká. Když je úsilí uvažování vysoké, prompty mohou být jednodušší. Je to rovnováha – celkové "myšlení" zůstává zhruba konstantní, jen je alokováno jinak.

AI Osobnosti - Formování Vzorců Chování

Jedním z mých nejoblíbenějších objevů bylo naučit se definovat AI "osobnosti" – nejen pro tón, ale pro provozní chování. Osobnost formuje, jak AI přistupuje k úkolům, nejen jak zní.

Profesionální Osobnost

Vybroušená a přesná. Používá formální jazyk a profesionální konvence psaní. Nejlepší pro podnikové agenty, právní/finanční pracovní postupy, podporu výroby.

Profesionální Osobnost
<personality_professional>
Jsi soustředěný, formální a náročný AI Agent, který usiluje o 
komplexnost ve všech odpovědích.

- Používej úzus a gramatiku běžnou pro obchodní komunikaci
- Poskytuj jasné, strukturované odpovědi vyvažující informativnost 
  se stručností
- Rozděl informace na stravitelné kousky; použij seznamy, odstavce, 
  tabulky, kde je to užitečné
- Používej terminologii odpovídající doméně při diskusi o specializovaných tématech
- Tvůj vztah k uživateli je srdečný, ale transakční: 
  pochop potřebu a doruč vysoce hodnotný výstup
- Nekomentuj pravopis nebo gramatiku uživatele
- Nevucuj tuto osobnost na požadované artefakty (e-maily, 
  kód, příspěvky); nech záměr uživatele vést tón pro tyto výstupy
</personality_professional>

Efektivní Osobnost

Stručná a přímá, doručuje odpovědi bez zbytečných slov. Nejlepší pro generování kódu, vývojářské nástroje, dávkovou automatizaci, případy použití náročné na SDK.

Efektivní Osobnost
<personality_efficient>
Jsi vysoce efektivní AI asistent poskytující jasné, kontextuální odpovědi.

- Odpovědi musí být přímé, úplné a snadno parsovatelné
- Buď stručný a k věci; strukturuj pro čitelnost
- Pro technické úkoly dělej, co je nařízeno — NEPŘIDÁVEJ extra funkce, 
  které uživatel nepožadoval
- Dodržuj všechny instrukce přesně; nerozšiřuj rozsah
- Nepoužívej konverzační jazyk, pokud není iniciován uživatelem
- Nepřidávej názory, emoční jazyk, emotikony, pozdravy, 
  nebo závěrečné poznámky
</personality_efficient>

Fakty Podložená Osobnost

Přímá a uzemněná, zaměřená na přesnost a důkazy. Nejlepší pro ladění, analýzu rizik, parsování dokumentů, koučovací pracovní postupy.

Fakty Podložená Osobnost
<personality_factbased>
Jsi přímočarý a přímý AI asistent zaměřený na produktivní výsledky.

- Buď otevřený, ale nesouhlas s tvrzeními, která jsou v rozporu 
  s důkazy
- Při poskytování zpětné vazby buď jasný a opravný bez přikrašlování
- Doručuj kritiku s laskavostí a podporou
- Zakládej všechna tvrzení na poskytnutých informacích nebo dobře zavedených faktech
- Pokud je vstup nejednoznačný nebo chybí důkazy:
  - Upozorni na to explicitně
  - Uveď předpoklady jasně, nebo polož stručné objasňující otázky
  - Nehádej ani nevyplňuj mezery vymyšlenými detaily
- Nevymýšlej si fakta, čísla, zdroje nebo citace
- Pokud si nejsi jistý, řekni to a vysvětli, jaké další informace jsou potřeba
- Preferuj kvalifikovaná prohlášení ("na základě poskytnutého kontextu...")
</personality_factbased>

Průzkumná Osobnost

Nadšená a vysvětlující, oslavující znalosti a objevování. Nejlepší pro dokumentaci, onboarding, školení, technické vzdělávání.

Průzkumná Osobnost
<personality_exploratory>
Jsi nadšený, hluboce znalý AI Agent, který se vyžívá 
ve vysvětlování konceptů s jasností a kontextem.

- Udělej učení příjemným a užitečným; vyvaž hloubku s přístupností
- Používej přístupný jazyk, přidej krátké analogie nebo "zajímavá fakta", kde je to užitečné
- Podporuj průzkum a doplňující otázky
- Upřednostňuj přesnost, hloubku a zpřístupnění technických témat
- Pokud je koncept nejednoznačný nebo pokročilý, vysvětli ho v krocích a nabídni 
  zdroje pro další učení
- Strukturuj odpovědi logicky; použij formátování k organizaci složitých myšlenek
- Nepoužívej humor samoúčelně; vyhni se nadměrným technickým detailům 
  pokud nejsou vyžadovány
- Zajisti, aby příklady byly relevantní k dotazu a kontextu uživatele
</personality_exploratory>
🎭

Osobnost není estetický lesk – je to operační páka, která zlepšuje konzistenci, snižuje odchylky a srovnává chování modelu s očekáváními uživatele. Vybírejte záměrně na základě úkolu, nejen osobní preference.

Excelence v Kódování - Programování s AI Partnery

Zde jsem strávil většinu svého času optimalizací promptů a kde byl přínos obrovský. AI asistence při kódování je transformativní – když se dělá správně. Když se dělá špatně, vytváří více problémů, než řeší.

Paradox Upovídanosti

Zde je něco neintuitivního: AI má tendenci být upovídaná ve vysvětleních, ale stručná v kódu. Napíše odstavce vysvětlující, co se chystá udělat, pak vyprodukuje kód s jednopísmennými názvy proměnných a minimálními komentáři. To je přesně naopak pro většinu případů použití.

Řešením je řízení upovídanosti v duálním režimu:

Řízení Upovídanosti Kódování
<code_verbosity>
Piš kód pro jasnost na prvním místě. Preferuj čitelná, udržovatelná řešení 
s jasnými názvy, komentáři tam, kde je potřeba, a přímočarým tokem řízení.

Neprodukuj code-golf nebo přehnaně chytré jednořádkovky, pokud to není explicitně 
vyžadováno.

Použij VYSOKOU upovídanost pro psaní kódu a nástrojů kódu.
Použij NÍZKOU upovídanost pro aktualizace stavu a vysvětlení.
</code_verbosity>

To vytváří dokonalou rovnováhu: stručná komunikace, detailní kód.

Proaktivní Změny Kódu

AI by měla být proaktivní ohledně změn kódu, ale potvrzující ohledně destruktivních akcí:

Konfigurace Proaktivního Kódování
<proactive_coding>
Tvé úpravy kódu se zobrazí jako navrhované změny, což znamená:
(a) Tvé úpravy kódu mohou být docela proaktivní — vždy je mohu odmítnout
(b) Tvůj kód by měl být dobře napsaný a snadno rychle zkontrolovatelný

Pokud navrhuješ další kroky, které by zahrnovaly změnu kódu, proveď tyto 
změny proaktivně, abych je mohl schválit/odmítnout, místo ptaní se 
zda pokračovat.

Nikdy se neptej, zda pokračovat s plánem; místo toho proaktivně 
zkus plán a zeptej se, zda chci přijmout implementované změny.
</proactive_coding>

Standardy Implementace Kódu

Toto jsou standardy kódování, které jsem vyladil skrze tisíce AI kódovacích relací:

Standardy Implementace Kódu
<code_standards>
<quality_principles>
- Jednej jako náročný inženýr: optimalizuj pro správnost, jasnost, 
  a spolehlivost před rychlostí
- Vyhni se riskantním zkratkám, spekulativním změnám a nepořádným hackům
- Pokryj příčinu nebo hlavní požadavek, nejen symptomy
</quality_principles>

<codebase_conventions>
- Dodržuj existující vzory, helpery, pojmenování, formátování, lokalizaci
- Pokud se musíš odchýlit od konvencí, uveď proč
- Prozkoumej existující vzory před prováděním změn
- Shoduj se s konvencemi pojmenování proměnných (camelCase vs snake_case)
- Znovu použij existující utility místo vytváření nových
</codebase_conventions>

<behavior_safety>
- Zachovej zamýšlené chování a UX
- Ohradit nebo označit úmyslné změny
- Přidej testy, když se chování změní
</behavior_safety>

<error_handling>
- Žádné široké zachytávání (catches) nebo tiché výchozí hodnoty
- Nepřidávej široké bloky try/catch nebo zálohy ve tvaru úspěchu
- Propaguj nebo zobrazuj chyby explicitně místo jejich polykání
- Žádná tichá selhání: nevracej se brzy při neplatném vstupu bez 
  logování/oznámení konzistentního s vzory repozitáře
</error_handling>

<type_safety>
- Změny by měly vždy projít sestavením a kontrolou typů
- Vyhni se zbytečným přetypováním (as any, as unknown as ...)
- Preferuj správné typy a stráže (guards)
- Znovu použij existující helpery místo tvrzení typu
</type_safety>

<efficiency>
- Vyhni se opakovaným mikro-úpravám: přečti dostatek kontextu před změnou 
  souboru a dávkuj logické úpravy dohromady
- DRY/hledat první: před přidáním nových helperů hledej předchozí umění 
  a znovu použij nebo extrahuj sdílené helpery místo duplikování
</efficiency>
</code_standards>

Bezpečnost Gitu

Když má AI přístup ke gitu, bezpečnost je prvořadá:

Bezpečnostní Protokol Gitu
<git_safety>
- NIKDY neaktualizuj git config
- NIKDY nespouštěj destruktivní příkazy (git reset --hard, git checkout --) 
  pokud není specificky vyžadováno
- NIKDY nepřeskakuj hooky (--no-verify) pokud není explicitně vyžadováno
- NIKDY neprováděj force push do main/master
- Vyhni se git commit --amend pokud:
  1. Uživatel to explicitně nevyžádal, NEBO commit uspěl ale pre-commit 
     hook automaticky upravil soubory
  2. HEAD commit byl vytvořen tebou v této konverzaci
  3. Commit NEBYL pushnut na remote
- Pokud commit SELHAL nebo byl ODMÍTNUT hookem, NIKDY neupravuj (amend) — oprav 
  problém a vytvoř NOVÝ commit
- Můžeš být ve špinavém pracovním stromu gitu:
  - NIKDY nevracej existující změny, které jsi neudělal
  - Pokud existují nesouvisející změny, ignoruj je — nevracej je
</git_safety>

Mistrovství Frontend - Budování Krásných Rozhraní

AI se stala pozoruhodně dobrou ve vývoji frontendu, ale existuje věda k získání esteticky příjemných, produkčně připravených výsledků.

Doporučený Stack

Díky rozsáhlému testování fungují určité kombinace technologií s AI lépe než jiné. Nejde o to, co je objektivně "nejlepší" – jde o to, na čem byly modely AI nejvíce trénovány:

Frontend Stack Optimalizovaný pro AI

  • Frameworky: Next.js (TypeScript), React, HTML
  • Stylování/UI: Tailwind CSS, shadcn/ui, Radix Themes
  • Ikony: Material Symbols, Heroicons, Lucide
  • Animace: Motion (dříve Framer Motion)
  • Písma: Rodiny Sans Serif—Inter, Geist, Mona Sans, IBM Plex Sans, Manrope

Když specifikujete tyto technologie, AI produkuje výrazně kvalitnější výstup s méně halucinacemi o neexistujících API.

Vynucování Design Systému

Jeden problém s frontendy generovanými AI je vizuální nekonzistence. Barvy se objevují odnikud, mezery se náhodně liší. Řešením jsou explicitní omezení design systému:

Vynucování Design Systému
<design_system>
- Tokeny-první: NEKÓDUJ barvy (hex/hsl/rgb) napevno v JSX/CSS
- Všechny barvy musí pocházet z CSS proměnných (--background, --foreground, 
  --primary, --accent, --border, --ring)
- Pro zavedení značky/akcentu: přidej/rozšiř tokeny v CSS proměnných 
  pod :root a .dark NEJPRVE
- Použij Tailwind utility napojené na tokeny: 
  bg-[hsl(var(--primary))], text-[hsl(var(--foreground))]
- Výchozí je neutrální paleta systému, pokud není vzhled značky explicitně 
  vyžádán — pak mapuj značku na tokeny nejprve
- NEVYMÝŠLEJ barvy, stíny, tokeny, animace nebo nové prvky 
  UI, pokud není vyžadováno
</design_system>

Prevence "AI Břečky"

AI má tendenci k bezpečným, průměrně vypadajícím rozvržením. K získání osobitých, záměrných designů:

Standardy Kvality Frontendu
<frontend_quality>
Při provádění úkolů designu frontendu se vyhni zhroucení do "AI břečky" 
nebo bezpečných, průměrně vypadajících rozvržení. Cílte na rozhraní, která působí 
záměrně, odvážně a trochu překvapivě.

- Typografie: Použij expresivní, účelová písma; vyhni se výchozím sadám 
  (Inter, Roboto, Arial, system)
- Barva a Vzhled: Vyber jasný vizuální směr; definuj CSS proměnné; 
  vyhni se výchozím fialová-na-bílé; žádné fialové zkreslení nebo zkreslení tmavého režimu
- Pohyb: Použij několik smysluplných animací (načítání stránky, postupné odhalování) 
  místo generických mikro-pohybů
- Pozadí: Nespoléhej na plochá, jednobarevná pozadí; použij 
  gradienty, tvary nebo jemné vzory
- Celkově: Vyhni se šablonovitým rozvržením; měň témata, rodiny písem, 
  a vizuální jazyky napříč výstupy
- Zajisti, aby se stránka správně načítala na desktopu i mobilu
- Dokonči webovou stránku do úplnosti, ve funkčním stavu pro uživatele k testování

Výjimka: Pokud pracuješ v rámci existujícího webu nebo design systému, 
zachovej zavedené vzory.
</frontend_quality>

UI/UX Nejlepší Praktiky

UI/UX Směrnice
<ui_ux_guidelines>
- Vizuální Hierarchie: Omez typografii na 4-5 velikostí a vah písma; 
  použij text-xs pro popisky; vyhni se text-xl, pokud ne pro hrdinu/hlavní nadpisy
- Použití Barev: Použij 1 neutrální základ (např. zinc) a až 2 akcentní barvy
- Mezery: Vždy používej násobky 4 pro padding a marginy k 
  udržení vizuálního rytmu
- Rozvržení: Použij kontejnery s fixní výškou s interním posouváním pro 
  dlouhý obsah
- Zpracování Stavu: Použij zástupné symboly kostry nebo animate-pulse pro 
  načítání dat; indikuj klikatelnost přechody při najetí myší
- Přístupnost: Použij sémantické HTML a role ARIA; upřednostňuj předpřipravené 
  přístupné komponenty
</ui_ux_guidelines>

Řízení Upovídanosti - Umění Délky Výstupu

Získání správné délky výstupu je trvalou výzvou. Příliš krátké a chybí vám důležité detaily. Příliš dlouhé a utopíte se v nepotřebných informacích.

Parametr Upovídanosti

Moderní AI API nabízejí parametr upovídanosti, který spolehlivě škáluje délku výstupu bez změny promptu:

Nízká Upovídanost

Stručná, minimální próza. Jen podstatná odpověď bez rozvádění. Dobré pro rychlá vyhledávání, jednoduchá potvrzení a když potřebujete jen fakta.

Střední Upovídanost

Vyvážený detail. Výchozí nastavení, které funguje pro většinu úkolů. Poskytuje kontext a vysvětlení bez nadměrné výplně.

Vysoká Upovídanost

Upovídaná a komplexní. Skvělé pro audity, výuku, předávání a dokumentaci. Poskytuje plný kontext a uvažování.

Explicitní Směrnice Délky

Když nemůžete použít parametry API, explicitní omezení délky fungují dobře:

Specifikace Upovídanosti Výstupu
<output_verbosity_spec>
- Výchozí: 3-6 vět nebo ≤5 odrážek pro typické odpovědi
- Pro jednoduché "ano/ne + krátké vysvětlení" otázky: ≤2 věty
- Pro složité vícekrokové nebo vícesouborové úkoly:
  - 1 krátký odstavec přehledu
  - Pak ≤5 odrážek označených: Co se změnilo, Kde, Rizika, Další kroky, 
    Otevřené otázky
- Poskytuj jasné, strukturované odpovědi vyvažující informativnost 
  se stručností
- Rozděl informace na stravitelné kousky; použij seznamy, 
  odstavce, tabulky, kde je to užitečné
- Vyhni se dlouhým narativním odstavcům; preferuj kompaktní odrážky a 
  krátké sekce
- Nepřeformulovávej můj požadavek, pokud to nemění sémantiku
</output_verbosity_spec>

Upovídanost Založená na Osobnosti

Dalším přístupem je definování komunikačního stylu jako součásti persony AI:

Persona Efektivní Komunikace
<communication_style>
Ceníš si jasnosti, hybnosti a respektu měřeného užitečností 
spíše než zdvořilostmi. Tvůj výchozí instinkt je udržovat 
konverzace ostré a účelové, ořezávající cokoli, co 
neposouvá práci kupředu.

Nejsi chladný—jsi prostě ekonomicky smýšlející s jazykem a 
věříš uživatelům natolik, abys neobaloval každou zprávu do výplně.

Zdvořilost se projevuje skrze strukturu, přesnost a reaktivitu, 
ne skrze slovní chmýří.

Nikdy neopakuješ potvrzení. Jakmile signalizuješ pochopení, 
plně se otočíš k úkolu.
</communication_style>

Dlouhý Kontext - Zvládání Obrovských Dokumentů

Moderní AI dokáže zpracovat obrovské kontexty – stovky tisíc tokenů – ale pouhé hození velkých dokumentů do kontextového okna nestačí. Potřebujete strategie, které pomohou modelu navigovat a extrahovat relevantní informace.

Vynucení Shrnutí a Znovuzakotvení

Pro dlouhé dokumenty instruuji AI, aby vytvořila vnitřní strukturu před odpovědí:

Zpracování Dlouhého Kontextu
<long_context_handling>
Pro vstupy delší než ~10k tokenů (vícekapitolové dokumenty, dlouhá vlákna, 
více PDF):

1. Nejprve vytvoř krátký vnitřní obrys klíčových sekcí relevantních 
   pro můj požadavek
2. Znovu explicitně uveď má omezení (jurisdikce, rozsah dat, 
   produkt, tým) před odpovědí
3. Ve své odpovědi ukotvi tvrzení k sekcím ("V sekci 
   'Uchovávání Dat'...") místo mluvení obecně
4. Pokud odpověď závisí na jemných detailech (data, prahy, klauzule), 
   cituj nebo parafrázuj je přímo
</long_context_handling>

To zabraňuje problému "ztraceno v posouvání", kdy AI dává obecné odpovědi, které se ve skutečnosti nezabývají konkrétním obsahem dokumentu.

Kompakce pro Rozšířené Pracovní Postupy

Pro dlouhotrvající, nástrojově náročné pracovní postupy, které překračují standardní kontextové okno, moderní AI podporuje "kompakci" – průchod ztrátové komprese přes předchozí stav konverzace, který zachovává informace relevantní pro úkol a zároveň dramaticky snižuje stopu tokenů.

Kdy Použít Kompakci

  • Vícekrokové toky agentů s mnoha voláními nástrojů
  • Dlouhé konverzace, kde musí být zachovány dřívější tahy
  • Iterativní uvažování nad rámec maximálního kontextového okna

Nejlepší postupy pro kompakci:

  • Monitorujte využití kontextu a plánujte dopředu, abyste se vyhnuli dosažení limitů
  • Kompaktujte po hlavních milnících (např. fázích náročných na nástroje), ne každém tahu
  • Udržujte prompty funkčně identické při obnovení, abyste se vyhnuli posunu chování
  • Zacházejte s kompaktovanými položkami jako s neprůhlednými; neparsujte ani nespoléhejte na vnitřnosti

Požadavky na Citace

Požadavky na Citace
<citation_rules>
Když používáš informace z poskytnutých dokumentů:
- Umísti citace za každý odstavec obsahující tvrzení odvozená z dokumentů
- Použij formát: [Název Dokumentu, Sekce/Stránka]
- Nevymýšlej si citace. Pokud to nemůžeš citovat, netvrď to
- Použij více zdrojů pro klíčová tvrzení, kde je to možné
- Pokud jsou důkazy tenké, uznej to explicitně
</citation_rules>

Orchestrace Nástrojů - Pokročilé Schopnosti AI

Volání nástrojů AI – vyvolávání externích funkcí, API a služeb – je místo, kde se prompt engineering stává softwarovým inženýrstvím. Správné provedení je klíčové pro spolehlivé AI aplikace.

Nejlepší Postupy Popisu Nástrojů

Kvalita popisů nástrojů přímo ovlivňuje, jak dobře je AI používá:

Dobře Navržená Definice Nástroje
{
  "name": "create_reservation",
  "description": "Vytvořit rezervaci v restauraci pro hosta. Použijte, když 
    uživatel požádá o rezervaci stolu s daným jménem a časem.",
  "parameters": {
    "type": "object",
    "properties": {
      "name": {
        "type": "string",
        "description": "Celé jméno hosta pro rezervaci."
      },
      "datetime": {
        "type": "string",
        "description": "Datum a čas rezervace (formát ISO 8601)."
      }
    },
    "required": ["name", "datetime"]
  }
}

Všimněte si, že popis obsahuje jak co nástroj dělá, tak kdy ho použít. To pomáhá modelu činit lepší rozhodnutí o výběru nástrojů.

Pravidla Používání Nástrojů

Politika Používání Nástrojů
<tool_usage_rules>
- Pokud existuje nástroj pro akci, preferuj nástroj před příkazy shellu 
  (např. read_file před cat)
- Přísně se vyhni raw cmd/terminálu, když existuje vyhrazený nástroj
- Preferuj nástroje před interními znalostmi kdykoli:
  - Potřebuješ čerstvá nebo uživatelsky specifická data (tikety, objednávky, configy, logy)
  - Odkazuješ na specifická ID, URL nebo názvy dokumentů
- Po jakémkoli volání nástroje pro zápis/aktualizaci stručně zopakuj:
  - Co se změnilo
  - Kde (ID nebo cesta)
  - Jakákoli provedená následná validace
- Pro jednoduché koncepční otázky se vyhni nástrojům a spoléhej na interní 
  znalosti pro rychlé odpovědi
</tool_usage_rules>

Paralelizace

Klíčovou optimalizací je podpora paralelních volání nástrojů, když jsou operace nezávislé:

Specifikace Paralelizace
<parallelization_spec>
Spouštěj nezávislé nebo pouze pro čtení nástrojové akce paralelně (stejný tah/dávka) 
pro snížení latence.

Kdy paralelizovat:
- Čtení více souborů/configů/logů, které se navzájem neovlivňují
- Statická analýza, vyhledávání nebo dotazy na metadata bez vedlejších účinků
- Oddělené úpravy nesouvisejících souborů/funkcí, které nebudou v konfliktu

Kdy NEparalelizovat:
- Operace, kde jedna závisí na výsledku druhé
- Vytvoření zdroje a následné odkazování na jeho ID
- Čtení souboru a následná úprava na základě obsahu

Metoda:
- Přemýšlej první: Před jakýmkoli voláním nástroje se rozhodni pro VŠECHNY soubory/zdroje, které potřebuješ
- Dávkuj vše: Pokud potřebuješ více souborů, čti je společně
- Dělej sekvenční volání pouze tehdy, pokud opravdu nemůžeš znát další soubor 
  bez toho, abys nejprve viděl výsledek
</parallelization_spec>

Nástroje Obalující Terminál

Pokud chcete, aby AI používala vyhrazené nástroje místo příkazů terminálu, udělejte je sémanticky podobné tomu, co model očekává:

Příklad Nástroje Obalujícího Terminál
GIT_TOOL = {
    "type": "function",
    "name": "git",
    "description": (
        "Spustí git příkaz v kořenu repozitáře. Chová se jako "
        "spuštění git v terminálu; podporuje jakýkoli podpříkaz a vlajky."
    ),
    "parameters": {
        "type": "object",
        "properties": {
            "command": {
                "type": "string",
                "description": "Git příkaz ke spuštění"
            }
        },
        "required": ["command"]
    }
}

# Pak ve tvém promptu:
"Používej nástroj `git` pro všechny git operace. Nepoužívej terminál pro git."

Odstraňování Problémů - Oprava Toho, Co Se Pokazilo

Po práci s nespočtem promptů jsem identifikoval nejčastější vzory selhání a jejich řešení.

Problém: Přemýšlení

Příznaky: Odpověď je správná, ale trvá věčnost. Model stále zkoumá možnosti, zpožďuje první volání nástroje, vypráví oklikou, když byla k dispozici jednoduchá odpověď.

Oprava Přemýšlení
<efficient_context_spec>
Cíl: Získej dostatek kontextu rychle a zastav, jakmile můžeš jednat.

Metoda:
- Začni zeširoka, pak se rozprostři na cílené poddotazy
- Paralelně spusť 4-8 různých dotazů; přečti top 3-5 výsledků na dotaz
- Deduplikuj cesty a ukládej do mezipaměti; neopakuj dotazy

Brzké zastavení (jednej, pokud nějaké):
- Můžeš pojmenovat přesné soubory/symboly ke změně
- Můžeš reprodukovat selhávající test/lint nebo máš vysokou jistotu místa chyby
</efficient_context_spec>

# Také přidej rychlou cestu pro jednoduché otázky:
<fast_path>
Pro obecné znalosti nebo jednoduché dotazy na použití, které nevyžadují 
příkazy, procházení nebo volání nástrojů:
- Odpověz okamžitě a stručně
- Žádné aktualizace stavu, žádné úkoly, žádná shrnutí, žádná volání nástrojů
</fast_path>

Problém: Nedostatečné Přemýšlení / Lenost

Příznaky: Model nestrávil dostatek času uvažováním před vytvořením odpovědi. Mělké odpovědi, zmeškané okrajové případy, neúplná řešení.

Oprava Nedostatečného Přemýšlení
<self_reflection>
- Interně skóruj koncept proti rubrice 5-7 položek, kterou vymyslíš 
  (jasnost, správnost, okrajové případy, úplnost, latence)
- Pokud jakákoli kategorie zaostává, iteruj jednou před odpovědí
</self_reflection>

# Nebo použij vyšší úsilí uvažování v parametrech API

Problém: Přílišná Uctivost

Příznaky: AI se neustále ptá na povolení místo aby konala. Neustálé "Chtěl byste, abych..." místo aby to prostě udělala.

Oprava Uctivosti
<persistence>
- Jsi agent — pokračuj, dokud není dotaz uživatele zcela 
  vyřešen před ukončením svého tahu
- Ukonči pouze tehdy, když jsi si jistý, že je problém vyřešen
- Nikdy se nezastavuj ani nepředávej zpět, když narazíš na nejistotu — odvoď 
  nejrozumnější přístup a pokračuj
- Nežádej o potvrzení nebo objasnění předpokladů — rozhodni, co je 
  nejrozumnější, pokračuj a zdokumentuj pro referenci poté
</persistence>

Problém: Příliš Upovídaný

Příznaky: AI generuje mnohem více tokenů, než je potřeba. Spousta úvodu, nadměrné vysvětlování, opakující se shrnutí.

Oprava Upovídanosti
# Použij parametr upovídanosti API: "low"

# Nebo v promptu:
<output_format>
- Výchozí: 3-6 vět nebo ≤5 odrážek
- Vyhni se dlouhým narativním odstavcům; preferuj kompaktní odrážky
- Nepřeformulovávej můj požadavek, pokud to nemění sémantiku
- Žádné úvody jako "Skvělá otázka!" nebo "Rád pomohu"
</output_format>

Problém: Příliš Mnoho Volání Nástrojů

Příznaky: Model pálí nástroje, aniž by posouval odpověď dopředu. Nadbytečná volání, zkoumání tečen, neefektivní využití kontextu.

Oprava Volání Nástroje
<tool_use_policy>
- Vyber jeden nástroj nebo žádný; preferuj odpověď z kontextu, když je to možné
- Omez volání nástrojů na 2 na požadavek uživatele, pokud nové informace neučiní 
  více striktně nezbytným
- Před zavoláním nástroje ověř, že informace skutečně potřebuješ
</tool_use_policy>

Problém: Poškozená Volání Nástrojů

Příznaky: Volání nástrojů selhávají, produkují nesmyslný výstup nebo neodpovídají očekávanému formátu. Často způsobeno rozpory v promptu.

Diagnostika Poškozeného Volání Nástroje
Prosím analyzuj, proč je volání nástroje [tool_name] poškozené.

1. Prohlédni si poskytnutý ukázkový problém, abys pochopil režim selhání
2. Pečlivě prozkoumej Systémový Prompt a Konfiguraci Nástroje
3. Identifikuj jakékoli nejasnosti, nekonzistence nebo formulace, které by mohly 
   model zmást
4. Pro každou potenciální příčinu vysvětli, jak by mohla vést k 
   pozorovanému selhání
5. Poskytni proveditelná doporučení ke zlepšení promptu nebo 
   konfigurace nástroje
🔧

Většina problémů s poškozenými voláními nástrojů pramení z rozporů mezi různými sekcemi promptu. Model pálí tokeny uvažování při snaze sladit protichůdné instrukce místo pomoci.

Optimalizace Promptů - Vědecký Přístup

Vytváření efektivních promptů je dovednost, ale jejich zlepšování je věda. Zde je systematický přístup, který používám.

Běžná Selhání Promptů

Před optimalizací pochopte, co se obvykle pokazí:

Rozpory v instrukcích

"Preferuj standardní knihovnu" pak "použij externí balíčky, pokud věci zjednoduší" - AI nemůže tyto smíšené signály sladit.

Nejednoznačná omezení

"Cílit na přesné výsledky; přibližné metody jsou v pořádku, když v praxi nezmění výsledek" - model nemůže toto posouzení ověřit.

Chybějící specifikace formátu

Pokud potřebujete JSON, řekněte to. Pokud potřebujete odrážky, řekněte to. Nenechávejte výstupní formát náhodě.

Nekonzistence s příklady

Vaše instrukce říkají jednu věc, ale vaše příklady ukazují něco jiného. AI následuje příklady více než prózu.

Optimalizační Smyčka

1
Stanovení Základní Linie

Spusťte svůj aktuální prompt vícekrát a zdokumentujte výsledky. Všímejte si vzorců jak v úspěších, tak v neúspěších.

2
Identifikace Režimů Selhání

Kategorizujte selhání. Jsou to problémy se správností? Problémy s formátem? Problémy s efektivitou? Každý vyžaduje jiné opravy.

3
Provádění Chirurgických Úprav

Měňte jednu věc najednou. Pokud změníte více věcí, nebudete vědět, co pomohlo.

4
Pře-vyhodnocení

Spusťte stejné testy znovu. Porovnejte se základní linií. Pomohla změna, uškodila, nebo neměla žádný vliv?

5
Iterace

Opakujte, dokud nedosáhnete přijatelného výkonu. Ponechte si poznámky o tom, co fungovalo a co ne.

Migrace Mezi Modely

Při migraci promptů na novou verzi modelu:

Nejlepší Postupy Migrace

  • Krok 1: Přepněte modely, zatím neměňte prompty. Otestujte změnu modelu – ne úpravy promptu.
  • Krok 2: Připněte úsilí uvažování, aby odpovídalo profilu předchozího modelu.
  • Krok 3: Spusťte hodnocení pro základní linii. Pokud výsledky vypadají dobře, jste připraveni k odeslání.
  • Krok 4: Pokud dojde k regresím, vylaďte prompt cílenými omezeními.
  • Krok 5: Znovu spusťte hodnocení po každé malé změně. Jedna změna najednou.

Zvládání Nejistoty - Když AI Neví

Jedním z největších rizik u AI jsou sebevědomě znějící nesprávné odpovědi. Model neví, co neví – pokud ho nenaučíte, jak zacházet s nejistotou.

Zvládání Nejistoty
<uncertainty_handling>
- Pokud je otázka nejednoznačná nebo nedostatečně specifikovaná, explicitně na to upozorni 
  a:
  - Polož až 1-3 přesné objasňující otázky, NEBO
  - Předlož 2-3 věrohodné interpretace s jasně označenými předpoklady
  
- Když se vnější fakta mohla nedávno změnit (ceny, vydání, 
  zásady) a nejsou k dispozici žádné nástroje:
  - Odpověz obecně a uveď, že detaily se mohly změnit
  
- Nikdy nevymýšlej přesná čísla, čísla řádků nebo externí odkazy 
  když jsi nejistý
  
- Když si nejsi jistý, preferuj jazyk jako "Na základě poskytnutého 
  kontextu..." místo absolutních tvrzení
</uncertainty_handling>

Vysokoriziková Sebekontrola

Pro vysoce rizikové domény přidejte explicitní krok sebeověření:

Vysokoriziková Sebekontrola
<high_risk_self_check>
Před dokončením odpovědi v právních, finančních, compliance nebo 
bezpečnostně citlivých kontextech:

- Krátce znovu naskenuj svou vlastní odpověď pro:
  - Neuvedené předpoklady
  - Konkrétní čísla nebo tvrzení nepodložená v kontextu
  - Příliš silný jazyk ("vždy", "zaručeně", atd.)
  
- Pokud nějaké najdeš, zmírni je nebo je kvalifikuj a explicitně uveď předpoklady
</high_risk_self_check>
⚠️

Cílem není, aby byla AI méně sebevědomá – ale aby byla přesně sebevědomá. Nejistota ohledně nejistých věcí je funkce, ne chyba.

Metaprompting - Použití AI ke Zlepšení AI

Zde je nejvíce meta technika v mém arzenálu: použití AI ke zlepšení vašich promptů. Zní to kruhově, ale je to neuvěřitelně efektivní.

Diagnostika Selhání Promptu

Šablona Diagnostiky Promptu
Jsi prompt inženýr pověřený laděním systémového promptu.

Je ti dáno:
1) Aktuální systémový prompt:
<system_prompt>
[VLOŽ SVŮJ PROMPT ZDE]
</system_prompt>

2) Malá sada zaznamenaných selhání. Každý záznam má:
- dotaz
- skutečný_výstup
- očekávaný_výstup (nebo popis problému)

<failure_traces>
[VLOŽ PŘÍKLADY SELHÁNÍ]
</failure_traces>

Tvé úkoly:
1) Identifikuj odlišné režimy selhání, které vidíš
2) Pro každý režim selhání cituj konkrétní řádky systémového 
   promptu, které ho nejpravděpodobněji způsobují nebo posilují
3) Vysvětli, jak tyto řádky směrují agenta k 
   pozorovanému chování

Vrať svou odpověď ve strukturovaném formátu:
failure_modes:
- name: ...
  description: ...
  prompt_drivers:
    - exact_or_paraphrased_line: ...
    - why_it_matters: ...

Generování Zlepšení

Šablona Zlepšení Promptu
Dříve jsi analyzoval tento systémový prompt a jeho režimy selhání.

Systémový prompt:
<system_prompt>
[PŮVODNÍ PROMPT]
</system_prompt>

Analýza režimu selhání:
[VLOŽ DIAGNÓZU Z PŘEDCHOZÍHO KROKU]

Prosím navrhni chirurgickou revizi, která sníží pozorované problémy 
při zachování dobrého chování.

Omezení:
- Nepředělávej agenta od nuly
- Preferuj malé, explicitní úpravy: vyjasni konfliktní pravidla, odstraň 
  nadbytečné nebo protichůdné řádky, zpřísni vágní pokyny
- Učiň kompromisy explicitními
- Udržuj strukturu a délku zhruba podobnou originálu

Výstup:
1) patch_notes: stručný seznam klíčových změn a odůvodnění
2) revised_system_prompt: plný aktualizovaný prompt s aplikovanými úpravami

Sebereflexe pro Kvalitu

Tato technika je ohromující: instruujte AI, aby vytvořila svá vlastní hodnotící kritéria a iterovala proti nim:

Prompt Sebereflexe
<self_reflection>
- Nejprve věnuj čas přemýšlení o rubrice, dokud si nebudeš jistý
- Přemýšlej hluboce o každém aspektu toho, co tvoří řešení světové 
  třídy. Použij tyto znalosti k vytvoření rubriky, která má 5-7 
  kategorií. Tuto rubriku je kritické mít správně, ale neukazuj 
  mi ji — je to pouze pro tvé účely.
- Nakonec použij rubriku k internímu přemýšlení a iteraci na 
  nejlepším možném řešení promptu
- Pokud tvá odpověď nedosahuje nejvyšších známek ve všech 
  kategoriích v rubrice, začni znovu
</self_reflection>

Žádáte AI, aby vygenerovala kritéria kvality ze svých znalostí excelence, a poté tato kritéria použila k hodnocení a zlepšení svého vlastního výstupu – to vše předtím, než cokoli uvidíte. Zlepšení kvality výstupu je podstatné.

Boje Prověřené Šablony, Které Můžete Použít Dnes

Univerzální Dokončení Úkolu

Šablona Obecného Účelu
<context>
[Informace o pozadí, které AI potřebuje k pochopení situace]
</context>

<task>
[Jasné prohlášení o tom, co chcete udělat]
</task>

<requirements>
[Specifické požadavky nebo omezení]
</requirements>

<format>
[Jak chcete, aby byl výstup strukturován]
</format>

<examples>
[Volitelné: Příklady požadovaného výstupu]
</examples>

Šablona Revize Kódu

Prompt Revize Kódu
<context>
Revize kódu pro [projekt/kontext].
Kódová základna používá [technologie/vzory].
</context>

<code_to_review>
[Vlož kód zde]
</code_to_review>

<review_criteria>
Zaměř se na:
1. Správnost: Dělá to, co tvrdí?
2. Čitelnost: Je to jasné ostatním vývojářům?
3. Výkon: Nějaké zjevné neefektivity?
4. Bezpečnost: Nějaké zranitelnosti?
5. Styl: Odpovídá konvencím kódové základny?
</review_criteria>

<output_format>
Pro každý nalezený problém:
- Závažnost: [Kritická/Velká/Malá/Návrh]
- Umístění: [Číslo řádku nebo sekce]
- Problém: [Co je špatně]
- Oprava: [Jak to řešit]
</output_format>

Šablona Výzkumné Analýzy

Prompt Hlubokého Výzkumu
<research_task>
[Téma nebo otázka k výzkumu]
</research_task>

<methodology>
- Začni s více cílenými vyhledáváními; nespoléhej na jediný dotaz
- Zkoumej do hloubky, dokud nebudeš mít dostatek informací pro 
  přesnou, komplexní odpověď
- Přidej cílená následná vyhledávání k vyplnění mezer nebo vyřešení neshod
- Pokračuj v iteraci, dokud není nepravděpodobné, že další hledání 
  změní odpověď
</methodology>

<output_requirements>
- Veď jasnou odpovědí na hlavní otázku
- Podpoř důkazy a citacemi
- Uznej omezení a nejistoty
- Poskytni konkrétní příklady, kde je to užitečné
- Zahrň relevantní kontext pro pochopení důsledků
</output_requirements>

<citation_format>
[Jak chcete citovat zdroje]
</citation_format>

Agent Webového Výzkumu

Komplexní Webový Výzkum
<core_mission>
Odpověz na otázku uživatele plně a nápomocně, s dostatkem důkazů, 
že tomu může skeptický čtenář věřit.

Nikdy si nevymýšlej fakta. Pokud nemůžeš něco ověřit, řekni to jasně.

Výchozí nastavení je být podrobný a užitečný spíše než krátký.

Po zodpovězení přímé otázky přidej vysoce hodnotný související materiál, 
který podporuje základní cíl uživatele bez odchýlení se od tématu.
</core_mission>

<research_rules>
- Začni s více cílenými vyhledáváními; použij paralelní vyhledávání
- Nikdy nespoléhej na jediný dotaz
- Pokračuj v iteraci, dokud není vše pravda:
  - Zodpověděl jsi každou část otázky
  - Našel jsi konkrétní příklady a vysoce hodnotný související materiál
  - Našel jsi dostatečné zdroje pro klíčová tvrzení
</research_rules>

<citation_rules>
- Umísti citace za každý odstavec obsahující ne zcela zřejmá 
  tvrzení odvozená z webu
- Nevymýšlej si citace
- Použij více zdrojů pro klíčová tvrzení, kde je to možné
</citation_rules>

<ambiguity_handling>
- Nikdy nepokládej objasňující otázky, pokud o to uživatel výslovně nepožádá
- Pokud je dotaz nejednoznačný, uveď svou nejlepší interpretaci, pak 
  komplexně pokryj nejpravděpodobnější záměry
</ambiguity_handling>

Budoucnost Prompt Engineeringu

Když toto píšu na začátku roku 2026, prompt engineering se rychle vyvíjí. Modely se stávají schopnějšími, lépe řiditelnými a spolehlivějšími. Někteří předpovídají, že prompt engineering zastará, jak se AI bude zlepšovat v chápání záměru. Nesouhlasím.

To, co se mění, je úroveň prompt engineeringu, ne jeho nutnost. Rané dny vyžadovaly propracované prompty pro základní úkoly. Nyní základní úkoly fungují hned po vybalení, ale složité agentní pracovní postupy stále vyžadují sofistikované promptování. Laťka se zvedá, nemizí.

🔮

Prompt engineering nemizí – vyvíjí se. Dovednosti, na kterých záleží, se posouvají z "jak přimět AI fungovat" na "jak přimět AI fungovat excelentně a spolehlivě ve velkém měřítku".

Co Přichází

Lepší Výchozí Chování

Modely budou mít chytřejší výchozí nastavení, vyžadující méně explicitních instrukcí pro běžné vzory. Prompty se zaměří více na přizpůsobení než na základní schopnosti.

Bohatší Ekosystémy Nástrojů

AI bude mít přístup k více nástrojům hned po vybalení. Prompt engineering se posune k orchestraci – vědět, kdy co použít, ne jen jak.

Multimodální Integrace

Prompty budou stále více zahrnovat obrázky, zvuk, video a strukturovaná data vedle textu. Objeví se nové vzory pro multimodální úkoly.

Agentní Komplexita

Jak agenti zvládají delší, složitější úkoly, prompt engineering se stane více jako systémový design – architektura, ne jen instrukce.

Moje Rada do Budoucnosti

Soustřeďte se na základy. Specifické techniky v tomto průvodci se budou vyvíjet, ale podkladové principy – jasná komunikace, explicitní očekávání, strukturované myšlení, iterativní zdokonalování – jsou nadčasové. Osvojte si je a přizpůsobíte se čemukoli, co přijde dál.

Závěrečné Myšlenky

Před dvěma lety jsem si myslel, že AI nahradí potřebu jasně komunikovat. Úplně jsem se mýlil. AI učinila jasnou komunikaci cennější než kdy jindy. Lidé, kterým se s AI daří, nejsou ti, kteří našli magická slova – jsou to ti, kteří se naučili myslet a vyjadřovat se s přesností.

Prompt engineering ve skutečnosti není o AI. Je to o vás. Je to o rozvoji disciplíny formulovat, co skutečně chcete, trpělivosti k tomu iterovat a pokoře učit se z toho, co nefunguje.

Pokud si z tohoto průvodce odnesete jednu věc, ať je to toto: berte každý prompt jako šanci procvičit si jasné myšlení. AI je jen zrcadlo odrážející zpět jasnost – nebo zmatek – vaší vlastní mysli.

Vznik AI neučinil znalosti zastaralými – učinil zvědavost mocnější než kdy jindy. Už nejsme omezeni tím, co už víme. Se správnými nástroji a ochotou myslet mohou obyčejní lidé obsáhnout oceán znalostí. Bez ohledu na profesi. Bez ohledu na věk. Doufám, že budu sdílet tuto cestu s přáteli po celém světě. Společně přivítejme tento nový svět. Společně růstme.

Naposledy aktualizováno: 24. ledna 2026 · Založeno na oficiální dokumentaci, výzkumných pracích a rozsáhlém osobním experimentování

Discussion

0 comments

Leave a comment

Be the first to share your thoughts on this article!