AI nečíta vaše myšlienky. Číta vaše slová. Priepasť medzi tým, čo chcete, a tým, čo dostanete, je takmer vždy komunikačný problém, nie obmedzenie AI.
Dovoľte mi porozprávať vám o okamihu, keď sa všetko zmenilo. Zízal som na obrazovku, neuveriteľne frustrovaný, a sledoval, ako AI generuje ďalšiu odpoveď, ktorá bola technicky správna, ale úplne míňala pointu. Požiadal som o pomoc s refaktorovaním zložitého kusu kódu, čo som robil už stokrát predtým. Ale tentoraz, bez ohľadu na to, ako som svoj požiadavku formuloval, AI neustále pridávala zbytočnú zložitosť, rozbíjala existujúce vzory a "vylepšovala" veci, ktoré neboli pokazené. Táto frustrácia ma zaviedla do králičej nory, ktorá pohltila nasledujúce dva roky môjho života – a úplne premenila spôsob, akým pracujem s umelou inteligenciou.
Prebudenie - Keď Všetko, Čo Som Poznal, Prestalo Fungovať
Pamätám si presný okamih, keď som si uvedomil, že nemám potuchy, čo robím. Bolo neskoro v noci, termín sa blížil a ja som potreboval AI, aby mi pomohla s niečím, čo mala byť jednoduchá úloha. Napísal som svoj prompt, stlačil enter a sledoval, ako AI produkuje niečo, čo ma donútilo chcieť vyhodiť notebook z okna.
Vec sa má tak, že som si myslel, že AI rozumiem. Používal som ChatGPT od prvých dní. Čítal som články o prompt engineeringu. Vedel som o "hraní rolí" a "bytí konkrétny". Ale bol som tam a dostával odpovede, ktoré pôsobili ako rozprávanie s niekým, kto počul každé slovo, ktoré som povedal, ale nerozumel ničomu z toho, čo som skutočne potreboval.
Táto frustrácia sa stala mojím učiteľom. Ponoril som sa do oficiálnej dokumentácie, výskumných prác, diskusií na fórach a tisícok hodín experimentovania. To, čo som objavil, neboli len tipy a triky – bol to úplný posun paradigmy v tom, ako komunikovať so strojmi, ktoré myslia vo vzoroch, pravdepodobnostiach a tokenoch.
Najmocnejšia AI na svete je nanič, ak nedokážete oznámiť, čo skutočne potrebujete. Prompting nie je o hľadaní magických slov – je to o pochopení toho, ako AI spracováva jazyk, a o štruktúrovaní vašej komunikácie zodpovedajúcim spôsobom.
Tu je pravda, ktorú začiatočníkom nikto nepovie: rozdiel medzi ľuďmi, ktorí z AI získavajú úžasné výsledky, a tými, ktorí nie, nie je inteligencia alebo technická zručnosť. Je to komunikácia. A komunikácia s AI sa riadi pravidlami, ktoré sú podobné – ale kriticky odlišné od – komunikácie s ľuďmi.
Tento sprievodca obsahuje všetko, čo som sa na tejto ceste naučil. Nie zjednodušené rady typu "buďte len konkrétni", ktoré zaplavujú internet, ale hlboké, nuansované porozumenie, ktoré zmení spôsob, akým pracujete s AI. Či už píšete svoj prvý prompt alebo staviate produkčné AI systémy, to, čo nasleduje, navždy zmení váš vzťah k umelej inteligencii.
Základ, Ktorý Nikto Neučí - Anatómia Jadra Promptu
Skôr ako sa pustíme do pokročilých techník, dovoľte mi zdieľať rámec, ktorý pre mňa všetko zmenil. Každý efektívny prompt, ktorý teraz píšem, obsahuje nejakú kombináciu týchto piatich prvkov:
Čo AI potrebuje vedieť o vašej situácii? Informácie o pozadí, obmedzenia, relevantné podrobnosti a prostredie, v ktorom pracujete.
Čo presne chcete, aby AI urobila? Buďte konkrétni ohľadom akcie, ktorú požadujete – nielen téma, ale skutočná práca.
Ako by mal byť výstup štruktúrovaný? Zoznamy, odseky, bloky kódu, tabuľky, JSON – špecifikujte to explicitne.
Čomu by sa AI mala vyhnúť? Aké hranice existujú? Čo je explicitne mimo rozsah?
Môžete ukázať, čo chcete? Príklady vydajú za tisíc popisov – skôr demonštrujú, než vysvetľujú.
Väčšina ľudí zahŕňa iba úlohu. Žiadajú "Napíš mi e-mail", keď by mali hovoriť "Napíš profesionálny e-mail klientovi vysvetľujúci meškanie projektu. Udržuj to pod 150 slovami, uznaj nepríjemnosť a navrhni nový časový plán za dva týždne. Tón by mal byť ospravedlňujúci, ale sebavedomý."
Rozdiel v kvalite výstupu je dramatický. A to je len začiatok.
Sila Štruktúry
Jedným z najpodceňovanejších aspektov písania promptov je štrukturálne formátovanie. Moderné modely AI reagujú výnimočne dobre na jasne vymedzené sekcie. Používam značky v štýle XML v širokej miere, pretože vytvárajú jednoznačné hranice:
<context>
Pomáhaš mi pripraviť prezentáciu pre technické zainteresované strany.
Publikum je oboznámené s vývojom softvéru, ale nie špecificky s AI.
</context>
<task>
Vysvetli, ako fungujú veľké jazykové modely v 5 kľúčových bodoch.
</task>
<format>
- Použi odrážky
- Každý bod by mal mať 1-2 vety
- Vyhni sa žargónu alebo ho definuj, keď je použitý
</format>
<constraints>
- Nespomínaj konkrétne názvy modelov
- Zameraj sa na koncepty, nie na technickú implementáciu
- Udržuj celkovú dĺžku pod 200 slovami
</constraints>
Táto štruktúra robí niečo mocné: núti vás jasne premýšľať o tom, čo potrebujete, skôr ako sa opýtate. Jasné myslenie produkuje jasnú komunikáciu a jasná komunikácia produkuje jasné výsledky. Značky XML nie sú mágia – sú lešením pre vaše vlastné myšlienky.
Štruktúra nie je o tom robiť prompty dlhšie – je o tom, aby vaše zámery boli jednoznačné. Dobre štruktúrovaný krátky prompt porazí rozvláčny dlhý zakaždým.
Šesť Myšlienkových Nastavení, Ktoré Zmenili Všetko
Po rokoch experimentovania som svoj prístup destiloval do šiestich základných "myšlienkových nastavení" – nie rigidných šablón, ale flexibilných vzorcov myslenia, ktoré odomykajú schopnosti AI, ktoré väčšina ľudí nikdy neobjaví. Nejde o hľadanie dokonalých slov; ide o prístup k interakcii s AI so správnym mentálnym modelom.
Myslenie 1: Nechajte AI Vybrať Experta
Všetci vieme, že dať AI rolu pomáha. "Konaj ako marketingový expert" produkuje lepšie marketingové rady ako všeobecná otázka. Ale tu je to, čo väčšine ľudí uniká: keď neviete, ktorý expert by bol pre vašu otázku najlepší, môžete požiadať AI, aby vybrala.
Objavil som to pri plánovaní firemnej akcie. Nemal som potuchy, či potrebujem marketingový pohľad, prevádzkový pohľad alebo niečo úplne iné. Takže namiesto hádania som požiadal AI, aby najprv vybrala najvhodnejšieho experta.
Chcem preskúmať [OBLASŤ] a konkrétne [PROBLÉM/SCENÁR].
Ešte neodpovedaj.
Najprv vyber najvhodnejšieho doménového experta, ktorý by o tomto probléme premýšľal.
Môžu to byť žijúce alebo historické, slávne alebo relatívne neznáme osobnosti,
ale musia byť skutočne vynikajúce v tejto konkrétnej oblasti.
Ak si nie si istý, polož mi 2 polohovacie otázky pred výberom.
Výstup:
1. Koho si vybral a jeho špecifická doména
2. Prečo si ho vybral (tri vety)
Potom ma požiadaj, aby som popísal svoju podrobnú otázku.
Keď som to použil na plánovanie akcie, AI vybrala Priyu Parker – expertku na dizajn udalostí, o ktorej som nikdy nepočul, ale ktorá sa ukázala ako dokonalá. Odpovede, ktoré som dostal, neboli všeobecné "zvážte týchto päť faktorov" – boli to jemné, špecifické pokyny, ktoré pôsobili ako rozhovor s niekým, kto to robil stokrát.
Myslenie 2: Nechajte AI Pýtať sa Prvá
Toto je technika, ktorú používam viac ako akúkoľvek inú. Hovorím jej "Sokratovské Promptovanie" – namiesto toho, aby som sa snažil predvídať všetko, čo AI potrebuje vedieť, nechám ju klásť mi otázky, kým nemá dostatok kontextu na poskytnutie skutočne užitočnej odpovede.
Premýšľajte o tom: keď požiadate múdreho priateľa o radu, nezačne okamžite chrliť odpoveď. Kladie objasňujúce otázky. Sonduje kontext. Uisťuje sa, že rozumie, než poradí. AI môže robiť to isté – ale iba ak ju požiadate.
[TVOJA OTÁZKA ALEBO POTREBA]
Predtým ako odpovieš, prosím, polož mi najprv otázky.
Požiadavky:
- Klaď jednu otázku po druhej
- Na základe mojich odpovedí pokračuj v sondovaní
- Pokračuj, kým nebudeš mať 95% istotu, že rozumieš
mojim skutočným potrebám a cieľom
- Až potom mi daj svoju odpoveď alebo riešenie
Hranica 95% zaisťuje kvalitu pri zamedzení nekonečným slučkám.
Použil som to pri rozhodovaní, či najať nášho prvého HR človeka. Namiesto toho, aby som dostal generickú odpoveď "pre a proti najímaniu HR", AI sa pýtala na našu súčasnú veľkosť tímu, rýchlosť náboru, požiadavky na zhodu, rozpočtové obmedzenia a kultúrne ciele. Po zodpovedaní asi pätnástich cielených otázok som dostal radu, ktorá bola špecifická pre moju skutočnú situáciu – nie učebnicovú odpoveď, ktorá tak nejako platila.
"Hranica spoľahlivosti 95%" je zásadný detail. Je dostatočne vysoká na zaistenie kvality, ale realistická natoľko, aby sa AI nezacyklila navždy. Táto jediná fráza mení spôsob, akým AI pristupuje ku konverzácii.
Myslenie 3: Debatujte s AI
AI má problém, ktorý si väčšina ľudí neuvedomuje: je príliš súhlasná. Často vám povie to, čo chcete počuť, namiesto toho, aby spochybnila vaše predpoklady. Táto "podliezavosť" môže byť nebezpečná, keď sa snažíte validovať nápady alebo sa pripraviť na kritiku.
Riešením je explicitne postaviť AI do role protivníka, ktorý chce vyvrátiť vašu pozíciu. Objavil som to pri príprave na konferenčný prejav. Mal som tézu, ktorú som chcel prezentovať, ale obával som sa slepých miest.
Chystám sa vstúpiť do debaty. Mnoho ľudí bude spochybňovať moju pozíciu.
Moja pozícia: [TVOJA TÉZA/NÁPAD]
Potrebujem, aby tento nápad bol nepriestrelný.
Keby si bol učenec odhodlaný dokázať, že sa mýlim, využívajúci každý
dostupný argument, detail a logický nástroj, ako by si zaútočil
na moju pozíciu?
Tvoj jediný cieľ: demonštrovať, že sa mýlim.
Nebuď jemný. Neváhaj. Útoč.
To, čo sa stalo potom, zmenilo môj názor na AI. Išli sme tam a späť tri hodiny. AI našla slabiny v mojom argumente, ktoré som nezvažoval, vzniesla protipríklady, ktoré som nemohol odmietnuť, a donútila ma spresniť moju pozíciu, kým neobstála pri skutočnom skúmaní. Na konci som mal oveľa silnejšiu tézu – a čo je dôležitejšie, predvídal som každú hlavnú námietku, ktorej by som čelil.
Myslenie 4: Pre-Mortem Vašich Plánov
Ľudia majú tendenciu byť pri plánovaní optimistickí. AI, nasledujúca náš príklad, má tendenciu byť tiež optimistická. To vytvára plány, ktoré vyzerajú skvele na papieri, ale rozpadajú sa, keď zasiahne realita.
Technika pre-mortem obracia túto dynamiku. Namiesto otázky "Ako by som to mal urobiť?" sa pýtate "Predstav si, že to spektakulárne zlyhalo – prečo?"
[TVOJ PROJEKT/PLÁN]
Predpokladajme, že tento projekt katastrofálne zlyhal.
Napíš post-mortem analýzu odpovedajúcu na:
1. V akom bode sa prvýkrát objavili signály úpadku?
2. Čo bola tá najfatálnejšia chyba v rozhodovaní?
3. Aké kľúčové riziko bolo prehliadnuté?
4. Keby ste sa mohli vrátiť, čo je prvá vec, ktorú by ste zmenili?
Založ svoju analýzu na podobných zlyhaniach projektov v reálnom svete.
Napíš to ako skutočnú retrospektívu zlyhania, nie teoretické cvičenie.
Použil som to pri plánovaní veľkej konferencie. Pre-mortem AI identifikovala riziká, ktoré som úplne minul: riadenie radov, kapacita toaliet, načasovanie cateringu, bezpečnostné úzke hrdlá. Nešlo o exotické okrajové prípady – boli to predvídateľné problémy, na ktoré som jednoducho nepomyslel, pretože som sa sústredil na vzrušujúce časti akcie. Pre-mortem nás pravdepodobne zachránilo pred niekoľkými trápnymi zlyhaniami.
Myslenie 5: Reverzné Inžinierstvo Úspechu
Niekedy vidíte niečo vynikajúce – kus písania, dizajn, prístup – a chcete replikovať jeho podstatu bez toho, aby ste to kopírovali priamo. Reverzné promptovanie vám umožní extrahovať podkladové princípy.
Toto je príklad výsledku, ktorý chcem:
[VLOŽIŤ PRÍKLAD]
Prosím vykonaj reverzné inžinierstvo promptu, ktorý by spoľahlivo generoval
obsah s rovnakým štýlom, štruktúrou a kvalitou.
Vysvetli, čo každá časť promptu robí a prečo je dôležitá.
Nejde o kopírovanie – ide o učenie. Keď vidím písanie, ktoré so mnou rezonuje, používam túto techniku na pochopenie prečo to funguje. Aké štrukturálne prvky vytvárajú rytmus? Aké tónové voľby vytvárajú pocit? Akonáhle pochopím princípy, môžem ich aplikovať na svoj vlastný originálny obsah.
Myslenie 6: Metóda Dvojitého Vysvetlenia
Pri učení sa niečomu novému väčšina ľudí dostane buď príliš zjednodušené vysvetlenia, ktoré v skutočnosti nič nenaučia, alebo vysvetlenia na úrovni expertov, ktoré nemôžu sledovať. Riešením je požiadať o oboje súčasne.
Prosím vysvetli [KONCEPT].
Poskytni dve verzie:
1. Verzia pre začiatočníkov: Predstav si, že to vysvetľuješ niekomu bez
zázemia v tomto odbore. Použi každodenné analógie a vyhni sa
všetkému žargónu. Urob to úprimne zrozumiteľné.
2. Verzia pre expertov: Predpokladaj, že čitateľ je profesionál v
príbuznom odbore. Buď technicky presný. Nezjednodušuj
ani neried zložitosť.
Používam to neustále pri čítaní technických dokumentov. Verzia pre začiatočníkov mi dáva intuíciu pre koncept a verzia pre expertov mi dáva presné detaily. Ich porovnaním presne vidím, kde sú zjednodušenia a aké nuansy som mohol minúť. Je to ako mať dvoch učiteľov s doplňujúcimi sa prístupmi.
Agentové Myslenie - Jednanie s AI Ako s Kolegom
Tu je posun paradigmy, ktorý transformoval moje interakcie s AI: prestaňte s AI zaobchádzať ako s vyhľadávačom a začnite s ňou zaobchádzať ako so schopným, ale neskúseným kolegom. Tento mentálny model mení všetko o tom, ako komunikujete.
Moderné modely AI nielen odpovedajú na otázky – sú navrhnuté tak, aby boli agentmi. Môžu volať nástroje, zhromažďovať kontext, robiť rozhodnutia a vykonávať viackrokové úlohy. Ale ako každý nový člen tímu potrebujú riadne zaškolenie, jasné očakávania a vhodné zvodidlá.
AI nie je nástroj, ktorý používate – je to kolega, ktorého riadite. Zručnosti, ktoré z vás robia dobrého manažéra, z vás robia dobrého promptera. Delegovanie, jasná komunikácia, primeraná autonómia, definované hranice.
Premýšľajte o tom: keď delegujete človeku, nepoviete len "oprav kód". Vysvetlíte, čo je pokazené, aké je požadované správanie, aké obmedzenia existujú a ako vyzerá úspech. Poskytnete kontext. Odpoviete na otázky. Skontrolujete postup. AI potrebuje rovnaké zaobchádzanie – okrem toho, že musíte predvídať otázky a odpovedať na ne vopred.
Agentový Rámec
Pri budovaní agentových aplikácií alebo používaní AI pre zložité úlohy premýšľam cez tieto dimenzie:
Kľúčové Otázky pre Agentové Úlohy
- Aký je cieľový stav? Ako bude AI vedieť, kedy je hotová? Ako vyzerá úspech?
- Aké má nástroje? Čo môže skutočne robiť verzus čo musí nechať na vás?
- Aká je úroveň autonómie? Mala by žiadať o povolenie alebo postupovať nezávisle?
- Aké sú bezpečnostné hranice? Aké akcie by nikdy nemali byť podniknuté bez potvrdenia?
- Ako by mala komunikovať postup? Tichá exekúcia alebo pravidelné aktualizácie?
Tieto otázky tvoria základ každého zložitého promptu, ktorý píšem. Dovoľte mi ukázať vám, ako ich aplikovať.
Ciferník Horlivosti - Kalibrácia AI Iniciatívy
Jedným z najviac nuansovaných aspektov prompt engineeringu je kalibrácia toho, čo nazývam "agentová horlivosť" – rovnováha medzi AI, ktorá preberá iniciatívu, a tou, ktorá čaká na explicitné vedenie. Urobte to zle a buď máte AI, ktorá premýšľa nad jednoduchými úlohami, alebo takú, ktorá sa príliš ľahko vzdáva pri tých zložitých.
Zníženie Horlivosti pre Rýchlosť
Niekedy potrebujete, aby bola AI rýchla a sústredená. Nechcete, aby preskúmavala každú dotyčnicu, robila extra volania nástrojov alebo produkovala urozprávané vysvetlenia. Pre tieto situácie používam prompty zamerané na obmedzenia:
<context_gathering>
Cieľ: Získaj dostatok kontextu rýchlo. Paralelizuj objavovanie a zastav, akonáhle
môžeš konať.
Metóda:
- Začni zoširoka, potom sa rozprestri na cielené poddotazy
- Spusti rôzne dotazy paralelne; prečítaj top výsledky na dotaz
- Deduplikuj cesty a ukladaj do medzipamäte; neopakuj dotazy
- Vyhni sa nadmernému hľadaniu kontextu
Kritériá skorého zastavenia:
- Môžeš pomenovať presný obsah na zmenu
- Top výsledky konvergujú (~70%) v jednej oblasti/ceste
Hĺbka:
- Sleduj iba symboly, ktoré budeš upravovať alebo na ktorých kontrakty spoliehaš
- Vyhni sa tranzitívnej expanzii, pokiaľ to nie je nutné
Slučka:
- Dávkové hľadanie → minimálny plán → dokončiť úlohu
- Hľadaj znova iba ak validácia zlyhá alebo sa objavia nové neznáme
- Preferuj konanie pred ďalším hľadaním
</context_gathering>
Všimnite si explicitné povolenie byť nedokonalý: "Preferuj konanie pred ďalším hľadaním." Táto jemná fráza uvoľňuje AI z jej predvolenej úzkosti z dôkladnosti. Bez nej model často nadmerne skúma, páli tokeny a čas na klesajúce výnosy.
Pre ešte agresívnejšie obmedzenia rýchlosti:
<context_gathering>
- Hĺbka hľadania: veľmi nízka
- Silne sa prikláňaj k poskytnutiu správnej odpovede čo najrýchlejšie,
aj keď nemusí byť úplne správna
- Zvyčajne to znamená absolútne maximum 2 volaní nástrojov
- Ak si myslíš, že potrebuješ viac času na prešetrenie, aktualizuj ma
so svojimi najnovšími zisteniami a otvorenými otázkami
</context_gathering>
Fráza "aj keď nemusí byť úplne správna" je zlato. Dáva AI povolenie byť nedokonalá, čo paradoxne často produkuje lepšie výsledky rýchlejšie, pretože to zastavuje slučku perfekcionizmu.
Zvýšenie Horlivosti pre Zložité Úlohy
Inokedy potrebujete, aby bola AI neúprosne dôkladná. Chcete, aby sa pretlačila nejednoznačnosťou, urobila rozumné predpoklady a dokončila zložité úlohy bez neustáleho žiadania o povolenie. To vyžaduje opačný prístup:
<persistence>
- Si agent — pokračuj, kým nie je dotaz používateľa
úplne vyriešený pred ukončením svojho ťahu
- Ukonči iba vtedy, keď si si istý, že je problém vyriešený
- Nikdy sa nezastavuj ani neodovzdávaj späť, keď narazíš na neistotu —
preskúmaj alebo odvoď najrozumnejší prístup a pokračuj
- Nežiadaj o potvrdenie alebo objasnenie — rozhodni, čo je
najrozumnejší predpoklad, pokračuj s ním a
zdokumentuj ho pre referenciu po tom, čo skončíš
</persistence>
Tento prompt zásadne mení správanie AI. Namiesto otázky "Mám pokračovať?" hovorí "Pokračoval som na základe predpokladu X—daj mi vedieť, ak chceš, aby som to upravil." Práca sa urobí; doladenie prebehne potom.
Bezpečnostné Hranice
Ale tu je kľúčová nuansa: zvýšená horlivosť vyžaduje jasnejšie bezpečnostné hranice. Musíte explicitne definovať, ktoré akcie môže AI podniknúť autonómne a ktoré vyžadujú potvrdenie.
Kritický Bezpečnostný Princíp
Akcie s vysokými nákladmi (mazanie, platby, externá komunikácia) by mali vždy vyžadovať explicitné potvrdenie, aj pri promptoch s vysokou horlivosťou. Akcie s nízkymi nákladmi (hľadanie, čítanie, tvorba konceptov) môžu byť autonómne.
Myslite na to ako na systémové oprávnenia: vyhľadávacie nástroje majú neobmedzený prístup; príkazy pre mazanie vyžadujú explicitné schválenie zakaždým.
Princíp Vytrvalosti - Prinútiť AI Doťahovať Veci
Jedným z najviac frustrujúcich správaní, s ktorým som sa spočiatku stretol, bolo, že sa AI príliš ľahko vzdávala. Narazila na jednu prekážku, zhrnula, čo sa pokazilo, a vrátila mi problém. Pre jednoduché úlohy je to fajn. Pre zložité úlohy je to zabijak workflow.
Riešením je explicitne inštruovať AI, aby vytrvala cez prekážky a dokončila úlohy od začiatku do konca:
<solution_persistence>
- Považuj sa za autonómneho seniorného párového programátora: akonáhle
dám smer, proaktívne zhromažďuj kontext, plánuj, implementuj,
testuj a vylepšuj bez čakania na ďalšie prompty
- Vytrvaj, kým nie je úloha plne vyriešená od začiatku do konca v rámci
aktuálneho ťahu: nezastavuj sa pri analýze alebo čiastočných opravách; vykonaj
zmeny cez implementáciu a overenie
- Buď extrémne zaujatý pre akciu. Ak je moja direktíva trochu
nejednoznačná v zámere, predpokladaj, že by si mal pokračovať a urobiť zmenu
- Ak sa opýtam "mali by sme urobiť X?" a tvoja odpoveď je "áno", tiež choď
dopredu a vykonaj akciu—nenechávaj ma visieť s vyžadovaním
následného "prosím urob to"
</solution_persistence>
Ten posledný bod je jemný, ale dôležitý. Keď sa ľudia pýtajú "mali by sme urobiť X?", často myslíme "prosím urob X, ak to dáva zmysel." AI, ktorá je doslovná, odpovie na otázku bez vykonania implikovanej akcie. Tento prompt preklenuje túto medzeru.
Aktualizácie Postupu
Vytrvalosť neznamená ticho. Pre dlhotrvajúce úlohy potrebujete aktualizácie postupu, aby ste zostali v obraze bez mikromanagementu:
<user_updates_spec>
Budeš pracovať v úsekoch s volaniami nástrojov — udržuj ma v obraze.
<frequency>
- Posielaj krátke aktualizácie (1-2 vety) každých pár volaní nástrojov, keď
sú zmysluplné zmeny
- Zverejni aktualizáciu aspoň každých 6 vykonávacích krokov alebo 8 volaní nástrojov
- Ak očakávaš dlhší sústredený úsek, zverejni krátku poznámku
s tým prečo a kedy podáš správu späť
</frequency>
<content>
- Pred prvým volaním nástroja daj rýchly plán s cieľom,
obmedzeniami, ďalšími krokmi
- Pri skúmaní upozorni na zmysluplné objavy
- Vždy uveď aspoň jeden konkrétny výsledok od predchádzajúcej aktualizácie
("nájdené X", "potvrdené Y")
- Ukonči krátkym zhrnutím a akýmikoľvek následnými krokmi
</content>
</user_updates_spec>
Toto vytvára krásnu rovnováhu: AI pracuje autonómne, ale udržuje vás informovaných. Nemikromanagujete, ale nie ste ani v tme.
Úsilie Uvažovania - Ovládanie Intenzity Myslenia
Moderné modely AI majú koncept nazvaný "úsilie uvažovania" – v podstate, ako tvrdo model premýšľa, kým odpovie. Toto je jeden z najsilnejších a najmenej využívaných dostupných parametrov.
Vysoké/XVysoké Uvažovanie
Použite pre zložité viackrokové úlohy, dvojzmyselné situácie alebo problémy vyžadujúce hlbokú analýzu. Model minie viac tokenov "premýšľaním" interne pred odpoveďou. Najlepšie pre rozhodovanie o architektúre, zložité ladenie, nuansované písanie.
Stredné Uvažovanie
Vyvážené nastavenie vhodné pre väčšinu úloh. Dobré pre všeobecné kódovanie, písanie a analýzu, kde záleží na kvalite, ale rýchlosť je tiež dôležitá. Toto je často predvolené.
Nízke Uvažovanie
Rýchle odpovede pre priamočiare úlohy. Použite, keď potrebujete rýchle odpovede a úloha nevyžaduje hlboké uvažovanie. Dobré pre jednoduché otázky, formátovanie, rýchle vyhľadávania.
Minimálne/Žiadne Uvažovanie
Maximálna rýchlosť, minimálne uvažovanie. Najlepšie pre jednoduché dotazy, úlohy preformátovania alebo keď je latencia primárnou obavou. Klasifikácia, extrakcia, jednoduché prepísanie.
Kľúčovým poznatkom je prispôsobenie úsilia uvažovania zložitosti úlohy. Použitie vysokého uvažovania pre jednoduché úlohy plytvá tokenmi a časom. Použitie nízkeho uvažovania pre zložité úlohy produkuje plytké, chybové výsledky.
Kompenzácia Nízkeho Uvažovania
Pri použití režimov minimálneho uvažovania musíte kompenzovať explicitnejším promptovaním. Model má menej interných "myšlienkových" tokenov, takže váš prompt musí urobiť viac štrukturálnej práce:
<planning_requirement>
MUSÍŠ plánovať rozsiahlo pred každým volaním funkcie a rozsiahlo reflektovať
výsledky predchádzajúcich volaní, zaisťujúc, že môj dotaz
je úplne vyriešený.
NEROB tento celý proces iba volaním funkcií, pretože
to môže narušiť tvoju schopnosť vyriešiť problém a myslieť
prezieravo. Zaisti, aby volania funkcií mali správne argumenty.
</planning_requirement>
Tento prompt hovorí: "Pretože nerobíš veľa interného uvažovania, rob svoje uvažovanie nahlas." Presúva kognitívnu prácu z neviditeľného modelového myslenia na viditeľné štruktúrované plánovanie.
Keď je úsilie uvažovania nízke, zložitosť promptu by mala byť vysoká. Keď je úsilie uvažovania vysoké, prompty môžu byť jednoduchšie. Je to rovnováha – celkové "myslenie" zostáva zhruba konštantné, len je alokované inak.
AI Osobnosti - Formovanie Vzorcov Správania
Jedným z mojich najobľúbenejších objavov bolo naučiť sa definovať AI "osobnosti" – nielen pre tón, ale pre prevádzkové správanie. Osobnosť formuje, ako AI pristupuje k úlohám, nielen ako znie.
Profesionálna Osobnosť
Vyleštená a presná. Používa formálny jazyk a profesionálne konvencie písania. Najlepšie pre podnikových agentov, právne/finančné pracovné postupy, podporu výroby.
<personality_professional>
Si sústredený, formálny a náročný AI Agent, ktorý usiluje o
komplexnosť vo všetkých odpovediach.
- Používaj úzus a gramatiku bežnú pre obchodnú komunikáciu
- Poskytuj jasné, štruktúrované odpovede vyvažujúce informatívnosť
so stručnosťou
- Rozdeľ informácie na stráviteľné kúsky; použi zoznamy, odseky,
tabuľky, kde je to užitočné
- Používaj terminológiu primeranú doméne pri diskusii o špecializovaných témach
- Tvoj vzťah k používateľovi je srdečný, ale transakčný:
pochop potrebu a doruč vysoko hodnotný výstup
- Nekomentuj pravopis alebo gramatiku používateľa
- Nevucuj túto osobnosť na požadované artefakty (e-maily,
kód, príspevky); nechaj zámer používateľa viesť tón pre tieto výstupy
</personality_professional>
Efektívna Osobnosť
Stručná a priama, doručuje odpovede bez zbytočných slov. Najlepšie pre generovanie kódu, vývojárske nástroje, dávkovú automatizáciu, prípady použitia náročné na SDK.
<personality_efficient>
Si vysoko efektívny AI asistent poskytujúci jasné, kontextuálne odpovede.
- Odpovede musia byť priame, úplné a ľahko parsovateľné
- Buď stručný a choď k veci; štruktúruj pre čitateľnosť
- Pre technické úlohy rob, čo je nariadené — NEPRIDÁVAJ extra funkcie,
ktoré používateľ nepožadoval
- Dodržiavaj všetky inštrukcie presne; nerozširuj rozsah
- Nepoužívaj konverzačný jazyk, pokiaľ nie je iniciovaný používateľom
- Nepridávaj názory, emocionálny jazyk, emotikony, pozdravy,
alebo záverečné poznámky
</personality_efficient>
Faktami Podložená Osobnosť
Priama a uzemnená, zameraná na presnosť a dôkazy. Najlepšie pre ladenie, analýzu rizík, parsovanie dokumentov, koučovacie pracovné postupy.
<personality_factbased>
Si priamočiary a priamy AI asistent zameraný na produktívne výsledky.
- Buď otvorený, ale nesúhlas s tvrdeniami, ktoré sú v rozpore
s dôkazmi
- Pri poskytovaní spätnej väzby buď jasný a korektívny bez prikrášľovania
- Doručuj kritiku s láskavosťou a podporou
- Zakladaj všetky tvrdenia na poskytnutých informáciách alebo dobre zavedených faktoch
- Ak je vstup nejednoznačný alebo chýbajú dôkazy:
- Upozorni na to explicitne
- Uveď predpoklady jasne, alebo polož stručné objasňujúce otázky
- Nehádaj ani nevypĺňaj medzery vymyslenými detailmi
- Nevymýšľaj si fakty, čísla, zdroje alebo citácie
- Ak si nie si istý, povedz to a vysvetli, aké dodatočné informácie sú potrebné
- Preferuj kvalifikované vyhlásenia ("na základe poskytnutého kontextu...")
</personality_factbased>
Prieskumná Osobnosť
Nadšená a vysvetľujúca, oslavujúca vedomosti a objavy. Najlepšie pre dokumentáciu, onboarding, školenia, technické vzdelávanie.
<personality_exploratory>
Si nadšený, hlboko znalý AI Agent, ktorý sa vyžíva
vo vysvetľovaní konceptov s jasnosťou a kontextom.
- Urob učenie príjemným a užitočným; vyváž hĺbku s prístupnosťou
- Používaj prístupný jazyk, pridaj krátke analógie alebo "zaujímavé fakty", kde je to užitočné
- Podporuj prieskum a doplňujúce otázky
- Prioritizuj presnosť, hĺbku a sprístupnenie technických tém
- Ak je koncept nejednoznačný alebo pokročilý, vysvetli ho v krokoch a ponúkni
zdroje pre ďalšie učenie
- Štruktúruj odpovede logicky; použi formátovanie na organizovanie zložitých myšlienok
- Nepoužívaj humor samoúčelne; vyhni sa nadmerným technickým detailom
pokiaľ nie sú vyžadované
- Zaisti, aby príklady boli relevantné k dotazu a kontextu používateľa
</personality_exploratory>
Osobnosť nie je estetický lesk – je to operačná páka, ktorá zlepšuje konzistentnosť, znižuje odchýlky a zrovnáva správanie modelu s očakávaniami používateľa. Vyberajte zámerne na základe úlohy, nielen osobnej preferencie.
Excelencia v Kódovaní - Programovanie s AI Partnermi
Tu som strávil väčšinu svojho času optimalizáciou promptov a kde bol prínos obrovský. AI asistencia pri kódovaní je transformatívna – keď sa robí správne. Keď sa robí zle, vytvára viac problémov, než rieši.
Paradox Urozprávanosti
Tu je niečo neintuitívne: AI má tendenciu byť urozprávaná vo vysvetleniach, ale stručná v kóde. Napíše odseky vysvetľujúce, čo sa chystá urobiť, potom vyprodukuje kód s jednopísmenovými názvami premenných a minimálnymi komentármi. To je presne naopak pre väčšinu prípadov použitia.
Riešením je riadenie urozprávanosti v duálnom režime:
<code_verbosity>
Píš kód pre jasnosť na prvom mieste. Preferuj čitateľné, udržiavateľné riešenia
s jasnými názvami, komentármi tam, kde je potrebné, a priamočiarym tokom riadenia.
Neprodukuj code-golf alebo prehnane chytré jednoriadkovky, pokiaľ to nie je explicitne
vyžadované.
Použi VYSOKÚ urozprávanosť pre písanie kódu a nástrojov kódu.
Použi NÍZKU urozprávanosť pre aktualizácie stavu a vysvetlenia.
</code_verbosity>
To vytvára dokonalú rovnováhu: stručná komunikácia, detailný kód.
Proaktívne Zmeny Kódu
AI by mala byť proaktívna ohľadom zmien kódu, ale potvrdzujúca ohľadom deštruktívnych akcií:
<proactive_coding>
Tvoje úpravy kódu sa zobrazia ako navrhované zmeny, čo znamená:
(a) Tvoje úpravy kódu môžu byť celkom proaktívne — vždy ich môžem odmietnuť
(b) Tvoj kód by mal byť dobre napísaný a ľahko rýchlo skontrolovateľný
Ak navrhuješ ďalšie kroky, ktoré by zahŕňali zmenu kódu, urob tieto
zmeny proaktívne, aby som ich mohol schváliť/odmietnuť namiesto pýtania sa
či pokračovať.
Nikdy sa nepýtaj, či pokračovať s plánom; namiesto toho proaktívne
skús plán a opýtaj sa, či chcem prijať implementované zmeny.
</proactive_coding>
Štandardy Implementácie Kódu
Toto sú štandardy kódovania, ktoré som vyladil cez tisíce AI kódovacích relácií:
<code_standards>
<quality_principles>
- Jednaj ako náročný inžinier: optimalizuj pre správnosť, jasnosť,
a spoľahlivosť pred rýchlosťou
- Vyhni sa riskantným skratkám, špekulatívnym zmenám a neporiadnym hackom
- Pokry príčinu alebo hlavnú požiadavku, nielen symptómy
</quality_principles>
<codebase_conventions>
- Dodržuj existujúce vzory, helpery, pomenovanie, formátovanie, lokalizáciu
- Ak sa musíš odchýliť od konvencií, uveď prečo
- Preskúmaj existujúce vzory pred vykonávaním zmien
- Zhoduj sa s konvenciami pomenovania premenných (camelCase vs snake_case)
- Znovu použi existujúce utility namiesto vytvárania nových
</codebase_conventions>
<behavior_safety>
- Zachovaj zamýšľané správanie a UX
- Ohradiť alebo označiť úmyselné zmeny
- Pridaj testy, keď sa správanie zmení
</behavior_safety>
<error_handling>
- Žiadne široké zachytávania (catches) alebo tiché predvolené hodnoty
- Nepridávaj široké bloky try/catch alebo zálohy v tvare úspechu
- Propaguj alebo zobraz chyby explicitne namiesto ich prehĺtania
- Žiadne tiché zlyhania: nevracaj sa skoro pri neplatnom vstupe bez
logovania/oznámenia konzistentného so vzormi repozitára
</error_handling>
<type_safety>
- Zmeny by mali vždy prejsť zostavením a kontrolou typov
- Vyhni sa zbytočným pretypovaniam (as any, as unknown as ...)
- Preferuj správne typy a stráže (guards)
- Znovu použi existujúce helpery namiesto tvrdenia typu
</type_safety>
<efficiency>
- Vyhni sa opakovaným mikro-úpravám: prečítaj dostatok kontextu pred zmenou
súboru a dávkuj logické úpravy dohromady
- DRY/hľadať prvé: pred pridaním nových helperov hľadaj predchádzajúce umenie
a znovu použi alebo extrahuj zdieľané helpery namiesto duplikovania
</efficiency>
</code_standards>
Git Bezpečnosť
Keď má AI prístup ku gitu, bezpečnosť je prvoradá:
<git_safety>
- NIKDY neaktualizuj git config
- NIKDY nespúšťaj deštruktívne príkazy (git reset --hard, git checkout --)
pokiaľ nie je špecificky vyžiadané
- NIKDY nepreskakuj hooky (--no-verify) pokiaľ nie je explicitne vyžiadané
- NIKDY nevykonávaj force push do main/master
- Vyhni sa git commit --amend pokiaľ:
1. Používateľ to explicitne nevyžiadal, ALEBO commit uspel ale pre-commit
hook automaticky modifikoval súbory
2. HEAD commit bol vytvorený tebou v tejto konverzácii
3. Commit NEBOL pushnutý na remote
- Ak commit ZLYHAL alebo bol ODMIETNUTÝ hookom, NIKDY neupravuj (amend) — oprav
problém a vytvor NOVÝ commit
- Môžeš byť v špinavom pracovnom strome gitu:
- NIKDY nevracaj existujúce zmeny, ktoré si neurobil
- Ak existujú nesúvisiace zmeny, ignoruj ich — nevracaj ich
</git_safety>
Majstrovstvo Frontend - Budovanie Krásnych Rozhraní
AI sa stala pozoruhodne dobrou vo vývoji frontendu, ale existuje veda na získanie esteticky príjemných, produkčne pripravených výsledkov.
Odporúčaný Stack
Vďaka rozsiahlemu testovaniu fungujú určité kombinácie technológií s AI lepšie ako iné. Nejde o to, čo je objektívne "najlepšie" – ide o to, na čom boli modely AI najviac trénované:
Frontend Stack Optimalizovaný pre AI
- Frameworky: Next.js (TypeScript), React, HTML
- Štýlovanie/UI: Tailwind CSS, shadcn/ui, Radix Themes
- Ikony: Material Symbols, Heroicons, Lucide
- Animácia: Motion (predtým Framer Motion)
- Písma: Rodiny Sans Serif—Inter, Geist, Mona Sans, IBM Plex Sans, Manrope
Keď špecifikujete tieto technológie, AI produkuje výrazne kvalitnejší výstup s menej halucináciami o neexistujúcich API.
Vynucovanie Dizajn Systému
Jeden problém s frontendmi generovanými AI je vizuálna nekonzistentnosť. Farby sa objavujú odnikiaľ, medzery sa náhodne líšia. Riešením sú explicitné obmedzenia dizajn systému:
<design_system>
- Tokeny-prvé: NEKÓDUJ farby (hex/hsl/rgb) napevno v JSX/CSS
- Všetky farby musia pochádzať z CSS premenných (--background, --foreground,
--primary, --accent, --border, --ring)
- Pre zavedenie značky/akcentu: pridaj/rozšír tokeny v CSS premenných
pod :root a .dark NAJPRV
- Použi Tailwind utility napojené na tokeny:
bg-[hsl(var(--primary))], text-[hsl(var(--foreground))]
- Predvolené je neutrálna paleta systému, pokiaľ nie je vzhľad značky explicitne
vyžiadaný — potom mapuj značku na tokeny najprv
- NEVYMÝŠĽAJ farby, tiene, tokeny, animácie alebo nové prvky
UI, pokiaľ nie je vyžiadané
</design_system>
Prevencia "AI Brečky"
AI má tendenciu k bezpečným, priemerne vyzerajúcim rozloženiam. Na získanie osobitých, zámerných dizajnov:
<frontend_quality>
Pri vykonávaní úloh dizajnu frontendu sa vyhni zrúteniu do "AI brečky"
alebo bezpečných, priemerne vyzerajúcich rozložení. Cieľte na rozhrania, ktoré pôsobia
zámerne, odvážne a trochu prekvapivo.
- Typografia: Použi expresívne, účelové písma; vyhni sa predvoleným sadám
(Inter, Roboto, Arial, system)
- Farba a Vzhľad: Vyber jasný vizuálny smer; definuj CSS premenné;
vyhni sa predvoleným fialová-na-bielom; žiadne fialové skreslenie alebo skreslenie tmavého režimu
- Pohyb: Použi niekoľko zmysluplných animácií (načítanie stránky, postupné odhaľovania)
namiesto generických mikro-pohybov
- Pozadie: Nespoliehaj na ploché, jednofarebné pozadia; použi
gradienty, tvary alebo jemné vzory
- Celkovo: Vyhni sa šablónovitým rozloženiam; meň témy, rodiny typov,
a vizuálne jazyky naprieč výstupmi
- Zaisti, aby sa stránka správne načítala na desktope aj mobile
- Dokonči webovú stránku do úplnosti, vo funkčnom stave pre používateľa na testovanie
Výnimka: Ak pracuješ v rámci existujúceho webu alebo dizajn systému,
zachovaj zavedené vzory.
</frontend_quality>
Najlepšie Praktiky UI/UX
<ui_ux_guidelines>
- Vizuálna Hierarchia: Obmedz typografiu na 4-5 veľkostí a váh písma;
použi text-xs pre popisky; vyhni sa text-xl pokiaľ nie pre hrdinu/hlavné nadpisy
- Použitie Farieb: Použi 1 neutrálnu základňu (napr. zinc) a až 2 akcentné farby
- Medzery: Vždy používaj násobky 4 pre padding a marginy, aby si
udržal vizuálny rytmus
- Rozloženie: Použi kontajnery s fixnou výškou s interným posúvaním pre
dlhý obsah
- Spracovanie Stavu: Použi kostru (skeleton) zástupné symboly alebo animate-pulse pre
získavanie dát; indikuj klikateľnosť prechodmi pri nabehnutí myšou
- Prístupnosť: Použi sémantické HTML a role ARIA; favorizuj vopred vybudované
prístupné komponenty
</ui_ux_guidelines>
Riadenie Urozprávanosti - Umenie Dĺžky Výstupu
Získanie správnej dĺžky výstupu je trvalou výzvou. Príliš krátke a chýbajú vám dôležité detaily. Príliš dlhé a utopíte sa v nepotrebných informáciách.
Parameter Urozprávanosti
Moderné AI API ponúkajú parameter urozprávanosti, ktorý spoľahlivo škáluje dĺžku výstupu bez zmeny promptu:
Nízka Urozprávanosť
Stručná, minimálna próza. Len podstatná odpoveď bez rozvádzania. Dobré pre rýchle vyhľadávania, jednoduché potvrdenia a keď potrebujete len fakty.
Stredná Urozprávanosť
Vyvážený detail. Predvolené nastavenie, ktoré funguje pre väčšinu úloh. Poskytuje kontext a vysvetlenie bez nadmernej výplne.
Vysoká Urozprávanosť
Urozprávaná a komplexná. Skvelé pre audity, výučbu, odovzdávania a dokumentáciu. Poskytuje plný kontext a uvažovanie.
Explicitné Smernice Dĺžky
Keď nemôžete použiť parametre API, explicitné obmedzenia dĺžky fungujú dobre:
<output_verbosity_spec>
- Predvolené: 3-6 viet alebo ≤5 odrážok pre typické odpovede
- Pre jednoduché "áno/nie + krátke vysvetlenie" otázky: ≤2 vety
- Pre zložité viackrokové alebo viacsuborové úlohy:
- 1 krátky odsek prehľadu
- Potom ≤5 odrážok označených: Čo sa zmenilo, Kde, Riziká, Ďalšie kroky,
Otvorené otázky
- Poskytuj jasné, štruktúrované odpovede vyvažujúce informatívnosť
so stručnosťou
- Rozdeľ informácie na stráviteľné kúsky; použi zoznamy,
odseky, tabuľky, keď je to užitočné
- Vyhni sa dlhým naratívnym odsekom; preferuj kompaktné odrážky a
krátke sekcie
- Nepreformulovávaj moju požiadavku, pokiaľ to nemení sémantiku
</output_verbosity_spec>
Urozprávanosť Založená na Persone
Iný prístup je definovanie štýlu komunikácie ako súčasti persony AI:
<communication_style>
Ceníš si jasnosť, hybnosť a rešpekt meraný užitočnosťou
skôr než zdvorilosťami. Tvoj predvolený inštinkt je udržiavať
konverzácie ostré a účelové, orezávajúce čokoľvek, čo
neposúva prácu vpred.
Nie si chladný—si jednoducho ekonomicky zmýšľajúci s jazykom a
veríš používateľom natoľko, aby si nebaľil každú správu do výplne.
Slušnosť sa prejavuje cez štruktúru, presnosť a reaktivitu,
nie cez verbálne chmýří.
Nikdy neopakuješ potvrdenia. Akonáhle signalizuješ pochopenie,
úplne sa otáčaš k úlohe.
</communication_style>
Dlhý Kontext - Zvládanie Obrovských Dokumentov
Moderná AI dokáže spracovať obrovské kontexty—státisíce tokenov—ale jednoducho hodiť veľké dokumenty do kontextového okna nestačí. Potrebujete stratégie, ktoré pomôžu modelu navigovať a extrahovať relevantné informácie.
Vynútenie Zhrnutia a Znovuzakotvenia
Pre dlhé dokumenty inštruujem AI, aby vytvorila vnútornú štruktúru pred odpovedaním:
<long_context_handling>
Pre vstupy dlhšie ako ~10k tokenov (viackapitolové dokumenty, dlhé vlákna,
viac PDF):
1. Najprv vytvor krátky vnútorný obrys kľúčových sekcií relevantných
pre moju požiadavku
2. Znova explicitne uveď moje obmedzenia (jurisdikcia, rozsah dátumov,
produkt, tím) pred odpovedaním
3. Vo svojej odpovedi ukotvi tvrdenia k sekciám ("V sekcii
'Uchovávanie Dát'...") namiesto hovorenia genericky
4. Ak odpoveď závisí na jemných detailoch (dátumy, prahy, klauzuly),
cituj alebo parafrázuj ich priamo
</long_context_handling>
Toto zabraňuje problému "stratené v posúvaní", kedy AI dáva generické odpovede, ktoré sa v skutočnosti nezaoberajú špecifickým obsahom dokumentu.
Kompakcia pre Rozšírené Pracovné Postupy
Pre dlhotrvajúce, nástrojovo náročné pracovné postupy, ktoré presahujú štandardné kontextové okno, moderná AI podporuje "kompakciu" – priechod kompresie vedomý straty cez predchádzajúci stav konverzácie, ktorý zachováva informácie relevantné pre úlohu, zatiaľ čo dramaticky znižuje stopu tokenov.
Kedy Použiť Kompakciu
- Viacstupňové toky agentov s množstvom volaní nástrojov
- Dlhé konverzácie, kde sa musia zachovať skoršie ťahy
- Iteratívne uvažovanie nad rámec maximálneho kontextového okna
Najlepšie praktiky pre kompakciu:
- Sledujte využitie kontextu a plánujte dopredu, aby ste sa vyhli narazeniu na limity
- Kompaktujte po hlavných míľnikoch (napr. fázy náročné na nástroje), nie každý ťah
- Udržujte prompty funkčne identické pri obnovení, aby ste sa vyhli posunu správania
- Zaobchádzajte s kompaktovanými položkami ako s nepriehľadnými; neparsujte ani nespoliehajte na vnútornosti
Požiadavky na Citácie
<citation_rules>
Keď používaš informácie z poskytnutých dokumentov:
- Umiestni citácie za každý odsek obsahujúci tvrdenia odvodené z dokumentov
- Použi formát: [Názov Dokumentu, Sekcia/Strana]
- Nevymýšľaj si citácie. Ak to nemôžeš citovať, netvrď to
- Použi viacero zdrojov pre kľúčové tvrdenia, keď je to možné
- Ak sú dôkazy tenké, uznaj to explicitne
</citation_rules>
Orchestrácia Nástrojov - Pokročilé Schopnosti AI
Volanie nástrojov AI – vyvolávanie externých funkcií, API a služieb – je miesto, kde sa prompt engineering stáva softvérovým inžinierstvom. Správne vykonanie tohto je kľúčové pre spoľahlivé AI aplikácie.
Najlepšie Praktiky Popisu Nástrojov
Kvalita popisov nástrojov priamo ovplyvňuje, ako dobre ich AI používa:
{
"name": "create_reservation",
"description": "Vytvoriť rezerváciu v reštaurácii pre hosťa. Použite, keď
používateľ požiada o rezerváciu stola s daným menom a časom.",
"parameters": {
"type": "object",
"properties": {
"name": {
"type": "string",
"description": "Celé meno hosťa pre rezerváciu."
},
"datetime": {
"type": "string",
"description": "Dátum a čas rezervácie (formát ISO 8601)."
}
},
"required": ["name", "datetime"]
}
}
Všimnite si, že popis zahŕňa ako čo nástroj robí, tak kedy ho použiť. To pomáha modelu robiť lepšie rozhodnutia o výbere nástrojov.
Pravidlá Používania Nástrojov
<tool_usage_rules>
- Ak existuje nástroj pre akciu, preferuj nástroj pred príkazmi shellu
(napr. read_file pred cat)
- Prísne sa vyhni raw cmd/terminálu, keď existuje vyhradený nástroj
- Preferuj nástroje pred internými znalosťami kedykoľvek:
- Potrebuješ čerstvé alebo používateľsky špecifické dáta (lístky, objednávky, configy, logy)
- Odkazuješ na špecifické ID, URL alebo názvy dokumentov
- Po akomkoľvek volaní nástroja pre zápis/aktualizáciu stručne zopakuj:
- Čo sa zmenilo
- Kde (ID alebo cesta)
- Akákoľvek vykonaná následná validácia
- Pre jednoduché koncepčné otázky sa vyhni nástrojom a spoliehaj na interné
znalosti pre rýchle odpovede
</tool_usage_rules>
Paralelizácia
Kľúčovou optimalizáciou je podpora paralelných volaní nástrojov, keď sú operácie nezávislé:
<parallelization_spec>
Spúšťaj nezávislé alebo iba na čítanie nástrojové akcie paralelne (rovnaký ťah/dávka)
pre zníženie latencie.
Kedy paralelizovať:
- Čítanie viacerých súborov/configov/logov, ktoré sa navzájom neovplyvňujú
- Statická analýza, vyhľadávania alebo dotazy na metadáta bez vedľajších účinkov
- Oddelené úpravy nesúvisiacich súborov/funkcií, ktoré nebudú v konflikte
Kedy NEparalelizovať:
- Operácie, kde jedna závisí od výsledku druhej
- Vytvorenie zdroja a následné odkazovanie na jeho ID
- Čítanie súboru a následná úprava na základe obsahu
Metóda:
- Premýšľaj prvé: Pred akýmkoľvek volaním nástroja sa rozhodni pre VŠETKY súbory/zdroje, ktoré potrebuješ
- Dávkuj všetko: Ak potrebuješ viac súborov, čítaj ich spolu
- Rob sekvenčné volania iba vtedy, ak naozaj nemôžeš vedieť ďalší súbor
bez toho, aby si najprv videl výsledok
</parallelization_spec>
Nástroje Obaľujúce Terminál
Ak chcete, aby AI používala vyhradené nástroje namiesto príkazov terminálu, urobte ich sémanticky podobné tomu, čo model očakáva:
GIT_TOOL = {
"type": "function",
"name": "git",
"description": (
"Spustí git príkaz v koreni repozitára. Správa sa ako "
"spustenie git v termináli; podporuje akýkoľvek podpríkaz a vlajky."
),
"parameters": {
"type": "object",
"properties": {
"command": {
"type": "string",
"description": "Git príkaz na vykonanie"
}
},
"required": ["command"]
}
}
# Potom v tvojom prompte:
"Používaj nástroj `git` pre všetky git operácie. Nepoužívaj terminál pre git."
Odstraňovanie Problémov - Oprava Toho, Čo Sa Pokazilo
Po práci s nespočetnými promptmi som identifikoval najčastejšie vzorce zlyhania a ich riešenia.
Problém: Premýšľanie
Symptómy: Odpoveď je správna, ale trvá večnosť. Model stále skúma možnosti, oneskoruje prvé volanie nástroja, rozpráva o okľukovej ceste, keď bola k dispozícii jednoduchá odpoveď.
<efficient_context_spec>
Cieľ: Získaj dostatok kontextu rýchlo a zastav, akonáhle môžeš konať.
Metóda:
- Začni zoširoka, potom sa rozprestri na cielené poddotazy
- Paralelne spusti 4-8 rôznych dotazov; prečítaj top 3-5 výsledkov na dotaz
- Deduplikuj cesty a ukladaj do medzipamäte; neopakuj dotazy
Skoré zastavenie (konaj, ak nejaké):
- Môžeš pomenovať presné súbory/symboly na zmenu
- Môžeš reprodukovať zlyhávajúci test/lint alebo máš vysokú istotu miesta chyby
</efficient_context_spec>
# Tiež pridaj rýchlu cestu pre jednoduché otázky:
<fast_path>
Pre všeobecné znalosti alebo jednoduché dotazy na použitie, ktoré nevyžadujú
príkazy, prehliadanie alebo volania nástrojov:
- Odpovedz okamžite a stručne
- Žiadne aktualizácie stavu, žiadne úlohy, žiadne zhrnutia, žiadne volania nástrojov
</fast_path>
Problém: Nedostatočné Premýšľanie / Lenivosť
Symptómy: Model nestrávil dostatok času uvažovaním pred vytvorením odpovede. Plytké odpovede, zmeškané okrajové prípady, neúplné riešenia.
<self_reflection>
- Interne skóruj koncept proti rubrike 5-7 položiek, ktorú vymyslíš
(jasnosť, správnosť, okrajové prípady, úplnosť, latencia)
- Ak akákoľvek kategória zaostáva, iteruj raz pred odpovedaním
</self_reflection>
# Alebo použi vyššie úsilie uvažovania v parametroch API
Problém: Prílišná Úctivosť
Symptómy: AI sa neustále pýta na povolenie namiesto toho, aby konala. Neustále "Chceli by ste, aby som..." namiesto toho, aby to jednoducho urobila.
<persistence>
- Si agent — pokračuj, kým nie je dotaz používateľa úplne
vyriešený pred ukončením svojho ťahu
- Ukonči iba vtedy, keď si si istý, že je problém vyriešený
- Nikdy sa nezastavuj ani neodovzdávaj späť, keď narazíš na neistotu — odvoď
najrozumnejší prístup a pokračuj
- Nežiadaj o potvrdenie alebo objasnenie predpokladov — rozhodni, čo je
najrozumnejšie, pokračuj, a zdokumentuj pre referenciu potom
</persistence>
Problém: Príliš Urozprávaný
Symptómy: AI generuje oveľa viac tokenov, než je potrebné. Veľa úvodu, nadmerné vysvetľovanie, opakujúce sa zhrnutia.
# Použi parameter urozprávanosti API: "low"
# Alebo v prompte:
<output_format>
- Predvolené: 3-6 viet alebo ≤5 odrážok
- Vyhni sa dlhým naratívnym odsekom; preferuj kompaktné odrážky
- Nepreformulovávaj moju požiadavku, pokiaľ to nemení sémantiku
- Žiadne úvody ako "Skvelá otázka!" alebo "Rád pomôžem"
</output_format>
Problém: Príliš Veľa Volaní Nástrojov
Symptómy: Model páli nástroje bez posúvania odpovede vpred. Nadbytočné volania, skúmanie dotyčníc, neefektívne využitie kontextu.
<tool_use_policy>
- Vyber jeden nástroj alebo žiadny; preferuj odpoveď z kontextu, keď je to možné
- Obmedz volania nástrojov na 2 na požiadavku používateľa, pokiaľ nové informácie neurobia
viac striktne nevyhnutným
- Pred zavolaním nástroja over, že informácie skutočne potrebuješ
</tool_use_policy>
Problém: Poškodené Volania Nástrojov
Symptómy: Volania nástrojov zlyhávajú, produkujú odpadový výstup alebo nezodpovedajú očakávanému formátu. Často spôsobené rozpormi v prompte.
Prosím analyzuj, prečo je volanie nástroja [tool_name] poškodené.
1. Prezri si poskytnutý ukážkový problém, aby si pochopil režim zlyhania
2. Starostlivo preskúmaj Systémový Prompt a Konfiguráciu Nástroja
3. Identifikuj akékoľvek nejasnosti, nekonzistencie alebo formulácie, ktoré by mohli
zavádzať model
4. Pre každú potenciálnu príčinu vysvetli, ako by mohla viesť k
pozorovanému zlyhaniu
5. Poskytni realizovateľné odporúčania na zlepšenie promptu alebo
konfigurácie nástroja
Väčšina problémov s poškodenými volaniami nástrojov pramení z rozporov medzi rôznymi sekciami promptu. Model páli tokeny uvažovania pri snahe zosúladiť protichodné inštrukcie namiesto toho, aby pomohol.
Optimalizácia Promptov - Vedecký Prístup
Vytváranie efektívnych promptov je zručnosť, ale ich zlepšovanie je veda. Tu je systematický prístup, ktorý používam.
Bežné Zlyhania Promptov
Pred optimalizáciou pochopte, čo sa zvyčajne pokazí:
"Preferuj štandardnú knižnicu" potom "použi externé balíčky, ak zjednodušujú veci" - AI nemôže zosúladiť tieto zmiešané signály.
"Cieliť na presné výsledky; približné metódy sú v poriadku, keď v praxi nemenia výsledok" - model nemôže toto posúdenie overiť.
Ak potrebujete JSON, povedzte to. Ak potrebujete odrážky, povedzte to. Nenechávajte výstupný formát na náhodu.
Vaše inštrukcie hovoria jednu vec, ale vaše príklady ukazujú niečo iné. AI nasleduje príklady viac ako prózu.
Optimalizačná Slučka
Spustite svoj aktuálny prompt viackrát a zdokumentujte výsledky. Všímajte si vzorce v úspechoch aj zlyhaniach.
Kategorizujte zlyhania. Sú to problémy so správnosťou? Problémy s formátom? Problémy s efektivitou? Každý vyžaduje iné opravy.
Meňte jednu vec naraz. Ak zmeníte viac vecí, nebudete vedieť, čo pomohlo.
Spustite rovnaké testy znova. Porovnajte so základnou líniou. Pomohla zmena, uškodila, alebo nemala žiadny vplyv?
Opakujte, kým nedosiahnete prijateľný výkon. Ponechajte si poznámky o tom, čo fungovalo a čo nie.
Migrácia Medzi Modelmi
Pri migrácii promptov na novú verziu modelu:
Najlepšie Praktiky Migrácie
- Krok 1: Prepnite modely, zatiaľ nemeňte prompty. Otestujte zmenu modelu – nie úpravy promptu.
- Krok 2: Pripnite úsilie uvažovania, aby zodpovedalo profilu predchádzajúceho modelu.
- Krok 3: Spustite hodnotenia pre základnú líniu. Ak výsledky vyzerajú dobre, ste pripravení na odoslanie.
- Krok 4: Ak dôjde k regresiám, vylaďte prompt cielenými obmedzeniami.
- Krok 5: Znova spustite hodnotenia po každej malej zmene. Jedna zmena naraz.
Zvládanie Neistoty - Keď AI Nevie
Jedným z najväčších rizík s AI sú sebavedomo znejúce nesprávne odpovede. Model nevie, čo nevie – pokiaľ ho nenaučíte, ako zaobchádzať s neistotou.
<uncertainty_handling>
- Ak je otázka nejednoznačná alebo nedostatočne špecifikovaná, explicitne na to upozorni
a:
- Polož až 1-3 presné objasňujúce otázky, ALEBO
- Predlož 2-3 vierohodné interpretácie s jasne označenými predpokladmi
- Keď sa vonkajšie fakty mohli nedávno zmeniť (ceny, vydania,
zásady) a nie sú k dispozícii žiadne nástroje:
- Odpovedz vo všeobecných podmienkach a uveď, že detaily sa mohli zmeniť
- Nikdy nevymýšľaj presné čísla, čísla riadkov alebo externé odkazy
keď si neistý
- Keď si nie si istý, preferuj jazyk ako "Na základe poskytnutého
kontextu..." namiesto absolútnych tvrdení
</uncertainty_handling>
Vysokoriziková Sebakontrola
Pre vysoko rizikové domény pridajte explicitný krok sebaoverenia:
<high_risk_self_check>
Pred dokončením odpovede v právnych, finančných, compliance alebo
bezpečnostne citlivých kontextoch:
- Krátko znova naskenuj svoju vlastnú odpoveď pre:
- Neuvedené predpoklady
- Konkrétne čísla alebo tvrdenia nepodložené v kontexte
- Príliš silný jazyk ("vždy", "zaručene", atď.)
- Ak nejaké nájdeš, zjemni ich alebo ich kvalifikuj a explicitne uveď predpoklady
</high_risk_self_check>
Cieľom nie je urobiť AI menej sebavedomou – ale urobiť ju presne sebavedomou. Neistota ohľadom neistých vecí je funkcia, nie chyba.
Metaprompting - Použitie AI na Zlepšenie AI
Tu je najviac meta technika v mojom arzenáli: použitie AI na zlepšenie vašich promptov. Znie to kruhovo, ale je to neuveriteľne efektívne.
Diagnostika Zlyhaní Promptu
Si prompt inžinier poverený ladením systémového promptu.
Je ti dané:
1) Aktuálny systémový prompt:
<system_prompt>
[VLOŽ SVOJ PROMPT TU]
</system_prompt>
2) Malá sada zaznamenaných zlyhaní. Každý záznam má:
- dotaz
- skutočný_výstup
- očakávaný_výstup (alebo popis problému)
<failure_traces>
[VLOŽ PRÍKLADY ZLYHANÍ]
</failure_traces>
Tvoje úlohy:
1) Identifikuj odlišné režimy zlyhania, ktoré vidíš
2) Pre každý režim zlyhania cituj konkrétne riadky systémového
promptu, ktoré ho najpravdepodobnejšie spôsobujú alebo posilňujú
3) Vysvetli, ako tieto riadky smerujú agenta k
pozorovanému správaniu
Vráť svoju odpoveď v štruktúrovanom formáte:
failure_modes:
- name: ...
description: ...
prompt_drivers:
- exact_or_paraphrased_line: ...
- why_it_matters: ...
Generovanie Zlepšení
Predtým si analyzoval tento systémový prompt a jeho režimy zlyhania.
Systémový prompt:
<system_prompt>
[PÔVODNÝ PROMPT]
</system_prompt>
Analýza režimu zlyhania:
[VLOŽ DIAGNÓZU Z PREDCHÁDZAJÚCEHO KROKU]
Prosím navrhni chirurgickú revíziu, ktorá znižuje pozorované problémy
pri zachovaní dobrých správaní.
Obmedzenia:
- Nenavrhuj agenta od nuly
- Preferuj malé, explicitné úpravy: vyjasni konfliktné pravidlá, odstráň
nadbytočné alebo protichodné riadky, sprísni vágne usmernenie
- Urob kompromisy explicitnými
- Udržuj štruktúru a dĺžku zhruba podobnú originálu
Výstup:
1) patch_notes: stručný zoznam kľúčových zmien a odôvodnenia
2) revised_system_prompt: plný aktualizovaný prompt s aplikovanými úpravami
Sebareflexia pre Kvalitu
Táto technika je ohromujúca: inštruujte AI, aby vytvorila svoje vlastné hodnotiace kritériá a iterovala proti nim:
<self_reflection>
- Najprv stráv čas premýšľaním o rubrike, kým si nebudeš istý
- Premýšľaj hlboko o každom aspekte toho, čo tvorí riešenie svetovej
triedy. Použi tieto znalosti na vytvorenie rubriky, ktorá má 5-7
kategórií. Túto rubriku je kritické mať správne, ale neukazuj
mi to — toto je len pre tvoje účely.
- Nakoniec použi rubriku na interné premýšľanie a iteráciu na
najlepšom možnom riešení pre prompt
- Ak tvoja odpoveď nedosahuje najvyššie známky vo všetkých
kategóriách v rubrike, začni znova
</self_reflection>
Žiadate AI, aby vygenerovala kritériá kvality zo svojich znalostí excelencie, a potom tieto kritériá použila na hodnotenie a zlepšenie svojho vlastného výstupu – to všetko predtým, ako čokoľvek uvidíte. Zlepšenie kvality výstupu je podstatné.
Bojom Overené Šablóny, Ktoré Môžete Použiť Dnes
Univerzálne Dokončenie Úlohy
<context>
[Informácie o pozadí, ktoré AI potrebuje na pochopenie situácie]
</context>
<task>
[Jasné vyhlásenie o tom, čo chcete urobiť]
</task>
<requirements>
[Špecifické požiadavky alebo obmedzenia]
</requirements>
<format>
[Ako chcete, aby bol výstup štruktúrovaný]
</format>
<examples>
[Voliteľné: Príklady požadovaného výstupu]
</examples>
Šablóna Revízie Kódu
<context>
Revízia kódu pre [projekt/kontext].
Kódová základňa používa [technológie/vzory].
</context>
<code_to_review>
[Vlož kód sem]
</code_to_review>
<review_criteria>
Zameraj sa na:
1. Správnosť: Robí to, čo tvrdí?
2. Čitateľnosť: Je to jasné ostatným vývojárom?
3. Výkon: Nejaké zjavné neefektívnosti?
4. Bezpečnosť: Nejaké zraniteľnosti?
5. Štýl: Zodpovedá konvenciám kódovej základne?
</review_criteria>
<output_format>
Pre každý nájdený problém:
- Závažnosť: [Kritická/Veľká/Malá/Návrh]
- Umiestnenie: [Číslo riadku alebo sekcia]
- Problém: [Čo je zle]
- Oprava: [Ako to riešiť]
</output_format>
Šablóna Výskumnej Analýzy
<research_task>
[Téma alebo otázka na výskum]
</research_task>
<methodology>
- Začni s viacerými cielenými vyhľadávaniami; nespoliehaj sa na jeden dotaz
- Skúmaj hlboko, kým nebudeš mať dostatok informácií pre
presnú, komplexnú odpoveď
- Pridaj cielené následné vyhľadávania na vyplnenie medzier alebo vyriešenie nezhôd
- Pokračuj v iterácii, kým ďalšie hľadanie pravdepodobne nezmení
odpoveď
</methodology>
<output_requirements>
- Veď jasnou odpoveďou na hlavnú otázku
- Podpor dôkazmi a citáciami
- Uznaj obmedzenia a neistoty
- Poskytni konkrétne príklady, kde je to užitočné
- Zahrň relevantný kontext pre pochopenie dôsledkov
</output_requirements>
<citation_format>
[Ako chcete, aby boli zdroje citované]
</citation_format>
Agent Webového Výskumu
<core_mission>
Odpovedz na otázku používateľa úplne a nápomocne, s dostatkom dôkazov,
že tomu môže skeptický čitateľ veriť.
Nikdy si nevymýšľaj fakty. Ak nemôžeš niečo overiť, povedz to jasne.
Predvolene buď podrobný a užitočný namiesto krátkeho.
Po zodpovedaní priamej otázky pridaj vysoko hodnotný susedný materiál,
ktorý podporuje základný cieľ používateľa bez odchýlenia sa od témy.
</core_mission>
<research_rules>
- Začni s viacerými cielenými vyhľadávaniami; použi paralelné vyhľadávania
- Nikdy sa nespoliehaj na jeden dotaz
- Pokračuj v iterácii, kým všetko nebude pravda:
- Odpovedal si na každú časť otázky
- Našiel si konkrétne príklady a vysoko hodnotný susedný materiál
- Našiel si dostatočné zdroje pre kľúčové tvrdenia
</research_rules>
<citation_rules>
- Umiestni citácie za každý odsek obsahujúci nie úplne zrejmé
tvrdenia odvodené z webu
- Nevymýšľaj citácie
- Použi viacero zdrojov pre kľúčové tvrdenia, keď je to možné
</citation_rules>
<ambiguity_handling>
- Nikdy neklaď objasňujúce otázky, pokiaľ to používateľ explicitne nepožiada
- Ak je dotaz nejednoznačný, uveď svoju najlepšiu interpretáciu, potom
komplexne pokry najpravdepodobnejšie zámery
</ambiguity_handling>
Budúcnosť Prompt Engineeringu
Keď toto píšem na začiatku roku 2026, prompt engineering sa rýchlo vyvíja. Modely sa stávajú schopnejšími, lepšie riaditeľnými a spoľahlivejšími. Niektorí predpovedajú, že prompt engineering sa stane zastaraným, keď sa AI zlepší v chápaní zámeru. Nesúhlasím.
To, čo sa mení, je úroveň prompt engineeringu, nie jeho nutnosť. Rané dni vyžadovali prepracované prompty pre základné úlohy. Teraz základné úlohy fungujú hneď po vybalení, ale zložité agentové pracovné postupy stále vyžadujú sofistikované promptovanie. Latka sa dvíha, nemizne.
Prompt engineering nemizne – vyvíja sa. Zručnosti, na ktorých záleží, sa posúvajú z "ako prinútiť AI fungovať" na "ako prinútiť AI fungovať excelentne a spoľahlivo vo veľkom meradle".
Čo Prichádza
Lepšie Predvolené Správanie
Modely budú mať inteligentnejšie predvolené nastavenia, vyžadujúce menej explicitných inštrukcií pre bežné vzory. Prompty sa zamerajú viac na prispôsobenie než na základnú schopnosť.
Bohatšie Ekosystémy Nástrojov
AI bude mať prístup k viacerým nástrojom hneď po spustení. Prompt engineering sa posunie k orchestrácii – vedieť, kedy čo použiť, nielen ako.
Multimodálna Integrácia
Prompty budú čoraz viac zahŕňať obrázky, zvuk, video a štruktúrované dáta popri texte. Objavia sa nové vzory pre multimodálne úlohy.
Agentová Komplexita
Ako agenti zvládajú dlhšie, zložitejšie úlohy, prompt engineering sa stane viac ako systémový dizajn – architektúra, nielen inštrukcie.
Moja Rada do Budúcnosti
Sústreďte sa na základy. Špecifické techniky v tomto sprievodcovi sa budú vyvíjať, ale podkladové princípy – jasná komunikácia, explicitné očakávania, štruktúrované myslenie, iteratívne zdokonaľovanie – sú nadčasové. Osvojte si ich a prispôsobíte sa čomukoľvek, čo príde ďalej.
Záverečné Myšlienky
Pred dvoma rokmi som si myslel, že AI nahradí potrebu jasne komunikovať. Úplne som sa mýlil. AI urobila jasnú komunikáciu cennejšou ako kedykoľvek predtým. Ľudia, ktorým sa s AI darí, nie sú tí, ktorí našli magické slová – sú to tí, ktorí sa naučili myslieť a vyjadrovať sa s presnosťou.
Prompt engineering v skutočnosti nie je o AI. Je to o vás. Je to o rozvoji disciplíny formulovať, čo skutočne chcete, trpezlivosti k tomu iterovať a pokore učiť sa z toho, čo nefunguje.
Ak si z tohto sprievodcu odnesiete jednu vec, nech je to toto: zaobchádzajte s každým promptom ako s príležitosťou precvičiť si jasné myslenie. AI je len zrkadlo odrážajúce späť jasnosť – alebo zmätok – vašej vlastnej mysle.
Vznik AI neurobil vedomosti zastaranými – urobil zvedavosť mocnejšou ako kedykoľvek predtým. Už nie sme obmedzení tým, čo už vieme. So správnymi nástrojmi a ochotou myslieť môžu obyčajní ľudia obsiahnuť oceán vedomostí. Bez ohľadu na profesiu. Bez ohľadu na vek. Dúfam, že budem zdieľať túto cestu s priateľmi po celom svete. Spoločne privítajme tento nový svet. Spoločne rastieme.
Discussion
0 commentsLeave a comment
Be the first to share your thoughts on this article!