Anatomia skutecznego prompta

Dla kogo ten moduł: Kasia (Content Manager) - najważniejszy dla Ciebie, nauczysz się wyciągać z Claude teksty, które nie wymagają przepisywania. Tomek (Marketing Manager) - najważniejszy dla Ciebie, szczególnie frameworki CRISP i szablony promptów dla zespołu. Bartek (Developer) - bardzo przydatny, prompt engineering przydaje się też w Claude Code.

Dlaczego to ważne

Różnica między słabym a dobrym promptem to różnica między „generyczną odpowiedzią” a „dokładnie tym, czego potrzebowałeś”. Prompt engineering to umiejętność, która robi największą różnicę w codziennej pracy z AI.

5 elementów skutecznego prompta

Każdy skuteczny prompt składa się z kombinacji tych elementów:

Element	Co robi	Przykład
Rola	Kim jest Claude	„Jesteś ekspertem SEO z 10-letnim doświadczeniem”
Kontekst	Tło, dane, dokumenty	„Oto raport sprzedażowy za Q1 2026: [dane]”
Zadanie	Co Claude ma zrobić	„Przeanalizuj dane i wskaż 3 główne trendy”
Format	Jak ma wyglądać odpowiedź	„Użyj tabeli z kolumnami: trend, dowody, rekomendacja”
Ograniczenia	Czego NIE robić, jakie limity	„Maksymalnie 500 słów. Nie spekuluj”

Nie musisz zawsze używać wszystkich pięciu. Proste pytanie nie wymaga roli ani ograniczeń. Im bardziej złożone zadanie, tym więcej elementów potrzebujesz.

Przy ograniczeniach lepiej działa opis tego, co ma być, niż sam zakaz. Dokumentacja Anthropic radzi zamiast „nie używaj markdownu” (formatowania nagłówkami i listami) napisać „odpowiedz płynnymi akapitami prozy”.

Oficjalne best practices od Anthropic

Anthropic zebrał zasady promptowania na jednej stronie dokumentacji „Prompting best practices”, uzupełnionej przewodnikami dla poszczególnych modeli. Wybrałem z niej pięć zasad, które w codziennej pracy dają najwięcej:

1. Bądź jasny i bezpośredni

Claude reaguje najlepiej na eksplicytne instrukcje. Nie polegaj na domysłach modelu.

Słabo: „Napisz coś o AI w marketingu”.

Dobrze: „Napisz artykuł blogowy (800 słów) o 5 sposobach wykorzystania AI w email marketingu. Grupa docelowa: marketerzy w firmach e-commerce. Ton: profesjonalny, ale przystępny”.

Złota reguła Anthropic: pokaż prompt koledze, który nie zna zadania. Jeśli on się pogubi, Claude też.

2. Dawaj przykłady

Według Anthropic przykłady to jeden z najpewniejszych sposobów sterowania formatem, tonem i strukturą odpowiedzi. Kilka dobrze dobranych przykładów poprawia dokładność i spójność. Dokumentacja zaleca 3-5 przykładów: trafnych, różnorodnych i opakowanych w tagi <example>. Starsza wersja dokumentacji nazywała przykłady „sekretną bronią”. W obecnej tego sformułowania już nie ma.

3. Używaj XML tags do strukturyzacji

Gdy prompt miesza instrukcje, kontekst, przykłady i dane, opakuj każdy rodzaj treści w osobny tag XML. Według dokumentacji Anthropic tagi pomagają Claude jednoznacznie przeczytać złożony prompt. Używaj spójnych, opisowych nazw. W prostych promptach na nowych modelach XML jest mniej potrzebny. Blog Anthropic zauważa, że podobnie działają czytelne nagłówki i jasne odwołania („na podstawie danych poniżej…”).

<context>
[Twoje dane tutaj]
</context>

<instructions>
[Co Claude ma zrobić]
</instructions>

4. Umieszczaj długie dokumenty na górze

Przy dużych inputach (20k+ tokenów): dokumenty NA GÓRZE promptu, pytania NA DOLE. Według testów Anthropic poprawia to jakość odpowiedzi nawet o 30%.

5. Wyjaśnij, po co

Claude lepiej trafia w cel, gdy zna powód polecenia. Przykład z dokumentacji Anthropic:

Słabo: „NIGDY nie używaj wielokropka”.

Dobrze: „Tekst przeczyta syntezator mowy, więc nie używaj wielokropka. Syntezator nie wie, jak go wymówić”.

Według Anthropic Claude potrafi wyprowadzić z takiego wyjaśnienia ogólną zasadę. Zasadę „Wyjaśnij, po co” framework CRISP z następnej lekcji zamienia w literę P (Purpose, czyli cel).

System prompt vs User prompt

W Claude istnieją dwa „poziomy” promptu:

System prompt - definiuje, kim jest Claude i jak się zachowuje:

• Rola i persona
• Globalne instrukcje
• Ograniczenia zachowań
• Na claude.ai: instrukcje projektu (Project instructions) i instrukcje dla całego konta (Instructions for Claude); pod nimi działa własny prompt systemowy Anthropic

User prompt - konkretne zadanie do wykonania:

• Kontekst i dokumenty (na górze!)
• Przykłady
• Instrukcje zadaniowe
• Pytanie / polecenie (na dole!)

Prosta analogia:

• System prompt = „Kim jesteś i jak się zachowujesz” (stałe)
• User prompt = „Co teraz masz zrobić” (zmienne)

5 wzorców skutecznych promptów

Wzorzec 1: Prosty i bezpośredni

Napisz krótkie podsumowanie poniższego artykułu w 3 punktach.

[artykuł]

Wzorzec 2: Rola + Zadanie

Jesteś doświadczonym copywriterem specjalizującym się w SEO.
Napisz meta description (max 155 znaków) dla artykułu
o prompt engineeringu.

Wzorzec 3: Kontekst + Zadanie + Format (XML)

<context>
[dane / dokumenty]
</context>

<instructions>
Przeanalizuj powyższe dane i przygotuj raport zawierający:
1. Kluczowe wnioski
2. Trendy
3. Rekomendacje
</instructions>

<output_format>
Użyj formatu markdown z nagłówkami H2 dla każdej sekcji.
</output_format>

Wzorzec 4: Few-shot z przykładami

Przekształć tekst w tweet. Oto przykłady:

<examples>
<example>
Input: Sztuczna inteligencja zmienia rynek pracy.
Output: AI nie zabiera Ci pracy. Zabiera ją ten, kto umie
używać AI. Czas się dostosować.
</example>
<example>
Input: Prompt engineering to kluczowa umiejętność.
Output: Nie musisz umieć kodować. Musisz umieć rozmawiać
z AI. To nowa supermoc 2026.
</example>
</examples>

Teraz przekształć: [Twój tekst]

Wzorzec 5: Chain-of-Thought

Rozwiąż ten problem. Przemyśl go dokładnie, zanim odpowiesz.
Podaj końcową odpowiedź, a pod nią w 2-3 zdaniach wyjaśnij,
skąd się wzięła.

[problem]

Na Opusie 5.5, Sonnecie 5.5 i Fable 5.1 (a także legacy Opusie 5 i Fable 5) nie proś o wypisanie całego toku rozumowania. Taki prompt może zostać odrzucony w kategorii reasoning_extraction, czyli jako próba wydobycia rozumowania modelu. Dokumentacja opisuje to dla API, a dla czatu Anthropic tego nie precyzuje. Streszczenie myślenia (nie pełny zapis) zobaczysz w rozwijanej sekcji „Thinking” nad odpowiedzią. Ręczne „pokaż tok krok po kroku” zostaw modelom z wyłączonym myśleniem, np. Haiku 4.5. Szczegóły znajdziesz w lekcji o Chain-of-Thought.

Przypis: nie rozpisuj kroków na siłę. Strona Anthropic „Prompting best practices” radzi wybierać ogólne instrukcje zamiast rozpisanych kroków. Polecenie w rodzaju „przemyśl to dokładnie” często daje lepsze rozumowanie niż ręczny plan krok po kroku. Rada dotyczy wszystkich obecnych modeli. Szczegółowe kroki zostaw tam, gdzie liczy się kolejność albo kompletność etapów, np. w powtarzalnych pipeline'ach (stałych, wieloetapowych procesach).

Długość vs jakość

Długość prompta sama w sobie nie jest czynnikiem jakości. Liczy się precyzja i struktura.

• Krótkie, ale jasne prompty → lepsze niż długie, ale chaotyczne
• Długie prompty → działają dobrze, GDY są ustrukturyzowane (XML tags)
• Prompt chaining (dzielenie zadania na kolejne prompty) → gdy chcesz sprawdzić i zatwierdzić wynik każdego etapu

Do zapamiętania: Złożone zadanie opisz w całości: cel, kontekst, kryteria gotowości. Według dokumentacji Anthropic model z wbudowanym myśleniem większość wieloetapowego rozumowania przeprowadza sam. Na osobne prompty dziel tam, gdzie chcesz obejrzeć i zatwierdzić etap przed następnym.

Ćwiczenie praktyczne: Weź swój ostatni prompt do Claude (lub ChatGPT) i przepisz go według struktury Rola + Kontekst + Zadanie + Format + Ograniczenia. Porównaj wyniki „przed” i „po”.

Opus 5.5 i Sonnet 5.5 - co zmienić w promptach

Opus 5.5 wszedł 22 września 2026, Sonnet 5.5 - 28 września. Anthropic dołączył do obu przewodniki promptowania. Oto punkty, które przydadzą się w codziennej pracy (stan na 1 października 2026):

• Stare prompty działają. Oba przewodniki piszą, że prompty z Opusa 5 i Sonneta 5 powinny działać bez zmian. Nie przepisuj biblioteki na ślepo.
• Głównym pokrętłem myślenia jest effort. Effort to poziom wysiłku modelu (Low, Medium, High, Extra high, Max). Chcesz mniej myślenia? Najpierw obniż effort. Według przewodnika Opusa 5.5 działa to pewniej niż polecenia w prompcie. Szczegóły w lekcji o adaptive thinking.
• Usuń z promptu systemowego stałe polecenie „zawsze dokładnie przemyśl”. W teście Anthropic w aplikacji czatowej na Opusie 5.5 wycięcie takiej linii przyspieszyło start odpowiedzi. Wyraźnej straty jakości nie było. Jednorazowa prośba przy trudnym zadaniu (jak we Wzorcu 5) to co innego. Według dokumentacji Anthropic taka prośba w pojedynczej wiadomości zachęca model do myślenia w tej turze.
• Nie każ wypisywać toku rozumowania. Oba przewodniki ostrzegają przed odmową reasoning_extraction. Wolno prosić o krótkie uzasadnienie odpowiedzi (patrz Wzorzec 5).
• Oznaczaj wklejony tekst. Budujesz automatyzację, do której ludzie wklejają maile albo treść stron? Przewodnik Opusa 5.5 radzi opakować każdy wklejony fragment w tagi <pasted_content>: otwierający i zamykający z tym samym krótkim, losowym ID. Model łatwiej zignoruje polecenia ukryte w cudzym tekście (prompt injection, czyli wstrzyknięte instrukcje).
• Przy stronach i aplikacjach wymieniaj konkretne wzorce do uniknięcia. Według przewodnika Opusa 5.5 ogólne „unikaj wyglądu AI” zwykle tylko zamienia jeden domyślny styl na inny. Działa konkretna lista, np. „bez kremowego tła, bez przycisków w kształcie pigułki”.
• Każ sprawdzać w wyszukiwarce rzeczy zmienne w czasie. Przewodnik Sonneta 5.5 podaje gotowe polecenie do promptu systemowego. Model ma sprawdzać wyszukiwarką szczegóły, które mogły się zmienić od jego treningu (co jest dozwolone, wymagane, płatne), nawet gdy jest pewny swojej wiedzy.
• „Gdy prosi o pomysły, daj pomysły i stop.” Przy otwartej prośbie Sonnet 5.5 potrafi od razu budować prezentację albo raport. Przewodnik radzi dopisać, że przy prośbie o pomysły, opcje albo plan model podaje je i nic nie zaczyna bez Twojej zgody.
• Wyrzuć stare obejścia. We wpisie o Sonnecie 5.5 (28 września 2026) Anthropic radzi usunąć łatki w stylu „do not be lazy” („nie bądź leniwy”). Potem przetestuj prompt ponownie i dopiero wtedy poprawiaj resztę.

Kierunek potwierdza wpis Anthropic z 24 lipca 2026. Z promptu systemowego Claude Code dla modeli klasy 5 usunięto ponad 80% treści. Testy programistyczne Anthropic nie pokazały mierzalnej straty jakości. Przejrzyj swoje szablony i wytnij z nich łatki na słabości starszych modeli.

Co dalej

W następnej lekcji poznasz framework CRISP - autorską metodę, która zamienia te zasady w łatwy do zapamiętania system.