Prompt debugging - gdy Claude nie rozumie | Kurs Claude AI

Kiedy zaczynałem pracę z Claude, mój prompt do analizy sentymentu w opiniach klientów brzmiał: „Przeanalizuj te opinie”. Wynik? Ogólnikowe podsumowanie bez żadnych liczb. Po 30+ iteracjach doszedłem do prompta, który dawał tabelę z sentymentem, najważniejszymi frazami i priorytetami. Różnica? Kontekst, format i ograniczenia. Poniżej techniki, które pomogły mi (i Tobie pomogą) naprawiać nieskuteczne prompty.

4 typowe problemy i jak je naprawić

Problem 1: Zbyt ogólny prompt

Źle	Dobrze
„Napisz coś o marketingu”	„Napisz 5 taktyk email marketingu dla sklepów e-commerce z odzieżą. Każda taktyka: nazwa, opis (2 zdania), przykład maila. Format: tabela”

Diagnoza: Claude daje generyczną odpowiedź → Twój prompt jest za ogólny. Naprawa: Dodaj kontekst, specyfikacje i format.

Problem 2: Sprzeczne instrukcje

Źle	Dobrze
„Napisz szczegółowy raport. Max 200 słów”	„Napisz executive summary (max 200 słów) z 3 kluczowymi wnioskami i 1 rekomendacją”

Diagnoza: Claude próbuje spełnić sprzeczne wymagania i nie spełnia żadnego dobrze. Naprawa: Usuń sprzeczności. Jeśli chcesz krótko i szczegółowo - wybierz jedno.

Problem 3: Brak kontekstu

Źle	Dobrze
„Jaka strategia byłaby najlepsza?”	„Jestem marketing managerem w firmie SaaS B2B (50 osób, $2M ARR, rynek polski). Jaka strategia pozyskiwania klientów byłaby najlepsza na Q1 2027, biorąc pod uwagę budżet $10K/mies.?”

Diagnoza: Claude nie zna Twojej sytuacji → odpowiada ogólnikowo. Naprawa: Dodaj kontekst: kim jesteś, jaka firma, jaki budżet, jaki cel.

Problem 4: Zbyt wiele instrukcji naraz

Źle	Dobrze
„Napisz artykuł, zoptymalizuj SEO, stwórz meta, zaproponuj grafiki, napisz posty social media i newsletter”	Prompt 1: „Napisz artykuł (800 słów)”. → Prompt 2: „Zoptymalizuj SEO tego artykułu”. → Prompt 3: „Napisz meta description i 3 posty social media”.

Diagnoza: Sześć zadań w jednym prompcie. Nie zatwierdzisz artykułu, zanim powstaną z niego meta, posty i newsletter, więc każdy błąd przechodzi dalej. Naprawa: Podziel na osobne prompty (prompt chaining) i zatwierdzaj wynik każdego kroku. Nowe modele same radzą sobie z zadaniami wieloetapowymi, ale punkty kontrolne daje Ci dopiero łańcuch.

Halucynacje - co to jest i jak je minimalizować

Halucynacja to sytuacja, gdy Claude wymyśla informacje, które wyglądają wiarygodnie, ale są nieprawdziwe. Może wymyślić: statystyki, cytaty, nazwy firm, daty, linki.

7 technik redukcji halucynacji z oficjalnej strony Anthropic

Anthropic zebrał je na stronie „Reduce hallucinations” w dokumentacji: trzy podstawowe i cztery zaawansowane (stan na 1 października 2026). Techniki z innych źródeł opisuję niżej, osobno.

Podstawowe:

Pozwól powiedzieć „nie wiem” - wprost napisz w prompcie: „Jeśli nie wiesz - powiedz”. Według Anthropic ta prosta technika potrafi mocno ograniczyć fałszywe informacje
Dostarcz źródła i oprzyj odpowiedź na dosłownych cytatach - wgraj dokumenty. Przy dokumentach dłuższych niż 20 tys. tokenów każ najpierw wypisać dosłowne cytaty, a analizę oprzeć tylko na nich
Weryfikuj cytatami - „Każdy wniosek poprzyj cytatem z dokumentu”. Mocniejsza wersja: po napisaniu odpowiedzi Claude szuka cytatu dla każdego twierdzenia, a twierdzenie bez cytatu usuwa

Zaawansowane:

Sprawdź tok rozumowania - gdy odpowiedź wygląda podejrzanie, przeczytaj podsumowanie myślenia. Na claude.ai to rozwijana sekcja nad odpowiedzią. W API włączasz je ustawieniem display: "summarized" w parametrze thinking
Best-of-N, czyli kilka prób - zadaj ten sam prompt kilka razy i porównaj odpowiedzi. Rozbieżności między wersjami to sygnał możliwej halucynacji
Iteracyjne doprecyzowanie - wklej odpowiedź Claude do kolejnego promptu i poproś o sprawdzenie albo rozwinięcie wcześniejszych twierdzeń. Tak wyłapiesz niespójności
Ogranicz zakres - „Odpowiadaj TYLKO na podstawie dostarczonych dokumentów, nie z wiedzy ogólnej”

Uwaga na stary CoT „pokaż tok krok po kroku”: Fable 5.1, Opus 5.5 i Sonnet 5.5 myślą przed odpowiedzią same. W claude.ai nie da się tego u nich wyłączyć. Prośba o wypisanie całego toku w treści odpowiedzi może się skończyć odmową w kategorii reasoning_extraction (dotyczy też starszych Fable 5 i Opus 5). Dokumentacja opisuje to dla API, dla czatu Anthropic tego nie precyzuje. Zapytaj raczej: „Na jakich danych opierasz ten wniosek?”

Dodatkowo - techniki spoza strony „Reduce hallucinations” (źródło przy każdej):

Audyt raportów postępu (dla agentów, przewodnik promptowania Fable 5) - każ modelowi popierać każde twierdzenie o postępie wynikiem narzędzia lub źródłem z bieżącej sesji. Przykład: „Zanim zaraportujesz postęp, sprawdź każde twierdzenie z wynikiem narzędzia. Raportuj tylko to, na co masz dowód; niezweryfikowane oznacz wprost”. Według Anthropic w testach niemal wyeliminowało to zmyślone raporty o postępie. Przewodnik Fable 5 nadal jest w dokumentacji, a przewodnik Fable 5.1 tej techniki nie powtarza. Pokrewna rada z przewodnika Opus 5.5: odpowiedź agenta bez wywołania narzędzia traktuj jako raport, a nie dowód wykonania zadania
Skala pewności (mój dodatek, bez źródła w dokumentacji) - „Przy każdej informacji oceń swoją pewność: wysoka/średnia/niska”. Najbliższy oficjalny odpowiednik to notowanie poziomu pewności przy złożonym researchu (strona „Prompting best practices”)
Sprawdzanie w wyszukiwarce (przewodnik Sonnet 5.5, linia do promptu systemowego, gdy model ma wyszukiwarkę) - „Użyj wyszukiwarki, by sprawdzić szczegóły, które mogły się zmienić od czasu treningu, np. co jest dozwolone, wymagane albo płatne. Rób to nawet wtedy, gdy czujesz się pewnie”
Kod: najpierw czytaj, potem odpowiadaj (strona „Prompting best practices”) - „Nie spekuluj o kodzie, którego nie otworzyłeś. Jeśli użytkownik wskazuje plik, przeczytaj go przed odpowiedzią”

Częsty błąd: Pytanie Claude o konkretne statystyki, badania lub cytaty bez dostarczenia źródeł. Claude może je wymyślić. Sam Anthropic zastrzega, że techniki z jego strony mocno ograniczają halucynacje, ale ich nie eliminują. Zawsze weryfikuj konkretne dane.

Techniki naprawy promptów

1. Iteracyjny prompting

Zamiast pisać idealny prompt od zera - iteruj:

Wersja 1: Napisz artykuł o AI w HR.
→ [za ogólny, nudny]

Wersja 2: Napisz artykuł (600 słów) o 3 konkretnych
zastosowaniach AI w rekrutacji. Ton: profesjonalny,
z danymi.
→ [lepiej, ale brakuje przykładów]

Wersja 3: [Wersja 2] + Każde zastosowanie zilustruj
przykładem polskiej firmy. Dodaj sekcję "Wyzwania
i ryzyka".
→ [dobrze!]

2. Self-critique

Poproś Claude o ocenę własnej odpowiedzi:

[Po otrzymaniu odpowiedzi]
"Oceń swoją odpowiedź pod kątem: kompletności,
dokładności, przydatności. Co byś zmienił?"

3. Generate → Critique → Refine

Trzyetapowy proces z Lekcji 3.5:

Claude generuje draft
Claude ocenia draft
Claude poprawia na podstawie oceny

Ćwiczenie praktyczne: Weź 3 „złe” prompty i napraw je:

Prompt 1 (za ogólny): „Pomóż mi z marketingiem”. → Napraw, dodając kontekst, cel i format.

Prompt 2 (halucynacje): „Podaj 5 najnowszych badań o AI w edukacji z 2026 roku”. → Napraw, żeby Claude nie wymyślał badań.

Prompt 3 (za dużo naraz): „Napisz strategię marketingową, plan contentu na rok, budżet i harmonogram wdrożenia”. → Napraw, dzieląc na prompt chain.

Co dalej

W ostatniej lekcji tego modułu dostaniesz gotową bibliotekę promptów - szablony do natychmiastowego użycia w codziennej pracy.