Techniki zaawansowane - few-shot, mega-prompts, XML tags

Znaczniki XML - przełom w Claude

Claude został specjalnie wytrenowany na rozpoznawanie i respektowanie struktury XML w promptach. To wyróżnia go od innych modeli - znaczniki XML pomagają Claude analizować złożone prompty jednoznacznie, co prowadzi do wyższej jakości odpowiedzi.

Zasady z oficjalnej dokumentacji Anthropic

Nazwy tagów:

• NIE MA kanonicznych "najlepszych" nazw - używaj opisowych nazw pasujących do zawartości
• Bądź konsekwentny - te same nazwy w całym prompcie
• Odwołuj się do nazw tagów w instrukcjach (np. "Na podstawie danych w <context>...")

Popularne tagi:

Tag	Zastosowanie
<context>	Kontekst, tło, dane
<instructions>	Instrukcje dla Claude
<examples> / <example>	Przykłady (zagnieżdżone)
<output_format>	Oczekiwany format odpowiedzi
<constraints>	Ograniczenia
<document>	Dokument z treścią i źródłem
<thinking> / <answer>	Separacja rozumowania od odpowiedzi

Pełny przykład ustrukturyzowanego prompta

<context>
Jesteś asystentem analizującym dane sprzedażowe
firmy X za Q1 2026.
</context>

<documents>
<document index="1">
<source>raport_q1_2026.csv</source>
<document_content>
[dane CSV]
</document_content>
</document>
</documents>

<instructions>
Na podstawie danych w <documents>:
1. Zidentyfikuj 3 najlepiej sprzedające się produkty
2. Porównaj wyniki z Q4 2025
3. Zaproponuj strategię na Q2
</instructions>

<output_format>
Raport w formacie markdown z tabelami dla danych liczbowych.
Użyj nagłówków H2 dla każdej sekcji.
</output_format>

<constraints>
- Opieraj się WYŁĄCZNIE na dostarczonych danych
- Nie dodawaj spekulacji bez oznaczenia ich jako takie
- Maksymalnie 500 słów
</constraints>

Łączenie z innymi technikami:

• Znaczniki XML + few-shot = bardzo dobrze ustrukturyzowane prompty
• XML tags + CoT = czysta separacja myślenia od odpowiedzi

Few-shot learning - ile przykładów dawać

Oficjalna rekomendacja Anthropic: 3-5 różnorodnych, trafnych przykładów. Przykłady to "sekretna broń" - "wyraźnie poprawiają dokładność, spójność i jakość."

Liczba	Kiedy	Efektywność
0 (zero-shot)	Proste, jednoznaczne zadania	Dobra dla prostych zadań
1 (one-shot)	Pokazanie formatu/stylu	Średnia - często za mało kontekstu
3 (optimum)	Większość zadań	Dobra - wystarczająca standardowo
5 (sweet spot)	Złożone zadania, precyzyjne formatowanie	Bardzo dobra - optymalna
5+ (wiele)	Niszowe/specyficzne zadania	Najlepsza, ale więcej tokenów

Best practices

• Przykłady muszą być trafne - odzwierciedlać rzeczywiste przypadki
• Przykłady muszą być różnorodne - pokrywać edge cases
• Opakowuj w tagi <example> (wiele w <examples>)
• Zawsze dołącz zarówno input, jak i oczekiwany output

Mega-prompts - kiedy i jak

Mega-prompt to długi, wieloczęściowy prompt zawierający wszystko: kontekst, rolę, instrukcje, przykłady, ograniczenia i format.

Struktura mega-promptu

[System Prompt] -- Rola i globalne zachowanie

[User Prompt]
<context> -- Tło i dane (na górze!) </context>
<documents> -- Dokumenty </documents>
<examples> -- 3-5 przykładów </examples>
<instructions> -- Kroki do wykonania </instructions>
<output_format> -- Oczekiwany format </output_format>
<constraints> -- Ograniczenia </constraints>
[Pytanie na samym dole]

Mega-prompt vs prompt chaining

Mega-prompt	Prompt chaining
Wszystko w jednym prompcie	Dzielisz na kroki
Szybsze (1 wywołanie)	Wolniejsze (wiele wywołań)
Trudniejsze do debugowania	Łatwe do debugowania
Gdy nie musisz kontrolować kroków	Gdy chcesz kontrolować każdy krok

Rekomendacja Anthropic: Prompt chaining jest często lepszy niż mega-prompt, bo każde podzadanie dostaje pełną uwagę Claude.

Prompt chaining - łączenie promptów

Rozbijanie złożonych zadań na mniejsze podzadania, gdzie output jednego prompta staje się inputem następnego.

Najpopularniejszy wzorzec: Generate → Critique → Refine

Prompt 1 (Generate):
"Napisz artykuł o prompt engineeringu (500 słów)"
→ Output: [draft artykułu]

Prompt 2 (Critique):
"Oceń poniższy artykuł pod kątem:
(a) klarowności, (b) kompletności, (c) błędów.
<article>[output z Prompt 1]</article>"
→ Output: [recenzja]

Prompt 3 (Refine):
"Popraw artykuł na podstawie recenzji.
<article>[draft]</article>
<review>[recenzja]</review>"
→ Output: [poprawiony artykuł]

Korzyści prompt chainingu

1. Pełna uwaga - każde podzadanie dostaje pełną uwagę Claude
2. Klarowność - prostsze instrukcje = lepsze wyniki
3. Debugowanie - łatwo namierzyć problematyczny krok
4. Kontrola - możesz sprawdzić wynik każdego kroku

Pro tip: Jeśli Claude pomija krok lub słabo go wykonuje - wyizoluj ten krok w osobnym prompcie i dopracuj go niezależnie.

Ćwiczenie praktyczne: Wykonaj 3 zadania:

1. XML tags: Napisz ustrukturyzowany prompt z tagami <context>, <instructions>, <output_format> i <constraints> do analizy strategii content marketingowej.

2. Few-shot: Napisz prompt z 3 przykładami do przekształcania tytułów artykułów w tweety. Przetestuj wynik.

3. Prompt chaining: Zastosuj wzorzec Generate → Critique → Refine do napisania posta na LinkedIn. Porównaj draft z finalną wersją.

Co dalej

W następnej lekcji nauczysz się projektować system prompty i tworzyć custom asystentów AI.