Świat sztucznej inteligencji rozwija się w tempie, które trudno nadążyć, a wraz z nim ewoluuje sposób, w jaki komunikujemy się z modelami językowymi. Jeszcze niedawno szczytem techniki było dopisanie „pomyśl krok po kroku”, ale dzisiaj inżynieria promptów (ang. prompt engineering) to zaawansowana dziedzina łącząca psychologię, logikę i programowanie. Jeśli chcesz wycisnąć z modeli takich jak GPT-4, Claude czy Gemini absolutne maksimum, musisz poznać techniki, które wykraczają poza zwykłe wydawanie poleceń.

Tree of thoughts (ToT) – drzewo myśli

Jednym z najważniejszych przełomów jest technika Tree of Thoughts. Tradycyjne podejście (Chain of Thought) zmusza model do liniowego rozwiązywania problemu. ToT idzie o krok dalej – pozwala AI na generowanie wielu potencjalnych ścieżek rozumowania jednocześnie, ocenianie ich i wybieranie tej najbardziej obiecującej.

Działa to trochę jak gra w szachy. Model nie decyduje się na pierwszy lepszy pomysł, ale „rozgałęzia” swoje myśli, sprawdza, czy dana ścieżka prowadzi do rozwiązania, a jeśli nie – wraca do punktu wyjścia i próbuje innej drogi. Jest to niezwykle skuteczne w zadaniach wymagających planowania strategicznego lub kreatywnego rozwiązywania złożonych problemów matematycznych.

Chain of verification (CoVe) – walka z halucynacjami

Największą bolączką modeli AI są tzw. halucynacje, czyli generowanie nieprawdziwych informacji z dużą pewnością siebie. Technika Chain of Verification została stworzona, aby temu przeciwdziałać. Proces ten składa się z czterech etapów:

1. Model generuje wstępną odpowiedź.
2. Na podstawie tej odpowiedzi model projektuje pytania weryfikujące, które mają sprawdzić fakty zawarte w tekście.
3. Model odpowiada na te pytania niezależnie.
4. Na końcu generowana jest ostateczna, poprawiona odpowiedź, która uwzględnia wyniki weryfikacji.

Dzięki temu AI staje się swoim własnym korektorem, co drastycznie podnosi wiarygodność dostarczanych danych.

Skeleton-of-thought (SoT) – szybkość i struktura

W przypadku bardzo długich tekstów modele AI często tracą wątek lub stają się powtarzalne. Technika Skeleton-of-Thought polega na zmuszeniu modelu do najpierw stworzenia „szkieletu” odpowiedzi (punktory, nagłówki, kluczowe tezy), a dopiero w drugim kroku do rozwinięcia każdego z tych punktów.

To podejście nie tylko poprawia strukturę logiczną tekstu, ale w zaawansowanych systemach pozwala na równoległe generowanie poszczególnych sekcji, co znacznie przyspiesza otrzymanie gotowego materiału. Jest to idealne rozwiązanie przy pisaniu e-booków, długich raportów czy artykułów eksperckich.

DSPy – koniec z ręcznym pisaniem promptów?

To absolutna nowość, która zmienia paradygmat pracy z AI. DSPy (Declarative Self-Improving Language Programs) to framework, który odchodzi od traktowania promptów jako tekstów, a zaczyna traktować je jak kod. Zamiast spędzać godziny na dopieszczaniu sformułowań w prompcie, programista definiuje wejście i pożądane wyjście, a system automatycznie optymalizuje prompt, aby uzyskać najlepszy wynik.

To przejście od „pisania promptów” do „programowania systemów AI”. Dzięki temu proces staje się powtarzalny i mierzalny, co jest kluczowe w zastosowaniach biznesowych.

Ciekawostka: Emocje w promptach naprawdę działają

Może brzmieć to absurdalnie, ale badania (m.in. przeprowadzone przez Microsoft i Google) wykazały, że dodanie do promptu tzw. stymulantów emocjonalnych może poprawić jakość odpowiedzi. Frazy takie jak „To jest bardzo ważne dla mojej kariery” lub „Upewnij się, że odpowiedź jest poprawna, bo od tego zależy wynik projektu” sprawiają, że modele osiągają lepsze wyniki w testach logicznych. AI nie „czuje” stresu, ale w danych treningowych, na których się uczyło, ważne polecenia zazwyczaj wiązały się z silniejszym językiem, co teraz przekłada się na większą precyzję generowania.

Meta-prompting – AI jako architekt własnej pracy

Najnowsze trendy wskazują na to, że najlepszymi inżynierami promptów stają się same modele AI. Meta-prompting polega na stworzeniu struktury, w której jeden model (często bardziej zaawansowany) pełni rolę „dyrektora kreatywnego”. Jego zadaniem jest rozbicie Twojego ogólnego zapytania na serię bardzo precyzyjnych instrukcji dla innych agentów AI.

W tej technice nie prosisz o „napisanie artykułu”. Prosisz model o „opracowanie strategii napisania artykułu, zdefiniowanie ról dla researcherów, redaktorów i korektorów, a następnie nadzorowanie ich pracy”. To podejście pozwala na tworzenie systemów wieloagentowych, które potrafią realizować projekty, o których jeszcze rok temu mogliśmy tylko pomarzyć.

Wdrażając te techniki, warto pamiętać o jednej zasadzie: im bardziej złożone zadanie, tym bardziej precyzyjna musi być struktura, a nie tylko treść promptu. Testowanie różnych podejść, takich jak ToT czy CoVe, pozwala odkryć zupełnie nowe możliwości narzędzi, z których korzystamy na co dzień.