Sztuka rozmawiania z modelami językowymi, znana szerzej jako prompt engineering, na pierwszy rzut oka może wydawać się prostym zadaniem. W końcu piszemy do komputera w naszym ojczystym języku. Kiedy jednak wejdziemy głębiej w społeczność specjalistów AI, szybko zauważymy, że toczy się tam gorąca dyskusja na temat pojedynczych słów. Dlaczego profesjonaliści nie potrafią dojść do porozumienia w kwestii używania zwrotów grzecznościowych (jak „proszę”), spójników logicznych (jak „dlatego”, „więc”) czy słów określających ramy działania (jak „bezpiecznie”)?

Odpowiedź tkwi w architekturze sieci neuronowych, sposobie ich trenowania oraz psychologii samego użytkownika. Przyjrzyjmy się bliżej trzem głównym grupom słów, które dzielą ekspertów na dwa obozy.

Słowa grzecznościowe: „proszę” i „czy mógłbyś”

Czy do sztucznej inteligencji należy odnosić się z szacunkiem? To jedno z najczęściej zadawanych pytań, które doczekało się nawet poważnych analiz naukowych. Specjaliści są tu mocno podzieleni.

Dlaczego warto być miłym?

Zwolennicy dobrych manier w promptach wskazują na kilka istotnych argumentów:

• Rozkład danych treningowych: Wielkie modele językowe (LLM) są trenowane na tekstach stworzonych przez ludzi. W internecie teksty pisane kulturalnym, pełnym szacunku językiem zazwyczaj reprezentują wyższą jakość merytoryczną (np. artykuły naukowe, profesjonalne maile, książki) niż teksty agresywne czy niechlujne. Używając słów takich jak „proszę”, możemy nakierować model na tę „lepiej wychowaną”, a co za tym idzie – bardziej rzetelną część jego bazy wiedzy.
• Efekt psychologiczny u człowieka: Pisanie z zachowaniem form grzecznościowych podświadomie zmusza nas do zwolnienia tempa, dokładniejszego formułowania myśli i podawania lepszego kontekstu. Lepszy prompt od człowieka to automatycznie lepsza odpowiedź od AI.
• Dopasowanie kulturowe i językowe: Badania (np. publikacja naukowa zespołu z Uniwersytetu Waseda) wykazały, że poziom uprzejmości może wpływać na jakość odpowiedzi w zależności od języka. W niektórych kulturach i językach (np. w japońskim) odpowiedni poziom grzeczności w zapytaniu przynosił zauważalnie lepsze rezultaty.

Dlaczego to strata czasu (i tokenów)?

Przeciwnicy „marnowania” znaków na uprzejmości mają równie silne argumenty:

• Ekonomia tokenów: Każde słowo w prompcie kosztuje. W przypadku korzystania z płatnych API lub przy budowaniu skomplikowanych systemów agentowych, każde „proszę” czy „czy mógłbyś” zużywa cenne tokeny i niepotrzebnie zapycha okno kontekstowe modelu.
• Brak emocji: Maszyna nie ma uczuć. Nie obrazi się, jeśli wydamy jej bezpośrednie polecenie typu „Napisz kod”, zamiast „Czy mógłbyś napisać dla mnie kod”.
• Spadek dokładności w zadaniach ścisłych: Niektóre badania, jak choćby głośna praca naukowa „Mind Your Tone” z Penn State University, sugerują, że w zadaniach wymagających czystej logiki i matematyki bezpośrednie, a nawet lekko szorstkie prompty potrafią przynieść dokładniejsze wyniki niż te przesadnie ugrzecznione. Zbyt duża dawka uprzejmości może sprawić, że model zacznie generować rozwlekłe, mało konkretne odpowiedzi.

Spójniki logiczne: „dlatego” i „więc”

Wydawałoby się, że słowa łączące przyczynę ze skutkiem są fundamentem logicznego myślenia. W prompt engineeringu ich rola jest jednak dwuznaczna.

Rola w myśleniu etapowym (chain of thought)

Zwolennicy używania spójników takich jak „dlatego” czy „więc” wskazują na ich kluczową rolę w tzw. Chain-of-Thought prompting (promptowaniu łańcucha myśli). Kiedy instruujemy model słowami: „Przeanalizuj problem krok po kroku, a następnie wyciągnij wnioski, używając słów 'dlatego' i 'więc'”, pomagamy mu ustrukturyzować proces wnioskowania. Modele autoregresyjne generują tekst słowo po słowie – zmuszenie ich do napisania logicznego spójnika sprawia, że kolejne generowane zdanie musi być logiczną konsekwencją poprzedniego.

Ryzyko wpadnięcia w pułapkę logiczną

Z drugiej strony, przeciwnicy ostrzegają przed nadużywaniem tych słów z dwóch powodów:

• Utrwalanie błędów: Jeśli model na początku swojego wywodu popełni błąd, użycie słowa „dlatego” zmusi go do logicznego (z jego perspektywy) kontynuowania błędnej ścieżki myślowej. Model zamiast się poprawić, będzie brnął w zaparte, tworząc spójną, ale całkowicie nieprawdziwą argumentację.
• Rozproszenie uwagi (attention budget): Współczesne modele mają ograniczony budżet uwagi. Zamiast budować długie, wielokrotnie złożone zdania ze spójnikami „więc” czy „dlatego”, wielu specjalistów rekomenduje stosowanie krótkich, jasnych, deklaratywnych instrukcji w punktach.

Słowa związane z bezpieczeństwem: „bezpiecznie”

Słowo „bezpiecznie” (oraz jego angielskie odpowiedniki typu safely czy securely) to kolejny punkt zapalny w dyskusjach prompt designerów.

Kiedy „bezpiecznie” ratuje sytuację?

Używanie tego słowa jest często zalecane w promptach technicznych, zwłaszcza przy generowaniu kodu źródłowego, konfiguracji serwerów czy zarządzaniu bazami danych. Instrukcja typu „Napisz skrypt w Pythonie, który bezpiecznie usuwa stare pliki z katalogu” sugeruje modelowi, aby uwzględnił w kodzie obsługę błędów, testy warunkowe i zabezpieczenia przed przypadkowym skasowaniem ważnych danych systemowych. W tym kontekście słowo to działa jako wyzwalacz dobrych praktyk programistycznych.

Problem nadmiernej odmowy (over-refusal)

Dlaczego więc niektórzy eksperci unikają tego słowa jak ognia?

• Fałszywe alarmy filtrów bezpieczeństwa: Nowoczesne modele posiadają bardzo rygorystyczne, wbudowane systemy bezpieczeństwa (tzw. guardrails). Paradoksalnie, użycie słowa „bezpiecznie” w kontekstach nawet lekko kontrowersyjnych może sprawić, że algorytmy filtrujące uznają zapytanie za podejrzane. Model może dojść do wniosku, że skoro użytkownik pyta o „bezpieczne” wykonanie jakiejś czynności, to sama czynność może być niebezpieczna lub nielegalna, co skutkuje odmową odpowiedzi (tzw. over-refusal).
• Rozmycie intencji: Zamiast pisać „zrób to bezpiecznie”, skuteczniejszą praktyką jest precyzyjne zdefiniowanie, co to bezpieczeństwo oznacza w danym przypadku (np. „dodaj obsługę wyjątków try-except” lub „nie ujawniaj kluczy API w kodzie”). Słowo „bezpiecznie” samo w sobie jest zbyt abstrakcyjne dla modelu matematycznego.

Ciekawostka: Babcia, która zawstydziła inżynierów

W 2016 roku świat obiegła urocza historia brytyjskiej babci, która w wyszukiwarce Google zawsze pisała „proszę” i „dziękuję”. Wtedy wywołało to uśmiech na twarzach internautów. Dzisiaj, w erze generatywnej sztucznej inteligencji, okazuje się, że intuicja starszej pani mogła wyprzedzić swoje czasy. Choć wyszukiwarki działały inaczej, to w przypadku dzisiejszych modeli LLM kulturalny ton rzeczywiście może – w pewnych warunkach – aktywować lepsze obszary pamięci modelu.

Jak zatem pisać prompty?

Skoro specjaliści nie są zgodni, jaka jest najlepsza droga dla zwykłego użytkownika? Wszystko zależy od celu, jaki chcesz osiągnąć:

1. Do zadań kreatywnych, burzy mózgów i pisania tekstów warto zachować naturalny, uprzejmy ton. Pomoże to modelowi wejść w rolę pomocnego, zaangażowanego asystenta.
2. Do zadań matematycznych, logicznych i analizy danych lepiej sprawdzi się styl surowy, bezpośredni i pozbawiony ozdobników. Zamiast pytać „czy mógłbyś obliczyć...”, napisz po prostu „Oblicz...”.
3. W kwestiach bezpieczeństwa unikaj ogólników. Zamiast pisać „zrób to bezpiecznie”, podaj konkretne ramy i ograniczenia, jakich model musi przestrzegać.