Jak pisać prompty AI do analizy i klasyfikacji danych

Aby napisać prompt AI do analizy lub klasyfikacji danych, zdefiniuj decyzję, podaj jednoznaczne kryteria, oddziel poszczególne źródła danych i określ kolumny wyjściowe. Dodaj regułę dotyczącą brakujących lub sprzecznych informacji, aby model mógł zwrócić Unknown, zamiast zgadywać.

W tym poradniku posługuję się przykładem klasyfikacji firm: na podstawie opisu przedsiębiorstwa i tekstu pobranego z jego strony internetowej model ma określić, czy firma sprzedaje usługi HR innym przedsiębiorstwom, oraz krótko uzasadnić odpowiedź. Dzięki temu otrzymujesz wynik, który można filtrować, i uzasadnienie, które da się porównać z danymi wejściowymi.

Do testowania opisów firm możesz wykorzystać historyczny plik French Tech Next40/120 CSV, zawierający nazwy, strony internetowe i opisy przedsiębiorstw. Przypisz kolumnę Description do {{company_about}}, a {{Website Texts}} pozostaw puste, chyba że osobno pobierzesz treść stron.

Im jaśniejszy prompt, tym łatwiej zweryfikować wyniki. Sprawdzaj przypadki z brakującymi dowodami i błędnymi klasyfikacjami. Zanim przetworzysz cały zbiór danych, przetestuj reprezentatywne wiersze.

W tym poradniku omówimy następujące zagadnienia:

1. Czym jest prompt?
2. Przykłady promptów
3. Dla kogo jest ten poradnik
4. Dlaczego dobre prompty są ważne
5. Jak wygląda zły prompt
6. Budowa promptu i etapy wdrożenia

Czym właściwie jest prompt?

Najprostsza odpowiedź: prompt to dane wejściowe przekazywane AI w celu uzyskania konkretnego wyniku.

Nie daj się zmylić, jeśli w innych artykułach znajdziesz długie wyjaśnienia tego, „czym jest prompt”. W rzeczywistości zdefiniowanie promptu nie jest skomplikowane.

Trudność polega na napisaniu dobrego promptu. Zanim jednak pokażę, jak to zrobić, przyjrzyjmy się trzem przykładom.

Dla kogo jest ten poradnik

Pisanie skutecznych promptów to wyzwanie, z którym na pewnym etapie kariery zetknie się niemal każdy.

Dlatego ten poradnik nie jest przeznaczony wyłącznie dla konkretnej branży czy stanowiska. Powstał z myślą o osobach pracujących z danymi i automatyzacją. Skupimy się na promptach, które pomagają sprawnie edytować, analizować i czyścić duże zbiory danych — niezależnie od tego, czy jesteś studentem, czy doświadczonym specjalistą.

W przykładach korzystamy z Datablist, aby zastosować prompt do wierszy arkusza i zapisać wyniki w osobnych właściwościach.

Dlaczego dobre prompty są ważne

Model potrzebuje takich samych reguł decyzyjnych jak współpracownik, który miałby sklasyfikować dany wiersz. Jasne instrukcje ograniczają niejednoznaczność, ale nie eliminują braków w danych ani pomyłek modelu — dlatego wyniki nadal trzeba weryfikować.

Jak wygląda zły prompt

Dlaczego ten prompt jest zły:

• Brak uporządkowanych instrukcji: wymagania są rozproszone w całym tekście i nie mają czytelnej struktury.
• Brak wyraźnych sekcji i separatorów: AI musi analizować ścianę tekstu bez logicznych podziałów.
• Nieopisane dane wejściowe: opis firmy i tekst ze strony nie mają wyraźnych granic, więc trudniej rozpoznać ich role.
• Nieformalny język: zwroty takie jak „coś z HR” czy „i tak w ogóle” wprowadzają niejednoznaczność.

Jak AI interpretuje ten prompt

Poniżej pokazujemy prompt, w którym wartości z wiersza zostały wstawione bezpośrednio do tekstu. Datablist może przenieść zmienne inline do osobnej sekcji Variables, ale etykiety nadal pomagają rozpoznać każde źródło.

Wymieszanie wartości wejściowych z nieformalną instrukcją utrudnia ustalenie, gdzie kończy się zadanie, a zaczynają dane stanowiące podstawę decyzji.

W tym przypadku pojawiają się następujące problemy:

1. Niejasne granice danych wejściowych: oba źródła zlewają się z otaczającymi je instrukcjami.
2. Niezdefiniowane etykiety: prompt nie określa, co zwrócić, gdy brakuje dowodów lub firma prowadzi kilka rodzajów działalności.

👉 Skoro już to wiemy, sprawdźmy, jak wygląda dobry prompt i jak go stworzyć!

3 przykłady promptów

Prompt w formie polecenia

W najprostszej postaci prompt może być poleceniem, na przykład:

Prompt w formie pytania

Prompt może być prostym pytaniem, na przykład:

Ustrukturyzowany prompt klasyfikacyjny z oznaczonymi danymi

Prompt może też zawierać bardziej szczegółowy zestaw instrukcji służących do edytowania, analizowania lub czyszczenia danych — na przykład do personalizacji Cold Emaili, analizy opinii klientów czy porządkowania nazw firm.

Stosuję opisane sekcje, aby oddzielić reguły, wymagania dotyczące wyniku i dane wejściowe. Jednym z rozwiązań są tagi w stylu XML, szczególnie gdy prompt łączy kilka dokumentów. Poradnik Anthropic dotyczący promptów zaleca używanie opisowych tagów do takiego podziału. W krótkich promptach dobrze sprawdzają się również zwykłe nagłówki sekcji.

Poniżej znajdziesz gotowy do skopiowania prompt klasyfikacyjny z trzecią, jednoznaczną etykietą stosowaną przy braku wystarczających dowodów:

Na przykład zdanie „Dostarczamy pracodawcom oprogramowanie do obsługi płac” uzasadnia Yes. „Tworzymy oprogramowanie księgowe i rekrutujemy inżynierów” uzasadnia No. Pusty opis oznacza Unknown, nawet jeśli nazwa firmy sugeruje związek z HR. Są to przykładowe oczekiwane etykiety, a nie zmierzone wyniki działania modelu.

Budowa promptu i etapy wdrożenia

Poniższe zrzuty ekranu pokazują wcześniejszą strukturę szablonu. Ten sam podział na zadanie, kryteria i dane zastosuj w zaktualizowanym prompcie klasyfikacyjnym powyżej — razem z jego polami wyjściowymi i regułą Unknown.

Budowa dobrego promptu

Przeglądając szablony AI prompts w bibliotece AI prompts Datablist.com, zauważysz, że niemal każdy z nich składa się z sekcji, a każda sekcja zawiera trzy elementy:

1. Tag: informuje AI, czego dotyczy dana sekcja.

2. Treść: zawiera instrukcje, które pomagają AI zrozumieć i wykonać zadanie poprzez:

   • Wyjaśnienie: przekazuje AI istotne informacje lub kontekst.
   • Polecenie: mówi AI, co ma zrobić, czyli wskazuje konkretne zadanie.

3. Granice: nagłówki, separatory lub pary tagów pokazują, gdzie zaczyna się i kończy każda sekcja. Stosuj konsekwentnie te same etykiety — sam separator nie zastąpi brakujących reguł decyzyjnych.

Na końcu umieszczamy również właściwości zastępcze:

• Kolumny, które podczas używania promptu są zastępowane danymi.
• Te placeholdery służą do dostosowania promptu do każdego rekordu w zbiorze danych.

Na przykład w prompcie Job Title Categorizer używamy {{job_title}} jako placeholdera zastępowanego rzeczywistym stanowiskiem z naszego zbioru danych podczas przetwarzania każdego rekordu.

Szczegółowa budowa promptu i etapy wdrożenia

Uwaga: firmy HR nie należą do naszego ICP („Ideal Customer Profile”) — wykorzystaliśmy je wyłącznie jako przykład.

Krok pierwszy: kontekst

Przekazując AI kontekst, zrobiłem trzy kluczowe rzeczy:

• Podałem informacje o danych, które otrzyma AI, bez ujawniania szczegółowych kryteriów targetowania.
  • Wyjaśnia to źródła danych wejściowych przed przedstawieniem reguł klasyfikacji.
• Opisałem kontekst danych i wskazałem konkretny problem.
  • Pomaga to AI zrozumieć, z czym pracuje.
• Przedstawiłem swoją konkretną sytuację.
  • Dzięki temu AI może dostosować sposób działania do moich potrzeb.

Co należy zrobić podczas pisania promptu:

• Powiedz AI, jakie dane zamierzasz przekazać.
• Opisz swój problem.
• Użyj separatorów (===).

Krok drugi: zadanie lub polecenie

W tej sekcji promptu zrobiłem dwie istotne rzeczy:

• Ponownie ukierunkowałem AI za pomocą tagu „Co chcę, abyś zrobił”, dzięki czemu model wie, czego będzie dotyczyć dalsza część.
• Podałem jedynie ogólny opis zadania, bez wskazywania poszczególnych kroków ani danych, których należy szukać. Pozwoliło to zachować logiczny przepływ informacji.

Co należy zrobić podczas pisania promptu:

• Najpierw określ główny cel zadania lub polecenia.
• Następnie użyj separatorów (===).

Jeśli masz kilka podobnych zadań, nie próbuj realizować ich wszystkich za pomocą jednego promptu. AI będzie miało trudności z ich obsługą, a Tobie trudniej będzie wykryć potencjalne błędy.

Krok trzeci: instrukcje wykonania zadania

Podczas dodawania instrukcji do promptu stosuję następujące zasady:

• Piszę prosto i konkretnie.
• Wyjaśniam zadanie tak, jakbym uczył kogoś wykonywać je ręcznie.
• Koncentruję się na jasnych instrukcjach krok po kroku.

Jeśli wyniki są błędne, przed przeredagowaniem promptu sprawdź tekst wejściowy, kryteria decyzyjne i wymagania dotyczące wyniku. Część błędów wynika z brakujących informacji lub ograniczeń modelu — dodatkowe instrukcje nie uzupełnią nieobecnych danych.

Co należy zrobić podczas pisania promptu:

• Przygotuj prostą instrukcję krok po kroku, używając jasnego i zrozumiałego języka.
• Użyj separatorów (===).

Krok czwarty: zapobieganie błędom nr 1 — kontekst zadania — opcjonalnie

Ten krok dostarcza dodatkowego kontekstu związanego z zadaniem i pomaga AI:

• Zrozumieć niuanse zadania.
• Uniknąć typowych pułapek.
• Podejmować trafniejsze decyzje.

Wskazując wprost potencjalne problemy i nietypowe przypadki, tworzymy zabezpieczenia, które ograniczają ryzyko błędnych założeń i pomyłek AI.

Ten krok nie jest konieczny w każdym prompcie, ale ma kluczowe znaczenie przy złożonych zadaniach.

Co należy zrobić podczas pisania promptu:

• Zastanów się, jakie typowe błędy popełniają mniej doświadczeni pracownicy podczas wykonywania takiego zadania.
• Uwzględnij te potencjalne błędy w prompcie, aby pomóc AI ich uniknąć.
• Użyj separatorów (===).

Krok piąty: cel, czyli oczekiwany wynik

Podczas opisywania oczekiwań w prompcie należy przede wszystkim:

• Przedstawić szczegółowy kontekst oczekiwanego wyniku.
• Precyzyjnie określić oczekiwane rezultaty.
• Unikać ujawniania uprzedzeń lub pożądanych wniosków, które mogłyby wpłynąć na analizę.

Naturalny, konwersacyjny język zamiast technicznego żargonu zazwyczaj pozwala uzyskać lepsze wyniki z systemów AI.

Co należy zrobić podczas pisania promptu:

• Jasno określ rezultaty, które chcesz uzyskać w ramach analizy lub zadania.
• Wskaż konkretnie, które wskaźniki lub sygnały są dla Ciebie najważniejsze.
• Podaj przykłady.
• Użyj separatorów (===).

Krok szósty: kontekst danych — opcjonalnie

Gdy dodaję do promptów kontekst danych, stosuję następujące zasady:

• Wzmacniam mechanizmy zapobiegania błędom za pomocą jasnych reguł i podaję ich uzasadnienie.
  • Przykładowa reguła: „Zawsze analizuj pełny kontekst”.
  • Uzasadnienie: „Pojedyncze wskaźniki mogą wprowadzać w błąd”.
• Dodaję kilka warstw kontekstu:
  • Potencjalne błędy, których należy unikać.
  • Problemy charakterystyczne dla danych.
  • Przypomnienia związane z zadaniem.

Co należy zrobić podczas pisania promptu:

• Zastanów się, jakie błędy może popełnić AI, i wyraźnie poleć mu, aby ich unikało.
• Podziel informacje na logiczne części, zamiast przekazywać wszystko naraz.
• Użyj separatorów (===).

📘 Warto wiedzieć

Precyzyjne instrukcje, które nie pozostawiają AI miejsca na domysły, pozwalają uniknąć wielu błędów.

Krok siódmy: od czego zacząć

Ostatni etap polega na przekazaniu AI jasnych instrukcji początkowych. Zastosowałem następujące rozwiązania:

• Zachowałem prostotę i konkretność.
  • Ponumerowałem kroki w kolejności chronologicznej.
  • Użyłem jednoznacznych czasowników, takich jak „przeczytaj, utwórz, zdecyduj…”.

Co należy zrobić podczas pisania promptu:

• Podaj jasne instrukcje początkowe w formie ponumerowanych kroków.
• Używaj czasowników opisujących działania, aby kroki były łatwe do wykonania.
• Pisz prosto i konkretnie.
• Użyj separatorów (===).

Krok ósmy: format placeholderów — zawsze na końcu

To ostatni etap pisania skutecznego promptu: wstawienie kolumn w formie placeholderów.

Umieść stałe instrukcje dotyczące zadania w jednym miejscu, a dane wejściowe właściwe dla danego wiersza dodaj na końcu szablonu w opisanych sekcjach. Ułatwia to utrzymanie i kontrolę promptu. Sama kolejność danych wejściowych nie gwarantuje poprawności.

Co należy zrobić:

Użyj podwójnych nawiasów klamrowych {{ }}, aby dodać dane z kolumn arkusza.

Użyj separatorów (===).

❗Ważne

Podczas wstawiania zmiennych wybieraj rzeczywiste właściwości kolekcji. Umieszczaj ich wartości w opisanych sekcjach danych wejściowych i sprawdź wygenerowany wynik przed przetworzeniem całej listy.

Zastosowanie reguł w innym przykładzie

Poniższy scenariusz M&A pokazuje, jak uporządkować bardziej złożone zapytanie. Zanim będzie można wykorzystać go do scoringu firm, trzeba zdefiniować precyzyjne kryteria.

Przykładowe zapytanie:

Zacznijmy tworzyć prompt!

Krok pierwszy

Na tym etapie przekażemy AI ogólny kontekst.

Krok drugi

Teraz jasno określimy główne cele naszego asystenta AI.

Krok trzeci

Teraz podzielimy analizę na konkretne kroki, które ma wykonać AI.

Krok czwarty

Aby zwiększyć dokładność, opiszemy teraz potencjalne pułapki i najważniejsze kwestie.

Krok piąty

Teraz określimy, jak wygląda prawidłowy wynik, definiując jasne kryteria oceny.

Krok szósty

Teraz przedstawimy kontekst dotyczący interpretacji danych i specyfiki branżowej.

Krok siódmy

Teraz wskażemy AI dokładną kolejność działań rozpoczynających analizę.

Krok ósmy

Na koniec przekażemy AI dane, na których ma pracować.

Dostosuj kryteria i pola wyjściowe do swojego zadania. Przykład M&A nadal wymaga określenia jednoznacznych progów punktowych i weryfikacji przez człowieka — ogólne polecenie oceny kondycji finansowej nie stanowi zdefiniowanego modelu scoringowego.

Przetestuj prompt przed przetworzeniem pliku CSV

W przykładzie dotyczącym HR włącz Define outputs format i skonfiguruj HR Match oraz Reason jako wyniki typu Text w enrichment Ask ChatGPT/OpenAI w Datablist. Przypisz każdy wynik do osobnej właściwości. Typ Checkbox nie pozwoliłby zachować rozróżnienia między No a Unknown.

Zacznij od niewielkiej próbki zawierającej dostawcę usług HR, niezwiązaną z HR firmę wspominającą o rekrutacji, pusty opis, firmę świadczącą różne rodzaje usług oraz sprzeczne teksty źródłowe. Przed uruchomieniem promptu zapisz oczekiwaną etykietę dla każdego wiersza, a następnie porównaj zarówno zwróconą etykietę, jak i jej uzasadnienie z oryginalnym tekstem.

Jeśli wynik odbiega od oczekiwań, ustal przyczynę:

• Brak wartości źródłowej oznacza konieczność uzupełnienia danych wejściowych lub zwrócenia wyniku Unknown.
• Niejednoznaczny opis działalności wymaga bardziej szczegółowej reguły uwzględniania lub wykluczania.
• Uzasadnienie, które nie znajduje potwierdzenia w danych wejściowych, wymaga poprawy i ponownego testu.
• Nieoczekiwana etykieta wymaga jaśniejszych reguł wyniku lub poprawnej konfiguracji pól wyjściowych.

Po zmianie promptu ponownie przetestuj te same przypadki. Zachowaj też kilka dodatkowych wierszy do osobnej weryfikacji, aby nie dostosowywać promptu wyłącznie do przykładów, które były już analizowane. Jeśli wszystkie zmienne są puste, rekord może zostać pominięty z błędem i nie trafić do modelu. Dlatego sprawdzaj zarówno błędy wykonania, jak i wyniki klasyfikacji.

Aby zastosować zweryfikowany prompt do większego pliku, skorzystaj z procesu enrichmentu wierszy CSV. Zachowaj oryginalne właściwości wejściowe, aby móc później sprawdzić wyniki.

Podsumowanie

Zacznij od jednej decyzji, jednoznacznych kryteriów i osobnych pól wyjściowych. Wyraźnie opisuj teksty źródłowe, przewiduj wynik dla brakujących dowodów i testuj prompt zarówno na typowych, jak i trudnych wierszach przed przetworzeniem całej kolekcji.

FAQ: jak pisać skuteczne prompty AI

Czym jest dobry prompt AI?

Dobry prompt AI jest jasny, konkretny i dobrze uporządkowany. Zawiera kontekst celu, szczegółowe instrukcje wykonania zadania oraz oczekiwany format wyniku. Powinien być napisany prostym językiem i pozbawiony niejednoznaczności, które mogłyby prowadzić do błędnej interpretacji.

Zobacz nasze przykłady AI prompts do lead generation.

Dlaczego moje prompty do ChatGPT nie działają?

AI prompts mogą nie działać skutecznie z następujących powodów:

• Niejasne lub zbyt ogólne instrukcje.
• Zbyt wiele zadań w jednym prompcie.
• Brak kontekstu lub informacji wprowadzających.
• Złożony albo nadmiernie techniczny język.
• Brak konkretnych przykładów lub oczekiwanego formatu wyniku.

Jak pisać prompty AI, aby uzyskiwać lepsze wyniki?

Aby pisać skuteczne prompty AI:

• Zacznij od jasno określonego celu.
• Podziel złożone zadania na mniejsze kroki.
• Przekaż odpowiedni kontekst i informacje wprowadzające.
• Określ oczekiwany format wyniku.
• Używaj prostego i konkretnego języka.
• Jeśli to możliwe, dodawaj przykłady.

Jakie są najczęstsze błędy w pisaniu promptów?

Do najczęstszych błędów w pisaniu promptów należą:

• Zbyt ogólne lub nieprecyzyjne polecenia.
• Przeciążanie promptu wieloma zadaniami.
• Brak wystarczającego kontekstu.
• Używanie niejasnego lub wieloznacznego języka.
• Zakładanie, że AI rozumie informacje przekazane nie wprost.
• Nieokreślenie oczekiwanego formatu wyniku.

Jak długi powinien być prompt AI?

Prompt AI powinien być na tyle długi, aby przekazać wszystkie niezbędne informacje — ale nie dłuższy. W przypadku prostych zadań skuteczny prompt zwykle ma od kilku zdań do jednego akapitu. Bardziej złożone zadania mogą wymagać dłuższych, szczegółowych instrukcji i dodatkowego kontekstu. Najważniejsze jest zachowanie kompletności i zwięzłości.

Czym jest prompt engineering?

Prompt engineering to praktyka projektowania i optymalizowania danych wejściowych dla modeli AI w celu uzyskania możliwie trafnych i użytecznych wyników. Obejmuje zrozumienie sposobu, w jaki modele AI interpretują instrukcje, skuteczne porządkowanie promptów oraz ich iteracyjne ulepszanie na podstawie otrzymywanych rezultatów.