Instrukce (Task)
Jádro promptu definující konkrétní operaci, kterou má model provést. Musí obsahovat aktivní slovesa a jasně specifikovaný cíl operace bez sémantických nejasností.
Technické pozadí LLM Struktura
a Syntaxe
Technický manuál pro definování precizních vstupních parametrů velkých jazykových modelů. Metodika dekompozice požadavků na atomární instrukce.
Analýza komponent promptu
Každý efektivní prompt se skládá ze specifických funkčních bloků. Jejich správná identifikace a oddělení přímo ovlivňuje schopnost modelu LLM (Large Language Model) správně interpretovat záměr uživatele. Absence klíčových komponent často vede k halucinacím nebo nerelevantním výstupům.
Kontext (Context)
Vnější parametry a omezení, ve kterých se model pohybuje. Zahrnuje definici cílového publika, tónu komunikace a doménových specifik daného úkolu.
Systémové instrukceVstupní data (Data)
Surové informace určené ke zpracování. Mohou to být texty k analýze, číselné řady pro predikci nebo kód určený k refaktorování v rámci daného cyklu.
Strukturování datMetody delimitace a syntaxe
Správná syntaxe v prompt engineeringu není pouze otázkou estetiky, ale kritickým nástrojem pro řízení pozornosti modelu. Použití delimitérů (oddělovačů) umožňuje modelu jasně rozlišit, kde končí instrukce a kde začínají data. V praxi se nejčastěji využívají trojité uvozovky, XML tagy nebo Markdown záhlaví. Tento přístup eliminuje riziko "prompt injection", kdy model zamění data za příkazy.
⚠ VÝSTRAHA: Nedostatečné oddělení sekcí v komplexních promptech vede k degradaci logické posloupnosti výstupu o 30-40 % v závislosti na parametru teploty (temperature).
Při práci s rozsáhlými datasety doporučujeme používat hierarchické značení. Například použití značek <context> a </context> poskytuje modelu jasný signál o rozsahu referenčního materiálu. Tento mechanismus je klíčový zejména u modelů s omezeným kontextovým oknem, kde je nutné prioritizovat relevantní segmenty informací pro udržení koherence.
Dále je nutné vzít v úvahu, že LLM modely zpracovávají text jako tokeny. Syntaktické chyby nebo nekonzistentní formátování mohou vést k nesprávné tokenizaci, což následně ovlivňuje pravděpodobnostní distribuci následujících slov. Pro dosažení maximální přesnosti je nezbytné udržovat jednotný formát napříč celým promptem, což podrobněji rozebíráme v sekci Iterační optimalizace.
Hierarchie instrukcí a prioritizace
| Úroveň priority | Typ instrukce | Očekávaný dopad |
|---|---|---|
| Vysoká (L1) | Základní úkol a negativní omezení (Co nedělat) | Definuje směr a bezpečnostní mantinely generování. |
| Střední (L2) | Formát výstupu (JSON, tabulka, seznam) | Zajišťuje strojovou čitelnost a strukturu dat. |
| Nízká (L3) | Stylistické nuance a příklady (Few-shot) | Jemné doladění tónu a specifických preferencí. |
Pravidla pro řazení:
- Nejdůležitější instrukce umístěte na začátek nebo na úplný konec promptu (Recency/Primacy effect).
- Používejte imperativy místo popisných vět.
- Jasně definujte separaci mezi instrukcemi a příklady pomocí metody Few-shot učení.
- V případě protichůdných požadavků explicitně uveďte, který má vyšší váhu.
Příklad technické dokumentace
"Při analýze logovacích souborů (Data) postupuj podle protokolu ISO-27001 (Kontext). Výstup vygeneruj výhradně ve formátu CSV (Formát). Ignoruj všechny řádky označené jako DEBUG (Omezení)."
Pokročilé techniky
Po zvládnutí základní syntaxe doporučujeme prostudovat logické řetězení myšlenek pro řešení komplexních matematických a analytických úloh.