Pokročilý Prompt Engineering

Prompt engineering nie je len o tom „napísať dobrú otázku". Na pokročilej úrovni ide o systematické riadenie myslenia jazykového modelu — od štruktúry úvah, cez sebakontrolu, až po celé meta-systémy promptov. Tento článok prechádza techniky, ktoré posúvajú výstupy LLM na úplne inú úroveň.

1. Chain-of-Thought (CoT)

Chain-of-Thought je technika, kde model „myslí nahlas" — namiesto priamej odpovede najprv rozloží problém na kroky.

Prečo funguje: LLM sú lepšie v generovaní ďalšieho tokenu, keď predchádzajúce tokeny obsahujú medzikroky. Explicitné kroky znižujú chybovosť pri matematike, logike aj multi-step úlohách.

Príklad:

Prompt: Koľko je 17 × 24? Rozmýšľaj krok za krokom.

Odpoveď modelu:
1. 17 × 20 = 340
2. 17 × 4 = 68
3. 340 + 68 = 408
Výsledok: 408

Zero-shot CoT — stačí pridať „Rozmýšľaj krok za krokom" a model si reťaz myšlienok vytvorí sám. Few-shot CoT — pridáte príklad s riešením a model kopíruje štruktúru.

2. Tree-of-Thought (ToT)

Kým CoT je lineárna reťaz, Tree-of-Thought vytvára vetviacu sa štruktúru — model skúma viacero ciest riešenia paralelne a vyberá najlepšiu.

Kedy použiť: Problémy s viacerými možnými prístupmi — strategické plánovanie, kreatívne úlohy, matematické hádanky.

Príklad promptu:

Predstav si 3 expertov, z ktorých každý navrhne iné riešenie
tohto problému. Potom vyber najlepšie riešenie a vysvetli prečo.

Problém: Ako optimalizovať SQL query, ktorá beží 45 sekúnd?

Model potom generuje tri rôzne prístupy (indexovanie, prepisanie query, denormalizácia) a sám vyhodnotí, ktorý je najvhodnejší pre daný kontext.

3. Self-Consistency

Self-Consistency znamená, že necháte model odpovedať na rovnakú otázku viackrát (s nenulovou teplotou) a vyberiete najčastejšiu odpoveď — väčšinové hlasovanie.

Prečo to funguje: Pri zložitých úlohách model niekedy „zablúdi" v jednom reťazci myšlienok. Viacero nezávislých pokusov zvyšuje šancu, že správna odpoveď prevládne.

Praktické využitie:

Matematické úlohy — 5 pokusov, väčšinový výsledok
Klasifikácia sentimentu — konzistentnejšie výsledky
Faktické otázky — overenie spoľahlivosti odpovede

V praxi to implementujete cez API s temperature > 0 a viacerými volaniami.

4. Meta-Prompting

Meta-prompting je technika, kde prompt generuje prompt. Namiesto priameho riešenia úlohy požiadate model, aby najprv navrhol optimálny prompt pre danú úlohu.

Príklad:

Si expert na prompt engineering. Navrhni optimálny prompt
pre generovanie SEO článkov o technológiách. Prompt by mal
obsahovať: rolu, kontext, formát výstupu, obmedzenia a príklady.

Pokročilá varianta — Recursive Meta-Prompting:

1. Navrhni prompt pre [úlohu]
2. Vyhodnoť navrhnutý prompt — aké má slabiny?
3. Vylepši ho na základe identifikovaných problémov
4. Výsledný finálny prompt:

Táto technika je mimoriadne užitočná pri budovaní promptových systémov — napríklad pre automatizované pipelines.

5. Constitutional AI a Self-Critique

Constitutional AI (Anthropic) je prístup, kde model sám hodnotí a opravuje svoje odpovede podľa definovaných princípov.

Ako to využiť v promptoch:

Odpovedz na otázku používateľa. Potom skontroluj svoju odpoveď:
1. Je fakticky správna?
2. Nie je zavádzajúca alebo neobjektívna?
3. Obsahuje nejaké predsudky?
Ak áno, prepíš odpoveď tak, aby spĺňala všetky kritériá.

Princíp „Critique → Revise" je mocný aj mimo bezpečnosti — napríklad pre vylepšenie kvality kódu, textov alebo analýz.

6. System Prompts — Architektúra správania

System prompt definuje „osobnosť" a pravidlá modelu ešte pred prvou správou používateľa. Je to najdôležitejší prompt v celom systéme.

Štruktúra efektívneho system promptu:

## Rola
Si senior Python vývojár s 10-ročnou skúsenosťou.

## Pravidlá
- Vždy používaj type hints
- Preferuj funkcionálny štýl kde je to vhodné
- Vysvetľuj rozhodnutia v komentároch

## Formát výstupu
- Kód v Python 3.12+
- Docstringy vo formáte Google
- Na konci vždy unit test

## Obmedzenia
- Nepoužívaj externé knižnice pokiaľ to nie je nutné
- Maximálna dĺžka funkcie: 20 riadkov

Tipy pre system prompty:

Buďte špecifickí — „Si expert na React" je lepšie ako „Si programátor"
Definujte formát — model dodržiava formát, keď ho pozná vopred
Negatívne inštrukcie fungujú — „Neodpovedaj na otázky mimo témy"
Prioritizácia — zoraďte pravidlá od najdôležitejšieho

7. Praktické pokročilé vzory

Few-Shot s negatívnymi príkladmi

Ukážte modelu nielen čo chcete, ale aj čo nechcete:

Dobrý výstup: "Tržby vzrástli o 15% vďaka novej kampani."
Zlý výstup: "Tržby sa zvýšili." (príliš vágne, chýba kontext)

Role-Playing pre hlbšiu analýzu

Analyzuj tento biznis plán z pohľadu troch rolí:
1. Investor — riziko vs. návratnosť
2. Zákazník — riešil by to môj problém?
3. Konkurent — ako by som to porazil?

Structured Output Forcing

Odpovedz PRESNE v tomto JSON formáte:
{
  "zhrnutie": "...",
  "klucove_body": ["...", "..."],
  "odporucenie": "...",
  "istota": 0.0-1.0
}

8. Porovnanie techník

Technika	Kedy použiť	Náročnosť	Efekt
CoT	Logika, matematika, step-by-step	Nízka	Vysoký
ToT	Kreatívne / strategické problémy	Stredná	Vysoký
Self-Consistency	Kritické rozhodnutia	Stredná (viac volaní)	Stredný
Meta-Prompting	Tvorba promptových systémov	Stredná	Vysoký
Constitutional	Bezpečnosť, kvalita	Nízka	Stredný
System Prompts	Každý projekt	Nízka	Kritický

9. Záver

Pokročilý prompt engineering nie je o „kúzelných slovíčkach" — je to inžinierska disciplína. Kombináciou Chain-of-Thought, Tree-of-Thought, meta-promptingu a dobre navrhnutých system promptov dokážete z rovnakého modelu dostať dramaticky lepšie výsledky. Kľúč je experimentovať, merať a iterovať.

Odporúčané ďalšie čítanie: Few-Shot Prompting, Constitutional AI, RAG