Architektura AI #116
Prompt engineering
termin oryginalny: prompt engineering (ang.) · projektowanie poleceń, inżynieria promptów, prompt programming
Pojęcie z obiegu globalnego — bez udokumentowanego rodowodu w regionie. przejdź do dokumentacji ↓
Definicja robocza
Prompt engineering (projektowanie poleceń) to praktyka układania tekstu wejściowego dla dużego modelu językowego tak, aby bez zmiany wag modelu uzyskać pożądane zachowanie: format, rolę, tok rozumowania, odporność na błędy. W wersji technicznej chodzi o szablon z luką, którą model wypełnia, oraz o dobór przykładów, instrukcji i kontekstu, które przesuwają rozkład prawdopodobieństwa odpowiedzi. W wersji potocznej termin oznacza „umiejętność rozmawiania z ChatGPT” i bywa sprzedawany jako zawód. Różnica jest istotna: wersja techniczna jest mierzalna na zestawach zadań, potoczna opiera się na anegdocie.
Geneza i rodowód
Praktyka wyprzedziła nazwę. Artykuł o GPT-3 (Brown i in., maj 2020) nie używa w streszczeniu słowa „prompt”, ale pokazuje, że model wykonuje nowe zadania po podaniu kilku przykładów w tekście wejściowym (few-shot learning). W ciągu roku społeczność użytkowników, a potem badacze, odkryli, że sformułowanie tego tekstu zmienia wyniki o dziesiątki punktów procentowych. Reynolds i McDonell (luty 2021) zaproponowali termin prompt programming i tezę, że przykłady nie uczą modelu, tylko wskazują mu zadanie, które już zna; wprowadzili też „metaprompt”, czyli prompt generujący prompty. Liu i in. (lipiec 2021) uporządkowali dziedzinę jako paradygmat „pre-train, prompt, predict” z jednolitą notacją. Wei i in. (styczeń 2022) pokazali łańcuch myśli (chain-of-thought): przykłady z zapisanym rozumowaniem pośrednim wyraźnie poprawiają wyniki w zadaniach arytmetycznych, ale tylko w dostatecznie dużych modelach. Po premierze ChatGPT (listopad 2022) termin wszedł do obiegu publicznego; White i in. (luty 2023) zaproponowali katalog wzorców promptów na wzór wzorców projektowych. Dziedzina wyrosła więc z inżynierii oprogramowania i przetwarzania języka naturalnego, a nie z lingwistyki czy retoryki, choć dziś korzysta z obu. Równolegle rynek pracy i poradniki przechwyciły nazwę jako obietnicę nowego zawodu, co zatarło granicę między wynikiem badawczym a folklorem użytkowników.
Rodowód środkowoeuropejski
Nie znaleźliśmy udokumentowanego związku tego pojęcia z myślą lub doświadczeniem Europy Środkowej.
Nie znaleźliśmy udokumentowanego związku tego pojęcia z myślą lub doświadczeniem Europy Środkowej (co według przyjętej metody oznacza „nie znaleźliśmy”, nie „nie istnieje”; stan na październik 2026).
Dlaczego teraz
Trzy daty wyznaczają potrzebę pojęcia. Czerwiec 2020: udostępnienie GPT-3 przez interfejs programistyczny sprawiło, że po raz pierwszy wielu ludzi programowało model wyłącznie tekstem. Listopad 2022: ChatGPT przeniósł tę praktykę do setek milionów użytkowników, a w 2023 r. pojawiły się ogłoszenia o pracę dla „inżynierów promptów” i kursy obiecujące nową profesję. Czerwiec 2024: „The Prompt Report” (Schulhoff i in.) skatalogował 58 technik dla tekstu i 40 dla innych modalności, przyznając zarazem, że dziedzina cierpi na „niejednoznaczną terminologię”. W tle toczy się spór o trwałość: modele dostrajane do instrukcji (od InstructGPT w 2022 r.) i modele „rozumujące” z lat 2024–2025 wykonują same część pracy, którą wcześniej trzeba było wymusić promptem, a prace takie jak Zhou i in. (2022) pokazały, że model sam potrafi pisać instrukcje na poziomie człowieka. Jednocześnie prompt injection, czyli wstrzykiwanie poleceń do danych, uczyniło z projektowania poleceń problem bezpieczeństwa, a nie tylko wydajności.
Siła wyjaśniająca
Pojęcie pozwala zobaczyć, że zachowanie modelu nie jest jego własnością, lecz funkcją pary: model plus tekst wejściowy. Bez tej ramy porównania modeli są bezwartościowe, bo wynik zależy od tego, kto i jak pytał. Przykłady: po pierwsze, Lu i in. (2021) pokazali, że sama kolejność tych samych przykładów w prompcie przesuwa wynik klasyfikacji od poziomu najlepszych systemów do poziomu losowego, czyli „zdolność” modelu była w połowie zdolnością osoby układającej prompt. Po drugie, łańcuch myśli ujawnił, że model dysponuje umiejętnością, której nie okazuje, dopóki nie dostanie wzoru, jak ją zapisać; różnica między „nie potrafi” a „nie został poproszony we właściwy sposób” jest różnicą między wnioskiem o modelu a wnioskiem o eksperymencie. Po trzecie, rama tłumaczy, dlaczego ten sam model w jednej firmie „działa”, a w drugiej „halucynuje”: różnica siedzi w instrukcji systemowej i w kontekście, nie w wagach.
Osie sporu
Rzemiosło czy artefakt przejściowy
Autorzy katalogów wzorców, od White i in. (2023) po „The Prompt Report” (2024), traktują projektowanie poleceń jako dziedzinę inżynierską z własną taksonomią i dobrymi praktykami, wartą nauczania i standaryzacji. Najmocniejszy kontrargument: Zhou i in. (2022) pokazali, że model sam generuje i wybiera instrukcje dorównujące ludzkim w 19 z 24 zadań; a każde kolejne dostrajanie do instrukcji unieważnia część sztuczek, które działały na poprzedniej generacji. Jeśli technika żyje jedną generację modeli, nie jest rzemiosłem, lecz obejściem. Charakter sporu: rzeczowy — rozstrzyga go empiria: które techniki przeżywają zmianę modelu, a które giną wraz z nim.
Programowanie czy komunikacja
Reynolds i McDonell oraz tradycja inżynierii oprogramowania widzą w prompcie program w języku naturalnym, z semantyką, którą można badać jak kod; stąd metafora „nowego języka programowania”. Najmocniejszy kontrargument: Bender i Koller (2020) przypominają, że model trenowany na samej formie nie ma dostępu do intencji; prompt nie jest ani programem (brak gwarancji wykonania), ani komunikatem (brak rozumiejącego adresata), lecz manipulacją rozkładem prawdopodobieństwa, a obie metafory zasłaniają tę trzecią naturę. Charakter sporu: mieszany — spór o metaforę ma skutki praktyczne (testowanie, odpowiedzialność), ale w dużej części jest sporem o słowa.
Wydajność czy bezpieczeństwo
Większość literatury mierzy prompty wynikiem na zadaniu; badacze bezpieczeństwa wskazują, że ten sam kanał służy napastnikowi, bo model nie odróżnia instrukcji od danych. Najmocniejszy kontrargument: Zwolennicy perspektywy wydajnościowej odpowiadają, że granica instrukcji i danych to problem architektury modelu i dostrajania, nie promptu; projektant poleceń nie może naprawić czegoś, czego nie kontroluje. Charakter sporu: rzeczowy — chodzi o to, na którym poziomie systemu umieścić odpowiedzialność za zachowanie.
Niedoceniany kąt
Najmniej omawiany jest status epistemiczny wiedzy o promptach. Większość „technik” pochodzi z eksperymentów na konkretnych modelach, w konkretnych benchmarkach, często bez powtórzeń na innych modelach; Lu i in. pokazali, że dobra kolejność przykładów nie przenosi się między modelami, co podważa ogólność wielu rad. Dziedzina ma więc strukturę medycyny przed badaniami kontrolowanymi: obfitość praktyk, mało wiedzy, która by je porządkowała. Z tego wynika praktyczna konsekwencja, rzadko wypowiadana: wartość prompt engineeringu leży mniej w zbiorze sztuczek, a bardziej w metodzie, czyli w traktowaniu promptu jako hipotezy, którą trzeba sprawdzić na zestawie przypadków i przetestować ponownie po każdej zmianie modelu. Kto to robi, uprawia inżynierię; kto zbiera triki, uprawia folklor.
W przekładzie
Polski termin jest nieustalony. „Inżynieria promptów” jest kalką z obcym rdzeniem i podnosi praktykę do rangi dyscypliny, której jeszcze nie ma. „Projektowanie poleceń” (tak w liście serwisu) jest czytelne, ale „polecenie” sugeruje rozkaz, podczas gdy prompt bywa przykładem, fragmentem dialogu lub szablonem z luką. „Formułowanie zapytań” gubi element projektowania i myli z wyszukiwarką. Pozostajemy przy angielskim prompt engineering w tytule, a w tekście używamy „projektowania poleceń” jako polskiego odpowiednika, ze świadomością jego kosztu.
Jedno zdanie na wynos
Prompt nie jest pytaniem do modelu, lecz częścią modelu — a kto to zrozumie, przestaje pytać „co model potrafi” i zaczyna pytać „co potrafi ta para: model i tekst”.
Sieć pojęć pokrewnych
Jak to pojęcie wzmacnia, ogranicza lub uzupełnia inne ramy analityczne w korpusie.
-
In-context learning wzmacnia
Prompt engineering jest praktyczną stroną zdolności modelu do uczenia się z przykładów podanych w kontekście, bez zmiany wag.
-
LLM uzupełnia
Prompt jest jedynym interfejsem, przez który użytkownik końcowy steruje dużym modelem językowym, dlatego projektowanie poleceń rośnie razem z modelami.
-
RLHF w napięciu
Dostrajanie modelu do instrukcji przejmuje część pracy, którą wcześniej wykonywał prompt, i zarazem zmienia zasady, według których prompty działają.
-
Prompt injection ogranicza
Ten sam kanał, którym projektant steruje modelem, jest otwarty dla napastnika; prompt nie ma granicy między instrukcją a danymi.
-
Halucynacje modeli uzupełnia
Techniki promptowania, np. łańcuch myśli, obniżają częstość zmyśleń, ale ich nie usuwają, bo nie dotykają przyczyny w samym modelu.
-
RAG uzupełnia
Wzbogacanie promptu o dokumenty wyszukane w locie jest zautomatyzowaną postacią projektowania kontekstu.
-
Prawa skalowania ogranicza
Wraz ze wzrostem modeli wiele sztuczek promptowych traci znaczenie, co sugeruje, że część dziedziny to tymczasowa kompensacja słabości.
Kanon lektur i most przekładowy
Kluczowe prace założycielskie, wprowadzenia i głosy krytyczne — wraz z informacją o dostępności wydań w języku polskim i angielskim.
-
tekst założycielski 2020 · angielski
Tom B. Brown i in., Language Models are Few-Shot Learners
Artykuł o GPT-3, który pokazał, że sam tekst wejściowy z kilkoma przykładami wystarcza do wykonywania nowych zadań; od niego zaczyna się praktyka promptowania.
Po polsku: brak polskiego wydania
Po angielsku: tekst oryginalny po angielsku
-
tekst założycielski 2021 · angielski
Laria Reynolds, Kyle McDonell, Prompt Programming for Large Language Models: Beyond the Few-Shot Paradigm
Pierwsza praca, która traktuje prompt jako program w języku naturalnym, a przykłady few-shot jako wskazanie zadania, nie jako uczenie; wprowadza pojęcie metapromptu.
Po polsku: brak polskiego wydania
Po angielsku: tekst oryginalny po angielsku
-
wprowadzenie i synteza 2021 · angielski
Pengfei Liu i in., Pre-train, Prompt, and Predict: A Systematic Survey of Prompting Methods in Natural Language Processing
Przegląd, który nadał promptowaniu nazwę paradygmatu i jednolitą notację; pokazuje, że prompt to szablon z luką, a nie rozmowa.
Po polsku: brak polskiego wydania
Po angielsku: tekst oryginalny po angielsku
-
tekst założycielski 2022 · angielski
Jason Wei i in., Chain-of-Thought Prompting Elicits Reasoning in Large Language Models
Najbardziej wpływowa pojedyncza technika: przykłady z zapisanym rozumowaniem pośrednim poprawiają wyniki w zadaniach arytmetycznych i symbolicznych, ale tylko w dużych modelach.
Po polsku: brak polskiego wydania
Po angielsku: tekst oryginalny po angielsku
-
wprowadzenie i synteza 2023 · angielski
Jules White i in., A Prompt Pattern Catalog to Enhance Prompt Engineering with ChatGPT
Źródło z listy serwisu: katalog wzorców promptów na wzór wzorców projektowych w inżynierii oprogramowania, czyli próba uczynienia z praktyki rzemiosła z nazwanymi częściami.
Po polsku: brak polskiego wydania
Po angielsku: tekst oryginalny po angielsku
-
perspektywa krytyczna 2022 · angielski
Yongchao Zhou i in., Large Language Models Are Human-Level Prompt Engineers
Pokazuje, że model sam potrafi wygenerować i wybrać instrukcje dorównujące ludzkim w 19 z 24 zadań; podważa trwałość prompt engineeringu jako ludzkiej specjalności.
Po polsku: brak polskiego wydania
Po angielsku: tekst oryginalny po angielsku
-
perspektywa krytyczna 2021 · angielski
Yao Lu i in., Fantastically Ordered Prompts and Where to Find Them: Overcoming Few-Shot Prompt Order Sensitivity
Dowód kruchości: sama kolejność przykładów w prompcie decyduje, czy wynik jest bliski najlepszym, czy losowy; dobra kolejność nie przenosi się między modelami.
Po polsku: brak polskiego wydania
Po angielsku: tekst oryginalny po angielsku
-
z innej dziedziny 2020 · angielski
Emily M. Bender, Alexander Koller, Climbing towards NLU: On Meaning, Form, and Understanding in the Age of Data
Argument z filozofii języka i lingwistyki, że model trenowany wyłącznie na formie nie ma dostępu do znaczenia; wyjaśnia, dlaczego prompt steruje modelem inaczej niż polecenie człowiekowi.
Po polsku: brak polskiego wydania
Po angielsku: tekst oryginalny po angielsku