--- title: "Core prompt engineering techniques (CS)" source: "https://systems-analysis.info/int/Core_prompt_engineering_techniques_(CS)" wiki: "systems-analysis.info/int" article: "Core_prompt_engineering_techniques_(CS)" language: "cs" categories: - "Category:Czech" - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" revision_id: 1252 wiki_created_at: 2026-09-06T22:45:49Z wiki_modified_at: 2026-09-06T22:45:49Z downloaded_at: 2026-09-07T22:44:58Z --- # Core prompt engineering techniques (CS) **Prompt engineering** zahrnuje různorodé techniky a metodiky zaměřené na optimalizaci interakce s velkými jazykovými modely (LLM) za účelem dosažení požadovaných výsledků. Tyto techniky se týkají strukturování dotazů, poskytování kontextu, řízení stylu výstupu a zlepšování schopnosti modelu uvažovat. Protože LLM generují odpověď předpovídáním následujících tokenů na základě vstupního promptu, kvalita a struktura tohoto promptu přímo ovlivňují výsledek. Základní techniky prompt engineeringu umožňují vývojářům a uživatelům efektivně řídit chování modelu, snižovat chyby a přizpůsobovat jej konkrétním úlohám bez nutnosti měnit vnitřní parametry modelu. ## Základní principy a struktura promptu Ačkoli se konkrétní implementace liší, efektivní prompty jsou často sestavovány s ohledem na obecné principy a strukturu: - **Empirické vodítko:** Jako jedno z praktických schémat (nikoli průmyslový standard) se doporučuje dodržovat následující principy: Určit Směr, Specifikovat Formát, Poskytnout Příklady, Vyhodnotit Kvalitu a Rozdělit Úkol. - Efektivní prompt často zahrnuje tyto složky: - **Úvod/Role:** Nastavuje kontext úkolu nebo roli/personu modelu. - **Instrukce:** Jasné pokyny, co je třeba udělat. - **Kontext:** Potřebné informace (statické nebo dynamicky získané přes RAG). - **Příklady (Few-shot):** Ukázka požadovaného formátu/stylu. - **Požadavek na odpověď:** Explicitní určení, co má model vygenerovat. - **Systémová zpráva (System Prompt):** V chatovacích rozhraních API (například u modelů OpenAI, Anthropic) umožňuje nastavit globální instrukce a roli pro celou relaci. - **Formátování:** Použití Markdown, JSON, XML nebo YAML pomáhá strukturovat prompt a usnadňuje parsování odpovědi. Oddělovače (\`\`\`, \`\\\\\\\`, XML-tagy) jsou důležité pro oddělení instrukcí od dat. ## Základní techniky instrukcí a příkladů - **Jasné a konkrétní instrukce:** Co nejpřesněji popsat úkol, požadovaný výsledek a omezení. Vyhýbat se nejednoznačnosti. - **Přiřazení role (Role Prompting):** Přidělení role modelu („Jsi expert na...") pro řízení tónu, stylu a znalostní základny. - **Zero-shot Prompting:** Dotaz bez příkladů. Efektivní pro jednoduché úkoly nebo úkoly, které model dobře zná. - **Few-Shot Prompting:** Poskytnutí několika (obvykle 2 až 5) příkladů „otázka-odpověď" pro demonstraci úkolu. Zvláštním případem je **One-shot Prompting** s jedním příkladem. Zvláště užitečné pro složité formáty nebo styly. Vyžaduje opatrnost, aby nedošlo ke zkreslení (anchoring) nebo zachycení falešných vzorů z příkladů. ## Techniky správy kontextu - **Retrieval-Augmented Generation (RAG):** Dynamické přidávání relevantních informací z externích znalostních bází do promptu před odesláním LLM. Poprvé navržená Meta AI v roce 2020, tato metoda je klíčová pro potlačení halucinací a zajištění aktuálnosti dat. - **Chunking:** Rozdělení velkých textů na menší části (chunky), aby se vešly do kontextového okna modelu. Strategie zahrnují dělení po větách, odstavcích, tokenech (s překryvem). - **Sumarizace:** Komprese dlouhých textů nebo historie dialogu pro přenos hlavního smyslu v omezeném kontextu. ## Techniky zlepšování uvažování (Reasoning) Tyto techniky jsou zaměřeny na to, aby model „přemýšlel" důkladněji a strukturovaněji. Účinnost mnoha z nich, zejména CoT, se projevuje na modelech velkého měřítka (zpravidla více než 100 miliard parametrů). - **Chain-of-Thought (CoT):** Instrukce modelu generovat postupné uvažování před finální odpovědí. Výrazně zlepšuje výsledky v matematice, logice a víceúrovňových úlohách. - **Zero-shot CoT:** Nejjednodušší forma, nevyžadující příklady. Přidání fráze jako „Uvažujme krok za krokem" (Let's think step by step) do promptu může samo o sobě spustit řetězec úvah. - **Variace CoT:** - **Auto-CoT:** Automatické generování příkladů uvažování pro few-shot prompting. - **Self-Consistency:** Generování několika řetězců uvažování a výběr nejčastější odpovědi metodou „hlasování", což zvyšuje spolehlivost. - **Tree-of-Thoughts (ToT):** Prozkoumávání několika cest uvažování ve formě stromu s možností návratu a vyhodnocení mezikroků. Tato technika vykazuje vysokou účinnost u složitých úloh, například zvyšuje úspěšnost řešení „Game of 24" přibližně ze 4 % na přibližně 74 %. - **Graph-of-Thought (GoT), LogiCoT** a další, zaměřené na složitější nebo logicky ověřené uvažování. - **ReAct (Reason and Act):** Technika rozvíjející CoT. Představuje iterativní cyklus, ve kterém model střídá kroky Uvažování (Thought) a Akce s využitím nástrojů (Act), přičemž aktualizuje své chápání na základě Pozorování (Observation). - **Self-Refine:** Iterativní proces, při kterém model nejprve vygeneruje odpověď, poté ji zkritizuje a nakonec vylepší na základě vlastní kritiky. Tento cyklus „generování-kritika-vylepšení" se může opakovat několikrát. - **Take a Step Back Prompting:** Model nejprve formuluje obecné principy nebo abstrakce a poté je aplikuje na konkrétní úkol. ## Pokročilé techniky: agenti a nástroje - **Využití nástrojů (Tool Usage) / Volání funkcí (Function Calling):** Poskytnutí možnosti LLM volat externí API (vyhledávání, kalkulačka, databáze). Model generuje strukturovaný požadavek na volání nástroje, který aplikace vykoná, a výsledek je vrácen modelu. Moderní LLM (GPT-4, Claude 3) mají tuto funkci vestavěnou. - **Agenti (Agents):** Systémy na bázi LLM, které mohou autonomně plánovat, využívat nástroje a jednat za účelem dosažení cíle. Často využívají cykly podobné ReAct. Frameworky (LangChain, AutoGen, CrewAI) zjednodušují jejich vytváření. - **Víceagentní systémy:** Spolupráce několika specializovaných agentů při řešení komplexních úloh. ## Techniky snižování chyb a halucinací - **RAG:** Ukotvení odpovědí v získaných faktických datech. - **Instrukce pro omezení odpovědi:** Požadavek odpovídat pouze na základě poskytnutého kontextu nebo vyjadřovat nejistotu („Pokud odpověď není známa, řekni ‚Nevím'"). - **Požadavek na citace:** Požadavek, aby model uváděl zdroje nebo citoval části kontextu, na nichž je odpověď založena. - **Ověřování a sebekritika:** Využití technik jako **Chain-of-Verification (CoVe)** (generování odpovědi s následnou kontrolou a opravou), Self-Refine nebo přímý požadavek na model, aby zkontroloval svou odpověď na chyby. - **CoT:** Postupné uvažování samo o sobě může snížit logické chyby. ## Techniky hodnocení a iterace Ačkoli hodnocení je samostatný proces, některé jeho aspekty jsou součástí prompt engineeringu: - **A/B testování promptů:** Porovnávání účinnosti různých verzí promptů na stejných úlohách. - **Využití LLM pro hodnocení:** Použití výkonného modelu (například GPT-4) k hodnocení kvality odpovědí vygenerovaných jiným promptem nebo modelem (LLM-as-a-Judge). ## Vzory promptů Běžné znovupoužitelné struktury: - **Vzor Persony (Persona Pattern).** - **Vzor Přizpůsobení Výstupu (Output Customization Pattern).** - **Vzor Požadavku na Upřesnění (Question Refinement Pattern).** - **Vzor Kognitivního Ověřování / Sebekritiky (Cognitive Verifier / Self-Critique Pattern).** - **Vzor Postupného Uvažování (Step-by-Step / Chain-of-Thought Pattern).** - **Vzor Šablony (Template Pattern).** ## Literatura - Radford, A. et al. (2019). *Language Models are Unsupervised Multitask Learners*. PDF. - Brown, T. B. et al. (2020). *Language Models are Few-Shot Learners*. arXiv:2005.14165. - Lewis, P. et al. (2020). *Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks*. arXiv:2005.11401. - Li, X. L.; Liang, P. (2021). *Prefix-Tuning: Optimizing Continuous Prompts for Generation*. arXiv:2101.00190. - Liu, Y. et al. (2021). *Fantastically Ordered Prompts and Where to Find Them: Overcoming Few-Shot Prompt Order Sensitivity*. arXiv:2104.08786. - Bai, Y. et al. (2022). *Constitutional AI: Harmlessness from AI Feedback*. arXiv:2212.08073. - Wei, J. et al. (2022). *Chain-of-Thought Prompting Elicits Reasoning in Large Language Models*. arXiv:2201.11903. - Wang, X. et al. (2022). *Self-Consistency Improves Chain of Thought Reasoning in Language Models*. arXiv:2203.11171. - Kojima, T. et al. (2022). *Large Language Models are Zero-Shot Reasoners*. arXiv:2205.11916. - Zhang, Z. et al. (2022). *Automatic Chain of Thought Prompting in Large Language Models*. arXiv:2210.03493. - Zhou, D. et al. (2022). *Least-to-Most Prompting Enables Complex Reasoning in Large Language Models*. arXiv:2205.10625. - Yao, S. et al. (2022). *ReAct: Synergizing Reasoning and Acting in Language Models*. arXiv:2210.03629. - Besta, M. et al. (2023). *Graph of Thoughts: Solving Elaborate Problems with Large Language Models*. arXiv:2308.09687. - Madaan, A. et al. (2023). *Self-Refine: Iterative Refinement with Self-Feedback*. arXiv:2303.17651. - Schick, T. et al. (2023). *Toolformer: Language Models Can Teach Themselves to Use Tools*. arXiv:2302.04761. - Rafailov, R. et al. (2023). *Direct Preference Optimization: Your Language Model is Secretly a Reward Model*. arXiv:2305.18290. - Wang, Y. et al. (2023). *Self-Instruct: Aligning Language Models with Self-Generated Instructions*. arXiv:2212.10560. - Yao, S. et al. (2023). *Tree of Thoughts: Deliberate Problem Solving with Large Language Models*. arXiv:2305.10601. - Chen, S. Y. et al. (2023). *Extending Context Window of Large Language Models via Positional Interpolation*. arXiv:2306.15595. - Chang, K. et al. (2024). *Efficient Prompting Methods for Large Language Models: A Survey*. arXiv:2404.01077. - Genkina, D. (2024). *AI Prompt Engineering Is Dead*. *IEEE Spectrum*. [1]. - Li, Z. et al. (2024). *Prompt Compression for Large Language Models: A Survey*. arXiv:2410.12388. - Liang, X. et al. (2024). *Internal Consistency and Self-Feedback in Large Language Models: A Survey*. arXiv:2407.14507. - Han, H. et al. (2025). *Retrieval-Augmented Generation with Graphs (GraphRAG)*. arXiv:2501.00309. - Li, W. et al. (2025). *A Survey of Automatic Prompt Engineering: An Optimization Perspective*. arXiv:2502.11560. - Wu, Z. et al. (2025). *The Dark Side of Function Calling: Pathways to Jailbreaking Large Language Models*. *EMNLP 2025*. PDF. - Yang, B. et al. (2025). *Hallucination Detection in Large Language Models with Metamorphic Relations*. arXiv:2502.15844. ## Viz také - Velké jazykové modely - Chain-of-Thought Prompting - Halucinace a nesprávné odpovědi LLM