---
title: "Meta Prompting (CS)"
source: "https://systems-analysis.info/int/Meta_Prompting_(CS)"
wiki: "systems-analysis.info/int"
article: "Meta_Prompting_(CS)"
language: "cs"
categories:
- "Category:Czech"
- "Category:Large language models"
- "Category:Machine learning"
- "Category:Prompt engineering"
revision_id: 4245
wiki_created_at: 2026-09-06T23:32:34Z
wiki_modified_at: 2026-09-06T23:32:34Z
downloaded_at: 2026-09-07T23:01:37Z
---
# Meta Prompting (CS)
**Meta-prompting** (angl. *meta-prompting*) — je pokročilá metoda prompt-engineeringu, při níž jsou velké jazykové modely (LLM) využívány k vytváření, úpravě a optimalizaci vlastních instrukcí (promptů)[\[1\]](https://systems-analysis.info/int/Meta_Prompting_(CS)#cite_note-cookbook_openai-1). Na rozdíl od tradičních přístupů, kde člověk ručně píše podrobné instrukce, se meta-prompting zaměřuje na definování **struktury řešení úlohy** a rolí, které má model zastávat. Jinými slovy popisuje *jak* řešit úlohu, nikoli *co* přesně dělat v každém konkrétním případě[\[2\]](https://systems-analysis.info/int/Meta_Prompting_(CS)#cite_note-intuition_labs-2).
Tento přístup umožňuje LLM samostatně dekompozovat složité problémy, upřesňovat dotazy a iterativně zlepšovat vlastní odpovědi, čímž otevírá cestu k vytváření autonomnějších a adaptivnějších systémů umělé inteligence.
## Základní metody a přístupy
Termín „meta-prompting" se rozšířil ve vědecké literatuře koncem roku 2023 a začátkem roku 2024, kdy několik výzkumných skupin představilo podobné přístupy k řízení LLM.
### Metoda „rámcového scénáře" (Scaffolding)
Jeden z klíčových přístupů navrhli výzkumníci ze Stanfordské univerzity a OpenAI[\[3\]](https://systems-analysis.info/int/Meta_Prompting_(CS)#cite_note-suzgun2024-3). V tomto schématu, nazvaném **scaffolding**, hraje jeden a tentýž jazykový model (GPT-4 v experimentech) několik rolí současně:
- **Dirigent (Conductor)**: Přijímá vysokoúrovňový meta-prompt a rozděluje složitou úlohu na řadu jednodušších dílčích úloh.
- **Experti (Experts)**: „Dirigent" inicializuje několik svých instancí-„expertů", z nichž každý řeší samostatnou dílčí úlohu podle speciálně zadaných instrukcí.
- **Integrace**: „Dirigent" koordinuje práci „expertů" a integruje jejich odpovědi do finálního řešení.
Tento orchestrační přístup umožnil výrazně zvýšit efektivitu řešení složitých úloh. Například v experimentech meta-prompting překonal běžné jednokrokové dotazy o **17,1 %** a další pokročilé metody o 15–17 % na sadách úloh vyžadujících vícekomponentní uvažování (například hra „24", šachové hádanky)[\[3\]](https://systems-analysis.info/int/Meta_Prompting_(CS)#cite_note-suzgun2024-3). Důležité je, že tato metoda má na úloze nezávislý charakter a funguje v režimu nulového příkladu (*zero-shot*), aniž by vyžadovala konkrétní příklady pro každou novou úlohu.
### Teoretický přístup a strukturální šablony
Paralelně navrhla skupina výzkumníků z Univerzity Tsinghua vlastní koncepci meta-promptingu, přičemž přesunula důraz z obsahové části úlohy na její **syntaxi a formu** reprezentace dat[\[4\]](https://systems-analysis.info/int/Meta_Prompting_(CS)#cite_note-zhang2024-4). Opírajíce se o kategoriální model demonstrovali, že abstraktní popis struktury problému umožňuje modelu budovat úvahy blízké svou hloubkou lidskému myšlení a efektivně dekompozovat složité otázky na jednodušší kroky.
### Související koncepty
Myšlenky meta-promptingu se projevují i v dalších metodách:
- **Automatic Prompt Engineer (APE)**: Metoda, při níž LLM automaticky generuje a vybírá efektivní instrukce pro sebe sama, přičemž je hodnotí podle kvality dosahovaných výsledků[\[5\]](https://systems-analysis.info/int/Meta_Prompting_(CS)#cite_note-ape2022-5).
- **Self-Refine**: Přístup, kdy model iterativně zlepšuje svou odpověď tím, že kriticky analyzuje předchozí verzi a generuje opravy na základě této kritiky[\[6\]](https://systems-analysis.info/int/Meta_Prompting_(CS)#cite_note-self_refine2023-6).
## Využití a výhody
Meta-prompting prokázal vysokou efektivitu v úlohách vyžadujících složité vícekomponentní uvažování, jako jsou matematické důkazy, programování a postupné řešení hádanek. Klíčové výhody metody:
- **Tokenová efektivita**: Soustředění na obecnou strukturu úlohy namísto výčtu mnoha příkladů snižuje objem promptu. Meta-prompt představuje univerzální šablonu vyžadující méně tokenů[\[7\]](https://systems-analysis.info/int/Meta_Prompting_(CS)#cite_note-prompting_guide-7).
- **Stabilita a nestrannost**: Metoda se vyhýbá závislosti na konkrétních příkladech, čímž je model méně náchylný ke zkreslení ve prospěch zvláštností trénovacích vzorků[\[7\]](https://systems-analysis.info/int/Meta_Prompting_(CS)#cite_note-prompting_guide-7).
- **Dynamická adaptace**: Na rozdíl od statického promptu meta-prompting připouští iterativní zlepšování. Model může v průběhu řešení upřesňovat instrukce, vyžadovat chybějící informace a upravovat strategii[\[2\]](https://systems-analysis.info/int/Meta_Prompting_(CS)#cite_note-intuition_labs-2).
- **Generalizace na nové úlohy**: Vysokoúrovňové instrukce se snáze přenášejí na nové, dosud neviděné úlohy, což činí z meta-promptingu zdokonalenou formu přístupu *zero-shot*.
## Omezení a rizika
- **Náklady a složitost výpočtů**: Metoda vyžaduje opakované dotazy na model pro jednu úlohu, což zvyšuje časové náklady i počet API-požadavků. Současné implementace fungují sekvenčně, což ztěžuje paralelizaci[\[8\]](https://systems-analysis.info/int/Meta_Prompting_(CS)#cite_note-decoder_article-8).
- **Závislost na schopnostech modelu**: Efektivita meta-promptingu silně závisí na kvalitě základního LLM. Výzkumy ukázaly, že GPT-3.5 z této metody téměř neprofituje, zatímco pro GPT-4 a novější modely je přínos výrazně vyšší[\[8\]](https://systems-analysis.info/int/Meta_Prompting_(CS)#cite_note-decoder_article-8).
- **Fundamentální omezení LLM**: Meta-prompting není všelék. Pokud úloha přesahuje znalosti základního modelu, ani dokonale formulovaný meta-prompt nezaručuje správný výsledek. V takových případech je nutné buď doladit model (fine-tuning), nebo jej integrovat s externími nástroji (například vyhledávání na internetu nebo interpret kódu)[\[3\]](https://systems-analysis.info/int/Meta_Prompting_(CS)#cite_note-suzgun2024-3).
## Odkazy
- Příklad meta-promptingu v OpenAI Cookbook
- Popis metody v Prompt Engineering Guide
## Literatura
- Suzgun, M.; Kalai, A. T. (2024). *Meta-Prompting: Enhancing Language Models with Task-Agnostic Scaffolding*. arXiv:2401.12954.
- Zhang, Y.; Yuan, Y.; Yao, A. C.-C. (2023). *Meta Prompting for AGI Systems*. arXiv:2311.11482.
- Zhou, Y. et al. (2022). *Large Language Models Are Human-Level Prompt Engineers*. arXiv:2211.01910.
- Madaan, A. et al. (2023). *Self-Refine: Iterative Refinement with Self-Feedback*. arXiv:2303.17651.
- Ning, X. et al. (2023). *Skeleton-of-Thought: Prompting LLMs for Efficient Parallel Generation*. arXiv:2307.15337.
- Chen, X. et al. (2023). *Universal Self-Consistency for Large Language Model Generation*. arXiv:2311.17311.
- Wang, X. et al. (2022). *Self-Consistency Improves Chain-of-Thought Reasoning in Language Models*. arXiv:2203.11171.
- Fernando, C. et al. (2023). *PromptBreeder: Self-Referential Self-Improvement via Prompt Evolution*. arXiv:2309.16797.
- Zhou, P. et al. (2024). *Self-DISCOVER: Large Language Models Self-Compose Reasoning Structures*. arXiv:2402.03620.
- Chen, J. et al. (2024). *Thought-Augmented Reasoning with Large Language Models*. arXiv:2406.04271.
## Poznámky
1. [↑](https://systems-analysis.info/int/Meta_Prompting_(CS)#cite_ref-cookbook_openai_1-0) «Enhance your prompts with meta prompting». *OpenAI Cookbook*. [1]
2. ↑ [2.0](https://systems-analysis.info/int/Meta_Prompting_(CS)#cite_ref-intuition_labs_2-0) [2.1](https://systems-analysis.info/int/Meta_Prompting_(CS)#cite_ref-intuition_labs_2-1) «Meta-Prompting: LLMs Crafting & Enhancing Their Own Prompts». *Intuition Labs*. [2]
3. ↑ [3.0](https://systems-analysis.info/int/Meta_Prompting_(CS)#cite_ref-suzgun2024_3-0) [3.1](https://systems-analysis.info/int/Meta_Prompting_(CS)#cite_ref-suzgun2024_3-1) [3.2](https://systems-analysis.info/int/Meta_Prompting_(CS)#cite_ref-suzgun2024_3-2) Suzgun, Mirac; Kalai, Adam T. (2024). «Meta-Prompting: Enhancing Language Models with Task-Agnostic Scaffolding». *arXiv:2401.12954*.
4. [↑](https://systems-analysis.info/int/Meta_Prompting_(CS)#cite_ref-zhang2024_4-0) Zhang, Yifan, et al. (2023). «Meta Prompting for AGI Systems». *arXiv:2311.11482*.
5. [↑](https://systems-analysis.info/int/Meta_Prompting_(CS)#cite_ref-ape2022_5-0) Zhou, Y., et al. (2022). «Large Language Models Are Human-Level Prompt Engineers». *arXiv:2211.01910*.
6. [↑](https://systems-analysis.info/int/Meta_Prompting_(CS)#cite_ref-self_refine2023_6-0) Madaan, A., et al. (2023). «Self-Refine: Iterative Refinement with Self-Feedback». *arXiv:2303.17651*.
7. ↑ [7.0](https://systems-analysis.info/int/Meta_Prompting_(CS)#cite_ref-prompting_guide_7-0) [7.1](https://systems-analysis.info/int/Meta_Prompting_(CS)#cite_ref-prompting_guide_7-1) «Meta Prompting». *Prompt Engineering Guide*. [3]
8. ↑ [8.0](https://systems-analysis.info/int/Meta_Prompting_(CS)#cite_ref-decoder_article_8-0) [8.1](https://systems-analysis.info/int/Meta_Prompting_(CS)#cite_ref-decoder_article_8-1) «AI within an AI: Meta-prompting can improve the reasoning capabilities of large language models». *The Decoder*.