Proč nestačí říct „udělej to"

Demo začíná zdánlivě jednoduše: do konzole nahrajete formulář švédské autonehody (17 checkboxů) a ručně kreslený nákres střetu. První prompt je minimalistický — „tady je formulář a skica, urči, co se stalo a kdo za to může."

Claude odpoví, že šlo o lyžařskou nehodu na ulici Chappangan. Což je špatně — model uhádl, že jde o Švédsko, ale neměl dost kontextu, aby pochopil, že se dívá na dopravní formulář. Tohle je přesně ten moment, kdy podle Anthropicu začíná skutečný prompt engineering: iterativní, empirický proces, kde každou verzi testujete a vylepšujete.

10 kroků profesionálního promptu

Anthropic interně používá desetibodovou strukturu, kterou ve videu postupně odkrývá. Ne každý prompt potřebuje všech deset bodů — jde spíš o checklist, co všechno byste měli zvážit.

1. Task context — řekněte modelu, kdo je a co má dělat

Úplný základ. Místo „analyzuj formulář" řekněte: „Jsi AI asistent, který pomáhá likvidátorovi pojistných událostí. Analyzuješ švédské formuláře dopravních nehod." Model potřebuje rozumět své roli stejně jako nový kolega první den v práci.

2. Tone context — naučte model, kdy říct „nevím"

Zásadní instrukce: „Pokud si nejsi jistý, nehádej. Odpověz jen tehdy, když jsi plně přesvědčený." Bez téhle pojistky bude model vymýšlet data, která ve formuláři nejsou. V pojišťovnictví by taková halucinace mohla znamenat špatně přiřazenou vinu — v lepším případě ostudu, v horším soud.

3. Background data — dejte modelu to, co se nemění

Klíčový poznatek z videa: statické informace patří do system promptu. Formulář má vždycky 17 řádků, dva sloupce pro vozidlo A a B. Tohle se nikdy nemění, takže to dáte do system promptu jednou — a ideálně použijete prompt caching, který ušetří tokeny i peníze. Dynamická data (konkrétní vyplněný formulář) pak jdou do user promptu.

V praxi to znamená popsat strukturu dokumentu: „Formulář má název X, sloupec vlevo je vozidlo A, vpravo vozidlo B. Řádek 1 znamená X, řádek 2 znamená Y…" Čím víc model předem ví, tím míň času ztrácí luštěním.

4. Detailed instructions — rozepište to krok za krokem

Možná nejdůležitější objev z dema: na pořadí kroků záleží. Když model nejdřív analyzuje zmatečnou ruční skicu a až pak strukturovaný formulář, často tápe. Obráceně — nejdřív formulář (jasná data), pak skica (interpretace) — funguje mnohem lépe.

„Nejdřív si pečlivě projdi formulář. Ověř každé zaškrtávací políčko. Sepiš si, co jsi našel. Teprve pak přejdi ke skice a konfrontuj ji s tím, co už víš z formuláře."

5. Examples — ukažte, co chcete

Few-shot prompting je podle Anthropicu jeden z nejsilnějších nástrojů. Když narazíte na hraniční případ, kde model selhává, přidejte ho jako příklad do system promptu. U pojišťovny by to mohly být desítky až stovky historických nehod s ručním vyhodnocením — model se z nich naučí rozpoznávat vzory.

Příklady vkládejte do XML tagů (<examples>), ideálně s oddělením dat a očekávané odpovědi.

6. Conversation history

U automatizovaných systémů běžících na pozadí (jako je zpracování formulářů) se historie konverzace nepoužívá. Ale u chatbotů a asistentů, kde uživatel komunikuje v mnoha tazích, je historie zásadní a patří do system promptu.

7. Reminders — zopakujte to důležité

Na konci promptu zopakujte klíčové instrukce. Model má tendenci „zapomínat" na pravidla, která byla zmíněna na začátku. Připomeňte mu: „Pokud nemůžeš s jistotou určit, kdo nehodu zavinil, explicitně to řekni. Nevymýšlej si data, která ve formuláři nejsou."

8. Output formatting — donuťte model k strukturovanému výstupu

Pro produkční nasazení potřebujete parsovatelný výstup. Anthropic doporučuje:

• XML tagy: Zabalte finální verdikt do <final_verdict> a parsujte jen tenhle blok
• Prefill technika: Začněte odpověď za model — napište otevírací tag a nechte model doplnit obsah. Například: 〈final_verdict〉 jako poslední znaky promptu
• JSON / Structured Outputs: Pro striktní schémata použijte nativní structured outputs

9. Pre-filled responses

U starších verzí Clauda šlo modelu „napovědět" začátek odpovědi a donutit ho pokračovat v daném formátu. Novější modely (Claude 4.6+) už prefill na posledním asistentově tahu nepodporují — nahrazují ho Structured Outputs a přímými instrukcemi jako „Odpovídej bez preambule, rovnou do XML tagů."

10. Extended thinking

Claude 3.7 a 4.x podporují hybridní myšlení (extended / adaptive thinking) — model může „přemýšlet" v interním scratchpadu předtím, než odpoví. To není jen pro složité úlohy. Dá se to použít i jako ladicí nástroj: přečtete si, jak model o datech uvažoval, a zjistíte, kde dělá chyby. Tyhle poznatky pak zapracujete zpět do system promptu.

Co si z toho odnést pro vlastní prompty

Shrňme si praktické techniky, které fungují bez ohledu na to, jestli používáte Claude, GPT, nebo Gemini:

• Oddělte statické od dynamického. Co se nemění (struktura dokumentu, firemní pravidla) → system prompt. Co se mění (konkrétní vstup) → user prompt.
• Pořadí kroků je kritické. Uspořádejte instrukce tak, aby model zpracoval jasná data dřív než nejednoznačná.
• XML tagy fungují lépe než Markdown. Model je na ně trénovaný a lépe jim rozumí.
• Naučte model říkat „nevím". Explicitní instrukce proti halucinacím je u faktických úloh nutnost.
• Iterujte. Prompt engineering není akademická disciplína — je to řemeslo. Testujte, sledujte chyby, vylepšujte.

Celé školení i s kódem najdete na YouTube kanálu Anthropic a podrobnější dokumentaci v jejich oficiálním prompt engineering guide.