Dlaczego kursy AI uczą formuły promptu, ale nigdy tego, jak naprawić prompt, który nie zadziałał

Krótko: formuła promptu — rola, zadanie, kontekst, format — jest za darmo. Dostaniesz ją z dowolnego dziesięciominutowego filmiku. Kłopoty zaczynają się krok dalej: napisałeś prompt zgodnie z podręcznikiem, kliknąłeś wyślij, a odpowiedź wróciła jako papka. Od tego momentu nikt niczego już nie tłumaczy. Przepisujesz na oślep, aż coś ci się spodoba. To nie jest umiejętność, to loteria. Poniżej jest metoda: nazwij objaw, postaw diagnozę, zrób dokładnie jedną poprawkę, porównaj. I kolejność, w której warto kopać: kontekst → zadanie → format → rola. Prompty w tym artykule są prawdziwe: naciśnij „Uruchom” i zobacz różnicę na własne oczy.

Co jest nie tak z formułą

Formuła cię nie okłamuje. Rola, zadanie, kontekst, format to faktycznie cztery pokrętła, którymi kręcisz odpowiedzią. Podstawy omawiamy w tekście czym jest prompt i jak go napisać, i są potrzebne. Tyle że formuła odpowiada na jedno pytanie: jak napisać prompt od zera? W prawdziwej pracy prawie nigdy nie piszesz od zera. Siedzisz przed promptem, który spełnia wszystkie zasady i i tak wypluł śmieci.

Tu formuła milknie. Nie mówi, które z czterech pokręteł zawiniło. Nie mówi, czy kręcić jednym, czy wszystkimi. Nie mówi, po czym poznać, że nowa odpowiedź jest lepsza, a nie po prostu inna. Formuła to rysunek techniczny. Tobie potrzebna jest instrukcja naprawy.

To różnica między „oto schemat silnika” a „auto nie odpala — co sprawdzasz najpierw?”. Pierwszego nauczysz się w jeden wieczór. Drugie to zawód. I tego drugiego prawie nie ma na rynku szkoleń.

Kursanci proszą dokładnie o to — dosłownie

17 lipca 2026 ściągnęliśmy dane z Udemy (przez wewnętrzne API stojące za stronami kursów) i ze stron z opiniami na Coursera. Czytaliśmy celowo mniejszość: tych, którzy dali niskie oceny. Najgęstsze skupisko zarzutów wyszło przy kursach, które mają prompt engineering wprost w tytule. Ludzie przyszli po umiejętność z etykiety i jej nie dostali. Dosłownie, z autorami i gwiazdkami:

„There is nothing teached about creating a good prompt. It is just an overview of types of prompts” — Geralt O., 01.07.2026, 2★ (Prompt and Context Engineering 101, Mike Wheeler).

„No specific guidance on prompt engineering… what to avoid while asking, how to organize your thoughts, how to give feedback to AI based on its answers etc.” — Bharat Ram A., 05.06.2026, 1.5★ (Wheeler).

„i thought it would go deeper in prompts and have more examples and sessions to master or enhance our current prompts” — Manuel L., 15.06.2026, 2★ (Prompt Engineering for Everyone).

„Too much background on ChatGPT. Get me to how to prompt GPT” — Mark R., 16.09.2025, 1.5★ (Academind).

Zatrzymaj się przy Bharat Ram A. Wymienia trzy rzeczy, a trzecia to „how to give feedback to AI based on its answers”. To właśnie debugowanie, opisane własnymi słowami przez kogoś, kto go szukał i wrócił z niczym. Manuel L. prosi o „enhance our current prompts” — czyli o naprawę czegoś, co już jest napisane i działa źle. Różni ludzie, różne kursy, jedna dziura.

Obok stoi cytat, który pokazuje, co się dzieje, kiedy nie sprawdza się nic:

„you send your assignments and immediatly you got your results: 100% correct. I am still speechless. I put all that effort in and have no idea whether I my answer was correct or not” — Shinysheep, 21.09.2023, 1★ (Prompt Engineering, Vanderbilt).

I w tym samym rzędzie: „quizzes give unhelpful feedback for incorrect answers and just say 'watch the video again'” — Cory Covino, 04.05.2024, 2★ (IBM). „All the coding is done in the labs for you. You won't have to debug anything or figure anything out, just press shift-enter” — Cornelius Griggs, 1★ (Generative AI with LLMs).

Griggs formułuje to najcelniej ze wszystkich, sam tego nie chcąc. „You won't have to debug anything” opisuje produkt edukacyjny, z którego wycięto debugowanie. Ćwiczenie się uruchamia, poczucie praktyki jest, a stawki nie było żadnej.

Jeszcze jedna, z innego kursu, która domyka koło: „Didnt meet expectations, only theory is discussed which we already know” — Aditya Nagavolu, 19.11.2023, 1★ (Generative AI for Everyone). Teoria, którą wszyscy już znają, to formuła. Czego nie znają, to co robić, kiedy zawiedzie.

Dlaczego ta dziura istnieje: to architektura, nie lenistwo

Kusi, żeby zwalić wszystko na leniwych wykładowców. To wyjaśnienie jest gorsze niż prawda. Prawda jest strukturalna.

Prompt można sprawdzić dokładnie jednym sposobem: uruchomić go na modelu i spojrzeć na odpowiedź. Innego nie ma — promptu nie da się ocenić po wyglądzie, tak samo jak nie da się ocenić kodu bez uruchomienia. A platforma wideo nie ma modelu w środku lekcji. Czyli nie ma czym sprawdzać. Zostaje autotest po słowach kluczowych, a ten wystawia „100% correct” — dokładnie to, przez co Shinysheep zaniemówił.

Dalej szczegół, który zamyka temat. Prompt Engineering Specialization z Vanderbilt wymaga płatnej subskrypcji ChatGPT+, żeby robić zadania. Kurs wysyła kursanta na zewnątrz, do innej karty, po model. Rachunek kursanta Coursera wygląda tak: Coursera Plus za 50 €/mies. (albo 343 €/rok z 14-dniowym zwrotem) plus subskrypcja modelu — około 70 €/mies. za oglądanie filmów i dostawanie automatycznych 100%. O dokładnej cenie tej subskrypcji powiemy szczerze: nie dostaliśmy jej ze źródła pierwotnego, wszystkie domeny OpenAI odpowiedziały 403, więc żadnej liczby nie podajemy. 50 € za Coursera Plus jest z ich własnej strony.

W momencie, w którym model mieszka poza kursem, kurs przestaje widzieć twoją pracę. Nie wie, jaki prompt napisałeś, co wróciło ani dlaczego wróciło źle. Debugowania nie da się uczyć po ciemku. Więc kurs uczy formuły — jedynej części, która mieści się na slajdzie.

I stąd bierze się zarzut, który na pierwszy rzut oka jest o czymś innym:

„why read straight from the slide? I can do that. This was not a helpful course at all” — Janie I., 02.07.2026, 1★ (Justin Barnett).

„I can do that” to nie wyrok na kiepskiego prelegenta. To stwierdzenie, że na slajd wchodzi tylko formuła. Debugowanie się na slajdzie nie mieści, bo składa się z żywej odpowiedzi, której nikt nie przewidzi z góry.

Debugowanie to diagnostyka, nie przepisywanie

Odruch początkującego wygląda tak: odpowiedź jest zła → zaznaczyć cały prompt → napisać od nowa, dłużej i ładniej. Czasem pomaga. Dlaczego pomogło, nie wiadomo, a następnym razem znowu zaczynasz od zera.

Podejście inżynierskie jest inne i składa się z czterech kroków.

1. Objaw. Nazwij, co konkretnie nie gra, słowami, które da się sprawdzić. Nie „źle”, tylko: zmyślił fakt; zignorował format; za ogólnie; powtórzył mi moje własne wejście; odpowiedział na inne pytanie; rozsypał się na długim tekście. Dopóki objaw nie ma nazwy, nie ma czego leczyć.
2. Diagnoza. Każdy objaw ma typową przyczynę. To hipoteza, nie wyrok — ale mówi, gdzie kopać najpierw.
3. Jedna poprawka. Zmieniasz dokładnie jedną rzecz. Jedną.
4. Porównanie. Uruchamiasz znowu i porównujesz z poprzednią odpowiedzią według własnego kryterium. Nie „bardziej mi się podoba”, tylko „czy poprawiło się to konkretnie, co leczyłem?”.

Powtarzaj, aż objaw zniknie. Zwykle to dwa–trzy okrążenia, nie dwadzieścia.

Zasada jednego śrubokręta

Najbardziej niedoceniany jest krok trzeci. Zmieniaj po jednym.

Poprawiasz pięć rzeczy, odpowiedź robi się lepsza — i nie wiesz, co pomogło. Gorzej: może cztery poprawki były neutralne, jedna była wręcz szkodliwa, a piąta ją przeważyła. Cały zestaw, ze szkodliwą włącznie, zabierasz do następnego promptu, a miesiąc później masz dwustronicową ścianę tekstu, w której połowa linijek pracuje przeciwko tobie.

To nie jest nasz wynalazek. To podstawowa zasada każdego debugowania — ta sama, co zmienianie jednej zmiennej naraz w eksperymencie. Tyle że przy tekście pokusa, żeby pokręcić wszystkim naraz, jest znacznie silniejsza, bo poprawka kosztuje sekundę.

Zastrzeżenie przeciwko nam samym. Zasada ma swoją cenę. Jedna poprawka na okrążenie jest wolna, a przy prawdziwej robocie będziesz ścinał zakręty. Uczciwy kompromis: zasada jednego śrubokręta obowiązuje, dopóki szukasz choroby. Kiedy diagnoza jest jasna i już tylko dopieszczasz — poprawiaj paczkami, ryzyko jest już niewielkie.

Druga szczerość: modele nie są deterministyczne. Jedno uruchomienie to próba o liczebności jeden. Odpowiedź poprawiła się po twojej zmianie? Może zmiana nie ma z tym nic wspólnego i po prostu ci się poszczęściło. Dlatego porównanie zasługuje na co najmniej trzy różne wejścia, a nie na jedno ulubione.

Kolejność hipotez: kontekst → zadanie → format → rola

Kiedy objaw ma już nazwę, zostaje pytanie, którego pokrętła dotknąć. Mamy kolejność i nie jest przypadkowa: od najczęstszej przyczyny do najrzadszej, od najdroższego pudła do najtańszego.

1. Kontekst pierwszy. Przytłaczająca większość złych odpowiedzi to odpowiedzi na pytanie bez faktów. Model nie zna twojego produktu, twoich odbiorców, twoich ograniczeń, liczb, nazwisk, wcześniejszych decyzji. Wypełnia pustkę uśrednioną watą — bo uśredniona wata jest poprawną odpowiedzią na pytanie bez kontekstu. Jeśli wychodzi lanie wody, ogólniki, „pasuje każdemu”, prawie zawsze winny jest kontekst i żadne odgrywanie roli tego nie wyleczy.
2. Zadanie drugie. Sprawdź, czy prosisz o jedną czynność, a nie o trzy, i czy czasownik da się sprawdzić. „Przeanalizuj” to nie czasownik: pod spodem zmieści się cokolwiek. „Wypisz pięć ryzyk, każde w jednej linijce” to czasownik. Jeśli model odpowiada na inne pytanie albo na połowę twojego — winne jest zadanie.
3. Format trzeci. Tanio się naprawia i efekt widać od razu. Jeśli treść jest dobra, a postać nie ta — popraw format i nie ruszaj reszty. Chwyt, który działa: wklej wzór wyjścia wprost do promptu, dwie–trzy linijki. Wzór bije opis za każdym razem.
4. Rola ostatnia. Rola rusza głównie ton i słownictwo. „Jesteś doświadczonym marketerem” nie dokłada modelowi ani jednego faktu o twoim rynku — to ta jedna linijka, którą wszyscy piszą jako pierwszą i która prawie nic nie rozstrzyga. Sięgaj po rolę, kiedy cała reszta siedzi, a po prostu nie podoba ci się głos.

Dlaczego akurat tak? Bo kolejność odzwierciedla, ile informacji dokładasz. Kontekst dokłada fakty — to maksimum. Zadanie dokłada precyzję celu. Format dokłada postać. Rola dokłada styl. Ludzie robią odwrotnie: najpierw długo dobierają rolę, a potem mają pretensje o watę.

Tabela: objaw → diagnoza → jedna poprawka

• Woda, ogólniki, „pasuje każdemu”. Diagnoza: brak kontekstu. Poprawka: wklej pięć konkretnych faktów — kto czyta, co to za produkt, jakie jest ograniczenie, jedna liczba, jeden przykład. Reszty nie ruszaj.
• Zmyślił fakt, link, cytat. Diagnoza: poprosiłeś o coś, czego model nie ma. Poprawka: albo wkładasz dane do promptu, albo wprost pozwalasz powiedzieć „nie wiem”. Linijka „jeśli nie masz danych, napisz to wprost, nie zmyślaj” kosztuje grosze i łapie sporo. Więcej w tekście dlaczego powstają halucynacje AI.
• Zignorował format. Diagnoza: wymóg formatu utonął w środku albo kłóci się z długością, o którą prosiłeś. Poprawka: wyciągnij format do osobnego bloku na koniec i pokaż wzór wyjścia.
• Odpowiedział na inne pytanie. Diagnoza: w zadaniu są dwie czynności, model wybrał jedną. Poprawka: zostaw jeden czasownik. Druga czynność to drugi prompt.
• Powtórzył moje własne wejście. Diagnoza: brak czasownika przekształcenia. „Oto tekst, rzuć okiem” to nie zadanie. Poprawka: powiedz, co zrobić z tekstem — skrócić, przebudować, znaleźć sprzeczności.
• Nie ten ton, „to nie mój głos”. Diagnoza: opisałeś styl zamiast go pokazać. Poprawka: wklej własny akapit i poproś, żeby w niego trafił. „Pisz przyjaźnie, ale profesjonalnie” nie działa — wzór działa.
• Rozsypał się na długim tekście. Diagnoza: instrukcja zgubiła się w danych. Poprawka: rozdziel znacznikami (---TEKST--- / ---ZADANIE---) i powtórz zadanie po tekście, a nie tylko przed.
• Za długo, same wstępy. Diagnoza: nie zakazałeś. Poprawka: jedna linijka — „Bez wstępu i bez podsumowania. Tylko lista”.

Zwróć uwagę: w sześciu przypadkach na osiem poprawka to nie „przepisz prompt”, tylko dołóż albo przestaw jedną rzecz.

Sprawdź sam: zły prompt, jedna poprawka, różnica

Teraz część, której platforma wideo fizycznie nie ma. Każdy blok poniżej ma przycisk „Uruchom”: naciśnij tutaj i patrz na żywą odpowiedź modelu. Kolejność ma znaczenie — uruchamiaj po kolei i porównuj.

Krok 1. Uruchom celowo zły prompt

To prawdziwy prompt, napisany „według formuły”: rola jest, zadanie jest, uprzejmość jest. Uruchom i zobacz, co wróci. Najprawdopodobniej dostaniesz tekst, który pasowałby do dowolnej firmy na świecie.

Jesteś doświadczonym marketerem. Napisz mail do naszych klientów o premierze naszego nowego produktu. Zadbaj, żeby tekst był profesjonalny, nowoczesny i chwytliwy.

Na co patrzeć. Czy jest tam choć jedno zdanie, którego nie dałoby się przenieść do maila innej firmy bez zmian? Zwykle nie ma. Objaw nazwany: woda. Diagnoza według naszej kolejności: kontekst.

Krok 2. Jedna poprawka — tylko kontekst

To samo zadanie, ten sam ton, ta sama rola. Zmieniamy dokładnie jedno: dokładamy fakty. Roli nie ruszamy, formatu nie ruszamy — żeby uczciwie zobaczyć, co daje sam kontekst.

Jesteś doświadczonym marketerem. Napisz mail do naszych klientów o premierze naszego nowego produktu.
Zadbaj, żeby tekst był profesjonalny, nowoczesny i chwytliwy.

KONTEKST:
- Produkt: grafikownik zmian dla kawiarni zatrudniających 3-15 osób.
- Czytelnicy: właściciele kawiarni, którzy od pół roku korzystają z naszej
  aplikacji do stanów magazynowych. Ufają nam, ale nie szukali nowego przycisku.
- Co nowego: grafiki układają się teraz automatycznie, z uwzględnieniem wniosków
  pracowników o wolne. Wcześniej właściciel sklejał grafik w arkuszu.
- Uczciwe ograniczenie: działa tylko dla jednego lokalu, sieci jeszcze nie obsługujemy.
- Cena: wliczone w obecny plan, bez dopłat.
- Co ma zrobić czytelnik: włączyć sekcję „Grafiki” na swoim koncie.

Na co patrzeć. Odpowiedź zrobiła się konkretna, ale najpewniej dalej jest długa i dalej zaczyna się od wstępu. To normalne: leczyliśmy tylko kontekst. Zauważ, że „profesjonalny, nowoczesny i chwytliwy” przetrwał nietknięty jako wymóg nie do sprawdzenia — i nic nie zrobił.

Krok 3. Jeszcze jedna poprawka — zadanie i format

Teraz naprawiamy długość i postać. Rolę usuwamy w całości, żeby sprawdzić hipotezę, że nic nie wnosi. A „chwytliwy” zamieniamy na coś sprawdzalnego.

Napisz mail do klientów zapowiadający nową funkcję.

KONTEKST:
- Produkt: grafikownik zmian dla kawiarni zatrudniających 3-15 osób.
- Czytelnicy: właściciele kawiarni, którzy od pół roku korzystają z naszej
  aplikacji do stanów magazynowych. Ufają nam, ale nie szukali nowego przycisku.
- Co nowego: grafiki układają się automatycznie, z uwzględnieniem wniosków
  pracowników o wolne. Wcześniej właściciel sklejał grafik w arkuszu.
- Uczciwe ograniczenie: działa tylko dla jednego lokalu, sieci jeszcze nie obsługujemy.
- Cena: wliczone w obecny plan, bez dopłat.
- Działanie czytelnika: włączyć sekcję „Grafiki” na koncie.

FORMAT:
- Temat maila: maksymalnie 45 znaków. Zakazane słowa: rewolucja, wyjątkowy, innowacja.
- Treść: maksymalnie 120 słów.
- Struktura: pierwsza linijka - co się zmieniło; druga - co to oszczędza;
  potem ograniczenie powiedziane wprost; na końcu jedno działanie.
- Bez wstępu, bez „z radością informujemy”, bez akapitów pożegnalnych.

Potem w osobnej linijce: trzy powody, dla których ten mail może zostać nieotwarty albo skasowany.

Na co patrzeć. Porównaj trzy odpowiedzi. Właśnie przeprowadziłeś porządną sesję debugowania: nazwałeś objaw, postawiłeś hipotezę, zrobiłeś jedną poprawkę, porównałeś. A przy okazji zrobiłeś mały eksperyment z rolą — porównaj ton drugiej i trzeciej odpowiedzi i sam zdecyduj, czy linijka „jesteś doświadczonym marketerem” była warta miejsca, które dają jej wszystkie kursy.

Krok 4. Trenażer diagnozy

Najtrudniejsza umiejętność to nazwać objaw w cudzej pracy. Tutaj model wymyśla ci przypadek i surowo ocenia twoją diagnozę. Automatu „100% correct” nie będzie.

Przeegzaminuj mnie z diagnostyki promptów. Zasady:

- Dajesz mi JEDEN przypadek: zadanie, cały prompt i złą odpowiedź modelu.
  Przypadek wymyśl sam: realistyczny, z pracy biurowej. Złą odpowiedź też
  napisz sam - dokładnie tak złą, jak byłaby naprawdę.
- Ja nazywam objaw jednym terminem i mówię, co zmieniłbym JAKO PIERWSZE.
- Ty oceniasz surowo: czy objaw jest trafny, czy hipoteza jest trafna,
  jaka hipoteza byłaby mocniejsza od mojej i dlaczego.
  Jeśli zaproponuję zmianę kilku rzeczy naraz - wytknij to osobno.
- Nie przytakuj z grzeczności. Jeśli się mylę, powiedz wprost.
- Potem następny przypadek, trudniejszy. Łącznie pięć przypadków.

Zacznij od pierwszego przypadku. Teorii wcześniej nie tłumacz.

Czego promptem się nie naprawi

Połowa debugowania to w porę zrozumieć, że problem nie leży w promptcie. Inaczej będziesz polerował sformułowania w warstwie, w której nic nie jest zepsute.

• Brak danych. Żadne sformułowanie nie wyciągnie faktu, którego modelowi nie dano. Jeśli potrzebujesz liczb ze swojego arkusza, trzeba je wkleić, a nie wypraszać.
• Zadania nie da się rozwiązać tekstem. „Policz dokładnie”, „sprawdź na aktualnej stronie”, „zagwarantuj” — to nie kwestia sformułowania, to kwestia narzędzi. Tu zaczyna się terytorium agentów AI.
• Brak kryterium „dobrze”. Jeśli sam nie umiesz powiedzieć, czym odpowiedź A jest lepsza od B, to nie debugujesz, tylko przerzucasz warianty, aż się zmęczysz. Kryterium to ta część promptu, która siedzi ci w głowie, i ją też trzeba spisać.
• Nie ten model. To samo zadanie zachowuje się różnie — zobacz nasze porównanie ChatGPT, Claude i Gemini. Zanim dwadzieścia razy poprawisz prompt, odpal ten sam prompt na innym modelu: to jedna poprawka, a nie dwadzieścia.

Dziennik wersji: nudny i rozstrzygający

Załóż plik. Trzy kolumny: co było w promptcie, co zmieniłeś, co się stało z odpowiedzią. Jedna linijka na okrążenie.

Brzmi jak biurokracja, ale to jedyna rzecz, która zamienia twoje uruchomienia w wiedzę. Za miesiąc otworzysz plik i zobaczysz: „wzór wyjścia zamiast opisu formatu” zadziałał jedenaście razy na dwanaście, a „jesteś ekspertem światowej klasy” — zero. To twoja własna statystyka i jest cenniejsza niż jakakolwiek lista 500 gotowych promptów. Nasze przykłady promptów bierz jako półprodukt; dziennik jest tym, co z półproduktu robi twoje narzędzie.

Efekt uboczny: po miesiącu masz portfolio. Nie certyfikat, który ma jeszcze 698 444 osób, tylko kilkanaście rozebranych przypadków z „przed” i „po”. Na rozmowie o pracę to dwie różne kategorie wagowe.

Jak sprawdzić kurs — w tym nasz

Z naszych pomiarów wychodzi test z czterech pytań. Zadawaj je każdemu szkoleniu.

1. Gdzie uruchomię prompt? Jeśli „w innej karcie, za osobną subskrypcję” — kurs nie zobaczy twojej pracy i nie będzie umiał jej rozebrać. Patrz Vanderbilt i wymóg ChatGPT+.
2. Kto oceni mój prompt? Autotest po słowach kluczowych wystawi „100% correct” i nie da żadnej informacji. To dokładnie przypadek Shinysheep.
3. Czy jest lekcja, w której prompt nie zadziałał? Otwórz program i poszukaj. Nie ma takiej lekcji — kurs jest o formule.
4. Kiedy treść była naprawdę aktualizowana? Nie po dacie na karcie, tylko po opiniach z ostatniego miesiąca.

Uczciwie o naszych danych. Udział negatywnych opinii (≤3.5★) na Udemy to 9,61% przy Generative AI for Beginners i 10,36% przy Complete AI Guide; przy Prompt and Context Engineering 101 (najgorsza ocena w próbce, 4.31) — ≥4,00%. Na Coursera — 1,5–3,5%. Czyli przytłaczająca większość kursantów jest zadowolona, a my świadomie czytaliśmy mniejszość. Nie po to, żeby udowodnić, że kursy są złe: zadowolony kursant pisze „świetny kurs”, a niezadowolony nazywa lekcję, której konkretnie zabrakło. Drugie zastrzeżenie: filtr gwiazdek na Coursera działa po stronie przeglądarki, więc cytaty, do których dotarliśmy, pochodzą z domyślnej strony, którą widzi każdy odwiedzający. Nie wyławialiśmy ich z głębi filtra 1★ — ale też nie możemy twierdzić, że widzieliśmy wszystkie opinie.

I zastrzeżenie co do nas samych. Nasza piaskownica ma twardy dzienny limit uruchomień. To znaczy, że metoda powyżej jest cenniejsza niż przycisk. Przycisk pozwala zobaczyć różnicę; metoda pozwala naprawiać prompty tam, gdzie żadnego przycisku nie ma — w twoim roboczym czacie.

Podsumowanie

Formuła promptu to to, co mieści się na slajdzie, dlatego sprzedaje się ją milionom. Debugowanie na slajdzie się nie mieści, nie da się go sprawdzić bez żywego modelu w lekcji i dlatego prawie nikt go nie sprzedaje — a kursanci proszą o nie dosłownie, opinia po opinii. Dziura na rynku jest dokładnie w tym miejscu i jest zarazem najszybszym sposobem, żeby stać się lepszym od większości ludzi z certyfikatem.

Zapamiętaj cztery kroki: objaw → diagnoza → jedna poprawka → porównanie. I kolejność hipotez: kontekst, zadanie, format, rola. Zacznij od podstaw — czym jest prompt; zobacz, w co wyrósł rynek tego „zawodu” — prompt engineer: ile płacą i czy ten zawód wciąż istnieje; naucz się łapać model na zmyślaniu — halucynacje AI. A jeśli chcesz systemowo i z rozbiorem wpadek — jest nasz kurs prompt engineeringu.