Strategie projektowania promptów

Projektowanie promptów to proces tworzenia promptów, czyli próśb w języku naturalnym, które pozwalają uzyskać dokładne i wysokiej jakości odpowiedzi od modelu językowego.

Na tej stronie znajdziesz podstawowe pojęcia, strategie i sprawdzone metody, które pomogą Ci zacząć projektować prompty, aby w pełni wykorzystać możliwości modeli AI Gemini.

Przewodniki po promptach dotyczące konkretnych tematów

Szukasz bardziej konkretnych strategii dotyczących promptów? Zapoznaj się z naszymi innymi przewodnikami po tworzeniu promptów:

Inne przykładowe prompty znajdziesz w galerii promptów, która w interaktywny sposób prezentuje wiele koncepcji opisanych w tym przewodniku.

Jasne i konkretne instrukcje

Skutecznym i wydajnym sposobem dostosowywania zachowania modelu jest podawanie mu jasnych i konkretnych instrukcji. Instrukcje mogą mieć formę pytania, szczegółowych zadań lub bardziej złożoną, np. mapowania doświadczeń i nastawienia użytkownika.

Dane wejściowe

Dane wejściowe to wymagany tekst w prompcie, na który model ma udzielić odpowiedzi. Dane wejściowe mogą być pytaniem, na które model odpowiada (dane wejściowe w postaci pytania), zadaniem, które model wykonuje (dane wejściowe w postaci zadania), podmiotem, na którym model działa (dane wejściowe w postaci podmiotu), lub częściowymi danymi wejściowymi, które model uzupełnia lub kontynuuje (dane wejściowe w postaci uzupełnienia).

Typ danych wejściowych Prompt Wygenerowane dane wyjściowe
Pytanie 

    What's a good name for a flower shop that specializes in selling bouquets of
    dried flowers? Create a list of 5 options with just the names.
 

    Here are 5 names for a flower shop specializing in dried flowers:

    1. Everlasting Blooms
    2. Dried & Delightful
    3. The Petal Preserve
    4. Whispers of Wildflowers
    5. Forever Blooms
Zadanie 
    Give me a simple list of just the things that I must bring on a camping trip. The list should have 5 items.
 
    1. **Tent:** Your shelter from the elements.
    2. **Sleeping Bag:** Stay warm and comfortable.
    3. **Sleeping Pad:** Insulation and cushioning for a good night's sleep.
    4. **Headlamp or Flashlight:** Light for nighttime activities.
    5. **First Aid Kit:** Be prepared for minor injuries.
Jednostka 

    Classify the following items as [large, small]:
Elephant
Mouse
Snail
 

Here's the classification:

* **Elephant:** Large
* **Mouse:** Small
* **Snail:** Small

Częściowe uzupełnianie danych wejściowych

Generatywne modele językowe działają jak zaawansowane narzędzie do autouzupełniania. Gdy podasz część treści, model może dostarczyć resztę treści lub to, co uważa za jej kontynuację, w odpowiedzi. Jeśli podasz przykłady lub kontekst, model może je uwzględnić.

Poniższy przykład zawiera prompta z instrukcją i danymi wejściowymi encji:

For the given order, return a JSON object that has the fields cheeseburger, hamburger, fries, or
drink, with the value being the quantity.

Order: A burger and a drink.
  
{
  "cheeseburger": 0,
  "hamburger": 1,
  "fries": 0,
  "drink": 1
}

Model wykonał polecenie, ale zapisanie instrukcji w języku naturalnym może być czasami trudne i pozostawia wiele miejsca na interpretację modelu. Na przykład menu restauracji może zawierać wiele pozycji. Aby zmniejszyć rozmiar odpowiedzi JSON, warto pominąć produkty, które nie zostały zamówione. W tym przypadku możesz podać przykład i prefiks odpowiedzi, a model dokończy resztę:

Valid fields are cheeseburger, hamburger, fries, and drink.
Order: Give me a cheeseburger and fries
Output:
```
{
  "cheeseburger": 1,
  "fries": 1
}
```
Order: I want two burgers, a drink, and fries.
Output:
  
```
{
  "hamburger": 2,
  "drink": 1,
  "fries": 1
}
```

Zwróć uwagę, że „cheeseburger” został wykluczony z danych wyjściowych, ponieważ nie był częścią zamówienia.

Chociaż format prostych obiektów odpowiedzi JSON możesz określić za pomocą promptów, zalecamy użycie funkcji uporządkowanych danych wyjściowych interfejsu Gemini API, gdy określasz bardziej złożony schemat JSON odpowiedzi.

Ograniczenia

Określ ograniczenia dotyczące odczytywania prompta lub generowania odpowiedzi. Możesz powiedzieć modelowi, co ma robić, a czego nie. Możesz na przykład określić w prompcie ograniczenie dotyczące długości podsumowania:

Summarize this text in one sentence:
Text: A quantum computer exploits quantum mechanical phenomena to perform calculations exponentially
faster than any modern traditional computer. At very tiny scales, physical matter acts as both
particles and as waves, and quantum computing uses specialized hardware to leverage this behavior.
The operating principles of quantum devices is beyond the scope of classical physics. When deployed
at scale, quantum computers could be used in a wide variety of applications such as: in
cybersecurity to break existing encryption methods while helping researchers create new ones, in
meteorology to develop better weather forecasting etc. However, the current state of the art quantum
computers are still largely experimental and impractical.
    

      Exploiting quantum mechanical phenomena, quantum computers can perform calculations exponentially faster than traditional computers for potential applications like cybersecurity and meteorology, although they are currently largely experimental and impractical.

Format odpowiedzi

Możesz podać instrukcje określające format odpowiedzi. Możesz na przykład poprosić o sformatowanie odpowiedzi w postaci tabeli, listy punktowanej, krótkiej prezentacji, słów kluczowych, zdania lub akapitu. Poniższa instrukcja systemowa nakazuje modelowi udzielać bardziej konwersacyjnych odpowiedzi:

    All questions should be answered comprehensively with details, unless the user requests a concise response specifically.
  
    What is a smart way to make a business that sells DVD's in 2026?
  
Starting a business selling DVDs in 2026 presents significant challenges due to the overwhelming dominance of digital streaming and on-demand services; a "smart" approach would therefore require a highly specialized niche, a strong value proposition beyond just the disc, and likely a focus on community or collector markets rather than mainstream consumption.

Here's a breakdown of what a smart DVD business in 2026 would likely entail:

1. Extreme Niche Specialization: You cannot compete with streaming libraries. Your business must focus on what digital doesn't offer easily or at all. This could include:

    * Out-of-Print & Rare Titles: Sourcing films or TV shows that have never been released digitally or are currently unavailable on major streaming platforms.
    ....

Formatowanie odpowiedzi za pomocą strategii uzupełniania

Strategia uzupełniania może też pomóc w formatowaniu odpowiedzi. W tym przykładzie prompt prosi model o utworzenie konspektu eseju:

Create an outline for an essay about hummingbirds.
  
Here is a possible outline for an essay about hummingbirds:

I. Introduction
A. Hook: Start with a captivating fact or description about hummingbirds (e.g., their speed, iridescent colors, or tiny size).
B. Background: Briefly introduce hummingbirds – where they are found (Americas), their reputation as unique birds.
C. Thesis Statement: State the main point of the essay, which could be about the remarkable adaptations, behaviors, and ecological importance of hummingbirds.

II. Appearance and Identification
.....

Prompt nie określał formatu konspektu, więc model wybrał go za Ciebie. Aby model zwrócił konspekt w określonym formacie, możesz dodać tekst, który reprezentuje początek konspektu, i pozwolić modelowi dokończyć go na podstawie wzorca, który został przez Ciebie zainicjowany.

Create an outline for an essay about hummingbirds.
I. Introduction
   *
  
Okay, here is an outline for an essay about hummingbirds, starting from the introduction you provided:

I. Introduction
* Hook: Start with a captivating fact or description about hummingbirds (e.g., their speed, iridescent colors, or tiny size).
* Background: Briefly introduce hummingbirds – where they are found (Americas), their reputation as unique birds, and their general characteristics.
* Thesis Statement: State the main point of the essay, focusing on the remarkable adaptations, behaviors, and ecological significance that make hummingbirds extraordinary.
.....

Prompty zero-shot i few-shot

W prompcie możesz podać przykłady, które pokażą modelowi, jak wygląda prawidłowa odpowiedź. Model próbuje zidentyfikować wzorce i relacje na podstawie przykładów i stosuje je podczas generowania odpowiedzi. Prompty zawierające kilka przykładów to prompty few-shot, a prompty bez przykładów to prompty zero-shot. Prompty few-shot są często używane do regulowania formatowania, sformułowań, zakresu lub ogólnego wzorca odpowiedzi modelu. korzystaj z konkretnych i zróżnicowanych przykładów, aby ukierunkować model i uzyskać dokładniejsze wyniki.

Zalecamy, aby zawsze uwzględniać w promptach przykłady few-shot. Prompty bez przykładów few-shot będą prawdopodobnie mniej skuteczne. Możesz nawet usunąć instrukcje z prompta, jeśli przykłady wystarczająco jasno pokazują zadanie do wykonania.

Poniższy prompt bez uczenia pyta model o wybranie najlepszego wyjaśnienia.

Please choose the best explanation to the question:

Question: How is snow formed?
Explanation1: Snow is formed when water vapor in the air freezes into ice
crystals in the atmosphere, which can combine and grow into snowflakes as they
fall through the atmosphere and accumulate on the ground.
Explanation2: Water vapor freezes into ice crystals forming snow.
Answer:
  
Explanation1 is the better explanation because it provides more detail on the
process, including how ice crystals combine and grow into snowflakes as they
fall through the atmosphere.

Jeśli Twój przypadek użycia wymaga, aby model generował zwięzłe odpowiedzi, możesz uwzględnić w prompcie przykłady, które preferują zwięzłe odpowiedzi.

Poniższy prompt zawiera 2 przykłady, które pokazują, że preferowane są krótsze wyjaśnienia. W odpowiedzi widać, że przykłady skłoniły model do wybrania krótszego wyjaśnienia (Explanation2) zamiast dłuższego (Explanation1), jak to miało miejsce wcześniej.

Below are some examples showing a question, explanation, and answer format:

Question: Why is the sky blue?
Explanation1: The sky appears blue because of Rayleigh scattering, which causes
shorter blue wavelengths of light to be scattered more easily than longer red
wavelengths, making the sky look blue.
Explanation2: Due to Rayleigh scattering effect.
Answer: Explanation2

Question: What is the cause of earthquakes?
Explanation1: Sudden release of energy in the Earth's crust.
Explanation2: Earthquakes happen when tectonic plates suddenly slip or break
apart, causing a release of energy that creates seismic waves that can shake the
ground and cause damage.
Answer: Explanation1

Now, Answer the following question given the example formats above:

Question: How is snow formed?
Explanation1: Snow is formed when water vapor in the air freezes into ice
crystals in the atmosphere, which can combine and grow into snowflakes as they
fall through the atmosphere and accumulate on the ground.
Explanation2: Water vapor freezes into ice crystals forming snow.
Answer:
  
Answer: Explanation2

Optymalna liczba przykładów

Modele takie jak Gemini często potrafią wychwycić wzorce na podstawie kilku przykładów, ale aby uzyskać najlepsze wyniki, warto poeksperymentować z liczbą przykładów podawanych w prompcie. Jeśli jednak podasz zbyt wiele przykładów, model może zacząć nadmiernie dopasowywać odpowiedzi do przykładów.

Spójny format

Upewnij się, że struktura i formatowanie przykładów typu „few-shot” są takie same, aby uniknąć odpowiedzi w niepożądanych formatach. Jednym z głównych celów dodawania przykładów few-shot w promptach jest pokazanie modelowi formatu odpowiedzi. Dlatego ważne jest, aby we wszystkich przykładach zachować spójny format, zwracając szczególną uwagę na tagi XML, spacje, znaki nowego wiersza i separatory przykładów.

Dodaj kontekst

Możesz uwzględnić w prompcie instrukcje i informacje, których model potrzebuje do rozwiązania problemu, zamiast zakładać, że model ma wszystkie wymagane informacje. Te informacje kontekstowe pomagają modelowi zrozumieć ograniczenia i szczegóły dotyczące tego, o co go prosisz.

W tym przykładzie model ma podać wskazówki dotyczące rozwiązywania problemów z routerem:

What should I do to fix my disconnected wifi? The light on my Google
Wifi router is yellow and blinking slowly.
  
  A yellow blinking light on your Google Wifi router usually indicates a problem
  with the internet connection. Here are some steps to troubleshoot and fix the
  issue:
  1. Restart your router and modem:
    - Unplug your modem from the power outlet and wait for 30 seconds.
    - Plug your modem back in and wait for it to fully boot up.
    - Unplug your Google Wifi router and wait for 30 seconds.
    - Plug your Google Wifi router back in and wait for it to fully boot up.
.....

Odpowiedź wygląda jak ogólne informacje dotyczące rozwiązywania problemów, które nie są specyficzne dla routera ani stanu diod LED.

Aby dostosować odpowiedź do konkretnego routera, możesz dodać do prompta przewodnik rozwiązywania problemów z routerem jako kontekst, do którego model będzie się odwoływać podczas udzielania odpowiedzi.

Answer the question using the text below. Respond with only the text provided.
Question: What should I do to fix my disconnected wifi? The light on my Google Wifi router is yellow and blinking slowly.

Text:
Color: Slowly pulsing yellow
What it means: There is a network error.
What to do:
Check that the Ethernet cable is connected to both your router and your modem and both devices are turned on. You might need to unplug and plug in each device again.

Color: Fast blinking yellow
What it means: You are holding down the reset button and are factory resetting this device.
What to do:
If you keep holding down the reset button, after about 12 seconds, the light will turn solid yellow. Once it is solid yellow, let go of the factory reset button.

Color: Solid yellow
What it means: Router is factory resetting.
What to do:
This can take up to 10 minutes. When it's done, the device will reset itself and start pulsing white, letting you know it's ready for setup.

Color: Solid red
What it means: Something is wrong.
What to do:
Critical failure. Factory reset the router. If the light stays red, contact Wifi customer support.
  
Check that the Ethernet cable is connected to both your router and your modem and both devices are turned on. You might need to unplug and plug in each device again.

Podziel prompty na komponenty

W przypadku zastosowań wymagających złożonych promptów możesz pomóc modelowi w zarządzaniu tą złożonością, dzieląc zadanie na prostsze komponenty.

  1. Podziel instrukcje: zamiast umieszczać wiele instrukcji w jednym prompcie, utwórz po jednym prompcie dla każdej instrukcji. Na podstawie danych wejściowych użytkownika możesz wybrać prompt do przetworzenia.

  2. Łącz prompty: w przypadku złożonych zadań, które wymagają wykonania kilku kolejnych kroków, utwórz prompt dla każdego takiego etapu, a potem powiąż prompty w sekwencję. W tym sekwencyjnym łańcuchu promptów dane wyjściowe jednego prompta w sekwencji stają się danymi wejściowymi następnego prompta. Wynik ostatniego prompta w sekwencji jest wynikiem końcowym.

  3. Agregowanie odpowiedzi: agregowanie polega na wykonywaniu różnych zadań równoległych na różnych częściach danych i agregowaniu wyników w celu uzyskania ostatecznego wyniku. Możesz na przykład poinstruować model, aby wykonał jedną operację na pierwszej części danych, a inną na pozostałych danych, a następnie zagregował wyniki.

Eksperymentowanie z parametrami modelu

Każde wywołanie wysłane do modelu zawiera wartości parametrów, które określają, jak model wygeneruje odpowiedź. Model może generować różne wyniki w zależności od wartości parametrów. Aby uzyskać najlepsze rezultaty w tym zadaniu, wypróbujesz różne wartości parametrów. W różnych modelach dostępne są różne parametry. Najczęstsze parametry to:

  1. Maksymalna liczba tokenów wyjściowych:określa maksymalną liczbę tokenów, które mogą być wygenerowane w odpowiedzi. Token ma około 4 znaków. 100 tokenów odpowiada około 60–80 słowom.

  2. Temperatura: temperatura decyduje o stopniu losowości wyboru tokenów. Temperatura jest używana do próbkowania podczas generowania odpowiedzi, które ma miejsce, gdy stosowane są parametry topP i topK. Niższe temperatury są przydatne w przypadku promptów, na które oczekuje się bardziej deterministycznej i mniej otwartej odpowiedzi, a wyższe mogą prowadzić do bardziej różnorodnych lub kreatywnych wyników. Temperatura o wartości 0 jest deterministyczna, co oznacza, że zawsze jest wybierana najbardziej prawdopodobna odpowiedź.

  3. topK: Parametr topK zmienia sposób, w jaki model wybiera tokeny w celu wygenerowania odpowiedzi. Wartość topK równa 1 oznacza, że wybierany jest najbardziej prawdopodobny token spośród wszystkich tokenów w słowniku modelu (jest to też nazywane dekodowaniem zachłannym), natomiast wartość topK równa 3 oznacza, że następny token jest wybierany spośród 3 najbardziej prawdopodobnych z użyciem temperatury. Na każdym etapie wyboru tokena próbkowane są tokeny topK o najwyższym prawdopodobieństwie. Tokeny są następnie filtrowane na podstawie parametru topP, a ostateczny wybór tokena dokonywany jest przy pomocy próbkowania z użyciem temperatury.

  4. topP: Parametr topP zmienia sposób, w jaki model wybiera tokeny w celu wygenerowania odpowiedzi. Tokeny są wybierane od najbardziej do najmniej prawdopodobnych, aż suma ich prawdopodobieństw będzie równa wartości topP. Jeśli na przykład tokeny A, B i C mają prawdopodobieństwa 0,3, 0,2 i 0,1, a wartość topP wynosi 0,5, jako kolejny token model wybierze A lub B (z użyciem temperatury), a token C zostanie wykluczony. Domyślna wartość topP to 0,95.

  5. stop_sequences: ustaw sekwencję zatrzymania, aby poinformować model, że ma przestać generować treści. Sekwencja zatrzymania może być dowolną sekwencją znaków. Staraj się unikać używania sekwencji znaków, które mogą pojawić się w wygenerowanych treściach.

Strategie iteracji promptów

Projektowanie promptów może czasem wymagać kilku iteracji, zanim zaczniesz otrzymywać oczekiwane odpowiedzi. W tej sekcji znajdziesz wskazówki dotyczące tego, co możesz zrobić, aby ulepszyć swoje prompty:

  1. Używaj różnych sformułowań: używanie różnych słów lub sformułowań w promptach często powoduje, że model generuje różne odpowiedzi, mimo że wszystkie oznaczają to samo. Jeśli prompt nie daje oczekiwanych wyników, spróbuj go przeformułować.

    Version 1:
How do I bake a pie?

Version 2:
Suggest a recipe for a pie.

Version 3:
What's a good pie recipe?

  2. Przejdź do analogicznego zadania: jeśli model nie wykonuje instrukcji dotyczących zadania, spróbuj podać instrukcje dotyczące analogicznego zadania, które przyniesie ten sam rezultat.

    Ten prompt instruuje model, aby skategoryzował książkę, używając wstępnie zdefiniowanych kategorii:

    Which category does The Odyssey belong to:
thriller
sci-fi
mythology
biography
  
        The Odyssey belongs to the category of **mythology**. 

    Here's why:

    * **Mythology:** The Odyssey tells the story of Odysseus, a hero from Greek mythology, and his
    journey home after the Trojan War. It features gods, monsters, and supernatural events common to
    Greek mythology.
.....

    Odpowiedź jest prawidłowa, ale model nie zmieścił się w zakresie opcji. Chcesz też, aby model odpowiadał tylko jedną z opcji, a nie pełnym zdaniem. W takim przypadku możesz przeformułować instrukcje jako pytanie jednokrotnego wyboru i poprosić model o wybranie opcji.

    Multiple choice problem: Which of the following options describes the book The Odyssey?
Options:
    


      

    • thriller
      • 

    • sci-fi
      • 

    • mythology
      • 

    • biography

    The correct answer is mythology.

  3. Zmień kolejność treści w prompcie: kolejność treści w prompcie może czasami wpływać na odpowiedź. Spróbuj zmienić kolejność treści i zobacz, jak wpłynie to na odpowiedź.

    Version 1:
[examples]
[context]
[input]

Version 2:
[input]
[examples]
[context]

Version 3:
[examples]
[input]
[context]

Odpowiedzi zastępcze

Odpowiedź zastępcza to odpowiedź zwracana przez model, gdy prompt lub odpowiedź aktywuje filtr bezpieczeństwa. Przykładem odpowiedzi zastępczej jest „Nie mogę w tym pomóc, ponieważ jestem tylko modelem językowym”.

Jeśli model zwróci odpowiedź zastępczą, spróbuj zwiększyć temperaturę.

Grounding i wykonywanie kodu

Gemini może używać narzędzi, aby unikać halucynacji w sytuacjach, w których w przeciwnym razie mógłby udzielić nieprawidłowych odpowiedzi.

Powiązanie ze źródłami informacji przy użyciu wyszukiwarki Google łączy model Gemini z treściami z internetu w czasie rzeczywistym. Należy je włączyć, gdy model może potrzebować mało znanych lub aktualnych faktów.

Narzędzie do wykonywania kodu Gemini umożliwia modelowi generowanie i uruchamianie kodu w Pythonie. Powinno być włączone, gdy model musi wykonać dowolne działania arytmetyczne, zliczanie lub obliczenia.

Gemini 3

Modele Gemini 3 zostały zaprojektowane z myślą o zaawansowanym wnioskowaniu i wykonywaniu instrukcji. Najlepiej reagują na prompty, które są bezpośrednie, dobrze ustrukturyzowane i jasno określają zadanie oraz wszelkie ograniczenia. Aby uzyskać optymalne wyniki w Gemini 3, zalecamy stosowanie tych metod:

Podstawowe zasady dotyczące promptów

  • Bądź precyzyjny i bezpośredni: jasno i zwięźle określ swój cel. Unikaj niepotrzebnego lub zbyt perswazyjnego języka.
  • Używaj spójnej struktury: stosuj wyraźne ograniczniki, aby oddzielić różne części prompta. Skuteczne są tagi w stylu XML (np. <context>, <task>) lub nagłówki Markdown. Wybierz jeden format i używaj go konsekwentnie w ramach jednego prompta.
  • Zdefiniuj parametry: wyjaśnij wyraźnie wszelkie niejednoznaczne terminy lub parametry.
  • Kontrola szczegółowości danych wyjściowych: domyślnie modele Gemini 3 udzielają bezpośrednich i skutecznych odpowiedzi. Jeśli potrzebujesz bardziej konwersacyjnej lub szczegółowej odpowiedzi, musisz wyraźnie poprosić o to w instrukcjach.
  • Spójna obsługa danych wejściowych multimodalnych: podczas korzystania z tekstu, obrazów, dźwięku lub wideo traktuj je jako dane wejściowe tej samej klasy. Upewnij się, że instrukcje wyraźnie odwołują się do poszczególnych modalności, jeśli jest to konieczne.
  • Nadaj priorytet najważniejszym instrukcjom: umieść najważniejsze ograniczenia behawioralne, definicje ról (persony) i wymagania dotyczące formatu wyjściowego w instrukcji systemowej lub na samym początku promptu użytkownika.
  • Struktura długich kontekstów: jeśli podajesz dużo kontekstu (np. dokumenty, kod), najpierw podaj cały kontekst. Umieść konkretne instrukcje lub pytania na samym końcu prompta.
  • Kontekst zakotwiczenia: po dużym bloku danych użyj jasnego sformułowania, które połączy kontekst z zapytaniem, np. „Na podstawie powyższych informacji…”.

Strategie Gemini 3 Flash

  • Dokładność bieżącego dnia: dodaj do instrukcji systemowych tę klauzulę, aby model zwracał uwagę na to, że bieżący dzień przypada w 2026 roku:

    For time-sensitive user queries that require up-to-date information, you
MUST follow the provided current time (date and year) when formulating
search queries in tool calls. Remember it is 2026 this year.

  • Dokładność daty granicznej wiedzy: dodaj do instrukcji systemowych tę klauzulę, aby model był świadomy daty granicznej swojej wiedzy:

    Your knowledge cutoff date is January 2025.

  • Poprawa jakości ugruntowania: dodaj do instrukcji systemowych poniższe zdanie (w razie potrzeby zmodyfikuj je), aby zwiększyć zdolność modelu do ugruntowania odpowiedzi w podanym kontekście:

    You are a strictly grounded assistant limited to the information provided in
the User Context. In your answers, rely **only** on the facts that are
directly mentioned in that context. You must **not** access or utilize your
own knowledge or common sense to answer. Do not assume or infer from the
provided facts; simply report them exactly as they appear. Your answer must
be factual and fully truthful to the provided text, leaving absolutely no
room for speculation or interpretation. Treat the provided context as the
absolute limit of truth; any facts or details that are not directly
mentioned in the context must be considered **completely untruthful** and
**completely unsupported**. If the exact answer is not explicitly written in
the context, you must state that the information is not available.

Ulepszanie rozumowania i planowania

Modele z serii Gemini 2.5 i 3 automatycznie generują wewnętrzny tekst „myślenia”, aby poprawić wydajność rozumowania. Dlatego zwykle nie jest konieczne, aby model przedstawiał w odpowiedzi plan, zarys czy szczegółowe kroki rozumowania. W przypadku problemów wymagających intensywnego rozumowania proste prośby, takie jak „Zanim odpowiesz, dobrze się zastanów”, mogą poprawić wydajność, ale kosztem dodatkowych tokenów myślenia.

Więcej informacji znajdziesz w dokumentacji procesu myślowego Gemini.

Przykłady promptów strukturalnych

Używanie tagów lub języka Markdown pomaga modelowi odróżniać instrukcje, kontekst i zadania.

Przykład w formacie XML:

<role>
You are a helpful assistant.
</role>

<constraints>
1. Be objective.
2. Cite sources.
</constraints>

<context>
[Insert User Input Here - The model knows this is data, not instructions]
</context>

<task>
[Insert the specific user request here]
</task>

Przykład formatowania Markdown:

# Identity
You are a senior solution architect.

# Constraints
- No external libraries allowed.
- Python 3.11+ syntax only.

# Output format
Return a single code block.

Przykładowy szablon łączący sprawdzone metody

Ten szablon zawiera podstawowe zasady tworzenia promptów w Gemini 3. Zawsze pamiętaj o wprowadzaniu zmian i modyfikacji pod kątem konkretnego przypadku użycia.

Instrukcja systemowa:

<role>
You are Gemini 3, a specialized assistant for [Insert Domain, e.g., Data Science].
You are precise, analytical, and persistent.
</role>

<instructions>
1. **Plan**: Analyze the task and create a step-by-step plan.
2. **Execute**: Carry out the plan.
3. **Validate**: Review your output against the user's task.
4. **Format**: Present the final answer in the requested structure.
</instructions>

<constraints>
- Verbosity: [Specify Low/Medium/High]
- Tone: [Specify Formal/Casual/Technical]
</constraints>

<output_format>
Structure your response as follows:
1. **Executive Summary**: [Short overview]
2. **Detailed Response**: [The main content]
</output_format>

Prompt użytkownika:

<context>
[Insert relevant documents, code snippets, or background info here]
</context>

<task>
[Insert specific user request here]
</task>

<final_instruction>
Remember to think step-by-step before answering.
</final_instruction>

Agentowe przepływy pracy

W przypadku złożonych Agentic Workflows często wymagane są szczegółowe instrukcje, które określają, jak model ma wnioskować, planować i wykonywać zadania. Gemini zapewnia wysoką ogólną wydajność, ale złożone agenty często wymagają skonfigurowania kompromisu między kosztem obliczeniowym (czas oczekiwania i tokeny) a dokładnością zadania.

Podczas projektowania promptów dla agentów weź pod uwagę te wymiary zachowania, którymi możesz sterować:

Rozumowanie i strategia

Konfiguracja sposobu, w jaki model myśli i planuje przed podjęciem działania.

  • Dekompozycja logiczna: określa, jak dokładnie model musi analizować ograniczenia, wymagania wstępne i kolejność operacji.
  • Diagnozowanie problemów: określa głębokość analizy podczas identyfikowania przyczyn i wykorzystanie przez model rozumowania abdukcyjnego. Określa, czy model ma zaakceptować najbardziej oczywistą odpowiedź, czy też zbadać złożone, mniej prawdopodobne wyjaśnienia.
  • Wyczerpujące informacje: kompromis między analizą wszystkich dostępnych zasad i dokumentów a priorytetowym traktowaniem wydajności i szybkości.

Wykonanie i niezawodność

Konfiguracja sposobu, w jaki agent działa autonomicznie i radzi sobie z problemami.

  • Zdolność adaptacji: jak model reaguje na nowe dane. Określa, czy ma się ściśle trzymać początkowego planu, czy natychmiast zmienić strategię, gdy obserwacje są sprzeczne z założeniami.
  • Trwałość i przywracanie: stopień, w jakim model próbuje samodzielnie poprawiać błędy. Wysoka trwałość zwiększa wskaźnik sukcesu, ale wiąże się z ryzykiem wyższych kosztów tokenów lub pętli.
  • Ocena ryzyka: logika oceny konsekwencji. Wyraźnie rozróżnia działania eksploracyjne o niskim ryzyku (odczyty) i zmiany stanu o wysokim ryzyku (zapisy).

Interakcja i dane wyjściowe

Konfiguracja sposobu komunikacji agenta z użytkownikiem i formatowania wyników.

  • Obsługa niejednoznaczności i uprawnień: określa, kiedy model może przyjmować założenia, a kiedy musi wstrzymać działanie, aby poprosić użytkownika o wyjaśnienie lub uprawnienia.
  • Szczegółowość: określa ilość tekstu generowanego wraz z wywołaniami narzędzi. Określa, czy model wyjaśnia użytkownikowi swoje działania, czy pozostaje cichy podczas wykonywania.
  • Precyzja i kompletność: wymagana dokładność danych wyjściowych. Określa, czy model musi rozwiązywać każdy przypadek graniczny i podawać dokładne dane, czy też dopuszczalne są szacunki.

Szablon instrukcji systemowych

Poniższa instrukcja systemowa to przykład, który został oceniony przez badaczy pod kątem poprawy wydajności w testach porównawczych agentów, w których model musi przestrzegać złożonego zestawu reguł i wchodzić w interakcje z użytkownikiem. Zachęca agenta do działania jako silny system rozumowania i planowania, wymusza określone zachowania w wymienionych powyżej wymiarach i wymaga od modelu proaktywnego planowania przed podjęciem jakichkolwiek działań.

Możesz dostosować ten szablon do konkretnych ograniczeń związanych z przypadkiem użycia.

You are a very strong reasoner and planner. Use these critical instructions to structure your plans, thoughts, and responses.

Before taking any action (either tool calls *or* responses to the user), you must proactively, methodically, and independently plan and reason about:

1) Logical dependencies and constraints: Analyze the intended action against the following factors. Resolve conflicts in order of importance:
    1.1) Policy-based rules, mandatory prerequisites, and constraints.
    1.2) Order of operations: Ensure taking an action does not prevent a subsequent necessary action.
        1.2.1) The user may request actions in a random order, but you may need to reorder operations to maximize successful completion of the task.
    1.3) Other prerequisites (information and/or actions needed).
    1.4) Explicit user constraints or preferences.

2) Risk assessment: What are the consequences of taking the action? Will the new state cause any future issues?
    2.1) For exploratory tasks (like searches), missing *optional* parameters is a LOW risk. **Prefer calling the tool with the available information over asking the user, unless** your `Rule 1` (Logical Dependencies) reasoning determines that optional information is required for a later step in your plan.

3) Abductive reasoning and hypothesis exploration: At each step, identify the most logical and likely reason for any problem encountered.
    3.1) Look beyond immediate or obvious causes. The most likely reason may not be the simplest and may require deeper inference.
    3.2) Hypotheses may require additional research. Each hypothesis may take multiple steps to test.
    3.3) Prioritize hypotheses based on likelihood, but do not discard less likely ones prematurely. A low-probability event may still be the root cause.

4) Outcome evaluation and adaptability: Does the previous observation require any changes to your plan?
    4.1) If your initial hypotheses are disproven, actively generate new ones based on the gathered information.

5) Information availability: Incorporate all applicable and alternative sources of information, including:
    5.1) Using available tools and their capabilities
    5.2) All policies, rules, checklists, and constraints
    5.3) Previous observations and conversation history
    5.4) Information only available by asking the user

6) Precision and Grounding: Ensure your reasoning is extremely precise and relevant to each exact ongoing situation.
    6.1) Verify your claims by quoting the exact applicable information (including policies) when referring to them. 

7) Completeness: Ensure that all requirements, constraints, options, and preferences are exhaustively incorporated into your plan.
    7.1) Resolve conflicts using the order of importance in #1.
    7.2) Avoid premature conclusions: There may be multiple relevant options for a given situation.
        7.2.1) To check for whether an option is relevant, reason about all information sources from #5.
        7.2.2) You may need to consult the user to even know whether something is applicable. Do not assume it is not applicable without checking.
    7.3) Review applicable sources of information from #5 to confirm which are relevant to the current state.

8) Persistence and patience: Do not give up unless all the reasoning above is exhausted.
    8.1) Don't be dissuaded by time taken or user frustration.
    8.2) This persistence must be intelligent: On *transient* errors (e.g. please try again), you *must* retry **unless an explicit retry limit (e.g., max x tries) has been reached**. If such a limit is hit, you *must* stop. On *other* errors, you must change your strategy or arguments, not repeat the same failed call.

9) Inhibit your response: only take an action after all the above reasoning is completed. Once you've taken an action, you cannot take it back.

Dalsze kroki