Arkusz danych
Formuły Excel i Google Sheets z AI
Instrukcja promptingu do generowania skomplikowanych formuł REGEX, tablic dynamicznych oraz skryptów Apps Script bez błędów składniowych.
Menu
DOKUMENTACJA TECHNICZNA PROMPTINGU V4.2
Inżynieria Promptów:
Składnia Poleceń i Szablony Zadań
Przewodnik techniczny po strukturze zapytań dla dużych modeli językowych. Skonfiguruj precyzyjne instrukcje, wyeliminuj błędy logiczne halucynacji i zaimplementuj powtarzalne formaty odpowiedzi przy użyciu jednoznacznych separatorów danych.
Pomiary Efektywności
Parametry determinizmu instrukcji
99.2% Powtarzalność JSON
Poprawność struktury wyjściowej przy zastosowaniu bloków delimitacyjnych XML.
4.2x Redukcja Tokenów
Ograniczenie zużycia bufora kontekstu dzięki kompresji semantycznej instrukcji wstępnych.
0.00 Współczynnik Temp
Rekomendowana temperatura w zadaniach ekstrakcji faktograficznej oraz generowania kodu.
128k Rozmiar Okna
Standardowa alokacja pamięci roboczej w nowoczesnych potokach analitycznych.
Specyfikacja Inżynieryjna
Architektura polecenia systemowego
Każdy prompt produkcyjny musi posiadać jednoznacznie wyodrębnione segmenty. Rozdziel dane wejściowe od logiki wykonawczej przy użyciu znaczników XML lub potrójnych cudzysłowów. Zapobiega to wstrzykiwaniu poleceń (Prompt Injection) oraz gubieniu instrukcji w długim kontekście.
01
Rola i profil ograniczeń systemowych
Zdefiniuj rolę modelu w pierwszej linii. Wskaż poziom wiedzy domenowej oraz bezwzględne reguły negatywne: czego modelowi nie wolno generować, jakie założenia są zabronione oraz jak traktować brak danych.
Jesteś starszym analitykiem danych. Odpowiadaj wyłącznie na podstawie podanych faktów. Jeśli dane są niekompletne, zwróć kod błędu ERR_NO_DATA.
02
Delimitacja sekcji i danych wejściowych
Stosuj znaczniki strukturalne XML do oddzielenia metadanych od przetwarzanego tekstu. Taki format ułatwia parsowanie odpowiedzi przez moduły automatyzacji. Szczegóły integracji znajdziesz w dziale Automatyzacja Zadań: Integracje API.
<context>[TUTAJ WPROWADŹ SUROWY DOKUMENT]</context>
<instruction>Wyodrębnij wszystkie daty i kwoty brutto.</instruction>
<instruction>Wyodrębnij wszystkie daty i kwoty brutto.</instruction>
03
Deklaracja sztywnego formatu wyjścia
Podaj pełny schemat JSON Schema lub szablon tabelaryczny. Zabroń dodawania wstępów typu "Oto wynik:" oraz komentarzy końcowych, co pozwala na bezpośrednie przekazanie wyjścia do baz danych i arkuszy kalkulacyjnych.
Format wyjściowy: Czysty obiekt JSON. Brak bloków markdown ```json. Schemat: {"id": integer, "status": string, "metrics": []}
Kompletny Szablon Produkcyjny
# 1. ROLA I ZASADY OPERACYJNE
<system_instructions>
Działasz jako silnik parsowania logów serwerowych.
Zasada 1: Ignoruj rekordy z kodem odpowiedzi HTTP 200.
Zasada 2: Wyodrębnij unikalne adresy IP generujące kody 4xx oraz 5xx.
Zasada 3: Wyjście wyłącznie w formacie CSV z nagłówkami: ip,status_code,timestamp.
</system_instructions>
# 2. PRZYKŁAD WYJŚCIA (FEW-SHOT)
<example>
Wejście: 2025-05-12T08:00:01 192.168.1.1 GET /api 404
Wyjście: 192.168.1.1,404,2025-05-12T08:00:01
</example>
# 3. DANE WEJŚCIOWE DO PRZETWORZENIA
<input_payload>
[WPROWADŹ_LOGI_SERWERA]
</input_payload>
<system_instructions>
Działasz jako silnik parsowania logów serwerowych.
Zasada 1: Ignoruj rekordy z kodem odpowiedzi HTTP 200.
Zasada 2: Wyodrębnij unikalne adresy IP generujące kody 4xx oraz 5xx.
Zasada 3: Wyjście wyłącznie w formacie CSV z nagłówkami: ip,status_code,timestamp.
</system_instructions>
# 2. PRZYKŁAD WYJŚCIA (FEW-SHOT)
<example>
Wejście: 2025-05-12T08:00:01 192.168.1.1 GET /api 404
Wyjście: 192.168.1.1,404,2025-05-12T08:00:01
</example>
# 3. DANE WEJŚCIOWE DO PRZETWORZENIA
<input_payload>
[WPROWADŹ_LOGI_SERWERA]
</input_payload>
Zużycie bazy promptu: ~85 tokenów Zastosowanie w analizie danych →
Katalog Struktur
Wzorce inżynierii zapytań
Wykorzystaj sprawdzone szablony konstrukcyjne w zależności od złożoności zadania obliczeniowego i wymagań dotyczących precyzji odpowiedzi.
WZORZEC 01
Łańcuch myśli (Chain-of-Thought)
Wymusza na modelu wygenerowanie pośrednich kroków kalkulacyjnych przed sformułowaniem wniosku końcowego. Zwiększa poprawność weryfikacji formuł logicznych oraz obliczeń finansowych.
- - Wymuszenie sekwencji: Krok 1, Krok 2, Wniosek
- - Izolacja obliczeń od tekstu narracyjnego
- - Skuteczność w debugowaniu skryptów
WZORZEC 02
Uczenie kilkoma przykładami (Few-Shot)
Dostarcza modelowi od 2 do 5 par wejście-wyjście przed docelowym zadaniem. Eliminuje konieczność opisywania złożonych reguł formatowania tekstu za pomocą długich instrukcji werbalnych.
- - Standaryzacja nieregularnych ciągów znaków
- - Mapowanie kategorii produktowych
- - Precyzyjna kodyfikacja etykiet
WZORZEC 03
Samokrytyka i Refleksja (Self-Correction)
Dwufazowa procedura promptingu. W fazie pierwszej model generuje odpowiedź roboczą, w fazie drugiej analizuje ją pod kątem spójności ze specyfikacją wymagań i eliminuje usterki.
- - Weryfikacja poprawności składniowej kodu
- - Testowanie zgodności typów danych
- - Walidacja ograniczeń długości tekstu
Reguły Alokacji Pamięci
Zarządzanie oknem kontekstu i uwagą
Modele językowe nie przetwarzają długich dokumentów w sposób w pełni jednorodny. Zjawisko utraty uwagi w środku kontekstu ("Lost in the Middle") wymusza strategiczne rozmieszczanie kluczowych instrukcji.
Zasada skrajnych pozycji (Primacy and Recency)
Umieszczaj krytyczne ograniczenia wykonawcze oraz definicje formatu na samym początku promptu lub w ostatnich 200 tokenach tuż przed znacznikiem rozpoczęcia generacji.
Redukcja szumu semantycznego
Usuwaj z surowych dokumentów wejściowych powtarzalne nagłówki, stopki HTML oraz zbędne białe znaki. Zmniejsza to koszty zapytań API i podnosi współczynnik skupienia wag uwagi.
Kwantyfikacja długości odpowiedzi
Zamiast ogólnych poleceń "odpowiedz zwięźle", stosuj twarde limity: "Maksymalnie 3 punkty", "Maksymalnie 120 słów" lub skonfiguruj parametr max_tokens w konfiguracji wywołania.
Baza Poradników
Dokumentacja powiązana
Indeks materiałów technicznych
Analiza danych
Przetwarzanie tabel i raportowanie
Metodyka ekstrakcji kluczowych wskaźników efektywności z nieustrukturyzowanych raportów finansowych za pomocą promptów walidujących.
Automatyzacja
Integracje API i łączenie narzędzi
Budowa sekwencyjnych łańcuchów wywołań LLM z wykorzystaniem webhooków, formatowania JSON oraz weryfikacji kodów odpowiedzi.