Promptolás – Haladó
Haladó prompt technikák
Az alaptechnikák (kontextus, szerep, formátum, korlátok, negatív instrukciók) az esetek 80%-ában elegendőek. A maradék 20%-hoz – komplex elemzések, nagy pontosságot igénylő feladatok, automatizált pipeline-ok – haladó technikák kellenek. Ezek nem bonyolultak, de drámaian javítják az eredményt.
Chain-of-Thought (CoT)
Lépésenkénti gondolkodás – kérd meg az AI-t, hogy gondolja végig a problémát lépésről lépésre.
A Chain-of-Thought (láncolatos gondolkodás) technika arra kéri a modellt, hogy ne azonnal adjon végeredményt, hanem mutassa meg a gondolkodási folyamatot. Ez drámaian csökkenti a hibákat összetett feladatoknál, mert a modell 'hangosan gondolkodik' – minden lépésnél ellenőrizheti magát.
Miért működik? Az LLM-ek token-jóslás alapján működnek. Ha a modell először generálja a köztes lépéseket, azok a tokenek kontextusként szolgálnak a következő lépésekhez, így a végeredmény pontosabb lesz.
2026-ban a legtöbb frontier modell (GPT-5.2, Claude Opus 4.6, Gemini 3.1) már beépített 'thinking' módot kínál, de explicit CoT prompt továbbra is javítja az eredményt.
Elemezd ezt a szerződést lépésről lépésre: 1. Először azonosítsd a szerződés típusát és a feleket 2. Listázd a főbb kötelezettségeket mindkét fél részéről 3. Azonosítsd a kockázatos klauzulákat (büntetések, felmondási feltételek, felelősségkorlátozás) 4. Értékeld a kockázatokat 1-5 skálán indoklással 5. Adj összefoglaló ajánlást: aláírjuk-e, és ha igen, milyen módosításokkal
Mikor használd? Komplex elemzések, matematikai feladatok, jogi dokumentumok, többlépéses logikai problémák. Különösen hasznos, ha a feladat több szempontot kell figyelembe vegyen.
Few-Shot prompting
Néhány példával tanítás – mutass 2-3 bemenet/kimenet párt, és az AI megtanulja a mintát.
A Few-Shot technika lényege, hogy nem csak leírod, mit akarsz, hanem meg is mutatod példákon keresztül. Ez különösen hatékony, ha:
- Egyedi formátumot akarsz (pl. specifikus táblázat-struktúra)
- A hangnemet/stílust akarod meghatározni
- Osztályozási feladatot adsz (pl. sentiment analysis)
- A modell 'alapértelmezett' viselkedése nem felel meg
A példák száma általában 2-5 az optimális. Kevesebb nem elég a minta felismeréséhez, több pedig feleslegesen fogyasztja a kontextust (tokeneket).
Kategorizáld az alábbi ügyfél-visszajelzéseket. Íme a formátum:
Bemenet: "A szállítás gyors volt, de a csomagolás sérült."
Kimenet: { kategória: "Vegyes", szentiment: 0.4, témák: ["szállítás+", "csomagolás-"], prioritás: "közepes" }
Bemenet: "Fantasztikus termék, újra rendelek!"
Kimenet: { kategória: "Pozitív", szentiment: 0.95, témák: ["termékminőség+", "visszatérő vásárló"], prioritás: "alacsony" }
Bemenet: "3 hete várok a visszatérítésre, senki nem válaszol."
Kimenet: { kategória: "Negatív", szentiment: 0.1, témák: ["visszatérítés-", "ügyfélszolgálat-"], prioritás: "magas" }
Most kategorizáld ezeket:
[...ide jönnek az új visszajelzések...]Mikor használd? Egyedi formátumok, osztályozási feladatok, stílus-meghatározás, konzisztens kimenet biztosítása nagy mennyiségű adat feldolgozásánál.
XML tag technika
Strukturált promptok XML-szerű tagekkel – a legmagasabb determinizmus és pontosság.
Az XML tagek (
- Izoláció: A modell belső rétegeiben az XML tagek egyértelmű határokat jelölnek – az instrukciók nem keverednek össze az adatokkal
- Determinizmus: A strukturált prompt sokkal kiszámíthatóbb kimenetet produkál
- Újrafelhasználhatóság: Egy jól megírt XML-struktúrájú prompt sablon, amelybe csak az adatokat kell cserélni
Különösen hatékony Claude-nál (Anthropic kifejezetten erre optimalizálta) és Gemini-nél.
<context> Te egy tapasztalt pénzügyi elemző vagy, aki magyar KKV-knak ad tanácsot. Az ügyfél egy 30 fős IT cég, éves bevétel 500M Ft, növekedési fázisban. </context> <task> Készíts cash flow előrejelzést a következő 6 hónapra az alábbi adatok alapján. </task> <data> [...ide jönnek a pénzügyi adatok...] </data> <format> - Havi bontású táblázat (Bevétel | Kiadás | Nettó CF | Kumulált) - Minden hónaphoz 1 mondatos kommentár - Végén: 3 kockázat + 3 lehetőség - Nyelv: magyar, szakmai de érthető </format> <rules> - Ne használj általánosságokat, csak a konkrét adatokból dolgozz - Ha adat hiányzik, jelezd explicit módon, ne találj ki számokat - A kockázatokat valószínűség szerint rangsorold </rules>
Mikor használd? Komplex, többrészes feladatok, ahol fontos a pontosság és a kiszámíthatóság. Különösen: pénzügyi elemzés, jogi dokumentumok, technikai specifikációk, rendszeres riportok.
Meta-prompting
Kérd meg az AI-t, hogy írja meg a saját promptját – a prompt optimalizálásának leghatékonyabb módja.
A meta-prompting azt jelenti, hogy az AI-t használod arra, hogy jobb promptokat írjon. Ez nem lusta megoldás – ez a leghatékonyabb módja a prompt optimalizálásnak, mert:
- Az AI ismeri a saját korlátait és preferenciáit
- Olyan struktúrákat javasol, amelyekre te nem gondolnál
- Iteratívan javíthatod: 'Ez a prompt X eredményt adta, javítsd úgy, hogy Y legyen'
Gyakorlati megközelítés: Írd le természetes nyelven, mit akarsz elérni, és kérd meg az AI-t, hogy írjon hozzá optimális promptot.
Szeretnék egy promptot, ami a következőt csinálja: - Elemzi a feltöltött szerződést - Kiemeli a kockázatos pontokat - Magyar jogi terminológiát használ - Táblázatos formátumban adja az eredményt Írj nekem egy optimális promptot erre a feladatra, XML tagekkel strukturálva. Magyarázd el, miért az adott struktúrát választottad.
Mikor használd? Amikor nem tudod, hogyan fogalmazd meg a promptot. Amikor egy meglévő prompt nem adja a kívánt eredményt. Amikor rendszeresen ismétlődő feladathoz kell sablon.
Agent-promptolás
Autonóm AI agenteknek más logikájú promptot kell adni, mint egy sima chatmodellnek.
Az autonóm agentek nem csevegőpartnerek, hanem célorientált végrehajtók. Böngésznek, kutatnak, kódot futtatnak, fájlokat kezelnek, és addig dolgoznak, amíg el nem érik a megadott célt.
Négy elem szükséges egy jó agent-prompthoz:
- Feladatlebontás: lépésekre bontva, nem egyetlen mondatban
- Ellenőrző pontok: mikor álljon meg és kérjen jóváhagyást
- Kimenet-specifikáció: pontosan milyen formátumban kell az eredmény
- Korlátok: időkeret, forrásszabályok, mit tegyen ha hiányzik egy adat
A különbség egy sima chatprompthoz képest: Claude vagy ChatGPT azonnal válaszol egy kérésre. Egy autonóm agent (Manus, Perplexity Computer, OpenAI Operator) órákig futhat a háttérben, több lépésen és forráson keresztül. Ezért a feladatleírásnak az induláskor egyértelműnek és teljesnek kell lennie.
FELADAT: Magyar VC befektetők kutatása Lépések: 1. Kutatd fel az 5 legnagyobb magyar VC/PE befektetőt AUM alapján 2. Minden befektetőnél gyűjtsd össze: cég neve, alapítás éve, AUM, fókuszterületek, utolsó 3 befektetés, contact person és LinkedIn URL 3. Exportáld Excel táblázatba Ellenőrző pont: mielőtt az Excel-t véglegesíted, mutasd meg a táblázatot jóváhagyásra. Formátum: Cég | Alapítás | AUM (M EUR) | Fókusz | Utolsó befektetés | Contact | LinkedIn Korlátok: csak 2024-2026-os adatokat használj, magyar és angol forrásokból is keress, ha egy adat nem elérhető jelöld N/A-val
Mikor használd? Komplex, többlépéses kutatási feladatokra. Adatgyűjtésre több forrásból. Automatizált riport-készítésre. Olyan feladatokra, amelyek egy embertől órákat vennének igénybe.
Meta-Prompting
Az AI mint prompt-tervező.
Ne találgass: vond be a modellt a prompt megtervezésébe. Az AI sokszor jobban tudja, milyen szerkezet, mezők és korlátok segítik a jobb kimenetet. A promptot is lehet iterálni és finomítani.
Mit csinálj?
Lényeg
- Ne nulláról írj promptot minden alkalommal.
- Vond be a modellt a tervezésbe.
- A prompt is iterálható és optimalizálható.
Agent-Promptolás
Autonóm végrehajtókhoz műveleti utasítás kell.
Az autonóm agentek nem csevegőpartnerek. Nem egy rövid kérdésre válaszolnak, hanem hosszabb folyamatokat hajtanak végre. Ezért az agent promptnak szigorúbbnak és rendszerszerűbbnek kell lennie.
Feladatlebontás
Ne egy mondat legyen, hanem algoritmikus lépéssorozat.
Ellenőrző pontok
Human-in-the-loop: mikor álljon meg jóváhagyásra.
Kimenet-specifikáció
Pontos formátum, mezők, táblázatos szerkezet.
Korlátok / fallback
Időkeret, forrásszabályok, hiányzó adatok jelölése.
Lényeg
Chat prompt ≠ agent prompt. Kontroll nélkül az agent gyorsan hibázik vagy feleslegesen költ. Az agent promptot úgy írd meg, mint egy műveleti utasítást.
3 haladó sablon
Struktúrát tanítanak, nem csak másolható szöveget.
Ezek a sablonok a rendszerlogikát mutatják: elemzés, kutatás, végrehajtás. Használd őket kiindulásnak, és cseréld a szögletes zárójelben lévő részeket a saját adataidra.
Gyakorolj: Lakera Gandalf
A legjobb mód a promptírás tanulására: próbáld meg átverni egy AI-t.
A Lakera Gandalf egy interaktív játék, ahol a célod, hogy rávedd az AI-t egy titkos jelszó felfedésére. Minden szint egyre erősebb védelmet kap – pontosan azt tanulod meg, hogyan működik a prompt injection és a jailbreak.
Miért hasznos? Mert a támadó oldaláról tanulod meg, hogyan működik az AI – és ez tesz jobb promptíróvá. Ha érted, hogyan lehet átverni, érteni fogod, hogyan kell pontosan utasítani.
Egyszerűen kérd el a jelszót, az AI megadja
Közvetett kérdések, szerepjáték szükséges
Többrétegű védelem, kreatív megoldások kellenek
A legtöbb ember itt elakad – te meddig jutsz?
Következő lépés
Nyelvek és formátumok: a hatékonyság következő szintje.
Most már nemcsak jobb promptokat tudsz írni, hanem gondolkodási és végrehajtási struktúrákat is tervezel. A következő lépés: megérteni, mely nyelvek, adatformátumok és strukturálási technikák működnek a leghatékonyabban a modellek számára.