--- id: CP-312 slug: few-shot-prompting-przyklady-kroki lang: pl title: Przykłady i podział zadania w pracy z AI description: Jak prowadzić asystenta AI za pomocą dwóch lub trzech przykładów, a potem dzielić zadanie na etapy sprawdzane po kolei, bez ujawniania danych. canonical_url: https://startbrain.io/cyberpedia/pl/articles/few-shot-prompting-przyklady-kroki/ markdown_url: https://startbrain.io/cyberpedia/pl/articles/few-shot-prompting-przyklady-kroki.md publisher: Brain (https://startbrain.io) license: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) cite_as: Brain, „Przykłady i podział zadania w pracy z AI”, Cyberpedia, 2026. https://startbrain.io/cyberpedia/pl/articles/few-shot-prompting-przyklady-kroki/ (CC BY 4.0) wing: 4 theme: prompt_correctly reflex: air-016 schema: G5 updated: "2026-11-03" translations: pl: https://startbrain.io/cyberpedia/pl/articles/few-shot-prompting-przyklady-kroki/ fr: https://startbrain.io/cyberpedia/fr/articles/few-shot-prompting-decomposition-etapes/ en: https://startbrain.io/cyberpedia/en/articles/few-shot-prompting-step-by-step/ de: https://startbrain.io/cyberpedia/de/articles/few-shot-prompting-beispiele-schritte/ es: https://startbrain.io/cyberpedia/es/articles/few-shot-prompting-ejemplos-pasos/ it: https://startbrain.io/cyberpedia/it/articles/few-shot-prompting-esempi-passaggi/ nl: https://startbrain.io/cyberpedia/nl/articles/few-shot-prompting-voorbeelden-stappen/ pt: https://startbrain.io/cyberpedia/pt/articles/few-shot-prompting-exemplos-passos/ sources: - "n": 1 title: Prompt engineering techniques - Microsoft Foundry publisher: Microsoft url: https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/prompt-engineering accessed: "2026-11-03" - "n": 2 title: Language Models are Few-Shot Learners publisher: arXiv url: https://arxiv.org/abs/2005.14165 published: "2020-05-28" accessed: "2026-11-03" - "n": 3 title: Chain-of-Thought Prompting Elicits Reasoning in Large Language Models publisher: arXiv url: https://arxiv.org/abs/2201.11903 published: "2022-01-28" accessed: "2026-11-03" - "n": 4 title: Large Language Models are Zero-Shot Reasoners publisher: arXiv url: https://arxiv.org/abs/2205.11916 published: "2022-05-24" accessed: "2026-11-03" - "n": 5 title: Least-to-Most Prompting Enables Complex Reasoning in Large Language Models publisher: arXiv url: https://arxiv.org/abs/2205.10625 published: "2022-05-21" accessed: "2026-11-03" - "n": 6 title: System message design for Azure OpenAI - Microsoft Foundry publisher: Microsoft url: https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/advanced-prompt-engineering accessed: "2026-11-03" - "n": 7 title: Prompt injection is not SQL injection (it may be worse) publisher: NCSC (Royaume-Uni) url: https://www.ncsc.gov.uk/blog-post/prompt-injection-is-not-sql-injection published: "2025-12-08" accessed: "2026-11-03" - "n": 8 title: LLM01:2025 Prompt Injection publisher: OWASP url: https://genai.owasp.org/llmrisk/llm01-prompt-injection/ accessed: "2026-11-03" --- # Przykłady i podział zadania w pracy z AI Asystent AI odpowiada lepiej, gdy pokaże mu się, czego się oczekuje, niż gdy oczekiwanie jedynie się opisze. Pokazanie dwóch lub trzech przykładów pożądanego wyniku nazywa się „few-shot" (po polsku: uczenie na kilku przykładach). Drugim zastosowaniem jest podział złożonego problemu na małe etapy, które sprawdza się jeden po drugim. Obie techniki poprawiają odpowiedzi, ale nie czynią ich wiarygodnymi. Ta fiszka wyjaśnia, jak stosować je w pracy i czego nigdy nie wolno wkładać do przykładu. ## W 30 sekund - Gdzie to się zdarza: w każdej prośbie do asystenta AI, który ma przygotować ściśle określony format (streszczenie, sortowanie, typowy tekst) albo rozwiązać problem w kilku krokach. - Co to daje: odpowiedzi bliższe temu, czego Pan/Pani oczekuje, pod warunkiem że przykłady są dobrze dobrane, a każdy etap zostaje przeczytany. - Odruch: proszę podać dwa lub trzy przykłady fikcyjne albo zanonimizowane, podzielić zadanie na etapy i sprawdzić każdy etap przed przejściem do następnego. - Jeśli już się to stało: jeśli przykład zawierał nazwę klienta, wewnętrzną liczbę lub fragment umowy, proszę powiadomić swojego opiekuna ds. bezpieczeństwa i nie używać go ponownie. ## Pytania wprost ### Czym jest few-shot? To dodanie do prośby jednego lub kilku przykładów pożądanego zachowania, w postaci par „dane wejściowe i oczekiwany wynik". Microsoft zaznacza, że model nie uczy się w sensie trwałej zmiany: przykłady jedynie warunkują go na czas bieżącej odpowiedzi [1]. Prośbę bez przykładów nazywa się „zero-shot" [1]. Pomysł pochodzi z badań. Artykuł z 2020 roku o GPT-3 opisuje zadania i demonstracje podawane „purely via text interaction with the model", bez ponownego trenowania [2]. ### Dlaczego przykłady pomagają? W przykładzie Microsoftu model, którego poproszono o kategorię dla tytułu prasowego, zdaje się zgadywać, czego się od niego oczekuje. Z przykładami rozumie format, a nawet potrafi wywnioskować, jakiego typu etykieta jest potrzebna, choć żaden przykład nie zawierał etykiety „basketball" [1]. ### Co znaczy podzielić zadanie na etapy? Microsoft wskazuje, że modele językowe często dają lepsze wyniki, gdy zadanie zostaje podzielone na mniejsze etapy. Jego przykład: najpierw poprosić o wyodrębnienie przydatnych faktów, a dopiero potem o przygotowanie zapytań wyszukiwawczych do ich sprawdzenia [1]. Przy krótkim tekście różnica jest niewielka, ale staje się wyraźna, gdy tekst zawiera wiele twierdzeń [1]. ### Czy trzeba prosić AI o pokazanie rozumowania? To wariant tej techniki. Microsoft opisuje polecenie, które każe działać krok po kroku i przedstawić wszystkie etapy. Według dokumentacji zmniejsza to ryzyko nieścisłości i ułatwia ocenę odpowiedzi [1]. Microsoft zaznacza, że ta technika dotyczy wyłącznie modeli niewykorzystujących rozumowania, a techniki te „aren't recommended for reasoning models like gpt-5 and o-series models" [1]. ### Czy można ufać rozumowaniu, które wygląda logicznie? Nie, dobrze przedstawione etapy same w sobie niczego nie dowodzą. Microsoft zaleca dać modelowi „wyjście awaryjne", na przykład odpowiedź „not found", jeśli informacji nie ma w podanym tekście [1]. Odpowiedzi różnią się też w zależności od modeli i wersji [6]. ## Jak to działa Modele językowe tworzą najbardziej prawdopodobny ciąg dalszy słów na podstawie otrzymanego tekstu [1]. Dobrze dobrane przykłady kierują ten ciąg ku pożądanemu formatowi. Dla problemów wymagających kilku kroków badania opisały kilka metod. Artykuł z 2022 roku o „łańcuchu myśli" pokazuje, że podanie kilku demonstracji zawierających pośrednie kroki rozumowania poprawia wyniki w zadaniach arytmetycznych, z zakresu zdrowego rozsądku i rozumowania symbolicznego [3]. Inny artykuł z 2022 roku pokazuje, że wystarczy dodać zdanie „Let's think step by step", bez żadnego przykładu, by poprawić wyniki [4]. Trzecia metoda, zwana „od najprostszego do najbardziej złożonego", dzieli problem na podproblemy rozwiązywane po kolei, przy czym każda odpowiedź pomaga rozwiązać następną [5]. Wyniki te pochodzą z testów na problemach wzorcowych, nie z sytuacji biurowych. Pokazują, że metoda może pomóc, ale nie gwarantują dobrej odpowiedzi. ## Co Pan/Pani robi - Proszę napisać dwa lub trzy krótkie, zróżnicowane przykłady, z których każdy pokazuje dane wejściowe i dokładnie oczekiwany wynik. - Proszę zastąpić każdą prawdziwą daną wymyśloną: fikcyjnym nazwiskiem, zaokrągloną kwotą niezwiązaną z żadną sprawą, przepisanym tekstem. - Proszę umieścić instrukcję w wyraźnym miejscu. Kolejność ma znaczenie: Microsoft zauważa, że kolejność informacji może zmienić wynik, także kolejność przykładów [1]. - Proszę podzielić zadanie: poprosić o pierwszy etap, przeczytać go, poprawić, a potem przejść do następnego, opierając się na zatwierdzonym etapie. - Proszę przewidzieć drogę wyjścia: pozwolić AI odpowiedzieć, że nie wie lub że brakuje informacji [1]. - Proszę sprawdzić ważne fakty (liczby, daty, nazwiska) w wiarygodnym źródle, zanim zostaną użyte. Przykład prośby dwuetapowej, podany tu tytułem ilustracji: ```text Ilustracja, tekst fikcyjny. Etap 1: [wypisz twierdzenia z poniższego tekstu, które można zweryfikować.] Etap 2: [po mojej lekturze zaproponuj dla każdego twierdzenia sposób jego sprawdzenia.] Jeśli brakuje informacji, odpowiedz „nie znaleziono". ``` ## Pułapki - Stronnicze przykłady. Model naśladuje to, co mu się pokazuje. Microsoft zwraca uwagę na wrażliwość na kolejność, z uprzedzeniem na korzyść tego, co najnowsze: to, co znajduje się na końcu prośby, może ważyć więcej [1]. Proszę zróżnicować przykłady i czytać odpowiedź, zadając sobie pytanie, czy nie kopiuje ich formy. - Wymyślone etapy. Etap, który wydaje się prawdopodobny, może być błędny. Samo przeczytanie wniosku nie wystarcza. - Nadmierne zaufanie. Zyski zmierzone w badaniach dotyczą ściśle określonych zestawów testów [3][4]. Nic nie mówią o Pana/Pani sprawie. - Wyciek w poleceniach. Polecenia i przykłady są częścią prośby. OWASP zalicza do zagrożeń ujawnianie informacji wrażliwych oraz ujawnianie informacji o poleceniach systemowych [8]. Microsoft przypomina, że komunikat systemowy wpływa na model, ale nie gwarantuje, że ten będzie przestrzegał reguł [6]. Nie należy liczyć na polecenie „niczego nie ujawniaj" jako ochronę sekretu umieszczonego w przykładzie. - Tekst osoby trzeciej w prośbie. Jeśli wklei Pan/Pani dokument z zewnątrz (CV, e-mail, stronę internetową), może on zawierać ukryte instrukcje. Brytyjskie NCSC podaje (hipotetyczny) przykład CV z ukrytym tekstem, który nakazuje zignorować wcześniejsze polecenia i zatwierdzić zgłoszenie [7]. Dodaje, że obecne modele nie wprowadzają granicy bezpieczeństwa między instrukcjami a danymi [7]. Dlatego proszę czytać wyniki ostrożnie, gdy tekst źródłowy nie jest Pana/Pani własny. ## Przypadki z praktyki ### Maj 2020: GPT-3 testowany z przykładami Autorzy GPT-3, modelu o 175 miliardach parametrów, testują go bez aktualizacji modelu, z zadaniami i przykładami podawanymi wyłącznie tekstem. Podają dobre wyniki na wielu zbiorach danych, a także zbiory, na których uczenie na kilku przykładach nadal sobie nie radzi [2]. ### Maj 2022: jedno zdanie wystarcza w teście arytmetycznym Badacze pokazują, że dodanie „Let's think step by step" podnosi dokładność z 17,7 % do 78,7 % w teście MultiArith oraz z 10,4 % do 40,7 % w GSM8K, z modelem text-davinci-002 [4]. Nawet przy tym zysku odpowiedź pozostaje błędna częściej niż raz na pięć razy w MultiArith i częściej niż raz na dwa razy w GSM8K, jak wynika z tych liczb [4]. ### Maj 2022: podział od najprostszego do najbardziej złożonego Autorzy metody od najprostszego do najbardziej złożonego podają, że z modelem code-davinci-002 i 14 przykładami osiągają co najmniej 99 % dokładności w teście SCAN, wobec 16 % z łańcuchem myśli [5]. Zaznaczają, że łańcuch myśli zwykle słabo sobie radzi z problemami trudniejszymi niż pokazane przykłady [5]. ## Źródła 1. Microsoft, „Prompt engineering techniques - Microsoft Foundry”. https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/prompt-engineering (dostęp 3 listopada 2026) 2. arXiv, „Language Models are Few-Shot Learners”, 28 maja 2020. https://arxiv.org/abs/2005.14165 (dostęp 3 listopada 2026) 3. arXiv, „Chain-of-Thought Prompting Elicits Reasoning in Large Language Models”, 28 stycznia 2022. https://arxiv.org/abs/2201.11903 (dostęp 3 listopada 2026) 4. arXiv, „Large Language Models are Zero-Shot Reasoners”, 24 maja 2022. https://arxiv.org/abs/2205.11916 (dostęp 3 listopada 2026) 5. arXiv, „Least-to-Most Prompting Enables Complex Reasoning in Large Language Models”, 21 maja 2022. https://arxiv.org/abs/2205.10625 (dostęp 3 listopada 2026) 6. Microsoft, „System message design for Azure OpenAI - Microsoft Foundry”. https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/advanced-prompt-engineering (dostęp 3 listopada 2026) 7. NCSC (Royaume-Uni), „Prompt injection is not SQL injection (it may be worse)”, 8 grudnia 2025. https://www.ncsc.gov.uk/blog-post/prompt-injection-is-not-sql-injection (dostęp 3 listopada 2026) 8. OWASP, „LLM01:2025 Prompt Injection”. https://genai.owasp.org/llmrisk/llm01-prompt-injection/ (dostęp 3 listopada 2026) --- Źródło oryginalne: Cyberpedia, publiczna encyklopedia cyberbezpieczeństwa i AI wydawana przez Brain. Wersja kanoniczna: https://startbrain.io/cyberpedia/pl/articles/few-shot-prompting-przyklady-kroki/ Możesz swobodnie wykorzystywać ten tekst na licencji CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), pod warunkiem podania „Brain, Cyberpedia” wraz z odnośnikiem do powyższego adresu.