4. Modul · Haladó
Haladó prompt technikák
Az alaptechnikák 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.
Gondolkodási réteg
CoT: köztes lépések kikényszerítése.
Strukturálási réteg
Few-shot, XML: konzisztens minta és forma.
Rendszerépítési réteg
Meta-prompting, agent: sablon és végrehajtás.
Mikor kell egyáltalán haladó technika?
Az alap promptolás az esetek többségében elég. Nem az a cél, hogy minden feladatra „haladó promptot" írj, hanem hogy felismerd, mikor nem elég már a sima szerep + feladat + formátum logika.
Haladó technika akkor kell, ha:
- • a feladat több lépésből áll,
- • a pontosság különösen fontos,
- • a modell hajlamos összecsúsztatni a szabályt és az adatot,
- • konzisztens outputot akarsz nagyobb mennyiségben,
- • vagy a promptot később sablonként, workflow-ban vagy agentnél akarod újrahasználni.
A jó döntési szabály: ne attól legyen „haladó" a prompt, hogy hosszabb, hanem attól, hogy tudatosabban kezeli a gondolkodást, a szerkezetet vagy a végrehajtást.
A haladó technikák 3 rétege
A haladó prompttechnikák nem mind ugyanazt a problémát oldják meg. Érdemes három réteget elkülöníteni:
1. Gondolkodási réteg
Ilyen a Chain-of-Thought. Akkor hasznos, ha a feladat több köztes lépést igényel, és nem akarod, hogy a modell túl gyorsan ugorjon a végső válaszra.
2. Strukturálási réteg
Ilyen a Few-Shot és az XML tag technika. Akkor kell, ha azt akarod, hogy a modell ugyanazt a logikát, formátumot vagy mintát következetesen tartsa.
3. Rendszerépítési réteg
Ilyen a Meta-prompting és az Agent-promptolás. Akkor fontos, ha már nem egyetlen választ kérsz, hanem promptot tervezel, sablont építesz, vagy autonóm végrehajtást akarsz irányítani.
Ha ezt a három szintet látod, könnyebb lesz eldönteni, melyik technikát mikor érdemes elővenni.
Chain-of-Thought (CoT)
Lépésenkénti feldolgozás – ne engedd, hogy a modell túl gyorsan ugorjon a végső válaszra.
A Chain-of-Thought lényege nem az, hogy 'varázsszóra okosabb lesz' a modell, hanem az, hogy a feladatot köztes lépésekre kényszeríted. Ettől kisebb az esélye annak, hogy összecsúsztatja az elemzést, a döntést és a végső megfogalmazást.
Gyakorlati szempontból ezt így érdemes érteni:
nem feltétlenül belső gondolatmenetet kérsz, hanem jól elkülönített részlépéseket, amelyeket külön-külön is ellenőrizni lehet.
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.
Mikor NE használd?
A Few-Shot nem mindig jó választás. Ne ezt használd elsőként, ha:
- • a feladat egyszerűen leírható szabályokkal,
- • nagyon drága vagy szűk a kontextusablak,
- • a példák rossz minőségűek vagy nem reprezentatívak,
- • a modell inkább szabályt, mint mintát kell hogy kövessen.
Ilyenkor gyakran jobb egy világosabb szabályrendszer vagy XML/YAML-alapú strukturálás.
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.
Rövid szabály
Ne nulláról írj promptot minden alkalommal. Ha a feladat ismétlődő, kérd meg a modellt, hogy először segítsen megtervezni az optimális promptstruktúrát, és csak utána használd azt sablonként.
A meta-prompting akkor a legerősebb, amikor:
- • még nem tiszta, milyen mezők hiányoznak,
- • az első verzió nem adott jó eredményt,
- • vagy rendszeresen ismétlődő munkához kell stabil prompt.
Agent-promptolás
Autonóm végrehajtókhoz nem kérés kell, hanem műveleti specifikáció.
Autonóm végrehajtókhoz nem kérés kell, hanem műveleti specifikáció.
Egy sima chatpromptnál elég lehet, ha megmondod, mit szeretnél. Egy agentnél ez kevés. Ott azt is előre tisztázni kell:
- milyen lépéseken haladhat,
- mikor kell megállnia,
- milyen forrásból dolgozhat,
- mit jelentsen vissza,
- és mit tegyen, ha hiányzik egy adat vagy elakad.
Vagyis az agent-prompt nem 'szebb kérdés', hanem végrehajtási keret.
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.
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.