Tworzenie wzorców z miejscami do uzupełnienia
Używaj symboli zastępczych {{variable}} i podstawiania ciągów znaków w Pythonie.
Tworzenie wzorców z miejscami do uzupełnienia to bezpłatna lekcja AI Prompt Engineering na CoddyKit. To lekcja 2 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej AI Prompt Engineering, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs AI Prompt Engineering zawiera 4 lekcji w sumie.
Konwencja placeholderów
Wzorzec promptu z polami do uzupełnienia wykorzystuje placeholdery do oznaczenia części promptu, które przed wysłaniem go do modelu zostaną zastąpione rzeczywistymi wartościami.
Najczęściej stosowaną konwencją placeholderów są podwójne nawiasy klamrowe: {{variable_name}}. Ta konwencja jest czytelna, przypadkowo rzadko pojawia się w zwykłym tekście i jest szeroko obsługiwana przez biblioteki szablonów.
Inne spotykane konwencje to: pojedyncze nawiasy klamrowe {variable}, nawiasy ostrokątne <variable> oraz zmienne zapisane wielkimi literami. Należy wybrać jedną konwencję i stosować ją konsekwentnie.
Podstawianie podstawowych placeholderów
Najprostszy wzorzec uzupełniania luk polega na bezpośrednim podstawianiu ciągów znaków:
Szablon: "Napisz {{word_count}}-wordowy opis {{product}} dla grupy docelowej {{audience}}."
Podstawianie odbywa się przed wysłaniem ciągu znaków do modelu — model otrzymuje czysty, kompletny prompt bez znaczników placeholderów. Placeholdery są etapem wstępnego przetwarzania, a nie czymś, czym zajmuje się sam model.
Typowe kategorie placeholderów
Szablony należy budować z użyciem standardowych kategorii placeholderów, które obejmują większość przypadków użycia:
{{customer_name}}— imię i nazwisko odbiorcy lub nazwa przedmiotu{{product}}— produkt, usługa lub temat, o którym powstaje tekst{{tone}}— np. profesjonalny, swobodny, pilny, entuzjastyczny{{audience}}— odbiorcy treści{{word_count}}— docelowa długość{{format}}— punkty, akapity, lista numerowana{{context}}— informacje kontekstowe charakterystyczne dla danego przypadku
Spójne nazewnictwo w różnych szablonach ułatwia poruszanie się po bibliotece i ogranicza liczbę błędów.
Podstawianie za pomocą formatowania ciągów znaków w Pythonie
Wbudowana w Pythonie metoda ciągów znaków .format() to prosty sposób na uzupełnianie placeholderów przy użyciu składni {variable}:
import openai
client = openai.OpenAI(api_key='sk-...')
EMAIL_TEMPLATE = '''Write a follow-up email from {sender_name} to {recipient_name}.
Context: {context}
Tone: {tone}
Length: {word_count} words.
Include a clear call to action: {cta}.
Do not mention competitors. Active voice. No bullet points.'''
def generate_email(sender, recipient, context, tone, word_count, cta):
prompt = EMAIL_TEMPLATE.format(
sender_name=sender,
recipient_name=recipient,
context=context,
tone=tone,
word_count=word_count,
cta=cta
)
response = client.chat.completions.create(
model='gpt-4o-mini',
messages=[{'role': 'user', 'content': prompt}]
)
return response.choices[0].message.content
result = generate_email(
sender='Sarah Chen',
recipient='Mr. Patel',
context='We met at the DevConf conference last week and discussed API integration.',
tone='warm and professional',
word_count=120,
cta='Schedule a 20-minute demo call'
)
print(result)Podejście z użyciem f-stringów
F-stringi w Pythonie zapewniają składnię podstawiania umieszczaną bezpośrednio w tekście, którą niektórzy deweloperzy preferują ze względu na czytelność:
import openai
client = openai.OpenAI(api_key='sk-...')
def generate_product_description(product, audience, tone, word_count, key_benefit):
prompt = (
f'Write a product description for {product}, designed for {audience}. '
f'Tone: {tone}. '
f'Length: {word_count} words. '
f'Lead with this key benefit: {key_benefit}. '
'Active voice. No bullet points. No pricing mentions.'
)
response = client.chat.completions.create(
model='gpt-4o-mini',
messages=[{'role': 'user', 'content': prompt}]
)
return response.choices[0].message.content
print(generate_product_description(
product='FocusFlow, a time-blocking productivity app',
audience='freelancers and independent consultants',
tone='energetic and practical',
word_count=150,
key_benefit='Reclaim two hours every day by blocking distractions automatically'
))Obsługa znaków specjalnych w placeholderach
Częsty błąd: wartości podane przez użytkownika, zawierające nawiasy klamrowe, cudzysłowy lub znaki nowego wiersza, mogą zakłócić podstawianie ciągów znaków.
Metody ochrony:
- Sanityzuj dane wejściowe przed podstawieniem — w razie potrzeby usuwaj lub koduj znaki specjalne
- W przypadku szablonów wielowierszowych używaj ciągów znaków w potrójnych cudzysłowach, aby bezpiecznie obsługiwać znaki nowego wiersza
- Gdy sama wartość zmiennej zawiera nawiasy klamrowe (np. kod), używaj podejścia, które traktuje wartość zmiennej jako dosłowny tekst (Jinja2 dobrze sobie z tym radzi)
Zawsze należy testować szablon z danymi wejściowymi obejmującymi przypadki brzegowe: puste ciągi znaków, ciągi zawierające cudzysłowy, ciągi ze znakami nowego wiersza oraz bardzo długie ciągi.
Wartości domyślne w szablonach
Nie wszystkie zmienne muszą być wymagane. Wartości domyślne parametrów opcjonalnych zwiększają elastyczność szablonów:
def build_prompt(product, audience, tone='professional and friendly', word_count=200, format_style='prose'):
format_instruction = {
'prose': 'Write in continuous paragraphs. No bullet points.',
'bullets': 'Use bullet points. Each point is one sentence.',
'numbered': 'Use a numbered list. Each item is one sentence.'
}.get(format_style, 'Write in continuous paragraphs.')
return (
f'Write a description of {product} for {audience}. '
f'Tone: {tone}. '
f'Length: {word_count} words. '
f'{format_instruction} '
'Active voice. No competitor mentions.'
)
# Minimal call — uses all defaults
print(build_prompt('Notion', 'students'))
# Full call — overrides defaults
print(build_prompt('Notion', 'students', tone='casual', word_count=100, format_style='bullets'))Szablony wieloblokowe
Złożone prompty mogą zawierać wiele bloków zmiennych — blok promptu systemowego i blok wiadomości użytkownika, z których każdy ma własne placeholdery:
SYSTEM_TEMPLATE = 'You are a {role} writing for {company}. Your audience is {audience}. Style: {style}.'
USER_TEMPLATE = 'Write a {content_type} about {topic}. Length: {word_count} words. Deadline tone: {urgency}.'
import openai
client = openai.OpenAI(api_key='sk-...')
def generate(role, company, audience, style, content_type, topic, word_count, urgency):
system_msg = SYSTEM_TEMPLATE.format(
role=role, company=company, audience=audience, style=style
)
user_msg = USER_TEMPLATE.format(
content_type=content_type, topic=topic,
word_count=word_count, urgency=urgency
)
response = client.chat.completions.create(
model='gpt-4o-mini',
messages=[
{'role': 'system', 'content': system_msg},
{'role': 'user', 'content': user_msg}
]
)
return response.choices[0].message.contentWalidowanie placeholderów przed renderowaniem
Zawsze należy sprawdzić, czy wszystkie wymagane placeholdery zostały uzupełnione przed wysłaniem promptu. Brak placeholdera oznacza, że model otrzyma dosłowny tekst, taki jak {{product}}, i może wygenerować absurdalny wynik:
import re
def validate_template(template_str, provided_vars):
required = set(re.findall(r'\{\{(\w+)\}\}', template_str))
missing = required - set(provided_vars.keys())
if missing:
raise ValueError(f'Missing required template variables: {missing}')
return True
template = 'Write a {{word_count}}-word {{tone}} description of {{product}} for {{audience}}.'
vars_provided = {'word_count': 150, 'tone': 'friendly', 'product': 'TaskFlow'}
try:
validate_template(template, vars_provided)
except ValueError as e:
print(f'Template error: {e}')
# Output: Template error: Missing required template variables: {{'audience'}}Warunkowe bloki szablonów
Czasami sekcja szablonu powinna pojawić się tylko wtedy, gdy podano daną zmienną. Można to zaimplementować w Pythonie, warunkowo budując ciąg znaków:
def build_report_prompt(topic, audience, word_count, include_recommendations=False, cta=None):
prompt = f'Write a report on {topic} for {audience}. Length: {word_count} words. Active voice.'
if include_recommendations:
prompt += ' End with a numbered list of 3 specific recommendations.'
if cta:
prompt += f' Close with this call to action: {cta}'
return prompt
# Without optional sections
print(build_report_prompt('cloud cost optimization', 'engineering managers', 400))
# With optional sections
print(build_report_prompt(
topic='cloud cost optimization',
audience='engineering managers',
word_count=600,
include_recommendations=True,
cta='Book a cost audit with our team at cloudcost.io'
))Zmienne wyboru o wartościach wyliczeniowych
Niektóre zmienne szablonu powinny być ograniczone do ustalonego zbioru dozwolonych opcji. Należy wymusić to za pomocą walidacji w stylu enum:
VALID_TONES = ['professional', 'casual', 'urgent', 'empathetic', 'enthusiastic']
VALID_FORMATS = ['prose', 'bullets', 'numbered', 'table']
def generate_content(topic, tone, format_style, word_count):
if tone not in VALID_TONES:
raise ValueError(f'Invalid tone: {tone}. Choose from: {VALID_TONES}')
if format_style not in VALID_FORMATS:
raise ValueError(f'Invalid format: {format_style}. Choose from: {VALID_FORMATS}')
format_map = {
'prose': 'continuous paragraphs, no lists',
'bullets': 'bullet points',
'numbered': 'numbered list',
'table': 'a markdown table'
}
prompt = (f'Write about {topic} in {tone} tone. '
f'Format: {format_map[format_style]}. '
f'Length: {word_count} words. Active voice.')
return promptSprawdzenie wiedzy: wzorce z uzupełnianiem luk
Masz następujący szablon: 'Write a {tone} email to {recipient} about {topic}. Length: {word_count} words.'
Wywołujesz go za pomocą: tone='formal', recipient='the team', word_count=100 — ale zapominasz o parametrze topic.
Co się stanie?
Podsumowanie: tworzenie wzorców z uzupełnianiem luk
Wzorce promptów z uzupełnianiem luk używają placeholderów ({{variable}}, {variable} lub podobnych), aby oznaczyć zmienne części wielokrotnego użytku szablonu. Najczęściej stosowanymi mechanizmami podstawiania w Pythonie są .format() i f-stringi.
Najlepsze praktyki: walidowanie wszystkich wymaganych placeholderów przed renderowaniem, używanie wartości domyślnych dla zmiennych opcjonalnych, ograniczanie zmiennych wyliczeniowych oraz ostrożna obsługa danych wejściowych z przypadków brzegowych (pustych ciągów znaków i znaków specjalnych).
W następnej lekcji poznasz Jinja2 oraz string.Template w Pythonie — narzędzia zapewniające bardziej zaawansowane możliwości podstawiania zmiennych.
Ucz się AI Prompt Engineering dzięki korepetycjom AI — za darmo
Pisz i uruchamiaj kod w przeglądarce, otrzymuj natychmiastową pomoc od korepetytora AI dostępnego 24/7 i kontynuuj naukę w sieci lub w aplikacji.
- Kursy
- 53
- Lekcje
- 199
Często zadawane pytania
Czy lekcja „Tworzenie wzorców z miejscami do uzupełnienia” jest bezpłatna?
Tak — pełny tekst „Tworzenie wzorców z miejscami do uzupełnienia” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu AI Prompt Engineering, przejdź na CoddyKit PRO. Kurs AI Prompt Engineering zawiera 4 lekcji w sumie.
Co nauczysz się w „Tworzenie wzorców z miejscami do uzupełnienia”?
Używaj symboli zastępczych {{variable}} i podstawiania ciągów znaków w Pythonie. Ćwiczysz AI Prompt Engineering z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć AI Prompt Engineering?
Nie wymagamy żadnego doświadczenia. AI Prompt Engineering w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 2 z 4.
Ile czasu zajmuje lekcja „Tworzenie wzorców z miejscami do uzupełnienia”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji AI Prompt Engineering?
Tak. Każda lekcja AI Prompt Engineering zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Czym jest szablon promptu?
- Tworzenie wzorców z miejscami do uzupełnienia
- Techniki podstawiania zmiennych
- Ponowne używanie szablonów w różnych zadaniach