Typy żądań, które może obsługiwać AI
Klasyfikacja zadań AI: pisanie, podsumowywanie, odpowiadanie, programowanie i burza mózgów.
Typy żądań, które może obsługiwać AI 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.
Taksonomia zadań AI
Modele językowe AI są niezwykle wszechstronne. Obsługują szeroki zakres typów zadań, a wiedza o tym, do której kategorii należy dane zadanie, pomaga pisać lepsze prompty.
Zadania można podzielić na: pisanie, podsumowywanie, Q&A, programowanie, burzę mózgów, tłumaczenie, klasyfikację oraz ekstrakcję danych.
Zadania związane z pisaniem
Pisanie jest jednym z najczęstszych zadań wykonywanych przez AI. Przykłady:
- tworzenie wersji roboczych wiadomości e-mail, listów motywacyjnych i wpisów na bloga
- pisanie opowiadań, scenariuszy lub innych kreatywnych treści
- tworzenie podpisów do publikacji w mediach społecznościowych
- edytowanie i przeredagowywanie istniejących wersji roboczych
Najważniejsze jest określenie w prompcie formatu, tonu, długości i odbiorców.
import anthropic
client = anthropic.Anthropic(api_key='sk-ant-your-key-here')
response = client.messages.create(
model='claude-opus-4-5',
max_tokens=256,
messages=[{
'role': 'user',
'content': (
'Write a 150-word professional email declining a meeting invitation. '
'Tone: polite and regretful. Suggest rescheduling next week.'
)
}]
)
print(response.content[0].text)Zadania związane z podsumowywaniem
Podsumowywanie skraca długie treści i nadaje im krótszą, łatwiejszą do przyswojenia formę. Typowe zastosowania:
- TL;DR długich artykułów lub raportów
- notatki ze spotkania na podstawie transkrypcji
- streszczenia dla kadry zarządzającej dotyczące prac badawczych
- najważniejsze punkty wyodrębnione z rozdziału książki
Należy określić docelową długość i wymagany poziom szczegółowości.
import openai
client = openai.OpenAI(api_key='sk-your-key-here')
long_text = (
'Artificial intelligence has transformed industries from healthcare '
'to finance over the past decade. Machine learning models now diagnose '
'diseases, detect fraud, and power recommendation engines. However, '
'concerns about bias, privacy, and job displacement remain significant...'
)
response = client.chat.completions.create(
model='gpt-4o',
messages=[{
'role': 'user',
'content': f'Summarize the following in exactly 2 sentences:\n\n{long_text}'
}]
)
print(response.choices[0].message.content)Zadania typu pytanie i odpowiedź
Zadania typu Q&A wykorzystują szeroką bazę wiedzy modelu. Należą do nich:
- pytania faktograficzne („Czym jest cykl Krebsa?”)
- pytania wyjaśniające („Jak działa HTTPS?”)
- pytania porównawcze („Jaka jest różnica między pamięcią RAM a pamięcią masową?”)
- pytania dotyczące dokumentu — zadawanie pytań na temat wklejonego dokumentu
W przypadku pytań dotyczących dokumentu zawsze należy dołączyć materiał źródłowy do promptu.
import anthropic
client = anthropic.Anthropic(api_key='sk-ant-your-key-here')
document = 'Our refund policy allows returns within 30 days with receipt...'
response = client.messages.create(
model='claude-opus-4-5',
max_tokens=256,
system='Answer only based on the document provided. If unsure, say so.',
messages=[{
'role': 'user',
'content': f'Document:\n{document}\n\nQuestion: How many days do I have to return an item?'
}]
)
print(response.content[0].text)Zadania programistyczne
Zadania programistyczne to dziedzina, w której asystenci AI naprawdę pokazują swoje możliwości. Typowe prośby:
- generowanie kodu na podstawie opisu („Napisz funkcję w Pythonie, która...”)
- wyjaśnianie działania istniejącego kodu
- debugowanie lub naprawianie wadliwego kodu
- konwertowanie kodu z jednego języka na inny
- pisanie testów jednostkowych dla danej funkcji
import openai
client = openai.OpenAI(api_key='sk-your-key-here')
response = client.chat.completions.create(
model='gpt-4o',
messages=[
{
'role': 'system',
'content': 'You are a Python expert. Include type hints and a brief docstring.'
},
{
'role': 'user',
'content': (
'Write a function that takes a list of integers and returns '
'the second largest unique value, or None if it does not exist.'
)
}
]
)
print(response.choices[0].message.content)Zadania związane z burzą mózgów
Burza mózgów pozwala wykorzystać AI do szybkiego wygenerowania dużej liczby pomysłów. Można używać jej do:
- wymyślania nazw produktów
- tworzenia list tematów wpisów na bloga
- opracowywania pomysłów na funkcje aplikacji
- szukania koncepcji kampanii marketingowych
- znajdowania alternatywnych rozwiązań problemu
Należy poprosić o podanie konkretnej liczby pomysłów i poinformować model, aby przedkładał różnorodność nad powtarzalność.
import anthropic
client = anthropic.Anthropic(api_key='sk-ant-your-key-here')
response = client.messages.create(
model='claude-opus-4-5',
max_tokens=512,
messages=[{
'role': 'user',
'content': (
'Generate 10 unique app name ideas for a habit-tracking app targeting busy professionals. '
'Each name should be one or two words. Prioritize variety — avoid similar-sounding names. '
'After each name, add a 5-word tagline.'
)
}]
)
print(response.content[0].text)Zadania związane z tłumaczeniem
Tłumaczenie wykracza poza przekład słowo w słowo. Modele AI obsługują:
- tłumaczenie językowe (angielski → hiszpański, francuski → japoński)
- tłumaczenie rejestru (żargon techniczny → prosty język)
- tłumaczenie tonu (formalny → swobodny)
- tłumaczenie formatu (akapit → lista punktowana)
Należy określić, czy potrzebują Państwo tłumaczenia dosłownego, czy naturalnego, idiomatycznego przekładu.
import openai
client = openai.OpenAI(api_key='sk-your-key-here')
text_en = 'Please ensure the deliverables are submitted prior to the agreed deadline.'
response = client.chat.completions.create(
model='gpt-4o',
messages=[{
'role': 'user',
'content': (
f'Translate the following into natural, idiomatic Spanish '
f'suitable for a casual work chat message:\n\n{text_en}'
)
}]
)
print(response.choices[0].message.content)Zadania klasyfikacyjne
Klasyfikacja przypisuje dane wejściowe do predefiniowanych kategorii. Przykłady:
- analiza sentymentu (pozytywny / negatywny / neutralny)
- kategoryzacja tematyczna (sport / polityka / technologia)
- wykrywanie intencji (reklamacja / zapytanie / komplement)
- spam / brak spamu
W prompcie zawsze należy podać listę prawidłowych kategorii, aby model wiedział, spośród czego wybrać.
import anthropic
client = anthropic.Anthropic(api_key='sk-ant-your-key-here')
reviews = [
'The product broke after one day. Terrible quality!',
'Shipping was fast and the item is exactly as described.',
'It is okay, nothing special but does the job.'
]
for review in reviews:
response = client.messages.create(
model='claude-opus-4-5',
max_tokens=16,
messages=[{
'role': 'user',
'content': (
f'Classify this review as exactly one of: POSITIVE, NEGATIVE, NEUTRAL.\n'
f'Reply with only the label.\n\nReview: {review}'
)
}]
)
label = response.content[0].text.strip()
print(f'{label}: {review[:40]}...')Zadania związane z ekstrakcją danych
Ekstrakcja danych pozwala wydobywać ustrukturyzowane informacje z nieustrukturyzowanego tekstu. Typowe zastosowania:
- wyodrębnianie nazw, dat i kwot z faktur
- wydobywanie najważniejszych faktów z artykułów prasowych
- parsowanie informacji kontaktowych z wiadomości e-mail
- wyodrębnianie specyfikacji produktów z opisów
Należy poprosić o wynik w formacie JSON, aby ułatwić programistyczne wykorzystanie wyodrębnionych danych.
import openai
import json
client = openai.OpenAI(api_key='sk-your-key-here')
email_text = (
'Hi, I am Sarah Johnson from Acme Corp. '
'Please send the invoice for $4,250 to billing@acmecorp.com by June 15th.'
)
response = client.chat.completions.create(
model='gpt-4o',
messages=[{
'role': 'user',
'content': (
'Extract the following fields from the email below and output valid JSON:\n'
'name, company, email, amount, deadline\n\nEmail:\n' + email_text
)
}]
)
raw = response.choices[0].message.content
data = json.loads(raw)
print(data)Łączenie typów zadań
Prompty używane w rzeczywistych sytuacjach często łączą wiele typów zadań w jednym żądaniu. Na przykład:
- wyodrębnij najważniejsze twierdzenia z artykułu, a następnie sklasyfikuj każde z nich jako fakt lub opinię
- podsumuj dokument, a następnie przetłumacz podsumowanie na język francuski
- wygeneruj pomysły, a następnie napisz krótką ofertę promującą najlepszy z nich
Łączenie typów zadań w jednym prompcie jest bardzo skuteczne — należy tylko jednoznacznie określić każdy krok.
import anthropic
client = anthropic.Anthropic(api_key='sk-ant-your-key-here')
response = client.messages.create(
model='claude-opus-4-5',
max_tokens=512,
messages=[{
'role': 'user',
'content': (
'Do the following in order:\n'
'1. Brainstorm 5 blog post titles about remote work productivity.\n'
'2. Pick the most compelling title.\n'
'3. Write a 3-sentence intro paragraph for that post.\n'
'Format your output with clear numbered sections.'
)
}]
)
print(response.content[0].text)Wybór właściwego sposobu sformułowania zadania
To samo podstawowe żądanie można sformułować jako różne typy zadań, a sposób sformułowania znacząco zmienia wynik.
Przykładowy cel: zrozumieć stronę z cennikiem firmy.
- ujęcie Q&A: „Jakie są poziomy cenowe?”
- ujęcie podsumowujące: „Podsumuj stronę z cennikiem w 3 punktach”.
- ujęcie ekstrakcyjne: „Wyodrębnij nazwy planów i ceny w formacie JSON”.
- ujęcie porównawcze: „Utwórz tabelę porównującą wszystkie plany”.
Należy wybrać ujęcie odpowiadające sposobowi, w jaki wynik będzie wykorzystywany.
import openai
client = openai.OpenAI(api_key='sk-your-key-here')
pricing_text = (
'Starter: $9/month - 1 user, 5GB storage. '
'Pro: $29/month - 10 users, 50GB storage. '
'Enterprise: custom pricing - unlimited users.'
)
# Extraction frame
response = client.chat.completions.create(
model='gpt-4o',
messages=[{
'role': 'user',
'content': (
'Extract plan names and monthly prices as a JSON array. '
'Use null for custom pricing.\n\n' + pricing_text
)
}]
)
print(response.choices[0].message.content)Sprawdź swoją wiedzę
Znają już Państwo główne kategorie typów zadań AI. Sprawdźmy, czy potrafią Państwo wskazać właściwy typ.
Programista wkleja do promptu 500-słowną wiadomość e-mail od klienta i prosi AI: „Wyodrębnij imię i nazwisko klienta, numer zamówienia oraz typ problemu — zwróć wynik jako JSON”.
Jaki to typ zadania?
Podsumowanie taksonomii zadań
Mogą już Państwo rozpoznać i sformułować dowolne żądanie AI jako jeden z podstawowych typów zadań:
- Pisanie — generowanie oryginalnych treści
- Podsumowywanie — skracanie długich treści
- Q&A — odpowiadanie na pytania na podstawie wiedzy lub dokumentów
- Programowanie — generowanie, wyjaśnianie lub debugowanie kodu
- Burza mózgów — generowanie wielu różnorodnych pomysłów
- Tłumaczenie — przekształcanie treści między językami lub rejestrami
- Klasyfikacja — przypisywanie danych wejściowych do predefiniowanych kategorii
- Ekstrakcja danych — wydobywanie ustrukturyzowanych danych z nieustrukturyzowanego tekstu
Najpierw należy określić typ zadania, a następnie zbudować wokół niego prompt.
Często zadawane pytania
Czy lekcja „Typy żądań, które może obsługiwać AI” jest bezpłatna?
Tak — pełny tekst „Typy żądań, które może obsługiwać AI” 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 „Typy żądań, które może obsługiwać AI”?
Klasyfikacja zadań AI: pisanie, podsumowywanie, odpowiadanie, programowanie i burza mózgów. 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 „Typy żądań, które może obsługiwać AI”?
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
- Poznawanie interfejsu czatu
- Typy żądań, które może obsługiwać AI
- Jak AI generuje odpowiedzi
- Czego AI nie potrafi