0Pricing
AI Prompt Engineering · Lekcja

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

  1. Poznawanie interfejsu czatu
  2. Typy żądań, które może obsługiwać AI
  3. Jak AI generuje odpowiedzi
  4. Czego AI nie potrafi
← Powrót do AI Prompt Engineering