Kontrola wersji promptów
Wersjonowanie w stylu Git, wersjonowanie semantyczne i zarządzanie changelogiem promptów.
Kontrola wersji promptów 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.
Dlaczego wersjonować prompty?
Prompty stale ewoluują — niewielka zmiana sformułowania może znacząco zmienić zachowanie modelu. Bez kontroli wersji zespoły tracą wiedzę o tym, co, kiedy i dlaczego się zmieniło. Traktowanie promptów jak kodu zapewnia historię, możliwość wycofywania zmian, współpracę i ustalanie autorstwa.
Wersjonowanie promptów oparte na Git
Przechowywanie plików promptów w Git to najprostsza strategia wersjonowania. Każdy prompt jest plikiem tekstowym, a commity Git rejestrują każdą zmianę. Gałęzie reprezentują eksperymenty, a tagi oznaczają wydania produkcyjne.
# Initialize a prompt repo
git init prompt-library
cd prompt-library
mkdir -p prompts/summarize-article
# First version
cat > prompts/summarize-article/prompt.txt << 'PROMPT'
Summarize the article in {num_sentences} sentences.
Article:
{article_text}
PROMPT
git add prompts/summarize-article/prompt.txt
git commit -m 'feat(summarize-article): initial prompt v1.0.0'
git tag v1.0.0
# Experiment on a branch
git checkout -b experiment/add-focus-area
# ... edit prompt ...
git commit -m 'feat(summarize-article): add focus_area variable'
git tag v1.1.0-rc1Wersjonowanie semantyczne promptów
Należy stosować wersjonowanie semantyczne (MAJOR.MINOR.PATCH) dostosowane do znaczenia zmian w promptach:
- PATCH (1.0.0 → 1.0.1): poprawka literówki, zmiana białych znaków — dane wyjściowe pozostają bez zmian
- MINOR (1.0.0 → 1.1.0): nowa opcjonalna zmienna, ulepszone sformułowanie — zgodność wsteczna
- MAJOR (1.0.0 → 2.0.0): nowa wymagana zmienna, zmieniony format danych wyjściowych, zmiana powodująca niezgodność
# semver.py — helper to validate version bumps
import re
def parse_semver(v):
m = re.match(r'^(\d+)\.(\d+)\.(\d+)$', v)
if not m:
raise ValueError(f'Invalid semver: {v}')
return tuple(int(x) for x in m.groups())
def classify_bump(old, new):
o = parse_semver(old)
n = parse_semver(new)
if n[0] > o[0]:
return 'MAJOR'
elif n[1] > o[1]:
return 'MINOR'
elif n[2] > o[2]:
return 'PATCH'
else:
raise ValueError('New version must be greater than old')
print(classify_bump('1.0.0', '1.1.0')) # MINOR
print(classify_bump('1.1.0', '2.0.0')) # MAJOR
print(classify_bump('2.0.0', '2.0.1')) # PATCHFormat dziennika zmian
Każda wersja promptu powinna mieć uporządkowany dziennik zmian, aby zespoły rozumiały, co i dlaczego się zmieniło. Należy stosować format Keep a Changelog dostosowany do promptów.
# CHANGELOG.md for prompts/summarize-article/
## [2.0.0] - 2024-08-10
### Breaking Changes
- Renamed variable 'text' to 'article_text' (update all call sites)
- Output now always includes a headline sentence before the summary
### Changed
- Improved instruction specificity to reduce hallucination rate by ~12%
## [1.1.0] - 2024-07-01
### Added
- New optional variable 'focus_area' to direct summary emphasis
- Fallback instruction when 'focus_area' is not provided
### Changed
- Reworded opening instruction for clarity
## [1.0.0] - 2024-06-01
### Added
- Initial prompt: basic summarization with 'num_sentences' controlTagowanie wydań produkcyjnych
Tagi Git oznaczają dokładny commit wdrożony na produkcji. Należy używać tagów z adnotacjami, aby przechowywać informacje o wydaniu razem z tagiem. Ułatwia to dokładne odtworzenie tego, który prompt był aktywny w dowolnym momencie.
# Annotated git tag with release notes
git tag -a v2.0.0 -m 'Release 2.0.0
Breaking: renamed variable text -> article_text
Improved: reduced hallucination rate by 12%
Author: alice@company.com
Reviewed-by: bob@company.com'
# Push tags to remote
git push origin --tags
# List all tags with dates
git tag -l --sort=version:refname -n9
# v1.0.0 Initial prompt
# v1.1.0 Add focus_area variable
# v2.0.0 Release 2.0.0 — Breaking: renamed variable ...
# View exact prompt at a tag
git show v1.1.0:prompts/summarize-article/prompt.txtProcedury wycofywania zmian
Gdy nowa wersja promptu powoduje regresję jakości, wycofanie zmian musi nastąpić szybko. Istnieją dwie strategie: wycofanie zmian w kodzie (ponowne wdrożenie starego artefaktu) oraz wycofanie zmian w rejestrze (przełączenie flagi is_active bez ponownego wdrażania).
# Strategy 1: Registry rollback (fastest — no redeploy needed)
def rollback_prompt(registry, prompt_id, target_version):
print(f'Rolling back {prompt_id} to {target_version}...')
registry.activate_version(prompt_id, target_version)
print(f'Rollback complete. {prompt_id} now serving {target_version}')
# Strategy 2: Git-based rollback with audit trail
# Create a revert commit (do NOT force-push, keep history clean)
git revert HEAD --no-commit # stage the revert
git commit -m 'revert(summarize-article): roll back to v1.1.0 due to quality regression'
git tag v2.0.1-hotfix
# Then trigger re-deployment of the reverted artifact
# This preserves full history — nobody loses track of what happenedNarzędzia do porównywania promptów
Przeglądanie zmian w promptach wymaga wyspecjalizowanych narzędzi do porównywania. Zwykłe polecenie git diff działa w przypadku tekstu, ale narzędzia do porównywania semantycznego wyróżniają strukturalne zmiany w zmiennych i instrukcjach.
# prompt_diff.py — highlight variable changes between versions
import re
def extract_variables(template):
return set(re.findall(r'\{(\w+)\}', template))
def diff_prompts(old_template, new_template):
old_vars = extract_variables(old_template)
new_vars = extract_variables(new_template)
added = new_vars - old_vars
removed = old_vars - new_vars
kept = old_vars & new_vars
print('Variables added:', added or 'none')
print('Variables removed:', removed or 'none')
print('Variables kept:', kept)
old_lines = set(old_template.splitlines())
new_lines = set(new_template.splitlines())
print('New lines:', new_lines - old_lines)
print('Removed lines:', old_lines - new_lines)
old = 'Summarize in {num_sentences} sentences.\n\n{text}'
new = 'Summarize in {num_sentences} sentences focused on {focus_area}.\n\n{article_text}'
diff_prompts(old, new)Strategia rozgałęziania eksperymentów z promptami
Podczas tworzenia promptów należy stosować konwencje rozgałęziania znane z tworzenia oprogramowania:
main— wyłącznie prompty gotowe do użycia na produkcjiexperiment/<name>— tworzone warianty do testów A/Bhotfix/<issue>— awaryjne poprawki produkcyjnerelease/<version>— przygotowywanie kandydata do wydania
Przed scaleniem zmian w promptach do main należy wymagać przeglądu kodu (Pull Request), tak jak w przypadku kodu aplikacji.
# Typical prompt development workflow
# 1. Create experiment branch
git checkout -b experiment/tone-formal
# 2. Edit and test prompt locally
python test_prompt.py --prompt prompts/summarize-article/prompt.txt \
--eval-set evals/summarize-100.jsonl
# 3. Open PR with eval results in description
gh pr create --title 'experiment: formal tone improves ROUGE by 8%' \
--body 'Eval results attached. ROUGE-L: 0.61 -> 0.66'
# 4. After approval, merge and tag
git checkout main && git merge experiment/tone-formal
git tag v1.2.0 && git push origin main --tagsAutomatyczna walidacja wersji w CI
Potok CI dla zmian w promptach powinien automatycznie sprawdzać, czy zwiększenie wersji semantycznej jest prawidłowe, dziennik zmian został zaktualizowany, wszystkie zmienne w szablonie są udokumentowane oraz wynik ewaluacji nie uległ pogorszeniu.
# .github/workflows/prompt-ci.yml
# name: Prompt Validation
# on: [pull_request]
# jobs:
# validate:
# runs-on: ubuntu-latest
# steps:
# - uses: actions/checkout@v4
# - name: Check semver bump
# run: python scripts/check_semver.py
# - name: Validate template syntax
# run: python scripts/validate_templates.py
# - name: Run eval suite
# run: python scripts/run_evals.py --threshold 0.95
# scripts/validate_templates.py
import glob, json, sys
errors = []
for f in glob.glob('prompts/**/*.yaml', recursive=True):
with open(f) as fh:
data = fh.read()
if '{' not in data:
errors.append(f'{f}: no variables found (may be intentional — double check)')
if errors:
print('Warnings:', errors)
print('Template validation complete')Niezmienność wersji oznaczonych tagami
Podstawowa zasada brzmi: wersje oznaczone tagami są niezmienne. Po oznaczeniu wersji v2.0.0 jej szablon nigdy nie może się zmienić. Poprawki należy wprowadzać w nowych wersjach (v2.0.1). Gwarantuje to powtarzalność — zawsze można odtworzyć dokładny stan produkcyjny na podstawie tagu.
# Enforce immutability in the registry
def register(self, prompt_id, version, template, ...):
with self.conn.cursor() as cur:
# Check if version already exists
cur.execute(
'SELECT id FROM prompt_versions '
'WHERE prompt_id=%s AND version=%s',
(prompt_id, version)
)
if cur.fetchone():
raise ValueError(
f'Version {version} of {prompt_id} already exists. '
'Versions are immutable. Create a new version instead.'
)
# Proceed with insertion
cur.execute(
'INSERT INTO prompt_versions '
'(prompt_id, version, template, author, tags, model) '
'VALUES (%s, %s, %s, %s, %s, %s)',
(prompt_id, version, template, author, tags, model)
)
self.conn.commit()Powiązanie promptów z wynikami ewaluacji
Każda wersja promptu powinna odwoływać się do wyników swojej ewaluacji, aby zespoły mogły porównywać jakość poszczególnych wersji. Metadane ewaluacji należy przechowywać razem z artefaktem promptu.
# Attach eval results to a prompt version
ALTER TABLE prompt_versions ADD COLUMN eval_results JSONB;
# Python: record eval scores
def attach_eval_results(self, prompt_id, version, results):
with self.conn.cursor() as cur:
cur.execute(
'UPDATE prompt_versions SET eval_results=%s '
'WHERE prompt_id=%s AND version=%s',
(json.dumps(results), prompt_id, version)
)
self.conn.commit()
# Example eval results structure
eval_results = {
'dataset': 'cnn-dailymail-100',
'date_run': '2024-08-10',
'metrics': {
'rouge_l': 0.66,
'bertscore_f1': 0.89,
'human_quality_avg': 4.2
},
'sample_size': 100,
'runner': 'alice@company.com'
}
registry.attach_eval_results('summarize-article', '1.2.0', eval_results)Szybkie sprawdzenie
Kiedy należy zwiększyć wersję MAJOR promptu?
Podsumowanie kontroli wersji
Kontrola wersji promptów odzwierciedla kontrolę wersji oprogramowania, z dostosowaniami specyficznymi dla promptów:
- Wersjonowanie semantyczne: PATCH/MINOR/MAJOR sygnalizują wpływ zmiany
- Tagowanie w Git: niezmienne tagi z adnotacjami dla wydań produkcyjnych
- Dzienniki zmian: uporządkowana historia każdej wersji ułatwiająca audyt
- Wycofywanie zmian: szybkie przełączenie flagi w rejestrze lub wycofanie zmian w Git z zachowaniem śladu audytowego
- Walidacja w CI: automatyczne sprawdzanie wersji semantycznej, walidacja szablonów i zabezpieczenia przed regresją wyników ewaluacji
- Niezmienność: wersje oznaczone tagami nigdy się nie zmieniają — poprawki zawsze tworzą nowe wersje
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 „Kontrola wersji promptów” jest bezpłatna?
Tak — pełny tekst „Kontrola wersji promptów” 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 „Kontrola wersji promptów”?
Wersjonowanie w stylu Git, wersjonowanie semantyczne i zarządzanie changelogiem promptów. 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 „Kontrola wersji promptów”?
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
- Architektura rejestru promptów
- Kontrola wersji promptów
- Strategie wdrażania i wycofywania zmian
- Monitorowanie wydajności promptów na produkcji