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.
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 ugyanazon a szinten működnek. Van, amelyik a gondolkodást rendezi, van, amelyik a szerkezetet stabilizálja, és van, amelyik már rendszertervezési logikát ad.
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/YAML 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 külön látod, a modul nem technikalistának, hanem döntési térképnek fog tűnni.
A technikai alapok után válts stratégiai szintre: ne csak kérdezz, hanem sajátítsd el a HOGYAN-t a promptfajták rendszerezett használatával!
20+ prompttípus rendszerezve — mikor melyiket érdemes bevetni.
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 bontod. Ettől kisebb az esélye annak, hogy összecsúsztatja az elemzést, a döntést és a végső megfogalmazást.
Gyakorlati szempontból azt érdemes érteni, hogy nem feltétlenül belső gondolatmenetet kérsz, hanem jól elkülönített részlépéseket, amelyeket külön-külön is ellenőrizni lehet.
Ez különösen hasznos akkor, amikor a feladat több szempontot, számítást vagy egymásra épülő következtetést tartalmaz. Egyszerű kérdéseknél viszont felesleges, mert csak lassítja a választ.
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? Akkor, amikor a feladat több egymásra épülő lépésből áll, amikor számítás vagy logikai következtetés kell, vagy amikor fontos, hogy az elemzés és a végső válasz ne csússzon össze egyetlen homályos bekezdésbe.
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 akkor, amikor egyedi formátumot akarsz, amikor a hangnemet vagy a stílust akarod pontosan belőni, amikor osztályozási feladatot adsz a modellnek, vagy amikor a modell alapértelmezett viselkedése nem azt a mintát követi, amire neked szükséged van.
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. Nem ez a legjobb első megoldás akkor, ha a feladat világos szabályokkal is leírható, ha nagyon szűk vagy drága a kontextusablak, ha a példák gyenge minőségűek vagy nem reprezentatívak, illetve akkor sem, ha a modellnek inkább szabályt kell követnie, mint mintát felismernie.
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, például a <context>, <task>, <data> és <rules> használata azt jelenti, hogy a prompt különböző részeit explicit módon elhatárolod egymástól.
Ez azért működik jól, mert a modell számára világosabban elválik az instrukció, az adat és a kívánt kimenet. Ettől a prompt kiszámíthatóbb lesz, és egy jól megírt XML-struktúra később sablonként is újrahasználható marad.
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, hanem sokszor a leghatékonyabb módja a prompt optimalizálásnak.
Ez azért hatékony, mert a modell sokszor gyorsabban felismeri, milyen szerkezet, mező vagy korlát hiányzik egy promptból, mint az a felhasználó, aki még csak most próbálja formalizálni a feladatot. Ráadásul a prompt iteratívan is javítható: megmutathatod az első eredményt, és kérheted, hogy a modell ennek alapján tervezzen jobb struktúrát.
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, amikor az első verzió nem adott jó eredményt, vagy amikor rendszeresen ismétlődő munkához kell stabil prompt.
Agent-promptolás
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 akkor, ha hiányzik egy adat vagy a folyamat elakad.
Vagyis az agent-prompt nem 'szebb kérdés', hanem végrehajtási keret.
Mitől jó egy agent-prompt?
A jó agent-prompt nem csak célt ad, hanem működési szabályzatot is. Ha ez hiányzik, az agent gyors lehet, de kiszámíthatatlanul fog dolgozni.
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 a sima chatprompthoz képest az, hogy egy agent nem egyetlen válaszban dolgozik, hanem több lépésen, több forráson és több döntési ponton keresztül. Ezért az induló instrukciónak jóval pontosabbnak 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.
Prompt Chaining
Lépésenkénti láncolt promptok – az egyik kimenet adja a következő inputját.
A Prompt Chaining lényege, hogy egy komplex feladatot kisebb, egymásra épülő részfeladatokra bontasz, és minden lépés kimenetét adod be a következő lépés bemeneteként.
Miért jobb, mint mindent egy promptba tölteni? Két mechanizmus miatt:
- Figyelmi degradáció (attention degradation): A modellek nagy kontextusban kezdenek elveszíteni részleteket. Hosszú promptban az elején megadott instrukciók hatása csökken a válasz végén.
- Tokenkorlát és hibaterjedés: Ha egyetlen hosszú feladatban egy közbenső lépés tévesen következtet, az összes utána következő lépés is torzul. Szétbontva a hiba izolált marad.
A technika nem csak jobb eredményt ad – hanem debuggolható is: pontosan látni, hol csúszott félre a feldolgozás.
// 1. lépés: Adatgyűjtés és szintézis "Összefoglald a következő 5 iparági riport főbb trendjeit. Adj minden trendhez egy mondatos definíciót és 2-3 konkrét példát." // → [AI kimenet: trend-lista] // 2. lépés: Struktúra és prioritizálás "Az alábbi trendek közül rangsorold a TOP 3-at egy 50 fős B2B szoftvergyártó cég szemszögéből. Magyarázd el, miért releváns nekik, és mi a kockázat, ha figyelmen kívül hagyják." // → [AI kimenet: prioritizált lista magyarázattal] // 3. lépés: Cselekvési terv "A három azonosított trend alapján írj egy 2 oldalas belső memo-t a fejlesztési vezető számára. Tartalmazza a javasolt reakciólépéseket és az első 90 nap konkrét akcióit." // → Kész deliverable
Mikor használd? Hosszú dokumentumok szintézise és feldolgozása. Kutatás → elemzés → riport munkafolyamatoknál. Több forrásból összegyűjtött adatok strukturált feldolgozásánál. Bármelyik feladatnál, ahol egy gigantikus prompt konzisztens eredményt ad ugyan, de a hibák nehezen azonosíthatók.
YAML-alapú strukturált promptolás
A strukturált promptolás nem csak XML-lel működik.
YAML formátummal is megadhatod a feladatot, ami olvashatóbb és gyorsabban írható. A YAML előnye, hogy kevésbé zajos, mint az XML, ezért könnyebb vele dolgozni akkor, amikor több mezőt, szabályt és paramétert kell egyszerre kezelni.
role: pénzügyi elemző
task: elemezd a cég cash flow helyzetét
context:
company_size: 50 fő
industry: gyártás
environment: inflációs környezet
rules:
- csak a megadott adatokból dolgozz
- ne találj ki adatokat
- ha hiányzik információ, jelezd
output:
format: lista
sections:
- fő megállapítások
- kockázatok
- javasolt lépések
constraints:
max_length: 200 szóA YAML célja nem az, hogy szebb legyen a prompt, hanem az, hogy egyértelműen szétválaszd a szerepet, a feladatot, a szabályokat és a kimeneti elvárásokat. Ez különösen akkor fontos, amikor a promptot később sablonként, workflow-ban vagy agentben használod.
XML vs YAML: Ha a cél a szigorú, gépileg jól validálható struktúra, az XML stabilabb választás. Ha a cél az olvashatóság és a gyors szerkesztés, a YAML gyakran hatékonyabb.
Mikor melyik technikát válaszd?
Döntési logika: a technika nem cél, hanem eszköz.
A legtöbb prompt-hiba nem az alkalmazott technika minőségéből fakad — hanem abból, hogy rossz technikát alkalmaztak a helyzethez. Ez az útmutató segít eldönteni, melyik eszköz mikor ad megbízható eredményt.
| Helyzet | Ajánlott | Kerülendő | Miért |
|---|---|---|---|
| Egyszerű kérdés, gyors válasz kell | Zero-shot (sima kérdés, kontextussal) | Chain-of-Thought, XML tagek | CoT és XML overhead felesleges egyszerű feladatoknál – lassít, de nem javít. |
| Egyedi formátum vagy stílus szükséges | Few-shot (2-5 példa) | Hosszú szöveges instrukció | A példák 3-5x hatékonyabban adják át a kívánt mintát, mint a leírásos instrukció. |
| Komplex logika, több egymásra épülő lépés | Chain-of-Thought (lépésenkénti feldolgozás) | Egyetlen, mindent összefogó kérdés | Ha az elemzés, döntés és megfogalmazás összecsúszik, a modell hibázhat a közbenső lépéseknél. |
| Komplex feladat, reasoning modell (o3 / Claude Thinking) | Rövid, célzott instrukció + a végeredmény formátuma | Explicit Chain-of-Thought, 'gondold végig lépésről lépésre' utasítás | A reasoning modellek (GPT-5.4 Thinking, Claude Opus 4.6) már belülről végzik a CoT-ot. Ha rájuk kényszeríted, interferenciát okozhat. |
| Ismétlődő feladat, konzisztens kimenet kell | XML tag struktúra + sablon (prompts-as-code) | Ad hoc, minden alkalommal átírt prompt | Verziózott, strukturált sablon kiszámítható eredményt ad. 'Prompt drift' (apró változtatások elfelejtése) debugging-rémálom. |
| Nem tudod, hogyan fogalmazd meg a feladatot | Meta-prompting (kérd meg az AI-t, hogy írja a promptot) | Próbálgatós iteráció indoklás nélkül | A modell gyorsabban ismeri fel, milyen struktúra, korlát vagy mező hiányzik, mint egy első alkalommal prompting-tanuló user. |
| Hosszú, többlépéses kutatási vagy elemzési feladat | Prompt chaining (lépésenkénti láncolt promptok) | Mindent egyetlen gigantikus promptba tömni | A tokenkorlát és a figyelmi degradáció miatt az összetett feladatok jobb eredményt adnak szétbontva. Az első lépés kimenetét adod inputnak a következőnek. |
| Osztályozás, kategorizálás nagy mennyiségű adaton | Few-shot + XML tagek a példákhoz | Önálló label-definíció szöveges magyarázattal | Kutatások szerint még véletlenszerűen felcímkézett példák is jobb eredményt adnak zero-shotnál – a minta formátuma fontosabb, mint az egyedi példák tökéletessége. |
Megjegyzés: A reasoning modelleknél (GPT-5.4 Thinking, Claude Opus 4.6 Extended Thinking) az explicit lépésenkénti gondolkodás kérése felesleges — sőt interferenciát okozhat. A következő szekcióban ezt részletesen tárgyaljuk.
Reasoning modelek: más a szabály
GPT-5.4 Thinking és Claude Extended Thinking — amit másképp kell csinálni.
A 2025-2026-ban elterjedt reasoning modellek alapjaiban különböznek a hagyományos LLM-ektől. Nemcsak a teljesítményük más — a promptolási logika is más. Amit egy standard modellnél erénynek számít (részletes CoT instrukció, lépésekre bontott feladat), az itt felesleges terhelés vagy interferencia lehet.
Mi a reasoning modell?
A 'reasoning' (gondolkodó) modellek – mint az OpenAI GPT-5.4 Thinking, az Anthropic Claude Opus 4.6 Extended Thinking vagy a Google Gemini 3.1 Flash Thinking – belülről végeznek el egy strukturált gondolkodási folyamatot, mielőtt válaszolnak. Ez nem 'okosabb AI' egyszerűen, hanem több számítási időt fordít a problémára.
✓ Ezt csináld
Használd reasoning modellt: matematikai és logikai problémákra, többlépéses következtetésre, kód tervezésre, jogi vagy pénzügyi elemzésre.
✗ Ezt ne csináld
Ne használd reasoning modellt: gyors szövegírásra, egyszerű összefoglalásra, fordításra. Drágább, lassabb, és a minőségkülönbség ott minimális.
Ne adj explicit CoT utasítást reasoning modellnek
A klasszikus 'gondold végig lépésről lépésre' instrukció standard modelleknél szükséges. Reasoning modelleknél ez felesleges – sőt, egyes esetekben interferenciát okoz, mert a modell saját belső gondolkodási folyamatával ütközik.
✓ Ezt csináld
Írd le a feladatot tisztán, add meg az elvárt kimeneti formátumot, és hagyd, hogy a modell maga válassza meg a gondolkodási utat.
✗ Ezt ne csináld
Ne adj 'lépésről lépésre', 'elemezd részletesen', 'először gondold át' jellegű CoT-utasítást reasoning modelleknek.
Adj több gondolkodási tokent nehéz feladatokhoz
A reasoning modellek pontossága a gondolkodásra fordított tokenek számával logaritmikusan nő. API-n keresztül beállítható a 'thinking budget'. Ha egy feladat különösen komplex (pl. többlépéses jogi elemzés, algoritmustervezés), érdemes magasabb limitet adni.
✓ Ezt csináld
API-hozzáférésnél használd az extended_thinking paramétert (Claude) vagy az effort/reasoning_effort paramétert (OpenAI o3/GPT-5.4) a gondolkodási mélység szabályozásához.
✗ Ezt ne csináld
Ne maximalizálj mindig tokent – egyszerű feladatoknál ez csak felesleges költség és késleltetés. A gondolkodási mélységet a feladat bonyolultságához mérd.
Rövid, precíz instrukció – nem terjedelem
A standard modellekkel szemben, ahol a részletesebb instrukció általában jobb eredményt ad, a reasoning modellek hatékonyabban dolgoznak tömör, célzott feladatleírással. A modell maga strukturálja a gondolkodási utat – nem kell kézzel előírni.
✓ Ezt csináld
Írj rövid, pontos feladatleírást. Add meg az elvárt kimenet formátumát (JSON, Markdown, táblázat stb.). Adj kontextust, de ne bontsd lépésekre a feladatot.
✗ Ezt ne csináld
Ne írj 10 bekezdéses részletes prompt-tervrajzot reasoning modellnek. Az, ami CoT-promptnál erény, itt zajnak számíthat.
A gondolkodási folyamat látható (és ellenőrizhető)
A Claude Extended Thinking és a GPT-5.4 Thinking Mode megmutatja a belső gondolkodási folyamatot (thinking tokens / reasoning tokens). Ez nem marketing – valódi debuggolási eszköz: ha a modell a gondolkodási fázisban félresiklik, a végső válasz is rossz lesz, és ez látható.
✓ Ezt csináld
Ha az eredmény nem egyezik az elvárásokkal, olvasd el a thinking blokkot. Sokszor pontosan látható, hol csúszott félre a következtetés – ez segít a prompt javításában.
✗ Ezt ne csináld
Ne hagyd figyelmen kívül a thinking blokkot csak azért, mert hosszú. Termelési rendszerekben érdemes logolni és időnként auditálni.
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 prompt-injection logikája a támadó oldaláról.
A Lakera Gandalf egy játékos prompt-injection gyakorlófelület, ahol az a cél, hogy rávedd a modellt egy titkos információ felfedésére. Ez nem azért hasznos, mert „átverheted" az AI-t, hanem azért, mert a támadási oldal logikáját mutatja meg.
Minél jobban érted, hogyan próbálják a modelleket megkerülni, annál jobban fogod érteni azt is, hogyan kell pontos, ellenálló és jól strukturált promptokat írni.
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?
Gyakorlás
Teszteld magad AI-jal
A haladó promptolást nem bemagolni kell, hanem felismerni, mikor melyik technika ad stabilabb eredményt.
Kérdezd meg az AI-t
- →Mikor jobb a Few-shot, és mikor jobb inkább XML vagy YAML szerkezetet használni?
- →Mi a különbség aközött, hogy egy prompt hosszú, és aközött, hogy valóban haladó logikát használ?
Kész prompt
“Kérdezz ki röviden a haladó prompttechnikákból. Adj 2 helyzetet, és kérd meg, hogy válasszam ki a megfelelő technikát, majd indokold meg a helyes választ.”
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.