Programiści, którzy potrafią dobrze opisać swój problem modelowi językowym, dostają znacznie lepsze odpowiedzi niż ci, którzy piszą lakoniczne polecenia. Problem w tym, że sformułowanie skutecznego promptu do code review, debugowania czy generowania dokumentacji wcale nie jest oczywiste. Ten artykuł daje Ci gotowe szablony, które możesz skopiować, wkleić i dostosować do własnego kodu — bez żadnego wstępnego kursu inżynierii promptów.
Dlaczego prompty dla programistów wymagają innego podejścia?
Modele takie jak GPT-4o, Claude 3.5 Sonnet czy Gemini 1.5 Pro świetnie rozumieją kod, ale ich odpowiedzi są tak dobre, jak dobre jest pytanie. W kontekście programowania oznacza to, że musisz dostarczyć:
- kontekst techniczny — język, framework, wersja, środowisko;
- cel zadania — co ten kod ma robić, a czego aktualnie nie robi;
- ograniczenia — np. brak możliwości zmiany API, wymagania bezpieczeństwa, standardy firmy;
- oczekiwany format odpowiedzi — sam kod, komentarze inline, lista punktów, diff.
Poniższe szablony są zbudowane według tej logiki. Każdy zawiera sekcje w nawiasach kwadratowych — zastąp je własnymi danymi.
Gotowe prompty do code review
Code review z pomocą AI nie zastąpi przeglądu przez doświadczonego kolegę z zespołu, ale świetnie sprawdza się jako pierwsza linia weryfikacji przed formalnym PR-em.
Szablon ogólny — przegląd jakości kodu
Jesteś doświadczonym inżynierem oprogramowania specjalizującym się w [Python / JavaScript / Java — wpisz język]. Przejrzyj poniższy kod pod kątem: 1. poprawności logiki i potencjalnych błędów runtime, 2. bezpieczeństwa (SQL injection, XSS, nieautoryzowany dostęp do zasobów), 3. czytelności i zgodności ze standardem [PEP 8 / Airbnb Style Guide — wpisz standard], 4. możliwości refaktoringu bez zmiany zewnętrznego API. Odpowiedz w formie listy numerowanej, podając numer linii i krótkie uzasadnienie. Jeśli coś jest OK, napisz „Brak uwag" w danej kategorii. [WKLEJ KOD TUTAJ]
Szablon do przeglądu PR pod kątem bezpieczeństwa (OWASP Top 10)
Wciel się w rolę pentestera aplikacji webowych. Przeanalizuj poniższy diff pod kątem podatności z listy OWASP Top 10 (edycja 2021). Dla każdej znalezionej podatności podaj: - kategorię OWASP, - konkretną linię lub funkcję, - rekomendowaną poprawkę z przykładem kodu w [język]. [WKLEJ DIFF TUTAJ]
Warto wiedzieć: jeśli Twoja firma przetwarza dane osobowe użytkowników, wyniki takiego przeglądu mogą bezpośrednio wspierać dokumentację wymaganą przez RODO (art. 32 — środki techniczne ochrony danych). Pamiętaj jednak, by przed wklejeniem kodu do zewnętrznego modelu zanonimizować wszelkie dane osobowe lub sekrety (klucze API, hasła).
Gotowe prompty do debugowania
Debugowanie to jeden z najlepszych przypadków użycia AI — model widzi Twój kod bez zmęczenia, bez efektu „ślepoty na własny błąd" i potrafi wskazać problem, który umknął Ci po trzech godzinach wpatrywania się w ekran.
Szablon — analiza błędu z logiem
Otrzymuję poniższy błąd podczas uruchamiania aplikacji [nazwa/typ aplikacji] napisanej w [język, framework, wersja]. Środowisko: [np. Node 20 LTS, Ubuntu 22.04, Docker]. BŁĄD: [WKLEJ PEŁNY STACK TRACE] KOD WYWOŁUJĄCY BŁĄD: [WKLEJ FRAGMENT KODU] Wyjaśnij przyczynę błędu w 2–3 zdaniach, a następnie zaproponuj poprawkę z wyjaśnieniem, dlaczego rozwiązuje problem. Jeśli istnieje więcej niż jedno możliwe rozwiązanie, wymień je w kolejności od najprostszego.
Szablon — debugowanie logiczne (brak błędu, złe wyniki)
Poniższa funkcja nie rzuca wyjątku, ale zwraca niepoprawne wyniki. OCZEKIWANE ZACHOWANIE: [opisz, co funkcja powinna robić] RZECZYWISTE ZACHOWANIE: [opisz, co robi faktycznie; możesz podać przykładowy input i output] KOD: [WKLEJ KOD] Znajdź błąd logiczny, wskaż konkretną linię i wyjaśnij, jak ją poprawić. Nie przepisuj całej funkcji — zminimalizuj zmiany.
Szablon — optymalizacja wydajności
Poniższy kod działa poprawnie, ale jest zbyt wolny. Czas wykonania dla [podaj rozmiar danych, np. 10 000 rekordów] wynosi [podaj czas]. Oczekuję skrócenia go co najmniej o 50%. Ograniczenia: nie mogę zmienić schematu bazy danych. Używam [ORM/biblioteka i wersja]. KOD: [WKLEJ KOD] Zaproponuj zoptymalizowaną wersję z komentarzem przy każdej zmianie, dlaczego przyspiesza kod.
Gotowe prompty do generowania dokumentacji
Dokumentacja to obszar, w którym AI naprawdę błyszczy — generowanie docstringów, README czy opisów endpointów jest żmudne, a model robi to w kilka sekund.
Szablon — docstring / JSDoc dla funkcji
Napisz kompletny docstring w formacie [Google Style / NumPy / JSDoc — wybierz] dla poniższej funkcji w [język]. Uwzględnij: opis działania, parametry (typy i znaczenie), wartość zwracaną, wyjątki, które może rzucić, oraz przykład użycia. KOD FUNKCJI: [WKLEJ KOD]
Szablon — dokumentacja REST API (format OpenAPI / Markdown)
Na podstawie poniższego kodu kontrolera wygeneruj dokumentację endpointu w formacie [OpenAPI 3.0 YAML / Markdown — wybierz]. Uwzględnij: metodę HTTP, ścieżkę, opis, parametry path/query/body (wraz z typami i walidacją), kody odpowiedzi i przykładowe requesty/response. KOD KONTROLERA: [WKLEJ KOD]
Szablon — README dla modułu lub repozytorium
Napisz plik README.md dla poniższego modułu/repozytorium. Sekcje: opis (2–3 zdania), wymagania, instalacja krok po kroku, przykład użycia (z blokiem kodu), konfiguracja (tabela zmiennych środowiskowych), licencja. Ton: techniczny, zwięzły, po angielsku (lub polsku — wybierz). KONTEKST PROJEKTU: [Opisz krótko, co robi projekt] PRZYKŁADOWY KOD UŻYCIA (jeśli masz): [WKLEJ LUB OPISZ]
Jak zwiększyć skuteczność tych promptów?
Kilka zasad, które wielokrotnie potwierdzają się w praktyce:
- Podaj wersje — „Python 3.12" daje lepszy wynik niż samo „Python".
- Ogranicz zakres — jeśli chcesz poprawki tylko w jednej funkcji, napisz to wprost. Model nie będzie wtedy przepisywał całego pliku.
- Poproś o uzasadnienie — fraza „wyjaśnij, dlaczego" drastycznie redukuje halucynacje, bo model musi uzasadnić każdy krok.
- Iteruj — po pierwszej odpowiedzi dopytaj: „Czy to rozwiązanie zadziała, jeśli lista wejściowa jest pusta?" Modele dobrze reagują na doprecyzowanie.
- Nie wklejaj sekretów — klucze API, hasła, tokeny, dane osobowe użytkowników muszą być zanonimizowane przed wysłaniem do zewnętrznego modelu. To wymóg zarówno zdrowego rozsądku, jak i polityk prywatności zgodnych z RODO.
AI w pracy programisty a EU AI Act
Od sierpnia 2024 r. EU AI Act stopniowo wchodzi w życie. Dla programistów kluczowe są przepisy dotyczące systemów AI wysokiego ryzyka (Załącznik III) — jeśli Twój kod wchodzi w skład takiego systemu (np. systemy rekrutacyjne, kredytowe, infrastruktura krytyczna), musisz dokumentować, w jakim stopniu i jak AI wspierała jego tworzenie. Gotowe szablony promptów pomagają też w tej dokumentacji — masz ślad, jakie pytania zadawałeś modelowi i jakie otrzymałeś odpowiedzi.
Jeśli chcesz poszerzyć wiedzę o praktycznym zastosowaniu AI w codziennej pracy inżyniera — od promptów przez automatyzację po kwestie prawne — sprawdź kursy AI dla IT dostępne na uczesieai.pl. Znajdziesz tam projekty oceniane przez AI i certyfikaty weryfikowalne przez pracodawców.
Podsumowanie — zacznij od jednego szablonu
Najlepszy prompt to taki, który naprawdę używasz. Wybierz jeden szablon z tego artykułu — najlepiej ten, który rozwiązuje Twój dzisiejszy problem — i przetestuj go na własnym kodzie. Wprowadź drobne korekty pod swój stack technologiczny, zapisz w notatniku zespołu i podziel się z kolegami. Z czasem zbudujesz własną bibliotekę promptów dopasowaną do Waszych standardów, frameworków i typowych bugów. To właśnie jest praktyczna inżynieria promptów — bez teorii, za to z realnym efektem w postaci szybszego code review i mniejszej liczby bugów na produkcji.