====== Promptování pro Claude: struktura, evaly a praktické tipy ======

//Vytvořeno: **2.5.2026** | Aktualizováno: **~~LASTMOD~~**//

[[https://aiflowchat.com/blog/articles/anthropic-prompting-guide|AI Flow Chat článek o promptování pro Claude]] shrnuje praktiky, jak z Claude dostat stabilnější a lépe opakovatelné výstupy. Tento zápisek doplňuje článek o poznámky z videa [[https://www.youtube.com/watch?v=ysPbXH0LpIE|Prompting 101 – Code w/ Claude]], kde tým Applied AI z Anthropicu ukazuje iterativní stavbu promptu na multimodálním příkladu zpracování pojistné události.

{{youtube>ysPbXH0LpIE?}}

===== Hlavní princip =====

Promptování je potřeba brát jako opakovatelný engineering proces, ne jako náhodné ladění jedné věty. Nejdřív se definuje, co má být dobrý výstup, potom se připraví několik testovacích vstupů, prompt se strukturuje a následně se iteruje podle konkrétních selhání.

Zdroje se shodují hlavně v těchto bodech:

  * před psaním promptu popsat úkol a kritéria úspěchu,
  * testovat prompt na malém eval setu reálných vstupů,
  * oddělovat role, instrukce, kontext, příklady a výstupní formát,
  * používat XML tagy pro jasné členění promptu,
  * přidávat příklady správných vstupů a výstupů,
  * pro složité úlohy rozdělit práci do řetězce menších promptů,
  * u faktických úloh vyžadovat důkazy a explicitně zakázat hádání.

===== Doporučený workflow =====

==== 1. Definovat úkol a úspěšný výstup ====

Než vznikne prompt, je potřeba vědět, co přesně má model vrátit. Nestačí „napiš lepší odpověď“. Užitečnější je popsat úkol, dobrý výstup, špatný výstup a několik podmínek úspěchu.

<code>
Task: [úkol jednou větou]
Correct output looks like: [popis nebo ukázka dobrého výstupu]
Wrong output looks like: [popis nebo ukázka špatného výstupu]
Success conditions:
  - [podmínka 1]
  - [podmínka 2]
  - [podmínka 3]
</code>

Pro týmové použití je to důležité hlavně proto, aby různí lidé nehodnotili výstupy jen pocitově. Pokud se prompt mění, dá se stejný eval set spustit znovu a ověřit, jestli změna pomohla.

==== 2. Postavit malý eval set ====

Praktický eval set nemusí být složitý. Stačí 5–10 reálných vstupů z produkce a u každého popis očekávaného výsledku nebo aspoň jasná pass/fail kritéria.

Příklad:

  * vstup: reálný dokument, transcript, obrázek formuláře nebo zákaznický dotaz,
  * očekávaný výstup: ideální odpověď nebo popis, co musí odpověď splnit,
  * kontrola: přesnost, formát, tón, úplnost, dodržení omezení.

Bez evalů se prompt ladí stylem „tweak and hope“. S evaly je vidět, které konkrétní případy selhávají.

==== 3. Strukturovat prompt ====

Video doporučuje skládat robustnější prompt z pěti částí:

  - **Popis úkolu** – role modelu a přesné zadání.
  - **Obsah** – dynamická data: dokumenty, obrázky, výstupy z jiných systémů.
  - **Detailní instrukce** – kroky, které má model provést.
  - **Příklady** – ukázky správných vstupů a výstupů.
  - **Závěrečné připomenutí** – kritické body těsně před provedením úkolu.

Pro Claude je v obou zdrojích zdůrazněné použití XML tagů. Nejde o magii, ale o jednoznačné oddělení částí promptu, které by se jinak mohly slít do jedné stěny textu.

<code xml>
<role>
You are an expert social media strategist who writes punchy, direct posts for B2B SaaS brands.
</role>

<instructions>
Analyze the transcript provided and write one LinkedIn post.
Follow the output format exactly.
Do not use hedging language or passive voice.
</instructions>

<output_format>
- Hook line: one sentence, under 15 words
- Body: 2 to 3 short paragraphs, no more than 60 words total
- CTA: one sentence with a specific action
</output_format>

<constraints>
Tone: direct, confident, no corporate speak
Length: under 250 characters per section
</constraints>
</code>

Stejný princip je použitelný i mimo marketing. Důležité je mít oddělenou roli, instrukce, výstupní formát, omezení a data.

==== 4. Přidat kontext a příklady ====

Few-shot příklady dávají modelu konkrétní standard výstupu. Jsou vhodné hlavně tam, kde slovní instrukce nestačí nebo kde má tým specifický styl.

<code xml>
<examples>
  <example>
    <input>Transcript: "Our checkout rate jumped 40% after we simplified the form."</input>
    <output>Hook: One form change drove a 40% checkout jump. Here is what they removed.</output>
  </example>
  <example>
    <input>Transcript: "We cut support tickets by half using an in-app tooltip."</input>
    <output>Hook: Half the support tickets, one tooltip. This is how they did it.</output>
  </example>
</examples>
</code>

Článek uvádí, že u Claude má smysl dávat dlouhý referenční kontext před samotné instrukce. Praktické pravidlo: přidat jen ten kontext, který skutečně mění výsledek. Pokud by odstranění dokumentu nebo části transcriptu nemělo na výstup vliv, je to spíš šum.

==== 5. Iterovat podle konkrétních chyb ====

Prompt se má ladit podle chyb v eval setu, ne náhodnou změnou formulací. Když model špatně interpretuje jeden typ vstupu, prompt se upraví cíleně:

  * doplní se chybějící kontext,
  * zpřesní se instrukce,
  * přidá se příklad podobného edge case,
  * změní se pořadí kroků,
  * rozdělí se úloha do víc promptů.

===== Praktické techniky z videa =====

==== XML tagy ====

Claude dobře reaguje na jasně označené bloky typu ''<instructions>'', ''<document>'', ''<examples>'' nebo ''<output_format>''. Tagy pomáhají modelu poznat, co je instrukce, co je vstupní data a co je jen referenční materiál.

U větších promptů je vhodné držet konzistentní názvy tagů napříč týmem, aby se prompty daly rychle číst a upravovat.

==== System prompt pro statické informace ====

Do system promptu patří stabilní informace, které se nemění mezi jednotlivými voláními. Ve videu jde například o popis struktury švédského formuláře a význam jeho polí. V jiných úlohách to může být schéma výstupního JSONu, obchodní pravidla, popis produktu nebo pravidla stylu.

Praktický efekt:

  * méně opakování v uživatelském promptu,
  * jasnější oddělení statických pravidel od dynamických dat,
  * možnost využít prompt caching u opakujících se částí promptu.

==== Pre-filling odpovědi ====

Pre-filling znamená, že se modelu předvyplní začátek očekávané odpovědi. Pokud má výstup začínat JSONem, může se odpověď předvyplnit znakem:

<code json>
{
</code>

U XML výstupu může jít například o úvodní tag výsledku. Smyslem je omezit úvodní omáčku a nasměrovat model přímo do požadovaného formátu.

==== Pořadí analýzy ====

Ve videu je důležité pořadí práce s daty. Model má nejdřív vyčíst strukturované údaje z formuláře a až potom podle nich interpretovat ručně kreslený náčrtek nehody. Bez kontextu formuláře může být náčrtek nejednoznačný.

Obecné pravidlo:

  - nejdřív analyzuj spolehlivější nebo strukturovanější zdroje,
  - potom interpretuj méně strukturovaná data,
  - nakonec udělej syntézu a závěr.

==== Vyžadovat důkazy ====

U faktických úloh je dobré požadovat, aby model ke každému závěru uvedl oporu ve vstupních datech. Ve videu je to například určení viníka nehody podle zaškrtnutých polí a náčrtku.

<code>
U každého závěru uveď, z jakého pole formuláře nebo části vstupu vychází.
Pokud vstup není čitelný nebo závěr není dostatečně jistý, napiš to explicitně a nehádej.
</code>

To je použitelné i pro jiné typy práce: analýzu dokumentů, právní rešerše, technickou diagnostiku nebo sumarizaci incidentů.

==== Temperature a max tokens ====

Pro faktickou extrakci a determinističtější výstup video doporučuje nízkou teplotu, konkrétně ''temperature = 0''. Cílem není kreativita, ale reprodukovatelnost a přesnost.

U složitější analýzy je potřeba nastavit dostatečně vysoký limit výstupních tokenů, aby model nebyl useknutý uprostřed úvahy nebo strukturovaného výstupu.

==== Prompt caching ====

Prompt caching dává smysl tam, kde se velká část promptu opakuje. Typický příklad je dlouhý system prompt, popis formuláře, pravidla výstupu nebo referenční dokumentace. U opakovaných volání může caching snížit latenci a cenu.

==== Extended thinking pro debugging ====

U modelů a režimů, které podporují delší interní uvažování, může být extended thinking užitečné při ladění složitých úloh. Praktická hodnota je hlavně v tom, že se lépe odhalí, kde model špatně pochopil vstup nebo kde mu chybí instrukce.

===== Příklad z videa: pojistná událost =====

Video pracuje s příkladem švédské pojišťovny, která zpracovává formulář dopravní nehody a ručně kreslený náčrtek. Model dostane obraz formuláře a obraz náčrtku a má určit, co se stalo a které vozidlo je pravděpodobně viníkem.

Iterace promptu ukazuje rozdíl mezi vágním a strukturovaným zadáním:

  * **Naivní prompt:** „Co se stalo na těchto obrázcích?“ Model může obrázek interpretovat mimo správný kontext.
  * **Prompt s rolí:** model dostane roli asistenta likvidátora pojistných událostí a lépe pochopí doménu.
  * **Prompt se strukturou formuláře:** system prompt vysvětlí význam polí formuláře, model přesněji identifikuje zaškrtnutá pole a umí lépe zdůvodnit závěr.

Důležitý je rozdíl mezi „podívej se na obrázky“ a „nejdřív z formuláře vyčti konkrétní pole, potom je porovnej s náčrtkem a výsledek dolož konkrétními důkazy“.

===== Prompt chaining a context hygiene =====

Když je úloha složitá, je lepší ji rozdělit do několika menších kroků. Článek uvádí jednoduchý příklad pro obsahovou tvorbu:

<code>
Step 1 prompt: Extract the three strongest claims from the transcript below.
Input: <transcript>...</transcript>
Output: Three bullet points with exact quotes

Step 2 prompt: Using the claims provided, write a LinkedIn hook for each one.
Input: <claims>...</claims>
Output: Three hook options, each under 15 words

Step 3 prompt: Select the strongest hook and write the full post body.
Input: <hooks>...</hooks>
Output: Full post following the format in the system prompt
</code>

Context hygiene znamená neposílat do každého kroku celý předchozí chat. Do dalšího promptu se má předat jen relevantní mezivýstup, ideálně v jasně označeném XML bloku.

===== Univerzální šablona promptu =====

Tato šablona vychází z principů popsaných v článku a ve videu. Je použitelná pro Claude a většina částí dává smysl i pro jiné modely.

<code xml>
<context>
[Vlož jen relevantní dokumenty, vstupy, transcript, data nebo odkazy na předchozí krok.]
</context>

<role>
Jsi [konkrétní expert / role] pracující v kontextu [doména / tým / use-case].
</role>

<task>
[Jednou až třemi větami popiš přesný úkol.]
</task>

<instructions>
1. Nejprve analyzuj vstupní data.
2. Odděl fakta od interpretací.
3. U důležitých závěrů uveď oporu ve vstupu.
4. Pokud si nejsi jistý, napiš to explicitně a nehádej.
5. Dodrž výstupní formát přesně.
</instructions>

<examples>
[Vlož 1–3 příklady, pokud je potřeba ukázat styl nebo edge cases.]
</examples>

<output_format>
[Popiš přesnou strukturu výstupu: nadpisy, JSON, tabulka, odrážky, limity délky.]
</output_format>

<final_reminder>
Nezačínej obecným úvodem. Vrať pouze požadovaný výstup ve stanoveném formátu.
</final_reminder>
</code>

===== Co je specifické pro Claude a co je obecné =====

Část postupů je použitelná i pro jiné AI modely:

  * jasné zadání úkolu,
  * eval set,
  * příklady,
  * přesný výstupní formát,
  * rozdělení složitých úloh na menší kroky,
  * redukce šumu v kontextu.

U Claude má podle zdrojů zvláštní význam hlavně:

  * XML strukturování promptu,
  * explicitní role, tón a formát,
  * umístění dlouhého kontextu před instrukce,
  * opatrnost modelu při vágním zadání,
  * využití system promptu, prompt cachingu a případně extended thinking u komplexních úloh.

===== Akční checklist =====

  - Vyber jeden existující prompt, který často selhává.
  - Sepiš 3–5 kritérií úspěchu.
  - Připrav 5 reálných testovacích vstupů.
  - Rozděl prompt do XML bloků: role, kontext, instrukce, výstupní formát, příklady.
  - Přidej 1–3 příklady správného výstupu.
  - U faktických úloh nastav nízkou teplotu a vyžaduj důkazy.
  - Otestuj prompt na eval setu.
  - Každou úpravu dělej podle konkrétního selhání, ne pocitově.
  - U opakovaných velkých promptů zvaž prompt caching.

===== Zdroje =====

  * [[https://aiflowchat.com/blog/articles/anthropic-prompting-guide|AI Flow Chat – Anthropic Prompting Guide: Claude Best Practices for Teams]]
  * [[https://www.youtube.com/watch?v=ysPbXH0LpIE|YouTube – Prompting 101 – Code w/ Claude]]