prompty-gemini-3
Jak tworzyć prompty Gemini 3 odporne na poprawki
Gemini3 Team · 18 lipca 2026 · 6 min read
Keywords: prompty Gemini 3, Gemini 3.1 Pro, inżynieria promptów, MidassAI Chat
Published: 18 lipca 2026 Author: Gemini3 Team
Dlaczego większość promptów Gemini 3 zawodzi przy poprawkach — i jak to naprawić
Większość osób traktuje pisanie promptów jak szkicowanie e-maila: wyślij to, kliknij wyślij i miej nadzieję na najlepsze. W przypadku Gemini 3.1 Pro — zwłaszcza na MidassAI Chat — to przepis na konieczność przeróbek. Nie dlatego, że model jest niespójny, ale ponieważ Twój prompt nie został zbudowany tak, by przetrwać konfrontację. Poprawki to nie porażka — to moment, w którym dzieje się prawdziwa praca. A jeśli Twój prompt załamuje się, gdy zapytasz „Czekaj, a co z przypadkiem brzegowym X?" lub „Czy możesz prześledzić tę logikę wstecz?", tracisz godziny — nie minuty.
Gemini 3.1 Pro celuje w głębi: rozumowanie na dokumentach liczących 100K tokenów, dekompozycja wieloetapowych architektury, interpretacja temporalnych klatek wideo i krzyżowa weryfikacja twierdzeń z heterogenicznych źródeł. Żadne z tego nie wynika z mglistych dyrektyw typu „Wyjaśnij komputer kwantowy" lub „Ulepsz ten kod". Wynika z ustrukturyzowanej intencji — promptów zaprojektowanych tak, by przetrwać cykle poprawek poprzez zakodowanie ograniczeń, logiki awaryjnej i jawnych kryteriów walidacji z góry.
Dla kogo jest ten poradnik:
- Autorzy techniczni revisujący whitepapery wobec nowych materiałów źródłowych
- Inżynierowie backendu walidujący decyzje projektowe service mesh
- Badacze syntezujący dokumenty regulacyjne across jurysdykcji
- Liderzy produktu testujący obciążeniowo specyfikacje funkcji przed planowaniem sprintu
- Analitycy wideo ekstrahujący przyczynowość czasową (np. „Czy w przedziale 2:14–2:27 gest osoby A poprzedza, czy następuje po werbalnej wskazówce osoby B?")
To nie są teoretyczne przypadki użycia. To workflowy, które przetestowaliśmy obciążeniowo na MidassAI Chat z rzeczywistymi użytkownikami — i gdzie źle ustrukturyzowane prompty regularnie zawodziły na drugim etapie poprawek.
Najważniejsze informacje
Szablon 1: Pobieranie danych z długich dokumentów z kotwiczeniem źródła
Nie pisz: „Streszcz to 80-stronicowe zgłoszenie SEC."
Napisz zamiast tego:
Jesteś analitykiem compliance przeglądającym Form 10-K dla Acme Corp (2024). Pobierz i wyekstrahuj wyłącznie ujawnienia dotyczące czynników ryzyka cyberbezpieczeństwa (Item 1C), warunkowych zobowiązań sądowych (Item 3) i zastrzeżeń dotyczących stwierdzeń前瞻性 (Item 7). Dla każdego wyekstrahowanego klauzuli:
- Cytuj verbatim (max 45 słów)
- Podaj dokładny numer strony i nagłówek sekcji
- Oflaguj wszelkie wewnętrzne sprzeczności (np. „ryzyko jest 'istotne' na s.22, ale 'nieistotne' na s.41") Nie parafrazuj. Nie wnioskuj. Nie streszczaj poza ekstrakcję.
Dlaczego to przetrwa poprawki: Jawne kotwiczenie do strony/sekcji wymusza wierność źródłu. Wykrywanie sprzeczności wbudowuje samoaudyt — więc gdy później zapytasz „Pokaż mi wszystkie oflagowane sprzeczności w Sekcji 3", Gemini 3.1 Pro pobierze je natychmiast, ponieważ zostały zalogowane podczas pierwszego przejścia, a nie wnioskowane retrospektywnie.
Szablon 2: Testowanie obciążeniowe logiki dla drzew decyzyjnych
Użyj tego podczas walidacji reguł biznesowych, egzekwowania polityk lub workflowów warunkowych:
Jesteś audytorem systemów oceniającym silnik aprobty kredytowej. Biorąc pod uwagę te trzy dane wejściowe:
- Wynik kredytowy ≥ 720 → auto-aprobata
- Współczynnik dochodu > 45% → wymaga przeglądu manualnego
- Poprzedni default w ciągu 24 miesięcy → auto-odmowa Wygeneruj wszystkie możliwe kombinacje danych wejściowych (n=8) i dla każdej:
- Podaj finalną decyzję
- Prześledź dokładną ścieżkę reguły (np. „Kredyt=730 → auto-aprobata; nadpisuje współczynnik dochodu=48%")
- Zidentyfikuj wszelkie konflikty reguł (np. „Kredyt=690 ORAZ default=tak → uruchomiono zarówno odmowę, jak i przegląd manualny") Wynik jako CSV z kolumnami: credit_score, income_ratio_pct, past_default, decision, conflict_flag.
Ten szablon wymusza wyczerpującą enumerację — nie tylko „co dzieje się w typowym przypadku". Gdy wprowadzisz poprawkę („Co jeśli współczynnik dochodu wynosi 44,9%?"), Gemini 3.1 Pro nie zgaduje — przelicza pełną macierz w kontekście, zachowując poprzednie wyniki do porównania side-by-side.
Szablon 3: Dekompozycja architektury kodu
Pomiń „Uczyń ten kod lepszym". Zamiast tego:
Jesteś starszym architektem backendu przeglądającym ten mikrousługa Go (załączniki: main.go, handlers/user.go, pkg/db/connection.go). Dla każdego pliku:
- Wymień wszystkie wyeksportowane typy/funkcje
- Zmapuj przepływ zależności: które funkcje wywołują które, w tym wywołania między pakietami
- Zidentyfikuj punkty ścisłego sprzężenia (np. handler bezpośrednio instancjonujący połączenie DB zamiast przyjmować interfejs)
- Zaproponuj jedną konkretną refaktoryzację na punkt sprzężenia (np. „Wyekstrahuj db.Connection do interfejsu; injectuj przez konstruktor") Wynik jako kod grafu Mermaid + lista punktowana refaktoryzacji.
Gemini 3.1 Pro parsuje strukturę i intencję — nie tylko składnię. Poprawki stają się chirurgiczne: „Uruchom ponownie mapowanie zależności po injectowaniu klienta Redis — czy handler użytkownika zależy teraz od cache?". Prompt już zdefiniował „zależność" precyzyjnie, więc odpowiedź jest deterministyczna.
Szablon 4: Prompt do temporalnej analizy wideo
Do rozumowania z dokładnością do klatki (wymaga przesłania wideo do MidassAI Chat):
Przeanalizuj przesłany klip wideo (0:00–3:12, 30fps). W znacznikach czasu 1:22–1:25 i 2:08–2:11:
- Zidentyfikuj ruch głównego obiektu (np. „lewe ramię unosi się, następnie pauza")
- Skoreluj z pikami formy fali audio (podaj znaczniki czasu wyrównane do ms)
- Określ porządek czasowy: czy ruch wyprzedza, opóźnia się, czy zbiega się z pikiem?
- Jeśli opóźnienie > 120ms, oflaguj potencjalny problem synchronizacji. Tabela wynikowa: timestamp_range | motion_description | audio_peak_ms | delta_ms | sync_flag.
To działa, ponieważ Gemini 3.1 Pro przetwarza tokeny multimodalne wspólnie. Poprawka to nie „czy coś pominąłeś?" — to „Przeanalizuj ponownie 1:22–1:25 używając węższych progów ruchu (sub-pikselowy przepływ optyczny)", a model ponownie wykonuje ten sam protokół z ajustowanymi parametrami.
Szablony 5–7: Triangulacja researchu, generowanie przypadków brzegowych i translacja między dziedzinami
- Triangulacja researchu: „Porównaj projekt wytycznych FDA (2024-05), raport EMA CHMP (2023-11) i brief techniczny WHO (2024-02) dotyczące diagnostyki wspomaganej AI. Dla każdego regulacji: wyekstrahuj definicję 'walidacji klinicznej', wymień wymagane typy dowodów i zanotuj rozbieżności w progach wielkości próby. Wynik jako tabela markdown z kolumną 'Poziom rozbieżności (niski/średni/wysoki)'."
- Generowanie przypadków brzegowych: "Mając sygnaturę funkcji Python
def calculate_tax(income: float, state: str, dependents: int) -> float, wygeneruj 12 przypadków testowych covering: ujemny dochód, state='XX' (nieważne), dependents=−1, income=inf, state='CA' z dependents=0 i 7 więcej warunków brzegowych. Dla każdego podaj oczekiwane zachowanie i dlaczego jest to znaczący przypadek brzegowy." - Translacja między dziedzinami: "Przetłumacz ten README chartu Kubernetes Helm (załącznik) na specyfikację produktu w prostym języku dla nietechnicznych inżynierów sprzedaży. Zachowaj wszystkie ograniczenia wersji, limity zasobów i tryby awarii — ale zamień 'initContainer' na 'kontrolę zdrowia przed startem', 'tolerations' na 'ustawienia elastyczności wdrożenia' itp. Dołącz glossariusz mapujący terminy techniczne na odpowiedniki sprzedażowe."
Każdy z nich wbudowuje gotowość do poprawek: jawny zakres, jednoznaczne kryteria sukcesu i ustrukturyzowane formaty wyjścia, które umożliwiają walidację opartą na diff.
Twój pierwszy prompt odporny na poprawki zaczyna się teraz
Nie potrzebujesz idealnych promptów pierwszego dnia. Potrzebujesz promptów, które uczą się razem z Tobą. Za każdym razem, gdy zapytasz „Co jeśli X się zmieni?", Gemini 3.1 Pro na MidassAI Chat zachowuje oryginalny łańcuch rozumowania — więc poprawka nie jest zaczynaniem od zera. To warstwowanie wiedzy.
Spróbuj zbudować jeden z tych szablonów na żywo. Prześlij 50-stronicowy PDF, wklej 200-liniową bazę kodu lub wrzuć 90-sekundowy klip wideo. Następnie zadaj swoje pierwsze pytanie poprawkowe: „Pokaż mi, gdzie założenia przestają działać." Wtedy zobaczysz różnicę między promptem, który daje Ci odpowiedź, a takim, który daje Ci działającą podstawę.