Prompty pro AI: režim profesionálního promptingu

V Commander Flow je preset, o kterém neví 80 % beta testerů a který se pro mě stal nejcennější věcí v celém produktu. Je to režim psaní promptů – prompt-engineering.

Pokud pracuješ s libovolnými AI nástroji (a v roce 2026 to děláme všichni), denně tratíš čas formulováním promptů: pro ChatGPT, jiné cloudové LLM, AI generátory obrázků, vlastní interní AI flow. A většina těchto promptů vychází průměrně, protože je píšeme za pochodu, mezi jinými úkoly.

Tenhle preset proměňuje moji ústní myšlenku v strukturovaný profesionální prompt za půldruhé vteřiny.

Co dělá

Stisknu zkratku a mluvím jako k živému člověku:

„Hele, potřebuju, aby AI agent rozebral tenhle PR na githubu a našel místa, kde můžou být memory leaky, hlavně v dlouho žijících disposablech, a aby si nic nevymýšlel, ale odkazoval na konkrétní řádky. Kontext je .NET 10, async kód a důležité je, že používáme CancellationTokenSource, který se občas recykluje.“

Dostávám v textovém poli:

You are a senior .NET engineer reviewing a pull request.

CONTEXT:
- Codebase: .NET 10 (TFM net10.0)
- Heavy use of async/await with cancellation
- CancellationTokenSource instances are sometimes reused across operations

TASK:
Review the provided PR diff and identify potential memory leaks, with specific focus on:
1. Long-lived IDisposable instances that may not be properly disposed
2. CancellationTokenSource lifecycle issues (disposal, reuse)
3. Event handler subscriptions without unsubscription
4. Closures capturing disposable resources

CONSTRAINTS:
- Cite specific file paths and line numbers from the diff
- Do not speculate about code outside the visible diff
- If a finding requires more context, ask before recommending a fix

OUTPUT FORMAT:
For each finding:
- Severity: [Critical | High | Medium | Low]
- Location: file:line
- Issue: 1-2 sentence description
- Recommendation: concrete code change

Tohle není „trochu vylepšená verze mé repliky“. Je to profesionální prompt podle best practices: explicitní role, structured context, explicit task, constraints, output format. Vím, jak se to píše (chodil jsem na kurzy, četl knihy o prompt engineering) – ale nepíšu to takhle pokaždé rukama, protože je to 5 minut na každý prompt.

Commander Flow to dělá za vteřinu.

Co je uvnitř presetu

Vyžádal jsem si od týmu přístup k systémovému promptu režimu – je veřejný. V podstatě je to sada instrukcí pro LLM:

• Struktura: role / context / task / constraints / output format / examples (kde se to hodí)
• Tón: imperativní, bez zdvořilostních frází, maximálně konkrétní
• Termination: výslovné určení, co v odpovědi být má a co nesmí
• Anti-hallucination: doplnit constraints proti vymýšlení faktů
• Formát: používat markdown / code-fences pro strukturu, jde-li o kód

To je stejná sada postupů, kterou si profesionální prompt-inženýři vyvinou za měsíce práce. Jen zabudovaná do zkratky.

„Přestal jsem psát špatné prompty ne proto, že jsem se naučil psát dobré, ale proto, že mi nástroj psát špatné nedovolí.“

Scénáře, ve kterých tenhle preset používám každý den

Nejčastěji ho používám před zadáním úkolu AI asistentovi pro kód. Diktuju, co chci – dostávám čistý strukturovaný prompt a agent pracuje znatelně přesněji.

Druhý častý scénář – prompty pro AI generátory obrázků. Hlasem popíšu kompozici; režim to převede na řádek se správnými modifikátory typu poměru stran nebo stylu.

Když píšu system prompt pro vlastního interního AI agenta, dělám to přes Commander Flow místo toho, abych ručně vylepšoval odstavce. Za hodinu vznikne to, co by jinak zabralo den.

Vzácněji, ale stejně pravidelně – dotazy do AI vyhledávání. Dobře formulovaný prompt tam dává výrazně relevantnější výsledky a všiml jsem si toho už po prvním týdnu.

A nakonec libovolné „mikro-prompty“ pro generování testů, dokumentace, migrací. Dřív vznikaly stylem „hlavně, ať to fungovalo“. Teď jsou všechny na stejné úrovni kvality.

Efekt, který jsem nečekal

Začal jsem psát prompty sám pro sebe. Zní to divně. Vysvětlím.

Před složitým úkolem si teď do Commander Flow nadiktuju prompt – ne proto, abych ho hodil LLM, ale abych si ho sám přečetl. Strukturovaný text, kde je explicitně rozepsaný context / task / constraints / acceptance criteria – to je vlastně výborný plán úkolu pro mě samotného.

Nestojí to nic (1,5 vteřiny), ale promění „teď si sednu a popřemýšlím“ v „tady je přesná definice toho, co dělám“. Podobá se to dřívějšímu zadání, jen to teď trvá 1,5 vteřiny a je to zabudované v nástroji.

Co ne vždy funguje

Občas „příliš profesionálně“. Když chci jednoduchý rychlý dotaz („Claude, přepiš tenhle odstavec do tří řádků“), preset to může roztáhnout do plného role/context/constraints. Řešení – přepnout na preset minimal-edit nebo friendly-prompt (jednodušší, na krátké dotazy). Tým aktuálně pracuje na automatické detekci složitosti.

Výchozí best practices jsou cílené na Claude / GPT-5. U jiných modelů (open-source jako Llama 3 nebo specializované jako Mistral) se prompt styl může lišit. Pro absolutní přesnost používám prompt-engineering-llama nebo prompt-engineering-mistral – samostatné presety, které jsem si vytvořil v nastavení. Vyžaduje to ale, abych si je nejdřív sám udělal, a to znamená pár minut konfigurace.

LLM občas přebíjí. Když mluvím stručně, občas přidá nadbytečné sekce. V takových případech pak řeknu „kratší, bez output format, jen task“. Vznikne mini prompt. Ale u složitých úkolů se to naopak trefuje.

Proč je to důležitější, než se zdá

V roce 2026, kdy se AI agenti stali běžnou součástí dne, je schopnost psát dobré prompty novou gramotností. Není potřeba učitel angličtiny, není potřeba doučující z matiky – je potřeba nástroj, který tvoji ústní myšlenku promění v kvalitní prompt.

A co se mi na Commander Flow líbí: tým nedělá „samostatnou aplikaci pro prompt engineering“. Vkládá to jako další preset do té samé zkratky, kterou už používám pro všechno ostatní. Minimum kognitivní režie, maximum užitku.

Proč to potřebuju každý den

Kdyby Commander Flow uměl jen běžné diktování, byl by to dobrý produkt. Ale režim prompt-engineering z něj dělá nástroj pro lidi, kteří s AI agenty pracují celý den. Tohle už není o psaní. Je to o zvýšení kvality veškeré tvé AI komunikace.

Tenhle článek jsem psal v režimu friendly (protože je to blog post). A prompt pro redaktora, který ho upraví, jsem napsal v režimu prompt-engineering. A článek vyšel strukturně lépe, než kdybych psal prompt rukama.

Jeden nástroj. Dvě úrovně abstrakce. Jeden návyk.

Časté otázky o režimu promptingu

Jak přepnout do režimu promptingu?

Jedním klikem v liště Commander Flow zvolíte „Režim promptingu“. Dál prostě diktujete úkol běžnými slovy a aplikace převede řeč do strukturovaného promptu podle best practices: role, context, task, constraints, output format.

Můžu vygenerované prompty použít pro ChatGPT, Claude a další LLM?

Ano. Prompt vychází univerzální – vložíte ho do libovolného LLM chatu. Výchozí struktura je kompatibilní s ChatGPT, Claude i podobnými modely. V případě potřeby si lze nastavit samostatné šablony pro konkrétní engine.

Co dělat, když je prompt příliš formální pro jednoduchý úkol?

Řekněte hlasem „kratší, bez zbytečných sekcí, jen task“ – aplikace strukturu zjednoduší. Pro krátké ad-hoc požadavky je lepší použít minimální režim polotovky a profesionální prompting zapínat až na opravdu složité úkoly.

Můžu si vytvořit vlastní šablonu promptu?

Ano. V nastavení si lze uložit uživatelské šablony pro konkrétní scénáře – třeba pro code review, marketingový text nebo výzkumný dotaz. Pokaždé, když nadiktujete úkol, použije aplikace zvolenou šablonu.

Jak dlouho trvá vytvoření promptu hlasem?

Půldruhé až dvě vteřiny od konce diktování po objevení hotového strukturovaného promptu v aktivním poli. Oproti ručnímu psaní promptu podle best practices je to desítkanásobně rychlejší.