Prosisz AI o opis produktu i dostajesz „idealny wybór dla każdego, kto ceni najwyższą jakość”. Zmieniasz polecenie, dopisujesz „jesteś doświadczonym copywriterem”, „pisz naturalnie”, i dalej wychodzi tekst, który pasuje do każdego sklepu w Polsce. To nie jest wina modelu. Model nie wie, co sprzedajesz, do kogo mówisz, jakich słów nie używasz i czego nie wolno Ci obiecać. W tym wpisie pokazuję, co zmienia wynik bardziej niż lepsze polecenie, na moim teście i na tym, co piszą sami twórcy modeli.
Jeśli dopiero zaczynasz z AI, przeczytaj najpierw Jak zacząć z AI w sklepie. 7 poziomów i Twój następny krok.
Mój test na 10 opisach
Sprawdziłem to na 10 opisach produktów w sklepie chemicznym. Pierwsze 5 opisów od AI bez pliku reguł miało średnio 19 poprawek na opis. Z tych poprawek wyszło 5 reguł. Kolejne 5 opisów z plikiem reguł wymagało średnio 4 poprawek.
Uczciwie, to mały test. 5 opisów przed i 5 po, poprawki liczyłem ja, czyli ta sama osoba, która pisała reguły. I mierzyłem plik z regułami stylu, a nie plik z wiedzą o produktach. Nie znalazłem jednak żadnego badania, które porównuje opisy produktów z wiedzą o sklepie i bez niej, więc to i tak najbliższy dowód, jaki mam.
Drugi test zrobiłem na pliku wiedzy. Z pomocą AI zbudowałem skrypt, który bierze adres sklepu i zbiera jego publiczne strony, czyli regulamin, dostawę, zwroty, FAQ i 5 produktów. Potem AI składa z nich plik o sklepie. Sprawdziłem to na 3 sklepach na Shopify, WooCommerce i Shoperze. Każdy plik wyszedł na około 24 tysiące znaków. Przy każdym fakcie stoi adres strony, z której pochodzi, a w osobnym pliku dosłowny cytat do sprawdzenia. Najciekawsze było co innego. W każdym z trzech sklepów strony przeczyły same sobie. W jednym regulamin i FAQ podawały różne metody płatności, w innym strona główna i FAQ różniły się przy darmowej dostawie, w trzecim regulamin i strona zwrotów podawały różne numery lokalu. Model bez takiego pliku nie ma szans tego wiedzieć, a z nim przynajmniej wie, że ma zapytać.
Skąd się wzięło „context engineering”
W czerwcu 2025 Tobi Lütke, szef Shopify, napisał, że woli określenie „context engineering” od „prompt engineering”, bo lepiej opisuje to, co naprawdę jest umiejętnością. Czyli dać modelowi cały kontekst, przy którym zadanie w ogóle da się sensownie wykonać (post Lütkego).
Tydzień później Andrej Karpathy, jeden z założycieli OpenAI, dopisał drugą połowę (post Karpathy'ego). Za mało kontekstu albo w złej formie i model nie ma z czego zrobić dobrej roboty. Za dużo albo nie na temat i rośnie koszt, a wynik spada.
Anthropic, twórca Claude, we wrześniu 2025 nazwał to naturalnym rozwinięciem pisania poleceń (wpis Anthropic). Ten sam wpis opisuje błąd, który widzę w sklepach najczęściej. Ogólne polecenie, które fałszywie zakłada, że model zna kontekst. Ty wiesz, na przykład, że Twoje klientki to mamy małych dzieci, a dostawa trwa 3 dni. Model tego nie wie, dopóki mu nie powiesz.
Co model dostaje, kiedy piszesz wiadomość
Sam model niczego nie pamięta między wiadomościami. Kiedy klikasz „wyślij”, narzędzie składa dla niego paczkę i model czyta ją całą od początku. W paczce są 4 rzeczy, na które masz wpływ.
- Ustawienia ogólne konta, czyli to, co wpisałeś tam o sobie i o tym, jak chcesz dostawać odpowiedzi.
- Instrukcje i pliki projektu, jeśli piszesz w projekcie.
- Cała dotychczasowa rozmowa, razem z odpowiedziami modelu.
- Twoja nowa wiadomość.
Do tego narzędzie dokłada własne instrukcje, których nie widzisz.
Anthropic porównuje Claude do zdolnego, ale nowego pracownika, który nie zna Twoich zasad (przewodnik Anthropic). Dodam jedno. To pracownik, który przy każdej wiadomości przychodzi do Twojego sklepu pierwszy raz. Model ma ogólną wiedzę z tekstów, na których go uczono, ale o Twoim sklepie wie tylko to, co jest w paczce. W projekcie z plikiem o sklepie Twoje polecenie to najmniejsza część paczki. Bez pliku model o sklepie zgaduje.
Łatwo przeoczyć punkt 1. Ustawienia ogólne działają w całym koncie, więc mogą trafić także do rozmowy o sklepie. Jeśli wpisałeś tam kiedyś, że pracujesz w agencji albo wolisz odpowiedzi po angielsku, model może to uwzględnić przy opisie produktu. Zajrzyj tam. W ustawieniach ogólnych zostaw to, jak lubisz dostawać odpowiedzi, na przykład krótko i bez wstępów. Wiedza o sklepie idzie do projektu.
Sztuczki w poleceniu dają mało
Wharton sprawdził w serii krótkich badań popularne triki. Napiwek albo groźba wobec modelu zwykle nic nie zmieniają. Rola „jesteś ekspertem” zwykle nie poprawia trafności. Uprzejmość czasem pomaga, czasem szkodzi (raport o napiwkach i groźbach, raport o rolach, raport o uprzejmości).
Zastrzeżenie. Mierzyli trafność odpowiedzi na trudne pytania, a nie styl opisu produktu. Sami autorzy piszą, że rola może zmienić ton. Ale jeśli „jesteś ekspertem” nie dodaje modelowi wiedzy przy trudnych pytaniach testowych, to wiedzy o Twoim sklepie też mu nie doda.
Co działa. Przykłady i plik o sklepie
Anthropic, OpenAI i Google piszą w swoich przewodnikach to samo. Daj modelowi przykłady. Anthropic radzi 3 do 5 przykładów i pisze, że to jeden z najpewniejszych sposobów, żeby ustawić formę i ton odpowiedzi (przewodnik Anthropic). Google radzi dawać przykłady zawsze (przewodnik Google). OpenAI opisuje przykłady jako sposób, żeby model złapał wzór bez żadnego trenowania (przewodnik OpenAI).
W sklepie najlepszy przykład to para. Opis, który napisało AI, i wersja, która naprawdę poszła do sklepu po Twoich poprawkach. Z takiej pary model widzi, co wycinasz.
Drugi element to plik o sklepie. Ja trzymam dwa osobne pliki.
- Plik reguł mówi AI, jak pisać. Słowa, których nie używasz, jak nazywasz produkty i klienta, czego nie obiecujesz.
- Plik wiedzy mówi, co jest prawdą o sklepie. Asortyment, dostawa, zwroty, reklamacje, częste pytania klientów.
OpenAI daje tę samą radę przy swoich asystentach. Materiał do sprawdzania faktów osobno, zasady, ton i sposób pracy osobno w instrukcjach (pomoc OpenAI).
Więcej nie znaczy lepiej
Kusi, żeby wrzucić do AI wszystko. Cały eksport produktów, regulamin, 200 maili od klientów. To zwykle pogarsza wynik.
Chroma sprawdziła 18 modeli, w tym GPT-4.1, Claude 4 i Gemini 2.5. Długość tekstu mierzy się tu w tokenach, czyli kawałkach słów. Gdy model dostawał tylko potrzebne fragmenty, około 300 tokenów, radził sobie dobrze. Gdy dostawał całą historię, około 113 tysięcy tokenów, wynik spadał we wszystkich modelach (raport Chroma). Starsze badanie „Lost in the Middle” pokazało coś jeszcze dziwniejszego. Gdy potrzebna informacja leżała w środku 20 do 30 dokumentów, GPT-3.5 odpowiadał gorzej, niż gdyby nie dostał żadnych dokumentów (badanie). Google w pomocy Gemini sam przyznaje, że przy zbyt dużym pliku model gubi szczegóły (pomoc Google).
Dlatego plik o sklepie ma być krótki. Celuję w 15 do 25 tysięcy znaków, bo tyle mieści się z zapasem nawet w darmowym Gemini. Z katalogu biorę 5 przykładowych produktów i listę kategorii, a nie cały sklep.
Liczy się też układ. Podziel plik nagłówkami, na przykład Dostawa, Zwroty, Ton, żeby model widział, który kawałek do czego służy. Najważniejszych reguł, na przykład czego nie wolno obiecać, nie chowaj w środku. Daj je na górę pliku albo do instrukcji projektu. Badanie „Lost in the Middle” pokazało, że ze środka długiego tekstu modele korzystały najsłabiej.
Długi czat ma ten sam problem co za duży plik. Przy każdej odpowiedzi model czyta cały czat od początku, także swoje stare odpowiedzi. Jeśli w jednym czacie piszesz opisy całej kategorii, przy ostatnim opisie model ma w paczce wszystkie poprzednie i Twoje uwagi do nich. Dlatego nowe zadanie zaczynaj w nowym czacie w tym samym projekcie. Plik i instrukcje są tam od razu. Ustalenie, które ma zostać na stałe, przepisz do pliku.
Gdzie to trzymać
Plik trzymasz u siebie, na dysku albo na Google Drive. Do czatu wgrywasz go do projektu, wtedy działa w każdej rozmowie w tym projekcie, a nie tylko w jednej.
- Claude. Projects, nowy projekt, w bazie wiedzy projektu plus i wgrywasz plik. Projekty działają też na darmowym planie, do 5 projektów. Opis projektu nie trafia do modelu, więc wiedza musi być w pliku albo w instrukcjach (pomoc Claude).
- ChatGPT. Projekt mieści 5 plików na darmowym planie, 25 na Plus i 40 na Pro (pomoc OpenAI). Nowych Custom GPT nie stworzysz już na koncie prywatnym, OpenAI je wygasza.
- Gemini. Gem z plikiem w sekcji Knowledge. Plik z Google Drive Gem czyta zawsze w najnowszej wersji. Od listopada 2026 Gemy przechodzą w skille, a pliki wiedzy trzeba przenieść ręcznie (pomoc Google).
Asystent wyklikany w jednym narzędziu może zniknąć razem z funkcją, jak teraz Custom GPT i Gemy. Plik na Twoim dysku przenosisz w minutę.
Kiedy polecenie dalej ma znaczenie
Nie twierdzę, że polecenie jest bez znaczenia. W jednym teście Anthropic z 2023 roku dopisanie jednego zdania na początku odpowiedzi podniosło wynik Claude 2.1 z 27% do 98% (Anthropic). Przy długich dokumentach liczy się też kolejność. Anthropic i Google radzą dać dokumenty na górę, a pytanie na koniec.
Kolejność jest więc taka. Najpierw kontekst, potem polecenie. Polecenie mówi, co zrobić z tym, co model już wie o sklepie. Bez pliku polecenie musi zgadywać za Ciebie.
Zrób to u siebie
- Zrób plik wiedzy o sklepie. Adres sklepu, asortyment, dostawa, zwroty, reklamacje, częste pytania. Jak go złożyć z publicznych stron sklepu, pokażę w najbliższym wydaniu newslettera.
- Zrób plik reguł. Gotowy szablon skopiujesz z Google Docs.
- Dołóż 3 do 5 par przykładów. Opis od AI i wersja po Twoich poprawkach.
- Wgraj wszystko do projektu w Claude, ChatGPT albo do Gema.
- W instrukcjach projektu dopisz jedno zdanie. „Fakty o sklepie bierz tylko z plików projektu. Jeśli czegoś w nich nie ma, napisz, że nie wiesz.”
- Poprawka, która wraca, idzie do pliku. Jednorazowej nie dopisuj. Tę, którą robisz piąty raz, tak.
- Sprawdź, czy plik pomaga. Weź 5 produktów i wygeneruj ich opisy przed zmianą w pliku i po niej. Policz poprawki, tak jak w moim teście. Przy większej liczbie opisów spisz 5 pytań, które sprawdzasz przy każdym opisie. Na przykład czy fakty zgadzają się z plikiem, czy nie ma zakazanych słów, czy długość pasuje, czy ton jest Twój i czy dostawa jest podana dobrze. Na każde odpowiadasz tak albo nie. Ocenę możesz zlecić AI w osobnym czacie, ale kilka opisów sprawdź sam i zobacz, czy wychodzi Ci to samo.