Witaj w przewodniku po frameworku promptów XML! Ten system został stworzony, aby umożliwić precyzyjne i ustrukturyzowane definiowanie zadań dla agentów AI. Dzięki wykorzystaniu tagów XML możesz szczegółowo określić rolę AI, zadanie do wykonania, kontekst, oczekiwane rezultaty, a także wiele innych aspektów, co prowadzi do lepszego zrozumienia intencji przez AI i wyższej jakości odpowiedzi.
Framework ten opiera się na zestawie zdefiniowanych tagów, które pozwalają na dekompozycję złożonych zapytań na mniejsze, zarządzalne części.
- Tag Główny
<prompt>: Każdy prompt musi być zawarty w tagu<prompt>. Jest to główny kontener dla wszystkich innych instrukcji. - Struktura Hierarchiczna: Tagi mogą być zagnieżdżane, tworząc logiczną hierarchię. Na przykład, tag
<task>może zawierać szczegółowe instrukcje lub być modyfikowany przez tagi takie jak<constraints>czy<context>. - Czytelność i Precyzja: Staraj się, aby treść wewnątrz tagów była jak najbardziej precyzyjna i jednoznaczna. Im lepiej AI zrozumie poszczególne komponenty, tym lepszy będzie wynik.
- Kompletność: W miarę możliwości, staraj się dostarczyć AI wszystkich niezbędnych informacji, korzystając z odpowiednich tagów.
Poniżej przedstawiono główne kategorie tagów wraz z opisem ich zastosowania, pogrupowane według celów, jakie pomagają osiągnąć. Wszystkie tagi i ich podstawowe opisy pochodzą z dokumentu prompts.md.
Aby AI wiedziała, co ma zrobić i kim ma być.
<prompt>: Tag główny zawierający cały prompt.<task>: Precyzyjny opis zadania, które AI ma wykonać.<role>: Rola, którą AI ma przyjąć (np. ekspert finansowy, kreatywny pisarz).<objective>: Główny cel do osiągnięcia w ramach zadania.<expected_output>: Dokładne opisanie oczekiwanego rezultatu.<deliverables>: Oczekiwane produkty końcowe zadania (np. diagram architektury, specyfikacja API).
Aby AI zrozumiała otoczenie zadania i dostosowała odpowiedź do odpowiedniego poziomu i stylu.
<context>: Istotne informacje kontekstowe dla zadania (np. "Dla firmy z branży IT").<audience>: Opis odbiorców docelowych dla treści (np. "początkujący programiści").<knowledge_level>: Poziom wiedzy u odbiorcy (np. "średniozaawansowany").<domain_knowledge>: Określenie dziedziny wiedzy, którą AI powinna zastosować (np. "Zastosuj praktyki DevOps").<frameworks>: Metodologie lub ramy koncepcyjne do zastosowania (np. "Zastosuj framework TOGAF").<assumptions>: Założenia do przyjęcia podczas zadania.- Tagi Użytkownika: Służą do personalizacji interakcji.
<user_profile>: Profil użytkownika.<user_preferences>: Preferencje użytkownika.<user_history>: Historia interakcji użytkownika.<user_skills>: Umiejętności i kompetencje użytkownika.<user_goals>: Cele użytkownika.<user_constraints>: Ograniczenia użytkownika.<user_feedback>: Wcześniejsza informacja zwrotna od użytkownika.<user_context>: Kontekst sytuacyjny użytkownika.<user_authorization>: Poziom uprawnień użytkownika.
- Tagi Kontekstu Firmowego: Definiują otoczenie biznesowe.
<company_profile>: Profil firmy.<company_values>: Wartości i kultura firmy.<business_goals>: Cele biznesowe.<target_audience>: Grupa docelowa firmy (różni się od<audience>dla konkretnej treści).<brand_voice>: Ton i styl komunikacji marki.<corporate_guidelines>: Wytyczne korporacyjne.<company_resources>: Dostępne zasoby firmowe.<market_position>: Pozycja rynkowa firmy.<organizational_structure>: Struktura organizacyjna.
Aby AI wiedziała, na jakich danych ma pracować i w jakiej formie przedstawić wynik.
<input_prompt>: Tag główny dla instrukcji przetwarzania danych wejściowych.<data_format>: Format oczekiwanych danych wejściowych (np. JSON, CSV, tekstowy).<schema>: Struktura lub schemat danych wejściowych.<validation_rules>: Reguły walidacji danych wejściowych.<required_fields>: Pola wymagane w danych wejściowych.<preprocessing>: Instrukcje przetwarzania wstępnego danych.<example_input>: Przykład poprawnych danych wejściowych.<batch_processing>: Instrukcje dotyczące przetwarzania wsadowego.<metadata_requirements>: Wymagania dotyczące metadanych.
<data>: Ogólny tag na dane wejściowe do wykorzystania.<format>: Określenie pożądanego formatu odpowiedzi (np. "raport z punktowanymi sekcjami", "kod Mermaid").<tone>: Preferowany ton i styl komunikacji (np. "formalny", "kreatywny").
Aby AI działała w określonych granicach i było jasne, kiedy zadanie zostało wykonane poprawnie.
<constraints>: Ograniczenia, które należy uwzględnić (np. "maks. 500 słów", "Musi działać z istniejącą bazą danych").<requirements>: Specyfikacja wymagań, które rozwiązanie musi spełnić.<acceptance_criteria>: Kryteria określające sukces zadania (np. "Testy bezpieczeństwa zaliczone").<criteria>: Ogólne kryteria sukcesu lub elementy do uwzględnienia (np. "musi zawierać przykłady kodu").<priority>: Określenie najważniejszych aspektów zadania lub hierarchii ważności (np. "Bezpieczeństwo > Wydajność > UX").
Aby ukierunkować AI, jak ma podejść do problemu i jak ma przebiegać proces doskonalenia odpowiedzi.
<instructions>: Szczegółowe instrukcje dotyczące procesu realizacji zadania, krok po kroku.<reasoning>: Wskazówka dotycząca sposobu rozumowania, np. "Rozwiązuj problem krok po kroku".<chain_of_thought>: Polecenie wyjaśnienia toku rozumowania AI, "Pokaż swoje rozumowanie".<prioritization>: Hierarchia ważności elementów w procesie rozumowania.- Tagi Iteracji:
<feedback_loop>: Instrukcje dotyczące iteracyjnego ulepszania.<alternatives>: Prośba o przedstawienie alternatywnych podejść.<tradeoffs>: Instrukcje do analizy kompromisów między rozwiązaniami.
- Tagi Iteracji i Wariantów: Śledzenie i zarządzanie procesem iteracyjnym.
<iteration_count>: Liczba wykonanych iteracji.<variant_id>: Identyfikator wariantu.<previous_results>: Wyniki poprzednich iteracji/wariantów.<improvement_focus>: Obszary do ulepszenia w kolejnej iteracji.<variant_comparisons>: Porównanie różnych wariantów.<convergence_criteria>: Kryteria zakończenia iteracji.<ab_testing>: Parametry testów A/B.<feedback_summary>: Podsumowanie informacji zwrotnych z iteracji.<iteration_strategy>: Strategia dla kolejnych iteracji.
Aby upewnić się, że odpowiedź AI jest poprawna, kompletna i spełnia standardy.
- Tagi Walidacji:
<validation_task_prompt>: Tag główny dla zadań walidacyjnych.<test_cases>: Przypadki testowe do walidacji rozwiązania.<edge_cases>(w kontekście walidacji): Przypadki brzegowe do uwzględnienia w testach.<verification_steps>: Kroki do weryfikacji rozwiązania.<review_criteria>: Kryteria do oceny jakości rozwiązania.
- Tagi Jakości:
<verification>: Instrukcje weryfikacji odpowiedzi.<edge_cases>(w kontekście jakości): Wskazanie na uwzględnienie przypadków brzegowych w rozwiązaniu.<accuracy_level>: Wymagany poziom dokładności.
<self_assessment>: Instrukcje dla AI do samooceny zaproponowanego rozwiązania.
Gdy celem jest dogłębne zbadanie tematu, znalezienie wzorców lub wygenerowanie nowych koncepcji.
- Tagi Analizy:
<analytical_prompt>: Tag główny dla zadań analitycznych.<data_input>(w kontekście analizy): Dane do analizy lub źródła danych.<analytical_framework>: Metodologia analizy (np. SWOT).<depth>: Wymagany poziom szczegółowości analizy.<focus_areas>: Kluczowe obszary do szczególnej uwagi w analizie.<patterns_to_identify>: Wzorce lub anomalie do wykrycia.<critical_questions>: Pytania, na które analiza powinna odpowiedzieć.<statistical_approach>: Podejście statystyczne do analizy.
- Tagi Burzy Mózgów:
<brainstorm_prompt>: Tag główny dla burzy mózgów.<challenge>: Problem wymagający kreatywnych rozwiązań.<ideation_scope>: Zakres poszukiwanych pomysłów.<constraints_to_break>: Ograniczenia, które można kwestionować podczas burzy mózgów.<inspiration_sources>: Dziedziny lub technologie inspirujące.<quantity>: Liczba oczekiwanych pomysłów.<diversity>: Instrukcja dotycząca różnorodności pomysłów.<wild_ideas>: Zachęta do niestandardowego, przełomowego myślenia.
Gdy AI ma korzystać z określonych narzędzi lub odwoływać się do specyficznych źródeł wiedzy.
- Tagi Narzędzi (
Tools):<tools_prompt>: Tag główny dla instrukcji używania narzędzi.<available_tools>: Lista dostępnych narzędzi.<tool_capabilities>: Możliwości i ograniczenia narzędzi.<tool_selection_criteria>: Kryteria wyboru odpowiedniego narzędzia.<tool_usage_sequence>: Zalecana sekwencja używania narzędzi.<tool_authentication>: Instrukcje uwierzytelniania do narzędzi.<tool_output_handling>: Instrukcje przetwarzania wyników narzędzi.<custom_tool_parameters>: Parametry do dostosowania narzędzi.<tool_error_handling>: Obsługa błędów specyficznych dla narzędzi.
- Tagi Wiedzy (
Knowledge):<knowledge_prompt>: Tag główny dla instrukcji dotyczących bazy wiedzy.<knowledge_domains>: Dziedziny wiedzy dostępne dla agenta.<knowledge_sources>: Źródła wiedzy i ich hierarchia.<knowledge_recency>: Aktualność bazy wiedzy i ograniczenia czasowe.<knowledge_gaps>: Znane luki w bazie wiedzy.<knowledge_structure>: Struktura organizacji wiedzy.<knowledge_access_patterns>: Zalecane wzorce dostępu do wiedzy.<knowledge_confidence>: Poziomy pewności dla różnych obszarów wiedzy.<knowledge_update_process>: Proces aktualizacji wiedzy.
Do koordynowania wieloetapowych zadań, radzenia sobie z problemami i monitorowania postępów.
- Tagi Nadzoru Procesu (
Process Oversight):<process_oversight_prompt>: Tag główny dla nadzoru procesu.<process_definition>: Opis procesu lub projektu do nadzoru.<monitoring_metrics>: Kluczowe wskaźniki do śledzenia.<checkpoints>: Punkty kontrolne w procesie.<risk_management>: Zarządzanie ryzykiem.<escalation_paths>: Ścieżki eskalacji problemów.<optimization_focus>: Obszary do optymalizacji w procesie.<resource_allocation>: Zarządzanie zasobami w procesie.<continuous_improvement>: Elementy ciągłego doskonalenia procesu.
- Tagi Obsługi Błędów (
Error-Handling):<error_handling_prompt>: Tag główny dla obsługi błędów.<expected_errors>: Lista spodziewanych typów błędów.<error_categorization>: Klasyfikacja błędów wg priorytetów.<fallback_strategy>: Strategia działania awaryjnego.<retry_policy>: Zasady ponawiania operacji.<error_reporting>: Format raportowania błędów.<missing_data_strategy>: Strategia dla brakujących danych.<escalation_procedure>: Procedura eskalacji błędów.<graceful_degradation>: Instrukcje dla stopniowej degradacji usługi w przypadku problemów.
- Tagi Stanu Procesu: Umożliwiają śledzenie i przekazywanie stanu procesu.
<data_state>: Aktualny stan danych procesowych.<knowledge_base>(jako stan): Baza wiedzy dostępna w danym momencie procesu.<process_history>: Historia wcześniejszych kroków procesu.<markdown_content>: Treść w formacie Markdown jako część stanu.<json_data>: Dane w formacie JSON jako część stanu.<css_styles>: Style CSS do zastosowania jako część stanu.<checkpoint_state>: Stan punktów kontrolnych procesu.<variables>: Zmienne procesu.<session_data>: Dane sesji użytkownika.
Dla zadań wymagających konkretnego formatu lub podejścia, np. dokumentacja, materiały edukacyjne, prototypy.
- Tagi Dokumentacji:
<documentation_prompt>: Tag główny dla zadań dokumentacyjnych.<doc_type>: Typ dokumentacji (np. "dokumentacja techniczna API").<target_users>: Odbiorcy dokumentacji.<technical_depth>: Poziom szczegółowości technicznej dokumentacji.<structure>: Struktura dokumentu.
- Tagi Edukacyjne (
Learning):<learning_prompt>: Tag główny dla materiałów edukacyjnych.<learning_objectives>: Cele nauczania.<prerequisite_knowledge>: Wymagana wiedza wstępna.<learning_path>: Ścieżka nauki.<practical_exercises>: Ćwiczenia praktyczne.
- Tagi Prototypowania:
<prototype_prompt>: Tag główny dla prototypowania.<fidelity_level>: Poziom wierności prototypu (np. "szkic koncepcyjny").<tech_stack>: Wykorzystywane technologie w prototypie.<implementation_speed>: Priorytet szybkości implementacji prototypu.<mockup_details>: Szczegółowość makiety.
- Tagi Refaktoryzacji:
<refactoring_prompt>: Tag główny dla refaktoryzacji kodu.<code_quality_issues>: Problemy jakości kodu do zaadresowania.<refactoring_patterns>: Wzorce refaktoryzacji do zastosowania.<technical_debt>: Dług techniczny do spłacenia.<modernization>: Uwspółcześnienie kodu.
Cel 11: Definiowanie Aspektów Strategicznych, Komunikacyjnych i Współpracy (Szerszy Kontekst Projektowy)
Dla zadań osadzonych w szerszym kontekście strategicznym, wymagających określonego stylu komunikacji lub uwzględniających strukturę zespołu.
- Tagi Strategiczne:
<vision>: Długoterminowa wizja projektu/produktu.<roadmap>: Plan rozwoju, kolejność wdrażania funkcjonalności.<market_fit>: Dopasowanie do rynku.<competitive_analysis>: Analiza konkurencji.
- Tagi Komunikacyjne:
<stakeholder_type>: Typ interesariusza, do którego kierowany jest komunikat.<communication_goal>: Cel komunikacji.<presentation_style>: Styl prezentacji.<narrative>: Narracja komunikatu.
- Tagi Współpracy (
Collaboration):<team_structure>: Struktura zespołu.<roles_responsibilities>: Role i odpowiedzialności w zespole.<coordination_tools>: Narzędzia koordynacji pracy zespołu.<knowledge_sharing>: Sposoby dzielenia się wiedzą w zespole.
- Zacznij od Celu: Jasno zdefiniuj, co chcesz osiągnąć, używając
<task>i<expected_output>. - Określ Rolę i Kontekst: Pomóż AI zrozumieć, kim ma być (
<role>) i w jakim otoczeniu działa (<context>,<audience>). - Dostarcz Dane i Określ Format: Jeśli AI ma pracować na danych, użyj
<data_input>lub<data>. Zdefiniuj format wyjściowy za pomocą<format>. - Dodaj Ograniczenia i Instrukcje: Użyj
<constraints>do określenia ram, a<instructions>do podania szczegółowych kroków. - Bądź Precyzyjny: Im dokładniejsze informacje, tym lepsza odpowiedź. Unikaj wieloznaczności.
- Iteruj i Testuj: Tworzenie idealnego promptu często wymaga kilku prób. Testuj różne kombinacje tagów i treści, aby zobaczyć, co działa najlepiej. Analizuj odpowiedzi AI i dostosowuj prompt.
- Korzystaj z Przykładów: Tag
<examples>może pomóc AI zrozumieć oczekiwany styl lub strukturę odpowiedzi.
Poniżej znajdują się przykłady ilustrujące, jak definiować prompty dla agentów korzystających z narzędzi oraz jak tworzyć prompty dla samych narzędzi AI, które mogą być wywoływane przez agentów.
Te prompty instruują agenta, jak wybierać, konfigurować i wykorzystywać dostępne narzędzia (lub funkcje) do realizacji bardziej złożonych zadań. Kluczową rolę odgrywa tutaj sekcja <tools_prompt>.
Przykład 1.1: Agent planujący podróż
Agent ma za zadanie zaplanować podróż, korzystając z API do wyszukiwania lotów, hoteli, atrakcji i pogody.
<prompt>
<role>Asystent planowania podróży</role>
<task>Zaplanuj 3-dniową podróż do Paryża dla 2 osób w przyszłym miesiącu, uwzględniając loty, hotel (4 gwiazdki, centrum) i sugestie 2 atrakcji dziennie.</task>
<context>Użytkownik szuka kompletnego planu podróży.</context>
<constraints>Budżet całkowity: 2000 EUR. Daty elastyczne w przyszłym miesiącu.</constraints>
<tools_prompt>
<available_tools>
<tool name="FlightSearchAPI" description="Wyszukuje dostępne loty."/>
<tool name="HotelBookingAPI" description="Wyszukuje i rezerwuje hotele."/>
<tool name="AttractionFinderAPI" description="Znajduje atrakcje turystyczne i ich opisy."/>
<tool name="WeatherAPI" description="Sprawdza prognozę pogody."/>
</available_tools>
<tool_selection_criteria>Wybierz narzędzia w kolejności potrzebnej do zaplanowania podróży: najpierw loty i hotel, potem atrakcje i pogoda.</tool_selection_criteria>
<tool_usage_sequence>
1. FlightSearchAPI (parametry: cel='Paryż', osoby=2, miesiąc='przyszły')
2. HotelBookingAPI (parametry: miasto='Paryż', gwiazdki=4, lokalizacja='centrum', daty_z_lotów, osoby=2)
3. AttractionFinderAPI (parametry: miasto='Paryż', liczba_dni=3, preferencje_użytkownika='opcjonalne')
4. WeatherAPI (parametry: miasto='Paryż', daty_podróży)
</tool_usage_sequence>
<tool_output_handling>
Zbierz wyniki ze wszystkich narzędzi i stwórz spójny plan podróży w formacie listy. Podaj ceny lotów i hotelu.
</tool_output_handling>
</tools_prompt>
<expected_output>Szczegółowy plan podróży zawierający propozycje lotów, hotelu, atrakcji na każdy dzień oraz prognozę pogody, mieszczący się w budżecie.</expected_output>
</prompt>Przykład 1.2: Agent analizujący dane sprzedażowe
Agent wykorzystuje narzędzia do połączenia z bazą danych, przetwarzania danych i generowania wykresów.
<prompt>
<role>Analityk danych sprzedażowych</role>
<task>Przeanalizuj dane sprzedażowe z ostatniego kwartału, zidentyfikuj najlepiej sprzedające się produkty i stwórz wykres słupkowy pokazujący ich sprzedaż.</task>
<context>Dane znajdują się w bazie danych 'sales_db', tabela 'quarterly_sales'.</context>
<tools_prompt>
<available_tools>
<tool name="DatabaseConnector" description="Łączy się z bazą danych i wykonuje zapytania SQL."/>
<tool name="DataProcessor" description="Przetwarza dane, np. grupuje, sortuje."/>
<tool name="ChartGenerator" description="Generuje wykresy na podstawie danych."/>
</available_tools>
<tool_usage_sequence>
1. DatabaseConnector (parametry: query='SELECT product_name, SUM(units_sold) AS total_units FROM quarterly_sales GROUP BY product_name ORDER BY total_units DESC LIMIT 5;')
2. DataProcessor (parametry: input_data=wynik_z_DB, task='przygotuj dane do wykresu')
3. ChartGenerator (parametry: type='bar', data=wynik_z_DataProcessor, title='Top 5 sprzedających się produktów QX YYYY')
</tool_usage_sequence>
<tool_output_handling>Wyświetl listę top 5 produktów oraz wygenerowany wykres.</tool_output_handling>
</tools_prompt>
<expected_output>Lista top 5 produktów z ostatniego kwartału wraz z wykresem słupkowym ich sprzedaży.</expected_output>
</prompt>Te prompty określają, jak ma działać konkretne, wyspecjalizowane narzędzie AI, które może być następnie wywoływane przez innego agenta. Są to w istocie "system prompty" dla tych narzędzi.
Przykład 2.1: Narzędzie AI do Analizy Sentymentu
Ten prompt definiuje narzędzie, które analizuje sentyment podanego tekstu.
<prompt>
<role>Specjalistyczne narzędzie AI do analizy sentymentu tekstu</role>
<task>Przeanalizuj podany tekst wejściowy i określ jego sentyment (pozytywny, negatywny, neutralny) oraz zwróć ocenę pewności tej klasyfikacji.</task>
<context>Działasz jako funkcja, która przyjmuje tekst i zwraca ustrukturyzowaną odpowiedź. Twoja analiza powinna być obiektywna i oparta wyłącznie na treści tekstu.</context>
<input_prompt>
<data_format>JSON zawierający klucz "text_to_analyze" z wartością tekstową.</data_format>
<example_input>{"text_to_analyze": "Obsługa klienta była fantastyczna, a produkt przekroczył moje oczekiwania!"}</example_input>
<schema>{"type": "object", "properties": {"text_to_analyze": {"type": "string"}}, "required": ["text_to_analyze"]}</schema>
</input_prompt>
<instructions>
1. Przetwórz tekst z pola "text_to_analyze".
2. Dokonaj klasyfikacji sentymentu na jedną z trzech kategorii: "pozytywny", "negatywny", "neutralny".
3. Określ poziom pewności swojej klasyfikacji w skali 0.0 do 1.0.
4. Zwróć wynik w formacie JSON.
</instructions>
<format>
Odpowiedź wyłącznie w formacie JSON.
```json
{
"sentiment": "pozytywny | negatywny | neutralny",
"confidence_score": 0.0-1.0
}
```
</format>
<expected_output>Obiekt JSON zawierający pole "sentiment" z jedną z trzech wartości oraz pole "confidence_score" z wartością liczbową.</expected_output>
<criteria>
- Poprawność klasyfikacji sentymentu.
- Zgodność formatu wyjściowego JSON ze specyfikacją.
- Podanie wiarygodnego wskaźnika pewności.
</criteria>
</prompt>Przykład 2.2: Narzędzie AI do Tłumaczenia Tekstu
Ten prompt definiuje narzędzie realizujące funkcję tłumaczenia tekstu na wskazany język.
<prompt>
<role>Narzędzie AI specjalizujące się w tłumaczeniu tekstu</role>
<task>Przetłumacz dostarczony tekst na wskazany język docelowy, zachowując znaczenie i styl oryginału.</task>
<context>Jesteś wywoływany jako funkcja. Otrzymasz tekst do przetłumaczenia oraz kod języka docelowego.</context>
<input_prompt>
<data_format>JSON zawierający klucze "text_to_translate" (string) oraz "target_language_code" (string, np. "en", "es", "de").</data_format>
<example_input>{"text_to_translate": "Witaj świecie!", "target_language_code": "en"}</example_input>
<schema>{
"type": "object",
"properties": {
"text_to_translate": {"type": "string"},
"target_language_code": {"type": "string"}
},
"required": ["text_to_translate", "target_language_code"]
}</schema>
</input_prompt>
<instructions>
1. Pobierz "text_to_translate" oraz "target_language_code" z danych wejściowych.
2. Dokonaj tłumaczenia tekstu na język docelowy.
3. Staraj się zachować naturalność brzmienia w języku docelowym.
4. Zwróć przetłumaczony tekst w formacie JSON.
</instructions>
<format>
Odpowiedź wyłącznie w formacie JSON.
```json
{
"translated_text": "Twoje przetłumaczone zdanie tutaj."
}
```
</format>
<expected_output>Obiekt JSON zawierający klucz "translated_text" z przetłumaczonym tekstem.</expected_output>
<criteria>
- Poprawność gramatyczna i stylistyczna tłumaczenia.
- Zachowanie znaczenia oryginalnego tekstu.
- Zgodność formatu wyjściowego JSON ze specyfikacją.
</criteria>
</prompt>Framework ten jest elastyczny i może być używany do różnorodnych zadań. Przykładowe, bardziej złożone implementacje można znaleźć w następujących plikach (które również wykorzystują ten system tagów do swojej definicji):
mermaid.md: Generator diagramów Mermaid.img_generator.md: Generator ikon w spójnym stylu.metacreator.md: Generator promptów dla agentów AI.pm.md: Agent zarządzający procesami (Process Master).before.md: Agent do analizy zadań przed ich wykonaniem.
<prompt>
<role>Doświadczony content manager specjalizujący się w technologiach AI</role>
<task>Zaproponuj 5 angażujących tematów na artykuły blogowe dotyczące praktycznego zastosowania AI w małych firmach.</task>
<context>Artykuły mają być publikowane na blogu skierowanym do przedsiębiorców, którzy nie są ekspertami technicznymi.</context>
<audience>Właściciele i menedżerowie małych firm, osoby nietechniczne.</audience>
<expected_output>Lista 5 tematów, każdy z krótkim (1-2 zdania) opisem, co mógłby zawierać artykuł.</expected_output>
<constraints>Tematy powinny być oryginalne i skupiać się na rzeczywistych korzyściach, a nie na skomplikowanej teorii.</constraints>
<tone>Praktyczny, inspirujący, zrozumiały dla laika.</tone>
<brainstorm_prompt>
<quantity>5</quantity>
<diversity>Tematy powinny dotyczyć różnych obszarów działalności małej firmy (marketing, obsługa klienta, operacje itp.)</diversity>
</brainstorm_prompt>
</prompt>