Jak promptovat GPT‑5 jako profík
Chceš z GPT‑5 dostat víc než hezké odstavce textu? Tenhle průvodce sbírá nejpraktičtější postupy, které v praxi fungují: přepínání na „thinking“ režim (router), řízení verbosity, OpenAI Prompt Optimizer (a jeho „bezplatný“ ekvivalent), XML sendvič pro spolehlivé formátované výstupy a Perfection Loop pro top kvalitu. Ke každému přidávám hotové příklady promptů a minimalistické rámce, aby šly použít hned v reálných scénářích.
GPT‑5 Router: jak přepnout na „thinking“ model
U GPT‑5 funguje tzv. router (výběr mezi rychlým a „thinking“ režimem) ve výchozím stavu automaticky — model si sám volí hloubku uvažování podle úkolu. V řadě rozhraní ale můžeš „thinking“ přepnout i ručně (u placených účtů je typicky dostupný manuální přepínač), případně ho vynutit přímo v promptu. V praxi dobře fungují tyto anglické fráze (doslova je vlož do promptu):
Funguje skvěle:
Think hard about this.Think deeply about this.Think carefully.
Funguje mizerně:
This is critical.This is very important.
Proč? Fráze „critical/very important“ neříká co má model dělat jinak. Naproti tomu „think hard/deeply/carefully“ explicitně vyžaduje delší a strukturovanější uvažování.
Rychlé příklady:
Think deeply about this. List your key assumptions, then produce the final answer. Keep internal reasoning private.
Think hard about this. Jsem 25letý muž, 75 kg, chci plán výživy pro zvýšení čisté svalové hmoty bez zbytečného tuku. Nejprve definuj klíčové předpoklady (tréninková frekvence, kalorický cíl, protein/den), pak dej finální jídelníček na 7 dní. Vnitřní myšlenkový proces nepiš.
Verbosity control: jak si řídit délku a hloubku odpovědi
Jasně si řekni, kolik a v jaké podobě toho chceš. Ušetříš čas a dostaneš přesně tak detailní výstup, jak právě potřebuješ.
Low verbosity
Příklad:
Give me the bottom line in 100 words or less. Use Markdown for clarity and structure.
Kdy použít: rychlé „executive summary“, krizové rozhodnutí, čisté „ano/ne + proč“.
Příklad:
Dej mi jen závěr do 100 slov, Markdown. Potřebuji: denní kalorie, gramáž bílkovin, 3 jednoduchá jídla, 1 snack.
Medium verbosity
Příklad:
Aim for a concise 3–5 paragraph explanation with key takeaways and just enough context.
Kdy použít: když chceš pointy + minimální pozadí, třeba pro kolegy v týmu.
High verbosity
Příklad:
Provide a comprehensive and detailed breakdown (600–800 words) with structure and examples.
Kdy použít: referenční dokument, zadání projektu, přenos know‑how mezi týmy.
Příklad:
Napiš detailní 600–800 slovný plán přípravy na MTB sezonu (březen start): silová příprava, intervaly, technika, mobilita, strava a regenerační protokoly.
Poznámka: GPT‑5 je mnohem přesnější v držení cílové délky textu, takže se neboj psát konkrétní metriky (počet slov, odstavců, sekcí).
OpenAI Prompt Optimizer: když chceš prompt „vyladit“
Odkaz: OpenAI Prompt Optimizer
OpenAI má editor, který umí prompt zpřehlednit, zpřesnit a ošetřit chyby. Praktické přínosy:
- Přidá strukturu – rozdělí požadavky do kroků a sekcí.
- Odstraní vágnost – přinutí tě psát specificky (metriky, rozsahy, formát).
- Ošetření chyb – doplní pokyny, co dělat při nejasnostech.
Potřebuješ účet a aktivní platební metodu. Pokud ale optimalizér nechceš (nebo nemůžeš) použít, lze ho napodobit přímo v chatu — nech GPT‑5, ať si prompt sám přepíše do ideální podoby.
„Bezplatná“ alternativa:
Rewrite my prompt to be clearer, more structured, and robust. Add missing constraints, acceptance criteria, output format, and error‑handling steps. Then ask me 3 incisive questions to close any gaps.
Příklad:
Uprav můj dotaz na plán výživy tak, aby byl jasný a strukturovaný. Přidej metriky (kcal, g bílkovin/kg), formát výstupu (týdenní jídelníček v tabulce), a pravidla pro substituce. Závěrem mi polož 3 otázky k upřesnění.
XML „sendvič“: spolehlivé, validní a snadno parsovatelné výstupy
Pro GPT‑5 je tohle kritická věc. Model je velmi přesný v tom, jaké instrukce mu zadáš a jak je má dodržovat. Používáním XML tagů dokážeš jednoznačně vymezit sekce promptu a jejich význam; model se jich drží a méně improvizuje. Markdown formátování funguje také dobře, ale XML tě posune na vyšší úroveň přesnosti (je strojově čitelné, skvělé pro exporty do CSV/JSON/HTML a minimalizuje chyby v názvech polí).
Základní struktura promptu
Minimalistický rámec, který si přizpůsobíš pro většinu běžných úloh:
<role>
<!-- Kdo jsi a jak se máš chovat (např. „expert na výživu“, „senior data analyst“) -->
</role>
<instrukce>
<!-- Co přesně máš udělat: cíle, rozsah, styly, metriky, deadline, jazyk odpovědi -->
</instrukce>
<context>
<!-- Data, zdroje, omezení, výstupní publikum, předchozí rozhodnutí -->
</context>
Složitější struktura pro komplexní úkoly (zjednodušená)
Když potřebuješ víc kontroly (větší projekty, generování artefaktů pro nástroje, více kroků), použij lehčí rámec bez id/číslování. Minimum tagů, maximum čitelnosti:
<prompt>
<role>Stručně definuj roli (např. „expert na výživu“ / „senior data engineer“).</role>
<task>Co přesně má model dodat (jeden odstavec cíle a rozsahu).</task>
<inputs>
<data name="vstup_1" type="markdown">…</data>
<data name="vstup_2" type="json">…</data>
</inputs>
<constraints>
<length target_words="600-800"/>
<style tone="concise" jargon="low"/>
<format type="json" fallback="markdown"/>
</constraints>
<process>
<thinking>Think carefully. Keep internal reasoning private.</thinking>
<verbosity level="medium"/>
</process>
<output>
<fields>name, sections, risks, next_steps</fields>
<import_ready>true</import_ready>
</output>
<error_handling>Chybí-li zásadní vstup, polož max 3 cílené dotazy; jinak pokračuj s rozumnými defaulty a označ předpoklady.</error_handling>
</prompt>
Doporučení:
- Pojmenovávej pole jednoznačně (angličtina,
snake_case/kebab-case) a drž se jich napříč projektem. - Stanov datové typy (string/int/list/json) a povinné vs. volitelné části.
- Přidej acceptance criteria a self‑check — výrazně klesá počet přepracování.
- Když cílíš na import do nástroje (Sheets/Notion/WordPress), definuj výstup tak, aby šel vložit bez ručních úprav.
Perfection Loop: jak si říct o „vypilovaný“ výstup
Perfection Loop je postup, kdy model nejprve interně vytvoří hodnoticí rubriku (kritéria kvality), pak podle ní iterujea až finální verzi vyplyvne ven. To zvyšuje konzistenci a snižuje improvizaci.
Příklady:
Before you respond, create an internal rubric for what defines a ‘world‑class’ answer to my request. Then internally iterate on your work until it scores 10/10 against that rubric, and show me only the final, perfect output.
Než odpovíš, vytvoř si interní rubriku pro „špičkový“ 7denní jídelníček pro růst svalů (kritéria: makra, pestrost, dostupnost surovin, substituce, příprava do 20 min). Iteruj, dokud nedosáhneš 10/10. Ukaž jen finální verzi.
Jak to celé kombinovat (workflow)
- Router (thinking) — vynutíš hlubší uvažování (
Think deeply…). - Verbosity — řekneš si přesně, jak dlouhé a detailní výstupy chceš (Low/Medium/High).
- XML sendvič — definuješ formát výsledku (CSV/JSON/HTML) a názvy polí.
- Perfection Loop — necháš model interně pilovat kvalitu a vrátit jen finále.
- (Volitelně) Prompt Optimizer — když prompt roste a ztrácí přehlednost, nech si ho přepsat do struktury.
Složený příklad:
<task>
<goal>7-day muscle‑gain meal plan for a 71‑kg male.</goal>
<thinking>Think carefully. Account for training days vs rest days and easy substitutions.</thinking>
<verbosity level="high" target_words="700"/>
<constraints>
<kcal daily="2800" training_day_bonus="+200"/>
<protein g_per_kg="2.0"/>
</constraints>
<output format="table" columns="day,meal,ingredients,calories,protein_g,carbs_g,fat_g"/>
<perfection_loop>Use an internal rubric (macros accuracy, variety, prep time, cost) and return only the perfected table.</perfection_loop>
</task>
Longevity bonus: pravidelnost > magie — platí pro protein, spánek i prompty. 😄
Složený příklad:
<task>
<goal>One‑pager equity research on NVIDIA (ticker: NVDA).</goal>
<thinking>Think carefully. Use only public, well‑known information; no real‑time quotes or non‑public data.</thinking>
<verbosity level="medium"/>
<output format="markdown" sections="business_overview,growth_drivers,risks,valuation_sanity,catalysts,verdict"/>
<perfection_loop>Define an internal rubric (clarity, balance, risk awareness, conservative claims, actionable insights) and iterate to a top score. Return only the final one‑pager.</perfection_loop>
</task>
Nejčastější chyby a jak se jim vyhnout
- Vágní cíl („poradíš mi se stravou?“) → Vždy přidej cíle, metriky, čas, omezení.
- Bez formátu výstupu → Řekni hned, jak to chceš (CSV/JSON/HTML/Markdown tabulka).
- Příliš obecná verbosita → „Napiš víc“ není požadavek. Stanov rozpětí slov nebo počet odstavců.
- Opomíjení chyb → Požaduj error‑handling (co když chybí data? co když jsou konfliktní?).
- Mix jazyků v datech → Když exportuješ, sjednoť jazyk a oddělovače, ať jde výstup hned importovat.
- Bez testu použitelnosti → Zkus výstup vložit do nástroje (Sheets/Notion/WordPress). Když to bolí, uprav XML/CSV políčka.
Mini‑cheatsheet (zkopíruj → uprav → používej)
Router:
Think deeply about this. List assumptions, then provide the final answer. Keep internal reasoning private.
Verbosity – Low:
Závěr do 100 slov, Markdown, plus 3 bullet‑point doporučení.
Verbosity – Medium:
3–5 odstavců: shrnutí, kontext, doporučení, další kroky, metriky.
Verbosity – High (EN):
Provide a 600–800 word comprehensive breakdown with examples, risks, and an implementation plan.
Prompt Optimizer:
Rewrite my prompt to add structure, constraints, acceptance criteria, output format, and error handling. Ask me 3 questions to close gaps.
XML sendvič:
<mealplan>
<kcal daily="2600"/>
<protein g_per_kg="2.0"/>
<output format="csv" header="day,meal,ingredients,kcal,protein,carbs,fat"/>
</mealplan>
Perfection Loop:
Before you respond, create an internal rubric for a world‑class answer. Iterate internally until it scores 10/10. Show only the final output.
Závěr
Síla GPT‑5 není jen v „kvalitě modelu“, ale v disciplinovaném promptování. Když zkombinuješ router pro hlubší myšlení, verbositu pro přesnou délku, XML sendvič pro spolehlivý formát a Perfection Loop pro kvalitu, dostaneš výstupy, které se dají okamžitě použít v praxi — ať už je to jídelníček nebo stručná akciová analýza (třeba NVIDIA).
Začni malými iteracemi: vezmi svůj existující prompt, protáhni ho optimizérem (nebo „bezplatnou“ alternativou), přidej XML rámec a zakonči Perfection Loopem. Výsledek? Méně improvizace, více konzistence — a hlavně rychlejší cesta od nápadu k hotovému plánu.