Prompty systemowe dla agentów: 12 wzorców projektowych gotowych do produkcji

Projektowanie promptów systemowych to ustrukturyzowane budowanie promptu systemowego agenta AI z elementów wielokrotnego użytku: roli, celu, ograniczeń, instrukcji narzędzi, formatu wyjścia, przykładów, obsługi błędów, refleksji, pamięci, eskalacji, kryteriów zatrzymania i bezpieczeństwa. W 2026 roku dobry prompt systemowy agenta jest modułowy, audytowalny i oparty na ewaluacjach: to wersjonowalny artefakt zamiast ściany tekstu pisanego prozą.

Różnica między agentem demonstracyjnym a systemem gotowym do produkcji rzadko leży w modelu. Leży w podłożu promptu: w tym, czy rola, narzędzia, format wyjścia i kryteria zatrzymania są porządnie zdefiniowane. Poniższe dwanaście wzorców projektowych to powtarzające się elementy, ku którym zbiegają się poważni agenci AI w produkcji (Claude Code, Cursor, Devin, OpenAI Codex Agents).

Szybkie odpowiedzi

• Struktura wygrywa z prozą: prompt systemowy agenta dzieli się na cztery warstwy (Identity, Capability, Behavioral, Context) oddzielone tagami XML lub nagłówkami Markdown. Model parsuje ustrukturyzowane prompty bardziej niezawodnie.
• Właściwa długość: 500-3000 tokenów dla rdzenia (bez schematów narzędzi). Zbyt ogólnikowy prompt daje niespójne wyniki, zbyt szczegółowy staje się kruchy i wywołuje efekt lost in the middle we własnym prompcie.
• Wzorzec bez ewaluacji to folklor: każdy wzorzec weryfikuje się na zestawie ewaluacyjnym. Klasyki w rodzaju „Jesteś ekspertem” czy „Take a deep breath” na nowoczesnych modelach często nie dają mierzalnego efektu.

Fundament: model czterech warstw

Zanim poszczególne wzorce zaczną działać, każdy prompt systemowy agenta potrzebuje szkieletu. Produkcyjne prompty systemowe konsekwentnie dzielą się na cztery warstwy, które jednocześnie wyznaczają układ cache (warstwy stabilne na początku, dynamiczne na końcu):

Anthropic zaleca oddzielanie tych sekcji tagami XML, takimi jak <instructions>, lub nagłówkami Markdown (stan na 2026 rok). Korzyść jest podwójna: model bardziej niezawodnie parsuje strukturę, a inżynier może porównywać sekcje w diffach, wersjonować je i testować A/B.

12 wzorców projektowych w skrócie

1-3: rola, cel, ograniczenia

Antywzorzec „Jesteś pomocnym asystentem” jest niespecyficzny i nie daje żadnego sterowania. Podstawą jest konkretna rola z domeną i granicami. Równie szkodliwe są sprzeczne ograniczenia w rodzaju „Bądź zwięzły, ale wyczerpujący”. Lepiej sprawdza się jasne zachowanie domyślne z wyraźnymi klauzulami nadpisania. Ważne: maksymalnie 5-8 reguł o wysokim priorytecie. Model rzadziej stosuje późne reguły z listy 47 punktów (lost in the middle w samym prompcie systemowym), reszta należy do opisów narzędzi.

4: instrukcje narzędzi

Definicje narzędzi nie są osobną warstwą: model parsuje je w każdej turze inferencji. Gdy agent działa błędnie, przyczyna według Anthropic „w większości przypadków” nie leży w modelu, lecz w definicji narzędzia. Zasada praktyczna: 3-5 narzędzi stale załadowanych, kolejne przez wyszukiwanie narzędzi. Od 10 narzędzi zaczyna się mierzalny spadek jakości. Najskuteczniejszym i najczęściej pomijanym elementem jest klauzula When-not-to-use: gdy istnieją zarówno search_web, jak i query_internal_db, to ona decyduje o wyborze. Jeśli natomiast dwa narzędzia całkowicie pokrywają się funkcjonalnie, nie pomoże nawet najlepszy prompt: wtedy trzeba je połączyć albo czysto rozdzielić merytorycznie.

5-6: format wyjścia i przykłady few-shot

„Niezawodnie” oznacza w 2026 100%, a nie 95. OpenAI Structured Outputs wymuszają dzięki dekodowaniu z ograniczeniami 100-procentową zgodność ze schematem JSON (GA od sierpnia 2024). Anthropic wprowadził natywne Structured Outputs w listopadzie 2025, a ogólnie dostępne są od lutego 2026. Również tutaj schemat wymusza dekodowanie z ograniczeniami: schemat JSON znajduje się w output_config.format. Dla wywołań narzędzi schemat wymusza strict: true w definicji narzędzia. Starsze obejście przez tool_choice z pseudonarzędziem w rodzaju return_structured_result nadal działa, ale bez trybu strict nie gwarantuje pełnej zgodności ze schematem. Do połączenia chain-of-thought z ustrukturyzowanym wyjściem w jednym wywołaniu sprawdza się w produkcji wzorzec XML: model myśli jawnie w bloku <thinking>, a system downstream parsuje tylko blok <final_output>. Przykłady few-shot (np. tablica input_examples od Anthropic) pokrywają zagnieżdżone i opcjonalne parametry, przy których model bez nich zgaduje. Ważne: różnorodne, kanoniczne przykłady bez duplikatów, bo inaczej model wybiera najbliższy.

7-8: obsługa błędów i refleksja

Solidne pętle rozróżniają typy błędów: błąd narzędzia (500/timeout) pozwala ponowić próbę z niezmienionymi parametrami (maks. 2 razy z backoffem), błąd walidacji (400) pozwala ponowić próbę ze zmienionymi parametrami, a błąd uprawnień (403) wyklucza ponowienie i wymaga eskalacji. Najgroźniejszym antywzorcem jest ciche tłumienie błędów: wywołania narzędzi kończą się niepowodzeniem, a agent działa dalej, jakby wszystko było w porządku. Błędy muszą wracać do modelu jako jawne wyniki narzędzi. Refleksja/weryfikacja kosztuje zwykle 2-3 razy więcej tokenów za 5-15 punktów procentowych jakości. Przy agencie, który zatwierdza zlecenie na 50 000 EUR, ROI jest oczywisty, przy agencie obsługi klienta z marżami liczonymi w centach musisz dokładnie liczyć.

9-10: zarządzanie pamięcią i eskalacja/HITL

Nawet w obrębie okna kontekstowego model „zapomina” stan wprowadzony na początku. Środki zaradcze: przypięcie krytycznego stanu (cel, bieżące zadanie, kluczowe fakty) na końcu promptu systemowego (modele zwracają większą uwagę na koniec niż na środek), nagłówek przed każdą turą użytkownika i jawnie prowadzony scratchpad jako punkt zaczepienia. W środowiskach multi-tenant kontaminacja pamięci należy do najczęstszych błędów produkcyjnych. Rozwiązanie: jawny reset sesji na początku rozmowy i identyfikator sesji jako obowiązkowy parametr wszystkich narzędzi operujących na stanie. Przy decyzjach o wysokiej stawce przed wykonaniem narzędzia potrzebna jest bramka human-in-the-loop.

11-12: kryteria zatrzymania i bezpieczeństwo

Według badań nieskończone pętle były w latach 2025-2026 najczęstszą klasą błędów produkcyjnych. Solidne zakończenie łączy maksymalną liczbę iteracji (10-30 w zastosowaniach ogólnych, 50-100 przy kodowaniu, jako twardy limit), kryterium sukcesu, limit kosztów i wykrywanie powtarzających się stanów (to samo wywołanie narzędzia z tymi samymi parametrami 3 razy jako detektor thrashingu). Na koniec wskazówki bezpieczeństwa trzeba wyraźnie oznaczyć jako niepodlegające negocjacji i postawić ponad instrukcjami persony. Antywzorzec „persona ponad bezpieczeństwem” to znany wektor prompt injection. Przy obciążeniach w Europie dochodzą wzorce RODO: pseudonimizacja przed wstrzyknięciem kontekstu i warstwa maskowania danych PII przed wstrzyknięciem do RAG.

Przykład z praktyki: agent triażu w MŚP

Firma z sektora MŚP prowadzi agenta triażu w obsłudze klienta z następującym budżetem (stan na 2026 rok): prompt systemowy 800-1500 tokenów, definicje narzędzi 800-1500 tokenów (4-5 narzędzi z input_examples), bazowy retrieval około 2000 tokenów (3-5 chunków z re-rankingiem), historia rozmowy poniżej 4000 tokenów (sliding window N=10), wyjście 1000-2000 tokenów. Łącznie około 10 000 tokenów na wywołanie. Prompt systemowy i definicje narzędzi dają razem 1600-3000 tokenów, czyli od mniej więcej jednej piątej do jednej trzeciej wejścia, i pozostają takie same we wszystkich wywołaniach. Dla tego prefiksu działa Prompt Caching: odczyty z cache kosztują w większości modeli Claude 10% standardowej stawki za wejście, o ile prefiks osiąga minimalną długość wymaganą przez model (od 512 do 4096 tokenów według dokumentacji Anthropic, stan na październik 2026). Koszty wejścia na wywołanie spadają dzięki temu o około 20-30%, a koszty wyjścia pozostają bez zmian. Gdy cache wygaśnie, ponowny zapis prefiksu kosztuje więcej niż zwykłe wejście.

Pseudokod zabezpieczeń pętli:

• max_iterations = 20
• on tool_error(403): escalate_to_human() (bez ponawiania)
• on tool_error(500): retry(max=2, backoff=true)
• on repeated_call(same_tool, same_params, n>=3): break (thrashing)
• if confidence < 0.8 or amount > 5000: handoff_to_human()
• terminate_on: submit_final_answer() called

Ważna uwaga przy wyborze modelu: w standardowych tokenizerach język niemiecki generuje o 30-50% więcej tokenów niż angielski. Okno 200K mieści więc tylko tyle niemieckiej treści, ile około 130K-150K tokenów tekstu angielskiego. Tym ważniejsza jest dyscyplina w kwestii długości promptu i tym bardziej opłaca się caching.

Dla agencji i B2B

Agencja, która prowadzi agentów dla klientów z różnych branż, nie powinna pisać promptów systemowych od zera dla każdego klienta, tylko wyprowadzać je przez dziedziczenie szablonów z bazy agencji: branding i zachowanie klienta są nadpisywane, dwanaście wzorców pozostaje stałych. To lepiej się skaluje, bo współdzielona infrastruktura (framework ewaluacji, biblioteka narzędzi, observability) daje efekt procentu składanego, a indywidualne „płatki śniegu” dla każdego klienta generują wykładniczo rosnący nakład pracy na utrzymanie. Dla decydentów B2B w Europie najważniejszy przekaz brzmi: prompt systemowy to nie jednorazowy tekst, lecz wersjonowany artefakt inżynieryjny z regresją ewaluacji przy każdej zmianie. Blck Alpaca z Wiednia wspiera firmy w budowaniu tej powtarzalnej dyscypliny projektowania promptów systemowych, od wyboru wzorców po warstwę logowania zgodną z AI Act i RODO.