Más típusú prompt kell például akkor, ha:

• rövid összefoglalót szeretnél,
• ötleteket gyűjtesz,
• összehasonlítást kérsz,
• egy szöveg stílusát szeretnéd követni,
• vagy egy összetettebb problémát akarsz végiggondoltatni.

A lényeg egyszerű: nem minden feladathoz ugyanaz a prompttípus illik.

Ha jól választod meg a prompt felépítését, nagyobb eséllyel kapsz:

• pontosabb,
• relevánsabb,
• rendezettebb,
• és jobban használható választ.

Prompttípusok és példák

A különböző prompttípusok abban segítenek, hogy a feladathoz illő módon kérdezzünk. Ugyanazt a témát sokféleképpen meg lehet közelíteni.

Tegyük fel, hogy a téma ez:

„Hogyan hatnak a rövid videók a figyelemre?”

Erre teljesen másféle választ kapsz attól függően, hogy:

• rövid listát kérsz,
• nyitott kérdést teszel fel,
• igen-nem típusú döntést kérsz,
• példát mutatsz,
• vagy végiggondoltatod a modellt lépésről lépésre.

Ezért hasznos ismerni a leggyakoribb prompttípusokat.

Mi a különbség a zero-shopt prompting és a direct instruction között? 

Ez a két technika első ránézésre hasonlónak tűnhet, mert mindkettőnél előfordulhat, hogy csak egyetlen promptot írunk be. Mégsem ugyanaz a kettő.

A zero-shot prompting lényege az, hogy nem adunk mintát vagy példát, hanem a modell általános tudására támaszkodunk. Megadjuk a feladatot, és elvárjuk, hogy önállóan értelmezze.

A direct instruction ezzel szemben nemcsak annyit mond meg, hogy miről írjon, hanem azt is, mit, hogyan, és sokszor milyen formában kérünk.

Példa

Zero-shot prompt:

Írj röviden arról, hogyan befolyásolhatja a telefonozás a figyelmet tanulás közben!

Direct instruction:

Írj egy 6 mondatos, közérthető összefoglalót arról, hogyan befolyásolhatja a telefonozás a figyelmet tanulás közben! Térj ki 2 hátrányra és 1 lehetséges megoldásra is!

A különbség jól látható:

• a zero-shot inkább „indulj el ebből” típusú kérés,
• a direct instruction pedig jobban irányítja a választ.

A zero-shot gyors és egyszerű, de néha túl általános választ adhat.
A direct instruction pontosabb, kiszámíthatóbb, és akkor különösen hasznos, ha számít a szerkezet, a hossz vagy a tartalom.

Mi a különbség a multistep prompting és a chain-of-thought prompting között?

Ez a két módszer is könnyen összekeverhető, mert mindkettő több lépésből áll. A céljuk viszont eltérő.

A multistep prompting esetén több, egymásra épülő utasítást adunk. Ilyenkor a modell részenként halad a feladattal.

Például:

• először adjon címet,
• aztán írjon vázlatot,
• végül készítsen bevezetőt.

A chain-of-thought prompting ezzel szemben nem külön részeket kér, hanem azt, hogy a modell lépésről lépésre gondolja végig a problémát.

Példa

Multistep prompt:

Először adj egy címet a témához, aztán készíts 3 pontos vázlatot, végül írj egy rövid bevezetőt!

Chain-of-thought prompt:

Gondoljuk végig lépésről lépésre, miért lehet nehezebb tanulás közben koncentrálni, ha valaki folyamatosan értesítéseket kap a telefonjára!

Röviden:

• a multistep inkább tartalomépítésre jó,
• a chain-of-thought inkább gondolkodtatásra, elemzésre, érvelésre.

Nyitott és zárt kérdések

A nyitott és zárt promptolási módszereket sokszor együtt érdemes használni.

A zárt kérdés gyors állásfoglalást kér.
A nyitott kérdés ezután lehetőséget ad az indoklásra és a részletesebb kifejtésre.

Példa

Zárt kérdés:

Hasznos vagy inkább káros, ha valaki minden fogalmazás előtt MI-eszközhöz fordul? Válaszolj egy szóval!

Utána nyitott kérdés:

Indokold meg a válaszodat három szempontból: tanulás, önálló munka és igazságosság!

Ez a megoldás azért jó, mert:

• először fókuszálja a választ,
• utána pedig mélyebb gondolkodásra késztet.

Hogyan válasszunk promptolási módszert?

A promptolási módszer kiválasztásánál érdemes végiggondolni néhány kérdést.

1. Mi a cél?

Információt szeretnénk?
Összefoglalást?
Ötleteket?
Véleményt?
Összehasonlítást?
Döntést?

2. Szükség van-e mintára?

Ha fontos a stílus vagy a szerkezet, akkor jól jöhet a one-shot vagy a few-shot prompting.

3. Rövid választ várunk, vagy részletesebb gondolatmenetet?

Ha csak gyors magyarázat kell, elég lehet egy utasításos vagy zero-shot prompt.
Ha összetettebb kérdést vizsgálunk, érdemes lehet chain-of-thought módszert használni.

4. Fontos-e a hangnem vagy a célközönség?

Ha igen, a role prompting különösen hasznos lehet.

Például:

• „Magyarázd el 9.-es diáknak”
• „Te egy digitális kultúra tanár vagy”
• „Te egy újságíró vagy”

5. Szeretnénk-e, hogy a modell ellenőrizze a saját válaszát?

Ilyenkor a self-reflective prompting segíthet pontosítani vagy javítani a szöveget.

A jó promptolás arról szól, hogy világosan meg tudjuk fogalmazni, mit szeretnénk a modelltől.

Feladatok

1. Ugyanaz a téma, többféle prompt

Válassz ki egy témát az alábbiak közül:

• Hogyan hat a telefon a figyelemre tanulás közben?
• Mire jó és mire nem jó a ChatGPT a suliban?
• Miért terjednek gyorsan az álhírek?
• Hogyan befolyásolják a rövid videók a koncentrációt?

Írj ugyanarról a témáról 4 különböző promptot:

• egy utasításos promptot,
• egy nyitott kérdést,
• egy role promptot,
• egy chain-of-thought promptot.

Próbáld ki őket, majd hasonlítsd össze a válaszokat:

• Melyik lett a legrészletesebb?
• Melyik volt a legérthetőbb?
• Melyik adott legjobban használható választ?

2. One-shot prompting gyakorlat

Adj a modellnek egy rövid mintaszöveget erről a témáról:

Miért nehéz tanulás közben ellenállni az értesítéseknek.
Ezután kérd meg, hogy ugyanilyen stílusban írjon egy rövid magyarázatot arról,

Hogyan zavarhatja meg a figyelmet a folyamatos rövidvideó-nézés.

A végén nézd meg:

• Hasonló lett a hangnem?
• Ugyanolyan egyszerű maradt a magyarázat?
• Tényleg követte a mintát?

3. Zárt kérdésből nyitott kérdés

Írj egy zárt kérdést és egy hozzá kapcsolódó nyitott kérdést erről a témáról:

Jó ötlet-e MI-t használni tanuláshoz?

Például:

• először kérj rövid választ,
• aztán kérj indoklást több szempont alapján.

4. Promptjavítás

Nézd meg ezt a túl általános promptot:

Írj a telefonozásról!

Írd át úgy, hogy pontosabb legyen.
Próbálj beletenni:

• konkrét témát,
• célt,
• hosszúságot,
• és célközönséget.

Például ne csak annyi derüljön ki belőle, hogy „telefonozás”, hanem az is, hogy:

• milyen helyzetben,
• milyen nézőpontból,
• és milyen formában kérsz választ.

Összegzés

A prompttípusok ismerete azért fontos, mert ugyanarra a témára nagyon különböző válaszokat kaphatunk attól függően, hogyan kérdezünk.

Van, amikor elég egy egyszerű utasítás.
Van, amikor jobb példát mutatni.
Van, amikor szerepet érdemes adni a modellnek.
És van, amikor az segít, ha lépésről lépésre vezeted végig a gondolatmeneten.

A jó promptolás lényege nem az, hogy bonyolultan fogalmazzunk, hanem az, hogy a feladathoz illő módon kérdezzünk.

Miért fontos a prompt?

A prompt:

• keretet ad (miről szóljon a válasz és miről ne),

• kijelöli a szerepet (pl. „tanárként”, „diákként”, „programozóként”),

• meghatározza a formát (lista? táblázat? 3 bekezdés? példák?),

• prioritásokat állít (rövid vs részletes, kezdő vs haladó szint, pro/kontra).

A modell nem tudja magától, hogy te egy óravázlatot, egy posztot, egy emailt vagy egy hibakeresést akarsz – hacsak nem mondod meg.

Mitől „jó” egy prompt?

Egy hatékony prompt fő jellemzői:

• Közérthető: nincs benne többértelműség.

• Elég specifikus: megadja a kontextust, célt, kimenetet.

• Fókuszált: egy problémára kér megoldást (vagy jelzi, ha több része van).

• Folyamatorientált (ha kell): összetett feladatot lépésekre bont.

• Stílusvezérelt (opcionális): hangnem, célközönség, szerep.

Példa: „időmenedzsment” (tanulás/munka)

Rossz prompt:

Adj tippeket az időbeosztásra!

Mi a gond?
Nem tudni, kinek, milyen élethelyzetben, milyen célra. Diáknak? szülőnek? vállalkozónak? napi 2 óra vagy napi 10 perc?

Jobb változat:

Készíts egy 7 napos mini-tervet egy elfoglalt embernek, aki naponta max 30 percet tud tanulni. Cél: alap Python gyakorlás. Minden napra: 1 feladat, 1 rövid ismétlés, 1 „ha van plusz 10 perced” opció. Legyen barátságos, de konkrét.

A modell most már nem filozofál, hanem tervet gyárt.

Ugyanaz a téma – eltérő promptok

Ugyanarról a témáról teljesen más típusú választ kapsz attól függően, hogyan kérdezed.

Téma: „Közösségi média és figyelem”

Adaptív promptolás: a prompt finomhangolása

A prompt ritkán „elsőre tökéletes”. Gondolj rá úgy, mint verziókra: V1, V2, V3… A modell válasza visszajelzés: hol volt túl tág, hol hiányzott forma, hol kellett volna több kontextus.

💡 Példa: téma „hamis információk felismerése”

V1 (túl tág):
Mondj valamit az álhírekről.

V2 (pontosabb kérdés):
Hogyan ismerhető fel egy álhír egy közösségi médiás posztban?

V3 (kimenet kontrollálása):
Adj egy 8 pontos ellenőrzőlistát álhírek felismeréséhez közösségi médiában. Minden ponthoz 1 mondatos magyarázatot adj, és a végén írj 2 rövid „gyakorló példát” poszt-szöveggel.

⚠️ Tipikus hibák promptoláskor

• Túl tág kérdés → túl általános válasz.

• Több külön kérdés egyben → a modell lehet, hogy csak az egyikre válaszol rendesen.

• Nincs formátum megadva → túl hosszú / túl rövid / nem olyan stílusú.

• Hiányzik a kontextus → irreleváns vagy félrecsúszó válasz.

• Nincs cél megnevezve („mire kell?”) → a modell nem tud optimalizálni.

Feladatok

1. Válassz egy témát (kutatási vagy közéleti), pl. „robotok a munkahelyeken”, „digitális lábnyom”.

Írj 3 különböző promptot ugyanarra a témára, majd próbáld ki:

• ugyanabban a csevegésben, ugyanazzal a modellel,

• három külön csevegésben, ugyanazzal a modellel,

• két külön modellel (pl. ChatGPT vs. Claude vagy Gemini).

Hasonlítsd össze:

• Miben térnek el a válaszok?

• Melyik lett a leginformatívabb?

• Mit javított a prompt pontosítása (tartalom, stílus, szerkezet)?
  

• 2. Prompt-evolúció (2 lépésben)
  Írj egy nagyon rövid, pár szavas promptot a saját érdeklődési körödhöz kapcsolódva 

Finomítsd két lépésben:

• finomítás: kontextus + cél
• finomítás: formátum + stílus + részletek

A végén nézd meg: mennyivel „irányíthatóbb” lett a válasz.

Amit még érdemes megjegyezni: a „tégy úgy, mintha…” rész nem tényeket változtat meg, csak a nézőpontot és a hangnemet. Ugyanaz a téma lehet „pszichológus”, „tanár”, „barát”, „HR-es”, „újságíró” — és máris más jellegű választ kapsz.

Ezzel a modellel nemcsak képet szerkeszthetsz, hanem karaktert is építhetsz, aki aztán több jeleneten át is „él”. Ez az AI karaktergenerálás egyik legizgalmasabb területe: ugyanaz a szereplő több képen, más-más környezetben is felismerhető marad.
Nyisd meg a Google AI Studio felületét, válaszd ki a Gemini 2.5 Flash Image modellt (Nano Banana), majd töltsd fel a saját képedet.

A példában egy anime lányból indulunk ki – ő ennek a honlapnak a kulcsfigurája. Egyetlen prompt segítségével képesek vagyunk átalakítani a jelenetét:
💡 például az egyik képen, az utcán a levegő minőségét mérte, ebből a verzióból futóruhás, tavaszi erdei karaktert készítünk.

A promptom magyarul: tartsd meg ugyanazt az anime lányt, de öltöztesd futóruhába. Helyezd őt zöld fák közé, ahol tavaszi napsütésben lágy fénnyel körülvett erdei ösvényen fut. Az arcát, haját, arckifejezését tartsd meg az eredeti képpel összhangban. Ezt persze lehetne még finomítani, de a példa kedvéért elég lesz ennyi is. 

🧩 Hogyan működik?

A rendszer elemzi a képen látható karaktert, és felismeri a jellegzetességeit:
arcforma, hajszín, testarány, ruházat, stílus.
Ezután a megadott új prompt alapján új kontextusban, de azonos karakterrel hozza létre a képet.

Ez az, amit az AI karaktergenerálás során karakterkövetkezetességnek nevezünk — és ami a Gemini 2.5 Flash Image egyik legnagyobb erőssége.

Mielőtt megmutatja a képet, ha ezt még nem állítottad be, fel fog dobni egy ablakot, hogy szeretnéd-e elmenteni a beszélgetéseidet és projektjeidet a Google Drive-odra, vagy csak ideiglenesen dolgozol. 
Két lehetőséged van:

• Enable Google Drive –
  Ajánlott, ha tartósan szeretnél dolgozni (projektek, képszerkesztések, promptok megmaradnak).
  A fájlok a Drive-od egy külön „AI Studio” mappájába kerülnek.
  Ez jó, ha több leckét készítesz, vagy vissza akarsz térni egy előző képgeneráláshoz.

• Cancel and use Temporary chat –
  Ezt válaszd, ha csak kipróbálod, és nem akarod, hogy bármi elmentődjön.
  Ilyenkor a munkamenet a böngésző bezárásakor elveszik.

És íme anime lány, amit az utcáról az erdei ösvényre került: 

Képgenerálás termékfotóhoz

Képzeld el, hogy egy webshopod van, ahol több termékeket árulsz, különféle színekben. A Nano Banana segítségével könnyedén cserélhetsz a termékeden hátteret, színeket, vagy készíthetsz karácsonyi, tavaszi, minimalista stb. verziókat ugyanarról a termékről. 

A példában két horgolt babát alakítok át. Egy nem túl jó képet készítettem róluk, de most szeretném őket inkább karácsonyi környezetben megmutatni. A lényeg, magát a horgolást ne dolgozza át, csak a hátterét és a babák pozícióját helyezze át

A promptom: Tartsd meg ugyanazt a két horgolt babát, javítsd a fényeket és a kompozíciót.
Helyezd őket egy hangulatos karácsonyi környezetbe, meleg fényű égősorral, halvány elmosódott fényeffekttel, fenyőágakkal és ünnepi díszekkel a háttérben.
A babák horgolt textúrája maradjon természetes és részletes, az egész kép legyen webshop-kompatibilis termékfotó.

Mi várható a következő leckében?

Ebben a leckében a karakterkövetkezetességet néztük meg, legközelebb pedig a Gemini 2.5 Flash Image másik új képességét mutatom meg – a világismeretet (native world knowledge).
A korábbi AI modellek gyönyörű képeket készítettek, de nem értették, mit ábrázolnak. Ha lerajzoltál egy diagramot, az AI gyakran nem tudta értelmezni, mit szeretnél.
Ezen változtatott a Gemini 2.5 Flash Image: a modell már nemcsak a vizuális elemeket látja, hanem összefüggéseiben is érti, mit ábrázol a kép.

Ez a fejlődés az AI karaktergenerálás világában is új távlatokat nyit – hiszen most már nemcsak következetes szereplőket, hanem értelmes, kontextusban is helyes jeleneteket alkothatunk.
Erről bővebben a jövő heti leckében írok.

Addig is, ha szeretnél az AI világáról még többet megtudni, válogass a korábbi leckék között is.