Nem a kérdés számít, hanem ami körülötte van

Miért nem segít a jobb kérdés — és mi legyen helyette.

Először érdemes tisztázni két fogalmat. A prompt az az instrukció, amit a felhasználó beír — az egyetlen mondat vagy bekezdés, amivel a kérés indul. A kontextus ennél tágabb: minden, ami a modell munkamemóriájában van — a prompt, a rendszerinstrukciók, az előzmények, a betöltött dokumentumok, a példák. A prompt a kontextus egyik összetevője, de nem az egésze.

Andrej Karpathy — az OpenAI és a Tesla AI egykori kutatója — 2025 júniusában azt írta, hogy a prompt engineering kifejezés félrevezető. Azt sugallja, mintha egy varázsmondatot kellene kikísérletezni, ami megnyitja az AI lehetőségeit. Helyette a context engineering fogalmat javasolta: azt a tudományt és művészetet, hogy mi kerüljön a modell munkamemóriájába — és hogyan.

A különbség nem szemantikai: a prompt engineering a bemenet szövegére fókuszál, a context engineering arra, hogy mi kerül a modell teljes munkaterületére, aktuális memóriájába. Az LLM olyan, mint egy CPU, amelynek nincs tartós memóriája: csak azt dolgozza fel, ami éppen a kontextusablakában van. Ha valami nincs benne, az a modell számára nem létezik. Ebből következik az elv: nem a kérdés szépsége számít, hanem a kontextus teljessége és relevanciája. A feladat pontos leírása, a releváns háttérinfó, a megszorítások, a példák — ezek együttesen döntik el az eredmény minőségét, és nem az egyetlen mondat, amivel a kérés indul.

Ez a különbség nem csak egy technikai részletkérdés: aki csak a promptra koncentrál, az az egésznek csupán egy töredékét kezeli. Érdemes egy lépéssel hátrébb menni, és nem egyetlen instrukciót optimalizálni, hanem az egész folyamatot megtervezni — mit töltünk be először, mikor hozzuk be a megszorításokat, mikor kérünk önkritikát, mikor lépünk tovább. Az eredmény nem egy jó prompttól függ, hanem egy jól felépített promptsorozattól.

Szabályok, amelyek a kontextust rendben tartják

Ha elfogadjuk, hogy a kontextus az egész munkamemória — nem csak az egyetlen beírt sor —, akkor ebből közvetlenül következnek az alábbi gyakorlati szabályok.

Új chat = új téma. A felhalmozott előzmények nem segítenek, csak zavarnak. Minden új feladathoz érdemes tiszta lappal indítani.

A háttér a feladat előtt kerüljön be, ne utána. A modell csak azzal dolgozik, ami már a kontextusban van. Ha a releváns háttérinfó az instrukció után érkezik, a válasz nagy része már anélkül készült el.

Háttér: [releváns kontextus]. Feladat: [instrukció].

Sorozatban érdemes gondolkodni, nem egyetlen promptban. Komplex feladatnál érdemes előre végiggondolni: mi kerül be elsőként, mikor jönnek a megszorítások, mikor kerül sor önkritikára, mikor lehet továbblépni. Az eredmény a sorozat minőségétől függ.

1. lépés: Olvasd el az alábbi anyagot és foglald össze a főbb pontokat. [anyag] 2. lépés: Azonosítsd a három legfontosabb következtetést. 3. lépés: Fogalmazd meg, mit kellene tenni ezek alapján.

Ha az eredmény nem jó, nem a kérdést kell változtatni — azt kell megvizsgálni, mi hiányzott a kontextusból. A rossz output legtöbbször nem rossz kérdés következménye, hanem hiányos vagy félrevezető kontextusé.

Az előző válasz nem volt megfelelő. Mi hiányzhatott a kontextusból, ami jobb eredményt adott volna? Mit érdemes hozzáadni?

Emellett van néhány alapvetőbb szempont, amelyek az AI-val való munkára általában véve igazak:

A modellt a feladathoz kell igazítani. Egyszerű kérdéshez nem szükséges a legerősebb, leglassabb verzió. A modell mérete is a kontextus egy eleme: befolyásolja, mi fér bele és mibe kerül.

Fontos információt mindig verifikálni kell. Az LLM valószínűségi felidézés, nem adatbázis. Tények, dátumok, hivatkozások esetén más forrásból is érdemes utánanézni.

Jelezd kifejezetten, ha valamiben nem vagy biztos, vagy ha az információ esetleg elavult.

Friss vagy speciális témánál keresést kell bekapcsolni. Ha az információ valószínűleg nem volt benne a modell betanítási adataiban, nem érdemes a memóriájára hagyatkozni — eszközt kell adni mellé.

Keress rá erre a témára, mielőtt válaszolsz — az információ friss, valószínűleg nem szerepel a betanítási adataidban.

Leírás mellé mindig kell egy példa is. Ha a modellnek konkrét stílusban, formátumban vagy hangnemben kell dolgoznia, az instrukció mellé minta is szükséges. Önmagában a leírás ritkán elég.

Az alábbi stílusban írj — ez egy minta, amit követni kell: [példaszöveg].

Konkrét módszerek a kontextus tudatos formálására

A context engineering elvéből négy megközelítés következik, amelyek mind azt a kérdést járják körül: ki tölti fel a kontextust, és mikor.

A meta-promptolás azt jelenti, hogy az AI maga tervezi meg a saját promptját, mielőtt végrehajtja a feladatot. Az optimális instrukció kikísérletezése helyett ez a munka a modellre hárul — és meglepően jól csinálja.

Azt szeretném, hogy [feladat leírása]. Mielőtt elkezdesz, írj egy optimális promptot ehhez — vedd figyelembe a célközönséget, a kívánt formátumot és a szükséges mélységet —, majd futtasd le.

A reflection loop során a modell nem egy lövéssel találja el a célt: létrehozza a választ, kritizálja, majd javítja. Minden kör hozzáadja az önkritikát a kontextushoz, és az önfinomítással foglalkozó kutatások szerint ez ~20%-os teljesítményjavulást eredményez különböző feladatokon.

Írj összefoglalót [témáról]. Miután elkészültél, kritizáld saját szövegedet: mi a három leggyengébb pontja, mi hiányzik? Ezek alapján javítsd.

Az agentic loop ezt viszi tovább: a modell addig ismétli a ciklust, amíg saját értékelése szerint nincs érdemi javítani való — emberi beavatkozás nélkül.

Dolgozz iteratívan a következő feladaton: [feladat]. Minden kör végén értékeld, elérted-e a célt. Ha nem, írd le, mit javítasz és miért, majd javítsd. Állj le, ha az önkritikád nem tud legalább 2 érdemi hiányosságot azonosítani.

A negyedik megközelítés a kettő kombinációja: a modell megtervezi a saját promptját, végrehajtja, majd iterál. Ez a legerősebb konfiguráció, és egyetlen üzenettel indítható.

1. lépés: Írj optimális promptot ehhez a feladathoz. 2. lépés: Futtasd le. 3. lépés: Kritizáld az eredményt — mi hiányzik, mi gyenge. 4. lépés: Javítsd. Ismételd a 3–4. lépést, amíg az önkritikád szerint nincs érdemi javítani való.

Kontextus nélkül nincs jó válasz

A context engineering nem bonyolult fogalom — de következetesen alkalmazni kell. A jó kontextus nem varázsolja el a modellt: egyszerűen megadja neki azt, amire szüksége van a munkához. Az utolsó sablon bármilyen összetett feladatra azonnal alkalmazható, és jól szemlélteti az elvet: nem jobb kérdés kell, hanem jobb framework (keret).

→ Három modell, egy macska, nulla garancia — a teljes levezetés