Baza wiedzy
Home Baza wiedzy Delta prompt

DELTA PROMPT

Delta prompt (często nazywany też delta-tuning promptem lub promptem przyrostowym) to zaawansowana technika inżynierii promptów (Prompt Engineering) oraz dostrajania modeli, w której nie piszesz całego promptu od nowa, lecz modyfikujesz lub nadpisujesz jedynie mały, konkretny fragment (tzw. „deltę”) istniejącej już instrukcji.

Słowo delta ($\Delta$) w matematyce i fizyce oznacza różnicę lub przyrost. W kontekście AI oznacza to dokładnie to samo: wprowadzasz precyzyjną poprawkę do bazy, aby zmienić zachowanie modelu, zachowując całą resztę kontekstu nienaruszoną.

Można to rozumieć na dwa sposoby: jako technikę programistyczną (kodowanie) oraz jako technikę codziennej pracy z AI (czat).

1. Delta Prompt w codziennej pracy (Perspektywa użytkownika)

Gdy pracujesz w oknie czatu z Gemini czy ChatGPT, delta prompt to po prostu Twoja kolejna krótka instrukcja, która zmienia tylko jeden parametr poprzedniej odpowiedzi.

Przykład:

  • Twój pierwszy prompt (Baza): „Napisz post na LinkedIn o błędach w UX na stronach B2B. Styl ekspercki.”

  • Twój drugi prompt (Delta Prompt): „A teraz zmień ton na luźny, dodaj 3 emoji i skróć tekst o połowę.”

Ta druga komenda to właśnie delta – nie powtarzasz, że chodzi o post na LinkedIn ani że temat to błędy UX. Podajesz tylko różnicę (przyrost), jaką model ma zaaplikować do bazy.

2. Delta Prompting w architekturze AI (Perspektywa techniczna)

W zaawansowanych systemach opartych na LLM (Large Language Models), gdzie prompty systemowe mają tysiące słów, ponowne przesyłanie całego tekstu za każdym razem jest drogie (zużywa tokeny) i nieefektywne.

Stosuje się wtedy mechanizm, w którym model ma zakodowany potężny prompt główny (np. definiujący, że AI jest Twoim asystentem biznesowym), a programista „dokleja” do niego tylko malutkie prompty delta, sterujące konkretnym zadaniem w danym momencie.

Wiąże się to również z metodą tzw. Parameter-Efficient Fine-Tuning (PEFT), a dokładniej z technikami typu Prefix-Tuning lub Prompt Tuning. Zamiast uczyć cały model od nowa (co kosztuje miliony dolarów), naukowcy trenują tylko malutki, dodatkowy zestaw zmiennych (wirtualnych tokenów) – właśnie tę „deltę” – i doklejają ją do oryginalnego modelu. Więcej o matematycznych i technicznych szczegółach efektywnego dostrajania modeli za pomocą takich „przyrostów” przeczytasz w przełomowej publikacji naukowej „Prefix-Tuning: Optimizing Continuous Prompts for Generation” na arXiv.

Do czego służy delta prompt?

  1. Iteracyjne dopracowywanie wyników (Refinement): Pozwala szlifować diament. Zamiast denerwować się, że AI nie wygenerowało idealnego tekstu za pierwszym razem, traktujesz pierwszą odpowiedź jako bazę, a za pomocą „delt” korygujesz to, co nie zagrało (np. „dodaj do sekcji CTA nagłówek i lead” – to, co zrobiliśmy w poprzednim kroku, było właśnie zastosowaniem delty!).

  2. Oszczędność czasu i energii: Nie musisz kopiować, wklejać i edytować wielkich bloków tekstu. Mówisz modelowi tylko o zmianie.

  3. Testowanie wariantów (A/B Testing w promptowaniu): Możesz łatwo sprawdzać, jak drobna zmiana modyfikuje wynik. Mając stałą bazę (np. opis usługi UX Ninja), dorzucasz tylko deltę: „zmień styl na agresywny”, a potem „zmień styl na bardzo dyplomatyczny”, by porównać efekty.

  4. Zarządzanie kontekstem w aplikacjach: Deweloperzy używają delt, aby dynamicznie przełączać tryby pracy bota (np. w zależności od tego, czy użytkownik kliknął zakładkę „Szkolenia”, czy „Projektowanie stron”, system podmienia w tle tylko małą deltę promptu systemowego).