Prompt engineering pro vývojáře: průvodce, který vám ušetří hodiny denně

Na svých školeních začínám jedním experimentem. Dám celému týmu stejný úkol — refaktorovat funkci pomocí AI. Výsledky se liší dramaticky. Ne proto, že by někteří vývojáři byli lepší — ale proto, že píšou lepší prompty.

Prompt engineering není buzzword. Pro vývojáře je to praktická dovednost, která se dá naučit za odpoledne a zlepší kvalitu výstupu okamžitě. Rozdíl mezi jednou iterací a pěti je často jen v tom, jak položíte otázku.

Tři nejčastější chyby

1. Příliš vágní prompt

Nejčastější chyba. 'Oprav tenhle kód' neříká AI nic — co je špatně? Jaký je očekávaný výstup? Jaký framework používáte? Čím víc kontextu dáte, tím přesněji AI odpoví.

# Špatný prompt:
Oprav tenhle kód.

# Dobrý prompt:
V téhle funkci je race condition při 
concurrent přístupu k cache. 
Přidej mutex lock kolem cache operací 
a napiš test, který reprodukuje problém 
při 10 simultánních přístupech.

Druhý prompt dostane správnou odpověď na první pokus. První prompt vede k hádání a 5 iteracím opravování.

2. Chybějící kontext

AI neví, jaký framework používáte, jaké máte konvence, ani jaký je širší kontext změny. Čím víc kontextu dáte, tím méně iterací potřebujete. Přiložte relevantní soubory, popište existující architekturu, zmiňte omezení.

• Co zahrnout do kontextu:
• Framework a jazyk (Next.js 16, TypeScript, Prisma)
• Konvence týmu (naming, error handling, test patterns)
• Existující architektura (kde žije autorizace, jak funguje routing)
• Omezení (backward compatibility, performance requirements)
• Co NESMÍ být rozbité (existující API, testy, integrace)

3. Žádná verifikace v promptu

'Udělej X' vs. 'Udělej X. Pak spusť testy a oprav chyby.' Druhý přístup dává AI zpětnou vazbu — může si ověřit vlastní práci a iterovat. Tohle je nejjednodušší způsob, jak dramaticky zlepšit kvalitu výstupu.

Šablona pro technické prompty

Po stovkách hodin experimentování jsem si vytvořil jednoduchou šablonu pro technické prompty. Čtyři složky:

• 1. CO chci změnit — konkrétní úkol, ne vágní požadavek
• 2. PROČ (kontext) — důvod změny, širší architektura
• 3. OMEZENÍ — co nesmí být rozbité, backward compatibility
• 4. JAK OVĚŘIT — testy, linter, očekávaný výstup

# Šablona v praxi:

# CO:
Přepiš autorizační middleware z session-based 
na JWT.

# PROČ:
Přecházíme na microservices a potřebujeme 
stateless auth. Momentálně používáme 
express-session s Redis store.

# OMEZENÍ:
- Existující API endpointy musí fungovat 
  beze změn (backward compatible)
- Refresh token rotation (ne single-use)
- httpOnly cookies pro uložení tokenů

# OVĚŘENÍ:
Po dokončení spusť celou test suite 
a oprav selhání. Ověř, že všechny 
existující testy procházejí.

Pokročilé techniky

Chain of thought — rozložení na kroky

U složitých úkolů řekněte AI, aby rozložila problém na kroky před implementací. 'Nejdřív analyzuj existující kód. Pak navrhni přístup. Pak implementuj po krocích. Po každém kroku spusť testy.'

# Prompt s chain of thought:

1. Analyzuj src/auth/ — jak funguje 
   aktuální autentizace?
2. Navrhni plán migrace na JWT 
   (jaké kroky, jaké pořadí)
3. Implementuj krok po kroku
4. Po každém kroku spusť testy
5. Na konci ověř, že vše funguje

Negativní instrukce — co nedělat

AI má tendenci přidávat věci, které jste nepožadovali. Explicitně jí řekněte, co NEMÁ dělat. 'Neměň existující testy.' 'Nepřidávej nové závislosti.' 'Nerefaktoruj části kódu, které nesouvisí se změnou.'

Příklad-based prompty

Ukažte AI příklad existujícího kódu a řekněte 'udělej to stejně pro X.' AI pochopí váš styl, konvence a patterny z příkladu a aplikuje je konzistentně. Tohle je obzvlášť silné pro kódové konvence.

# Příklad-based prompt:

Tady je existující endpoint v našem stylu:

[přiložený kód existujícího endpointu]

Napiš nový endpoint pro /api/invoices
ve STEJNÉM stylu — stejná struktura,
stejná error handling konvence,
stejný logging pattern.

Časté vzory, které fungují

• 'Vysvětli, co děláš, než to uděláš' — nutíte AI přemýšlet
• 'Napiš testy PŘED implementací' — TDD s AI
• 'Použij subagenta a zjisti jak X funguje' — výzkum bez ztráty kontextu
• 'Spusť testy po každém kroku' — feedback loop
• 'Updatuj CLAUDE.md aby se tohle nestalo znovu' — učení z chyb

Proč se to vyplatí naučit

Vývojář s dobrými prompty dokončí úkol na první nebo druhou iteraci. Vývojář se špatnými prompty stráví pět iterací opravováním AI výstupu a nakonec to napíše ručně. Ten rozdíl je mezi 'AI mi šetří hodiny denně' a 'AI je k ničemu.'

Prompt engineering není o tom psát delší prompty. Je o tom psát přesnější prompty. Čtyři věty s kontextem, omezením a verifikací porazí dva odstavce vágních instrukcí.

Investice: odpoledne učení. Návrat: hodiny denně. To je nejlepší ROI, které ve svém dev workflow uděláte.