Question Refinement Pattern (vzor upřesňování otázek) je technika prompt engineeringu, ve které jazykový model nejdřív navrhne lepší verzi původní otázky (jasnější, konkrétnější, lépe zarámovanou) a teprve poté odpoví. Jinými slovy: místo „odpověz mi hned“ model dělá krok „nejdřív si ujasněme, co přesně se ptáme“.
Smyslem není jen přepsat větu do uhlazenější češtiny. Jde o to, aby přeformulovaná otázka doplnila chybějící kontext (cílové publikum, účel, omezení, požadovaný formát), snížila vágnost a předešla špatnému pochopení záměru. Výsledkem bývá odpověď, která je relevantnější, praktičtější a méně „obecná“.
Co přesně se v tomto vzoru děje
Vzor obvykle probíhá ve třech krocích:
- Uživatel položí původní otázku (často příliš širokou, neurčitou nebo bez cíle).
- Model navrhne vylepšenou otázku (refined question) – buď jako jednu nejlepší verzi, nebo několik variant podle různých interpretací.
- Model se zeptá, zda má použít vylepšenou verzi (nebo rovnou odpoví na obě: „takhle bych to položil a tady je odpověď“).
Klíčové je, že refined otázka má být „akčnější“: má říct, co přesně chceme dostat za výstup (např. checklist, plán kroků, srovnání variant, tabulku), pro koho to je a jaká omezení platí. Tím se modelu výrazně zúží prostor pro dohady.
Proč to funguje
Velká část slabých odpovědí od AI nevzniká proto, že by model „neuměl“, ale proto, že původní dotaz je:
- příliš obecný („Jak zlepšit marketing?“),
- nejasný v cíli („Potřebuju to pochopit“ – ale na jaké úrovni?),
- bez kontextu (pro koho, v jaké situaci, s jakými zdroji),
- bez omezení (čas, rozpočet, kanály, technologie, právní rámec),
- bez formátu výstupu (odborný text, tahák, kroky, argumentace pro/proti).
Question Refinement Pattern vytváří „mezikrok“, který tyhle mezery zaplní. A protože kvalita výstupu je silně závislá na kvalitě zadání, i drobná změna formulace může dramaticky změnit použitelnost odpovědi.
Co má obsahovat dobrá „upřesněná otázka“
Při refinování se často doplňují tyto složky (nemusí být všechny vždy):
- Cíl: co je „hotovo“? co je úspěch?
- Publikum / úroveň: laik, pokročilý, expert; interní tým vs. zákazník.
- Kontext: situace, prostředí, předchozí kroky, dostupná data.
- Omezení: čas, rozpočet, nástroje, pravidla, etické/právní limity.
- Preferovaný formát výstupu: kroky, tabulka, checklist, strategie, argumentace.
- Rozsah: co zahrnout a co naopak vynechat (aby odpověď nebyla „o všem“).
Typické situace, kde se vzor hodí
- „Vysoká úroveň“ dotazu: když otázka zní spíš jako téma než jako zadání („Řekni mi něco o AI“, „Co mám dělat se strategií?“).
- Rozhodování mezi variantami: uživatel neřekne kritéria, a pak dostane obecné pro/proti bez kontextu.
- Požadavky na strukturu: uživatel chce konkrétní formu (např. plán kroků), ale nezmíní to.
- Riziko špatného pochopení: otázka je víceznačná a model si vybere jednu interpretaci, která není ta správná.
Hlavní přínosy
- Více relevance: odpověď je zaměřená na skutečný záměr, ne na „nejpravděpodobnější interpretaci“.
- Více akčnosti: refined otázka často vynutí kroky, doporučení, kritéria nebo strukturu.
- Méně vágnosti: model má jasnější mantinely, takže méně „obecných rad“.
- Úspora času: místo několika iterací „ne takhle“ se vyladí otázka na začátku.
Rizika a limity
Upřesňování otázek není všelék. Nejčastější problémy:
- Příliš mnoho doplňujících detailů: refined otázka se může stát překomplikovanou a uživateli se s ní špatně pracuje. Řešení: držet 1–2 věty navíc, jen to, co je klíčové.
- Chybný „odhad“ záměru: model může refine posunout špatným směrem. Řešení: nabídnout 2–3 varianty refinované otázky a nechat uživatele vybrat.
- Falešný pocit přesnosti: lepší otázka zlepší strukturu odpovědi, ale sama o sobě nezaručí faktickou správnost. Řešení: kombinovat s požadavkem na zdroje, ověřovací krok nebo explicitní práci s nejistotou.
„Meta-prompt“ šablona pro Question Refinement
Tohle je univerzální zadání, které můžeš vložit před libovolnou otázku:
Když ti položím otázku, nejdřív ji upřesni. 1) Navrhni vylepšenou (konkrétnější) verzi mé otázky tak, aby: - byla jasná v cíli, - obsahovala chybějící kontext (pokud je nutný), - definovala požadovaný formát výstupu. 2) Polož mi max. 3 krátké doplňující otázky jen tam, kde je to nezbytné. 3) Po mém potvrzení odpověz na finální, upřesněnou otázku. FORMÁT: - "Navržená upřesněná otázka:" - "Doplňující otázky (pokud jsou potřeba):" - "Odpověď:"
Dvě praktické varianty použití
Varianta A: „Navrhni lepší otázku a zeptej se“
Model nejdřív navrhne refined otázku a explicitně se zeptá, zda ji má použít. Tato varianta je velmi bezpečná, protože uživatel má kontrolu nad tím, jak bude dotaz interpretován.
Varianta B: „Odpověz rovnou na refined otázku“
Model nejdřív ukáže refined otázku a hned pod ni dá odpověď (často se hodí, když nechceš vícekrokový dialog). Vhodné je přidat větu typu: „Pokud jsem se trefil špatně, napiš, co upravit, a odpověď přepíšu.“
Jak poznat, že refined otázka je kvalitní
Jednoduchý test: když se na refined otázku podívá někdo třetí, měl by bez dalšího vysvětlování pochopit: co je cílem, v jakém kontextu, pro koho a v jaké podobě má přijít výstup. Pokud refined otázka pořád umožňuje pět různých interpretací, je potřeba ji zúžit (např. přidat účel nebo kritéria).
Jak to kombinovat s dalšími vzory
- S Persona Pattern: nejdřív upřesnit otázku, pak zvolit personu (např. „přísný recenzent“, „praktický konzultant“).
- S Cognitive Verifier Pattern: refined otázka může být výstupem, a následně se komplexní dotaz rozloží na podotázky.
- S formátovými pravidly: refined otázka může rovnou vynutit strukturu odpovědi (např. „shrnutí + kroky + rizika“).
Nejčastější „anti-patterny“ (čemu se vyhnout)
- „Refine“ jen jako parafráze: když model pouze přeformuluje větu bez doplnění cíle, kontextu a formátu, kvalita odpovědi se často nezlepší.
- Příliš mnoho doplňujících otázek: když model začne interview se 12 otázkami, uživatel odpadne. Lepší je „minimum nezbytného“ a zbytek řešit variantami.
- Skryté předpoklady: refined otázka nesmí nenápadně vsunout tvrzení, které uživatel neřekl (např. že má určitý rozpočet nebo konkrétní nástroj).
Závěr
Question Refinement Pattern je jednoduchý, ale velmi účinný způsob, jak zlepšit výsledky práce s LLM. Posouvá „chybu“ z konce na začátek: místo opravování špatných odpovědí dolaďuješ zadání dřív, než model začne generovat. V praxi často stačí jediný krok: požádat model, aby nejdřív navrhl lepší otázku. Jakmile se to stane rutinou, sníží se počet iterací, zlepší se relevance a výstupy budou konzistentněji použitelné.
