Meta-prompting: Jak pomocí AI generovat tikety, které rovnou naprogramuje další AI

Agilní vývoj se posunul do nové éry. Už nesedíme nad prázdným popisem v systému pro správu úkolů s tím, že bychom slovo od slova vypisovali zadání. Místo toho nahrajeme své myšlenky do ChatGPT nebo Claude a necháme model, ať tiket napíše za nás. Vývojář si ho pak vezme, vloží do svého kódovacího asistenta (např. Cursor, GitHub Copilot) a nechá si vygenerovat první návrh kódu.

Jsme v situaci, kdy jedna AI píše zadání pro druhou AI. Pokud ale svému ChatGPT řeknete jen „Napiš mi tiket na reset hesla“, vygeneruje korporátní vatu plnou zbytečných slov, ze které bude vývojářovo AI naprosto zmatené.

V iQuestu jsme tento proces optimalizovali. Aby se z vašich hrubých myšlenek vygeneroval dokonalý technický tiket, musíte vaše LLM správně instruovat. Jak na to?

1. Definujte svému LLM roli „Technického produkťáka“

Hned na začátku musíte modelu říct, v jakém kontextu operuje. Nechcete po něm marketingový text, ale strohou technickou specifikaci, které porozumí programátor.

• Základní instrukce: „Chovej se jako Senior Technical Product Manager. Tvým úkolem je převést mé volné myšlenky o nové funkci do strukturovaného vývojářského tiketu v Markdownu.“

2. Vynuťte si přesnou strukturu (Šablona)

Nenechte LLM vymýšlet, jak má tiket vypadat. Dejte mu přesnou šablonu, kterou musí dodržet. Vývojářské AI nástroje fungují nejlépe, když mají informace rozškatulkované.

• Přidejte do promptu: „Výsledný tiket musí obsahovat přesně tyto sekce: 1. Cíl + kontext, 2. Popis funkcionality, 3. Akceptační kritéria, 4. Edge cases + chybové stavy, 5. Omezení - oprávnění.“

3. Nechte AI vymyslet „Unhappy paths“ za vás

Tohle je největší výhoda využití LLM pro psaní tiketů. Vy jako člověk často myslíte na to, jak má funkce fungovat ideálně (Happy path). AI je skvělá v hledání děr v logice.

• Přidejte do promptu: „Než tiket vygeneruješ, zamysli se nad chybovými stavy. Co když selže API? Co když uživatel nemá oprávnění? Zahrň tyto situace do sekce 'Edge cases + chybové stavy'.“

4. Přikazujte strohost a odstraňte „omáčku“

Modely mají tendenci být příliš zdvořilé a ukecané. Pro strojové zpracování dalším AI je to přítěž.

• Přidejte do promptu: „Piš maximálně stroze, stručně a technicky. Vynech jakékoliv úvody, závěry nebo fráze typu 'Tady je tvůj tiket'. Výstupem bude čistě a jen text v Markdownu.“

5. Kontext je král: Místo nekonečných vláken využívejte „Projekty“

Častou chybou je snaha udržet celý vývoj v jednom nekonečně dlouhém konverzačním vlákně, aby model „nezapomněl“ souvislosti. To ale brzy vede k tzv. kontextovému znečištění – AI začne míchat logiku starých tiketů do těch nových a ztrácí schopnost kritického pohledu, protože je zatížena historií chatu.

Správný postup je rozdělit dlouhodobou paměť a čistý pracovní stůl:

• Vytvořte si sdílený kontext: Sepište základní fungování vašeho systému, architekturu, uživatelské role a byznysovou logiku do jednoho textového souboru.
• Založte Projekt: Využijte k tomu přímo funkci Projects (Projekty), kterou dnes nabízí jak Claude, tak ChatGPT (v týmových verzích). Do tohoto pracovního prostoru nahrajte váš kontextový soubor. Model si tak na systémové úrovni vtiskne hlubokou znalost vašeho projektu.
• Pro každý tiket otevřete čistý chat: Uvnitř tohoto Projektu pak pro každý nový tiket zakládejte vždy zcela nové vlákno. Model díky tomu perfektně zná architektonické pozadí z nahraných dokumentů, ale k samotnému úkolu přistupuje s čistou a nezatíženou myslí.

6. Pozor: AI vás nenahradí, potřebuje zkušeného kormidelníka (Human-in-the-loop)

To nejdůležitější pravidlo: To, že za vás AI napíše tiket, neznamená, že můžete vypnout mozek. Naopak. Přesouváte se z role „spisovatele“ do role „editora a architekta“.

Aby tento proces fungoval, člověk, který zadání s LLM dává dohromady, musí mít zkušenosti. Nesmí to být slepý copy-paste. Zadavatel musí:

• Umět promptovat: Vědět, jak modelu dodat správný kontext a jak z něj dostat přesně ten formát, který vývojáři potřebují.
• Korigovat a iterovat: První výstup z LLM málokdy bývá dokonalý. Model může halucinovat chybové stavy, které nedávají smysl, nebo navrhnout zbytečně složité řešení. Zkušený zadavatel musí umět napsat: „Tohle je moc složité, zjednoduš to. Vyhoď bod 3 v akceptačních kritériích, to už máme vyřešené jinde, a uprav popis oprávnění tak, aby odpovídal naší stávající roli Admin.“
• Znát produkt: Pokud nerozumíte produktu, nepoznáte, že vám AI vygenerovala nesmyslné akceptační kritérium. Vy jste ti, kdo nesou finální zodpovědnost za to, co jde do vývoje.

7. Master Prompt: Zkopírujte si náš iQuest šablonový prompt

Abyste nemuseli vše vymýšlet znovu, zde je prompt, který můžete rovnou použít uvnitř vašeho vytvořeného Projektu v ChatGPT nebo Claude (kde už model zná kontext vaší aplikace).

Závěrem

Psát tikety pomocí AI není o lenosti, je to o efektivitě a standardizaci. Pokud pomocí zkušeného lidského editora a dobrého „meta-promptu“ sjednotíte zadání, vývojáři (i jejich kódovací asistenti) dostanou vždy konzistentní, strukturovaný a technicky precizní vstup. A to dramaticky zrychlí dodávku hotového kódu.