🎤 Check-in s lektorem (polední, 60 min)

⏱ Odhadovaný čas 60 min

📍 Pozice Den 2, blok 6 / 7

🎯 Po tomto bloku budeš umět

Vyjasnil(a) jsi si zbytek konceptů Dne 1 + Dne 2
Miroslav viděl tvou V6 z Bloku 04 a dal ti feedback
Víš, jak odpoledne upgraduješ své 3 prompty z Dne 1

🎯 Co si s lektorem za 60 min projdete

1. Retrieval včerejška (10 min)

Miroslav tě nechá vysvětlit Den 1 někomu, kdo tam nebyl. Ne pro něj — ty mu to vysvětluješ. Otázky např.:

„Co je LLM a jak funguje, v 30 sekundách?”
„Proč ChatGPT halucinuje, i když má výkonný model?”
„Co jsou 5 komponent promptu — jmenuj zpaměti?”

Tohle je nejlepší způsob, jak poznat, co sis skutečně osvojil(a).

2. Few-shot + CoT v praxi (15 min)

„Ukaž mi svůj V6 z Bloku 04 (kávovar).” — Miroslav vidí, jak jsi kombinoval(a) všechny techniky.
„Kdy by few-shot NEPOMOHL?” — ověří, že chápeš nuance.
„Kdy by CoT spíše uškodil?” — stejně.

3. Demo: Společný upgrade tvého promptu (20 min)

Vybereš jeden ze svých 3 promptů z Dne 1 (Blok 06). Spolu ho:

Analyzujete — které techniky z Dne 2 by se hodily?
Upgradujete — přidáte few-shot nebo CoT nebo obojí.
Spustíte v claude.ai.
Porovnáte odpověď před/po.

Tenhle upgradenutý prompt bude součást Cvičení 06 odpoledne.

4. Tvoje otázky (10 min)

„Kolik příkladů dát v few-shot? Kdy je víc = lépe?”
„Funguje CoT u Claude 4 stejně jako u starších modelů?”
„Co je Extended Thinking v Claude a liší se od CoT?”

5. Plán odpoledne (5 min)

Blok 06: upgrade tvých 3 promptů z Dne 1 s CoT + few-shot
Blok 07: kvíz (6 otázek) + reflexe
Domácí úkol (volitelný, 20 min): praktická aplikace

⚠️ Nouzový režim — self check-in

Pokud Miroslav nemůže, self check-in přes 3 otázky (níže):

Otázka 1

Kolega tě osloví: „ChatGPT mi vrací strašně nekonzistentní formát pro extrakci dat z faktur. Jednou jako tabulka, jindy jako text, pokaždé s jinými názvy polí. Poradíš?” Co mu doporučíš?

Vzorová odpověď

Few-shot prompting. Místo popisu výstupu mu dej 2-3 hotové příklady vstup→výstup v přesném formátu (JSON, tabulka, struktura). Model se okamžitě „naladí” na vzor a bude vracet přesně to, co chce.

PŘÍKLAD 1:
Faktura: "..."
Výsledek: { "cislo": "FA-001", "castka": 1500, ... }

PŘÍKLAD 2:
Faktura: "..."
Výsledek: { ... }

---

Faktura: [jeho faktura]
Výsledek:

Po 3 příkladech bude výstup deterministický.

Otázka 2

Dědeček se tě ptá: „Řekl jsem ChatGPT, aby vypočítal, kolik ušetřím za elektřinu při přechodu na nový tarif. Dal mi odpověď, která mi nesedí. Co dělat?” Co mu poradíš?

Vzorová odpověď

Chain of Thought. ChatGPT „skočilo k odpovědi”. Řekni dědečkovi:

„Přidej na konec ‘Mysli krok za krokem’ a uvidíš postup.”
„Pokud postup nedává smysl v některém kroku, víš kde je chyba.”
„Pro přesné výpočty: spočítej si to sám na kalkulačce — CoT zmenší šanci na halucinaci, ale nezaručí 100%.”

Bonus: pokud je potřeba fakt přesný výpočet, použít nástroj (Claude s Python / Excel), ne jen LLM samotný.

Otázka 3

Kolegyně: „Zkouším few-shot prompting, ale výstupy jsou pořád různé. Dávám 5 příkladů a pokaždé dostanu jiný formát.” Co je špatně?

Vzorová odpověď

3 hlavní důvody:

Tvé příklady nejsou konzistentní. Zkontroluj — mají stejný přesný formát? (tabulka vždy s 3 sloupci, ne jednou 3 a jednou 4)
Máš málo příkladů na danou nuanci. Pro běžný úkol 2-3 stačí. Pro přesné nuance (právo, medicína) někdy 8-10.
Teplota modelu je vysoká. Některé modely/nastavení mají vysokou „randomness”. Zkus přepnout do přesnějšího režimu (např. Claude Opus místo Sonnet).

✅ Check-in hotový, mám jasno, co odpoledne dělám

Pokračovat na blok 06: Upgrade 3 promptů →