potrzebuje poprawić prompt chce odpytać deep research w roznych modelach o nastepujace…
- User
potrzebuje poprawić prompt chce odpytać deep research w roznych modelach o nastepujace pytanie:
jak powinny wyglądać opisy stanowisk na linkedin, czy rekruterzy podczas pracy dzialaja na jakis algorytmach ktore wykrywaja buzzwordy czy tez przegladają sami i tutaj maja znaczenie inne zasady. Potrzebuje kompleksowej odpowiedzi podparta faktami
- Assistant
Poniżej znajdziesz:
- Gotowy, rozbudowany prompt (PL + EN), który możesz „wkleić” do dowolnego LLM, aby otrzymać pogłębioną, fact-based analizę.
- Kilka wskazówek, jak ew. modyfikować prompt w zależności od modelu lub poziomu szczegółowości, którego potrzebujesz.
1. Gotowy prompt „Deep Research”
🔎 ROLA MODELU Jesteś doświadczonym analitykiem HR Tech oraz badaczem rynku pracy. Twoim zadaniem jest przygotowanie raportu o łącznej objętości ~2 000 słów, który: 1. Wyjaśnia, jak powinny wyglądać współczesne opisy stanowisk na LinkedIn (struktura, język, słowa kluczowe, formatowanie, DEI, EVP). 2. Analizuje, w jakim stopniu rekruterzy i/lub ATS-y wykorzystują algorytmy (np. ML, NLP, boolean search, semantic search) do identyfikowania „buzz-wordów” oraz dopasowania kandydat–ogłoszenie. 3. Wskazuje, kiedy o sukcesie decyduje algorytm, a kiedy „ludzki” przegląd i jakie kryteria preferują rekruterzy w obu sytuacjach. 🔎 ZAKRES ŹRÓDEŁ (obowiązkowo cytuj min. 8 źródeł, daty 2019-2024): • Artykuły peer-reviewed (np. Journal of Vocational Behavior, Personnel Psychology) • Raporty LinkedIn Talent Solutions, Gartner, Deloitte, McKinsey, Bersin by Deloitte • Blogi inżynieryjne/tech (LinkedIn Engineering, Greenhouse, Lever, SmartRecruiters) • Patenty lub white-papers dotyczące algorytmów ATS 🔎 FORMAT ODPOWIEDZI A. TL;DR (max 10 bulletów) B. Pełna analiza (podział na podrozdziały) 1. Anatomy of a High-Performing LinkedIn Job Ad 2. Algorithmic Screening vs. Human Screening (mechanizmy, pre-selekcja, ranking) 3. Najczęstsze „buzz-wordy” vs. kompetencje merytoryczne 4. Best Practices + case studies (min. 3 firmy) C. Lista faktów i źródeł (w formie przypisów lub linków) D. Checklista 10 kroków dla autora ogłoszenia 🔎 INSTRUKCJE DODATKOWE • Unikaj niezweryfikowanych stwierdzeń; każde twierdzenie poprzyj źródłem. • Jeżeli w raporcie pojawia się statystyka, podaj rok i źródło. • Stosuj krótkie akapity, tabele i wypunktowania. • Nie ujawniaj łańcucha rozumowania; pokaż jedynie końcowy wynik (Chain-of-Thought hidden).
2. Jak dostosować prompt do różnych sytuacji
Scenariusz Co zmienić? Dlaczego? Bardzo długi output „research paper” Zwiększ limit wyrazów (np. 6 000), dodaj „stwórz abstract + executive summary” Modele chętnie ograniczają się, gdy nie ma konkretnego limitu Potrzebujesz polskich realiów Dodaj „uwzględnij dane z Polski (np. raporty Pracuj.pl, OLX Praca, GUS)” Większość raportów LLM-y domyślnie biorą globalnie Chcesz tabelę porównawczą ATS-ów Dopisz: „stwórz tabelę porównującą 5 popularnych ATS (…)" Wymusza strukturalną odpowiedź Różne perspektywy (rekruter, kandydat, algorytm) Dodaj sekcję „perspektywa X” Pomaga uniknąć jednostronności Brakuje Ci cytatów z patentów Dopisz: „przytocz co najmniej 2 patenty i wyjaśnij zastosowanie” Modele zwykle nie sięgają do patentów, chyba że poprosisz
Mini-FAQ (prompt engineering)
-
Czy warto podawać przykład gotowego ogłoszenia?
Tak, wklejenie realnego tekstu i dopisanie „popraw, by spełniał kryteria z sekcji 1” daje lepszy, kontekstowy rezultat. -
„Chain-of-Thought hidden” – po co?
Niektóre modele po ujawnieniu wewnętrznych kroków potrafią popaść w dygresje lub generować niepotrzebny spam. Ukryjesz to, prosząc, aby model pokazał tylko finalny wynik. -
Co zrobić, gdy model ignoruje żądanie cytowań?
Dodaj „Jeżeli nie znajdziesz źródła – wyraźnie to zaznacz” i zmniejsz temperaturę (np. 0.2).
TL;DR
• Skonkretyzuj ROLĘ, ZADANIE, FORMAT i ŹRÓDŁA.
• Wymuś cytowania i strukturę (bullet/tabela).
• Dodaj konkretne atrybuty (daty, limity słów, „Chain-of-Thought hidden”).Użyj powyższego promptu jako bazy i modyfikuj w zależności od potrzeb, a uzyskasz rzetelną, kompleksową odpowiedź podpartą faktami. Powodzenia!
Other models, same or similar prompt
Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.