Skip to content
TheChatArchiveThe Chat Archive
o3-2025-04-16· OpenAIHugging Face LMArena Human Preference 140K

potrzebuje poprawić prompt chce odpytać deep research w roznych modelach o nastepujace…

From a Chatbot Arena battleThe same person sent this prompt to two anonymous models at once. Compare it with Geminigemini-2.5-flash’s answer.
  1. 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

  2. Assistant

    Poniżej znajdziesz:

    1. Gotowy, rozbudowany prompt (PL + EN), który możesz „wkleić” do dowolnego LLM, aby otrzymać pogłębioną, fact-based analizę.
    2. 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

    ScenariuszCo 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 realiówDodaj „uwzględnij dane z Polski (np. raporty Pracuj.pl, OLX Praca, GUS)”Większość raportów LLM-y domyślnie biorą globalnie
    Chcesz tabelę porównawczą ATS-ówDopisz: „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 patentówDopisz: „przytocz co najmniej 2 patenty i wyjaśnij zastosowanie”Modele zwykle nie sięgają do patentów, chyba że poprosisz

    Mini-FAQ (prompt engineering)

    1. Czy warto podawać przykład gotowego ogłoszenia?
      Tak, wklejenie realnego tekstu i dopisanie „popraw, by spełniał kryteria z sekcji 1” daje lepszy, kontekstowy rezultat.

    2. „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.

    3. 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!

Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.