Opracowanie: Anna Lewoc, październik 2025 r.

Jeśli miałaś okazję korzystać z dowolnego LLM-a (np. ChataGPT, Claude czy Gemini), to używałaś promptów. Prompt, czyli „podpowiedź”, to po prostu zapytanie lub instrukcja, które wysyłamy do modelu, kiedy chcemy, żeby coś dla nas zrobił. Wysłanie prompta rozpoczyna działanie algorytmu, którego wynik to oczekiwane przez nas dane. Podobnie jednak jak większość działań, które wykonujemy na komputerze, aby nasze prompty miały sens, trzeba je najpierw przemyśleć i udoskonalić.

Kontekst

Pierwsza sprawa to określenie, w jakim kontekście tworzymy prompt. Model nie domyśli się, jaka jest nasza sytuacja i po co nam w ogóle jego pomoc, dlatego warto zacząć od podania mu odpowiedzi na kilka z powyższych pytań, a także krótkiego przedstawienia się.

Przykład: „Cześć Claude! Tłumaczę właśnie z polskiego na angielski tekst o wycieczkach na Antarktydę i pojawił się tam termin „Zodiak”. Co on oznacza w tym kontekście?”

Cel

Następnie ważne jest określenie, co właściwie chcemy za pomocą promptu osiągnąć? Chodzi tu zarówno o formę, jak i cel naszego zapytania.

• Czy chcemy uzyskać tekst, tabelę, listę, zestaw linków do stron, plik w zadanym formacie…?
• Do czego będzie on nam potrzebny?
• Czy mamy jakieś materiały, na których model może się oprzeć? Czy chcemy, aby model pomógł nam w „burzy mózgów” lub poszukiwaniu informacji, ale ostatecznie będziemy działać samodzielnie, czy może potrzebujemy takiego wyniku, który będzie można wykorzystać bez większej ingerencji?

Im jaśniejszy i konkretniejszy prompt, tym bardziej przydatna odpowiedź modelu. Nie znaczy to jednak, że prompt musi być zwięzły – możesz napisać parędziesiąt stron instrukcji, jeśli masz taką potrzebę, choć najlepiej zacząć od krótkich promptów i stopniowo je rozbudowywać. Prawie nigdy pierwszy wynik nie jest zadowalający, dlatego nie obawiaj się dopytywać i poprawiać!

Pytania otwarte

Najprostszy rodzaj promptu. Nie dajemy modelowi żadnych przykładów, nie naprowadzamy go, nie podajemy kontekstu. Świetny, jeśli chcemy się czegoś szybko dowiedzieć. (Tu przypominam tylko, że modele mogą halucynować i podawać nieprawdziwe lub niesprawdzone informacje, więc nie wyłączamy rozsądku!)

Przykład: Skąd wzięło się wyrażenie „white elephant”, opisujące losowanie, komu kupujemy prezent np. z okazji mikołajek?

Odpowiedź, której udzielił mi Claude, była dość grubymi nićmi szyta, więc poprosiłam go o znalezienie źródeł na potwierdzenie. Okazało się, że historia jest bardziej skomplikowana… Jeśli Cię ona ciekawi, zapytaj o nią wybrany model!

 Zadania i polecenia

Jak wiesz, modele mogą też wykonywać dla nas różne zadania –napisanie tekstu, dostosowanie go do danego celu, przekształcenie na inny rodzaj tekstu itd.

Tutaj najczęściej będziemy musieli podać modelowi nieco więcej informacji. Dobrym pomysłem jest poproszenie modelu o zadanie nam dodatkowych pytań, które naprowadzą nas na to, jakie dane czy przykłady musimy modelowi podać, aby wynik był jak najbliższy oczekiwanego.

Przykład: Załóżmy, że zakończyliśmy duży projekt i chcemy napisać o tym post na LinkedIn oraz newsletter do naszej listy mailingowej.

Oto mój prompt:

„Zakończyłam właśnie duży projekt tłumaczeniowy z dziedziny turystyki, który zajął mi miesiąc. Było to tłumaczenie na język angielski zestawu broszur i wirtualnych ulotek zachęcających do odwiedzenia polskich zamków. Chcę napisać post na LinkedIn oraz newsletter, w którym poinformuję odbiorców o zakończonym z powodzeniem projekcie i wspomnę, że jestem gotowa na nowe zlecenia. Jakich informacji potrzebujesz, aby napisać te dwa teksty?”

Oto, co odpowiedział mi Claude (proszę, pomińmy jego nieidealną polszczyznę):

„Gratulacje na zakończeniu projektu! To imponujący zakres pracy.

Aby napisać dla Ciebie zarówno post na LinkedIn, jak i newsletter, który będzie profesjonalny, angażujący i odpowiadający Twojej marce, przydałyby mi się następujące informacje:

O projekcie:

• Ile miało stron/słów materiał do przetłumaczenia?
• Czy współpracowałaś z konkretnym klientem lub agencją tłumaczeniową, czy możesz go wymienić (a może chcesz zachować anonimowość)?
• Czy projekt miał jakieś szczególnie interesujące aspekty? (np. wymagał badań nad polskim dziedzictwem, specjalistycznej terminologii turystycznej, pracy z dizajnerem)
• Czy jaki konkretny wynik osiągnęłaś? (np. materiały zostały opublikowane na stronie, kampania ruszyła, otrzymałaś pozytywny feedback od klienta)

O Tobie i Twojej ofercie:

• Jaka jest Twoja specjalizacja/doświadczenie? (turystyka, inne dziedziny?)
• Jakie języki transliterujesz poza angielskim i polskim?
• Jakie rodzaje zleceń Cię najbardziej interesują? (tłumaczenia turystyczne, marketingowe, techniczne, itp.)
• Czy pracujesz jako freelancerka, prowadzisz własną działalność, czy pracujesz w agencji?
• Jaki tone głosu preferujesz — profesjonalny, bardziej osobisty, inspirujący?

O docelowych odbiorcach:

• Kto przede wszystkim powinien Ciebie kontaktować? (agencje tłumaczeniowe, bezpośrednio firmy turystyczne, wydawcy?)

Gdy już uzyskam te szczegóły, przygotuję dla Ciebie dwa teksty — jeden bardziej zwięzły do LinkedIn i jeden bardziej rozwinięty do newslettera.”

Może się zdarzyć, że odpowiadając na pytania doprecyzowujące zadane przez model, sama wpadniesz na świetny pomysł na swój tekst.

Kiedy otrzymasz już od modelu przygotowane w wyniku promptowania teksty, możesz je doszlifować samodzielnie lub poprosić o to model. Jednak uwaga: większość modeli ma problem ze słowem „nie”, więc zamiast promptować: „nie pisz o X”, lepiej poprosić: „skup się na Y”.

Analizy

Kontynuując przykład z poprzedniego punktu: jeśli chcesz, aby teksty były spójne z innymi, które wysyłałaś wcześniej, możesz podać modelowi kilka przykładów. Najlepiej skopiować posty i po prostu wkleić razem z promptem. Możesz też zapowiedzieć modelowi, że w następnym kroku podasz mu przykładowe posty i chcesz, aby jego wytwory były w podobnym tonie. Taką metodę nazywa się one-shot learning (jeśli podasz jeden przykład) lub few-shot learning (jeśli podasz kilka przykładów). Model przeanalizuje Twoje przykłady i wyciągnie z nich esencję Twojego stylu, a potem dostosuje do niego wynik swojego działania.

Jako ciekawostkę polecam też poproszenie modelu o przedstawienie w takiej sytuacji toku rozumowania. Można się sporo dowiedzieć 😊

Innym rodzajem analizy jest podsumowywanie – wklejamy modelowi długi tekst, a on go streszcza. Aby doprecyzować prompt, możesz poprosić model o skupienie się na konkretnym aspekcie lub zadać mu pytania doprecyzowujące.

Przykład: „Za chwilę wkleję Ci transkrypcję nagrania. Chcę, abyś streścił mi je w nie więcej niż 5 zdaniach. Powiedz mi też, czy dowiem się z niego, jak zostać modelką?”

Dodatkowy przykład: „Na podstawie transkrypcji nagrania stwórz tabelę z terminologią. W pierwszej kolumnie umieść termin angielski, w drugiej kolumnie tłumaczenie tego terminu na polski. W trzeciej kolumnie do każdego tłumaczenia podaj jego źródło wraz z linkiem. Chcę, aby tabela miała 10 terminów.”

Scenariusze i role

Możesz poprosić LLM, aby przyjął jakąś rolę – na przykład możesz wkleić wiadomość o podniesieniu stawki za stronę tłumaczenia, którą piszesz do swojego klienta i poprosić model, aby wcielił się w klienta i zadał Ci dodatkowe pytania tam, gdzie coś jest niejasne. Jest to sposób na dostosowanie stylistyki tekstu do odbiorcy albo sprawdzenie, na ile jest on dla odbiorcy zrozumiały.

Możesz tu zastosować tzw. iteracyjne ulepszanie wyniku, czyli po każdym wyniku zmieniać rolę modelu lub doprecyzowywać prompt i w ten sposób doszlifowywać tekst.

Przykład: Poprosiłam model, aby wcielił się w rolę Polaka mieszkającego w USA i opowiedział Amerykaninowi, co to jest kindziuk. Zamiast opisać po prostu rodzaj wędliny, model wymyślił przedziwną potrawę: musztardę i ogórka zawinięte w cienkie plastry wędliny i następnie smażone na złoto. Powiedziałam modelowi, że się myli, a kindziuk to rodzaj wędliny i poprosiłam o ponowne opisanie, co to jest. Tym razem opis był prawidłowy 😊

Model może też wcielić się w rolę korektora i dać Ci feedback na temat Twojego tłumaczenia. Potraktuj go oczywiście z przymrużeniem oka, ponieważ może się mylić!

Słowniczek:

LLM – Large Language Model, duży model językowy; sztuczna inteligencja nauczona rozumienia i generowania tekstu na podstawie ogromnych ilości danych

prompt – zapytanie lub instrukcja wysłana do modelu

halucynacje – nieprawdziwe informacje podawane przez model

iteracja – jedno zastosowanie modelu, kolejna wersja tego samego promptu

one-shot learning – technika promptowania, w której dostarczamy modelowi jeden przykład

few-shot learning – technika promptowania, w której dostarczamy modelowi kilka przykładów

Opracowanie: Anna Lewoc, październik 2025 r.

O tym, jak ważne są glosariusze w pracy tłumacza, nie muszę się chyba rozpisywać. Znajomość słownictwa z dziedziny, w której się specjalizujesz, to jedno, ale pomoc w postaci wiarygodnego, odpowiednio skomponowanego glosariusza jest nieoceniona.

W tym artykule pokażę, w jaki sposób modele LLM (takie jak ChatGPT, Perplexity czy Claude) mogą pomóc nam w tworzeniu takich glosariuszy.

Na wszelki wypadek na początek przypomnę o ograniczeniach w pracy z modelami LLM:

1. Modele mogą się mylić i podpowiadać nam błędne znaczenia terminów, a nawet je sobie wymyślać. Zawsze sprawdzaj wyniki ich działania. Nawet najlepszy model nie zastąpi wyczucia językowego i specjalistycznej wiedzy doświadczonego tłumacza.
2. Nie ładuj poufnych dokumentów do modeli. Jeśli musisz wykorzystać faktyczny dokument ze zlecenia, najpierw go zanonimizuj i usuń wszelkie informacje, których ujawnienie oznacza kłopoty. Moja porada: znajdź teksty o podobnej tematyce, co Twój dokument i to z nich wyłuskuj terminologię; możesz też samodzielnie przygotować listę terminów, a model poprosić o uzupełnienie takiego glosariusza.

Jakie czynności może wykonać model LLM, aby ułatwić nam przygotowanie glosariusza?

Ekstrakcja terminów

Poproś model o „wyłowienie” terminologii z dłuższego tekstu (możesz albo wkleić tekst bezpośrednio, albo zapisać go w pliku i załadować ten plik do modelu). Model może umieścić dane w tabelce, pogrupować je według kategorii, a jeśli masz tekst dwujęzyczny, także dopasować terminy w jednym języku do ich ekwiwalentów w drugim.

Porada: Dobrym pomysłem jest ograniczenie modelu do działania na jakimś wybranym przez nas dokumencie, aby ograniczyć halucynacje.

Przykładowy prompt: „Przeanalizuj załączony dokument. Wyodrębnij z niego terminologię specjalistyczną w języku polskim i w języku angielskim. Ułóż terminy w tabelce, w której pierwsza kolumna będzie zawierać terminy w języku polskim, a druga ich ekwiwalenty w języku angielskim.”

Uzupełnianie glosariuszy

Jeśli masz już jakiś częściowo gotowy glosariusz, model może Ci pomóc go uzupełnić terminami w innym języku. Może też dodać synonimy, definicje, przykłady użycia itd. Może też zasugerować terminy pokrewne, o które warto uzupełnić glosariusz.

Porada: Możesz poprosić model o podanie rzetelnych źródeł do każdego tłumaczenia, definicji lub przykładu użycia, najlepiej w formie adresu strony, z której wziął informację.

Przykładowy prompt: „Oto glosariusz terminów z dziedziny X w języku polskim. Uzupełnij tłumaczenia terminów na język francuski. Przy każdym tłumaczeniu podaj rzetelne źródło tej informacji, najlepiej w formie adresu URL. Przekształć glosariusz na tabelę, w której w pierwszej kolumnie będzie termin polski, w drugiej termin francuski, a w trzeciej źródło informacji.”

Ujednolicanie terminologii

Jeśli masz zestaw dokumentów np. od tego samego klienta, model LLM może wyszukać niespójności terminologiczne i zasugerować ich ujednolicenie.

Porada: Tu również poproś model o umieszczenie wyników swojego działania w tabelce i podanie źródeł, na których się opierał.

Przykładowy prompt: „Oto zestaw dokumentów polskich oraz przetłumaczonych na język niemiecki. Przeanalizuj je pod kątem spójności terminologicznej. Jeśli znajdziesz niespójne tłumaczenia terminów, przedstaw takie przypadki w tabeli. W pierwszej kolumnie umieść terminy polskie. W drugiej kolumnie umieść terminy niemieckie. W trzeciej kolumnie zaproponuj, jak ujednolicić terminologię niemiecką. Do każdej propozycji ujednoliconego terminu podaj rzetelne źródło informacji, najlepiej w formie adresu URL.”

Formatowanie i organizacja

Być może Twoje glosariusze nie są tak uporządkowane, jak byś chciała: jedne w Wordzie, drugie w Excelu, część w tabelkach, część nie… Na pewno moje glosariusze z czasów studiów tak wyglądały, a przecież było tam dużo wiedzy, która się marnowała. Model LLM może pomóc Ci uporządkować ten chaos, nadając Twoim danym strukturę, umieszczając je w tabeli lub tabelach i sortując w zadany sposób (np. alfabetyczne, tematycznie, a nawet według częstotliwości użycia).

Porada: Na etapie porządkowania poproś model, aby ograniczył się do przetwarzania tylko danych, które mu podasz w plikach. Dzięki temu ograniczysz halucynacje. Jeśli zechcesz uzupełnić glosariusze z pomocą modelu, możesz to zrobić na późniejszym etapie.

Przykładowy prompt: „Oto zestaw plików zawierających nieuporządkowaną terminologię specjalistyczną. Przeanalizuj pliki. Przekształć dane z plików na spójny glosariusz w formie tabeli, w której w pierwszej kolumnie będzie termin angielski, w drugiej kolumnie termin polski, a w trzeciej kolumnie ewentualne komentarze. Zastosuj tylko dane z przesłanych plików. Tabelę posortuj alfabetycznie według kolumny angielskiej. Terminy bez tłumaczeń zakreśl na czerwono.”

Opracowanie: Anna Lewoc, październik 2025 r.

Uwaga: przed zaimportowaniem glosariusza do dowolnego narzędzia CAT należy przekształcić go do formatu Excela. Glosariusze w Wordzie niestety nie zadziałają ☹

Do przekształcania glosariusza na format MultiTerm służy programik „Glossary Converter”, który można bezpłatnie pobrać ze strony: https://www.cerebus.de/glossaryconverter/index.html lub z RWS AppStore.

Nasz glosariusz w Excelu musi mieć przynajmniej dwie kolumny opisane angielskimi kodami języków (np. en, de, English, German itd.). W Glossary Converter być może trzeba będzie wybrać format pliku, który chcemy uzyskać – można to zrobić w części Settings – Formats. Chcemy otrzymać plik o rozszerzeniu SDLTB. Następnie w głównym oknie programu wybieramy plik do konwersji – zostanie on przekształcony na wybrany format i zapisany w tym samym miejscu, co plik źródłowy.

Szczegóły pracy z Glossary Converter: https://www.cerebus.de/glossaryconverter/help/Quickstart.html

Przechodzimy do Tradosa. Przekształcony plik w formacie SDLTB możemy podpiąć do projektu, wybierając go na karcie wyboru glosariuszy – trzeba kliknąć „Use”, „File-based termbase”, wybrać nasz glosariusz i po załadowaniu upewnić się, że w dolnej części okna języki są prawidłowo zmapowane.

Szczegóły: https://www.youtube.com/watch?v=OmgiSgSAwNw

Opracowanie: Anna Lewoc, październik 2025 r.

Uwaga: przed zaimportowaniem glosariusza do dowolnego narzędzia CAT należy przekształcić go do formatu Excela. Glosariusze w Wordzie niestety nie zadziałają ☹

Jeśli chodzi o memoQ, do importu glosariusza nie potrzeba zewnętrznych programów. Glosariusz importujemy w zakładce Project Home -> Term Bases. Jeśli nie masz już utworzonego glosariusza, utwórz go. Będzie to „pojemnik”, do którego włożymy nasze terminy.

Kliknij prawym przyciskiem myszy na utworzony glosariusz i wybierz „Import terminology”. Wybierz plik Excela z glosariuszem. Otworzy się okno, w którym memoQ poprosi Cię o wskazanie, w których kolumnach znajdują się terminy.

Jeśli w pierwszym wierszu glosariusza znajdują się opisy kolumn, np. English, PL lub inne, wybierz opcję „First row contains field names”. Następnie w części Fields musisz dopasować pola z Excela do ich typu – wszystkie kolumny zawierające terminy muszą być oznaczone jako „Import as term” i mieć wybrany prawidłowy język. Możesz też zaimportować kolumny z definicjami albo pominąć je przy imporcie.

Po kliknięciu OK glosariusz zostanie zaimportowany. Możesz sprawdzić, czy tak się stało, klikając prawym przyciskiem myszy na glosariusz w memoQ i wybierając „Edit”.

Szczegóły: https://docs.memoq.com/current/en/Workspace/term-base-excel-import-settings.html

Opracowanie: Anna Lewoc, październik 2025 r.

Uwaga: przed zaimportowaniem glosariusza do dowolnego narzędzia CAT należy przekształcić go do formatu Excela. Glosariusze w Wordzie niestety nie zadziałają ☹

Glosariusz musi zawierać przynajmniej dwie kolumny z terminami i każda z nich musi w pierwszym wierszu mieć kod języka (np. pl-PL, en-US, en-GB itd.). Dla ułatwienia można posłużyć się szablonem udostępnianym na stronie narzędzia: https://guides.matecat.com/hubfs/Matecat%20Glossary%20template.xlsx

Tak przygotowany glosariusz importujemy, wchodząc w ustawienia projektu (ikona kółka zębatego). Możemy zrobić to podczas tworzenia projektu lub na gotowym projekcie. Przechodzimy do karty „Translation memory and glossary”. Klikamy na ikonę trzech kropek obok zasobu, do którego chcemy zaimportować nasz glosariusz. Wybieramy „Import Glossary”, za pomocą przycisku wybieramy przygotowany przez nas plik i zatwierdzamy wybór. Import powinien zakończyć się komunikatem „Import complete”.

Szczegóły dotyczące formatowania pliku Excela: https://guides.matecat.com/glossary-file-format

Szczegóły dotyczące importu glosariusza: https://guides.matecat.com/how-to-add-a-glossary