Skip to main content

Dryf i degradacja promptu systemowego

DLA AGENTÓW AIChatGPTClaude

Zjawisko stopniowej utraty pierwotnych instrukcji, stylu odpowiedzi oraz ograniczeń bezpieczeństwa przez model językowy w miarę rozrostu historii dialogu, a także metody okresowego reiniekcji reguł.

1. Przegląd koncepcji i problem systemowy

Na początku nowej rozmowy z agentem wszystko działa idealnie: model ściśle przestrzega reguł zawartych w pliku .cursorrules, nie dodaje zbędnych komentarzy i pisze rygorystyczny kod.

Jednak po dwóch godzinach aktywnego kodowania i wymianie 25 wiadomości developer zauważa dziwne zachowanie:

  • Agent nagle zaczyna pisać kod w innym stylu.
  • Pojawiają się zakazane konstrukcje (as any, style inline).
  • Model staje się nadmiernie gadatliwy i przeprasza za każdą drobnostkę.

Ten efekt nazywany jest System Prompt Drift (Dryf promptu systemowego): oddalanie się od pierwotnych instrukcji w przestrzeni uwagi transformera, co prowadzi do stopniowej utraty kontroli nad systemem.

2. Taksonomia architektoniczna i model mentalny

┌─────────────────────────────────────────────────────────────┐
│                 SYSTEM PROMPT ATTENTION DRIFT               │
├─────────────────────────────────────────────────────────────┤
│ START SESJI (Wiadomość 1):                                  │
│ [SYSTEM PROMPT] ➔ 90% UWAGI MODELU ➔ Nienaganne przestrzeganie │
│ [User Turn 1]                                               │
├─────────────────────────────────────────────────────────────┤
│                          │                                  │
│                          ▼ 25 iteracji kodowania i poprawek │
├─────────────────────────────────────────────────────────────┤
│ ROZPAD UWAGI (Wiadomość 25):                                │
│ [SYSTEM PROMPT] (Ukryty 120 000 tokenów temu) ➔ 10% uwagi   │
│ ... 23 wiadomości dialogowe z kodem i logami ...            │
│ [User Turn 25] ➔ 90% UWAGI MODELU                           │
│ ➔ WYNIK: Model zapomina zakazów i pisze spaghetti code      │
├─────────────────────────────────────────────────────────────┤
│ ROZWIĄZANIE: DYNAMIC RE-INJECTION (Przypomnienia przed każdą turą) │
└─────────────────────────────────────────────────────────────┘

3. Praktyczne scenariusze inżynierskie na produkcji

01. Automatyczny hook przypominający (Pre-Turn Hook)

W kodzie integracji z API, przed wysłaniem każdego zapytania, dodawany jest ukryty sufiks systemowy:

const payload = [
  ...messages,
  {
    role: "user",
    content: `${userPrompt}\n\n<!-- SYSTEM INVARIANT: Remember strict types, no any, use Tailwind tokens -->`
  }
];

Przywraca to wagę uwagi modelu dla kluczowych reguł bezpośrednio przed momentem wyboru pierwszego tokenu.

02. Wykorzystanie Ephemeral Roles w LangGraph

Graf stanu okresowo resetuje bieżącą konwersację roboczą, generuje nowy, świeży prompt systemowy z aktualnym stanem zmiennych i kontynuuje pracę przy całkowicie czystej uwadze.

4. Pułapki, typowe błędy i bezpieczeństwo

  • Over-Injecting (Zaszczepienie powtórzeń): Jeśli na każdym kroku dublować cały prompt systemowy o długości 2000 tokenów, doprowadzi to do zbędnych kosztów finansowych i może wprowadzić model w błąd. Powtarzać należy jedynie 3–5 najbardziej krytycznych reguł w zwięzłej formie.
  • Persona Decay (Dryf persony): W systemach obsługi klienta bot pod wpływem sfrustrowanego użytkownika może sam zacząć być niegrzeczny lub zgodzić się na niekorzystne ustępstwa. Reinjekcja reguł bezpieczeństwa jest kluczowa dla zapobiegania stratom reputacyjnym.

5. Strategiczny wniosek dla inżyniera roku 2026

Prompt systemowy nie działa wiecznie w ramach jednej konwersacji. Traktowanie uwagi transformera jako dynamicznego zasobu, który rozprasza się w czasie, pozwala inżynierowi na czas aktualizować ramy nawigacyjne i utrzymywać agenta w stanie 100% dyscypliny.

/ Najczęściej zadawane pytaniaSchema.org FAQPage

FAQ: Dryf i degradacja promptu systemowego

Przez rozkład uwagi (Softmax Attention Weighting): im dłuższa staje się rozmowa, tym większy udział wagi uwagi przesuwa się na najnowsze repliki użytkownika, a początkowy prompt systemowy oddala się i staje się mniej wpływowy na generowanie tokenów.
/ Linki wewnętrzne

Powiązane pojęcia

Wszystkie hasła
Prompty i RAG

Prompt systemowy (Instrukcje systemowe i metaprompting)

Priorytetowy blok instrukcji kontekstowych, przekazywany na zerowej pozycji okna kontekstowego, który określa rolę agenta, zasady bezpieczeństwa, dostępne narzędzia oraz granice jego zachowania.

Czytaj hasło
Prompty i RAG

Degradacja kontekstu (Context Rot & Attention Decay)

Systemowe obniżanie dokładności, przestrzegania instrukcji oraz logicznej spójności LLM w miarę gromadzenia się w oknie roboczym szumu dialogowego, przestarzałych szkiców kodu i wyników kompilacji.

Czytaj hasło
Vibecoding i IDE

Kontekstowa kuracja i higiena reguł

Praktyka inżynieryjna polegająca na projektowaniu, regularnym audycie i czyszczeniu plików konfiguracyjnych zachowań agenta (.cursorrules, .clinerules, AGENTS.md) w celu zapobiegania degradacji uwagi modelu.

Czytaj hasło
Prompty i RAG

Okno kontekstowe (Context Window)

Maksymalna liczba tokenów, którą model językowy jest w stanie jednoczesnie utrzymywać w mechanizmie Self-Attention oraz pamięci KV-cache podczas przetwarzania pojedynczego zapytania inferencyjnego.

Czytaj hasło