O czym jest ten film
- Jak najbardziej produktywni ludzie pracują dziś z agentami AI wplecionymi w realne procesy pracy wiedzy, a nie tylko w oknie czatu.
- Fundament systemu: wspólna przestrzeń robocza dla ludzi i AI, zbudowana na narzędziu do zarządzania projektami (autor używa Linear).
- Struktura statusów zadań (inbox, next, doing, waiting, done) i tagowanie zadań jako „gotowe dla agenta”.
- Jak przeciągnięcie zadania do kolejki uruchamia agenta przez webhook, a agent sięga po kontekst, bazę wiedzy i poświadczenia.
- Rola człowieka jako menedżera projektu: zlecanie, a potem weryfikacja i selekcja najlepszych wyników z dużej przestrzeni pomysłów.
- Koncepcja „capture” (z „Getting Things Done” Davida Allena) — bezfrykcyjne wrzucanie zadań przez skróty klawiszowe i przyciski na telefonie.
- Powiadomienia push, gdy agent czeka na decyzję człowieka, oraz pełna, trwała widoczność historii zadań.
- Evale — standaryzowana lista kontrolna, przez którą przechodzą wszystkie wyniki, zanim trafią do autora.
- Przykłady evali: ocena renderów wizualnych oraz pięciopunktowy test „czy zrobiono to tak, jak myśli Nick”.
- Zmiana natury pracy: mniej wykonywania, więcej scopowania i kontroli jakości — praca „o poziom abstrakcji wyżej”.
Redakcyjne tłumaczenie
Nowy kształt pracy
Sposób, w jaki pracują dziś najbardziej produktywni ludzie na świecie, bardzo różni się od tego sprzed zaledwie pół roku. Powód jest jeden: agenci AI. Ale mimo że wszyscy mówią o agentach i o wplataniu ich w procesy pracy, mam wrażenie, że nikt tak naprawdę nie pokazał, jak to wygląda w praktyce — w realnej pracy umysłowej. Anthropic zrobił dobry krok, integrując Claude’a ze Slackiem, ale dziś chcę pokazać, jak ja obecnie załatwiam sprawy.
Mój biznes zrobi w tym miesiącu ponad 400 tysięcy dolarów. Działamy na wielu polach: media, wdrożenia AI, konsulting — mamy różne wertykały i różne stosy technologiczne. Chcę pokazać, jak można wykorzystać agentów AI, by w prosty i przejrzysty sposób realnie poprawić zarówno ilość, jak i jakość pracy w organizacji.
Fundament: wspólna przestrzeń dla ludzi i AI
Pierwsza rzecz, której potrzebujesz, to wspólna przestrzeń robocza dla AI i człowieka — miejsce, w którym AI pracuje nad zadaniami obok ludzi. Możesz użyć dowolnej platformy czy narzędzia. Ważniejszy od konkretnego wyboru jest sam kształt tego rozwiązania.
Ja używam Linear — jednego z wielu narzędzi do zarządzania projektami, które się do tego nadają. Linear dzieli pracę na statusy oznaczające, gdzie w potoku znajduje się zadanie. U nas są to: inbox, next, doing i waiting. Jest też status done, do którego trafiają zadania po zakończeniu — żebyśmy w razie potrzeby mogli sprawdzić, jak coś zostało wykonane, dobrać kontekst albo przenieść zadanie z powrotem do next lub doing.
(Informacja dodatkowa: Linear to popularne wśród firm technologicznych narzędzie do zarządzania zadaniami i projektami, cenione za szybkość i wbudowaną automatyzację).
Nie będę się rozwodził nad samą konfiguracją, bo to dość standardowe. Kluczowe jest to, że nad tą listą zadań nie pracują już wyłącznie ludzie — możemy teraz wpleść w nią agentów AI. Zamiast bez przerwy „promptować” agenta, po prostu tworzę zadanie, oznaczam je jako „gotowe dla AI” i wysyłam je do wykonania.
Jak wygląda zlecenie zadania
Jednym z moich dzisiejszych zadań jest wymyślić pięć kolejnych filmów. Wciskam więc C, co otwiera nowe zgłoszenie, i wpisuję: „Wymyśl pięć nowych filmów na YouTube”. W opisie — pamiętając, że oddaję to nie człowiekowi, lecz agentowi — improwizuję to, czego chcę: „Wykorzystaj kontekst z moich wcześniej opublikowanych filmów, żeby wymyślić pięć nowych pomysłów na filmy, w tym po trzy warianty tytułu, kilka ujęć tematu, może nawet krótkie konspekty oparte na aktualnie popularnych treściach w sieci”. Klikam „utwórz zgłoszenie”.
Teraz wystarczy je otagować. To powolny, naiwny sposób — pokażę też znacznie szybszy. Gdy zadanie jest oznaczone jako „gotowe dla agenta”, możemy zacząć nad nim pracować. Przeciągam je po prostu do kolumny „next”.
To wysyła żądanie na serwer, na którym żyje mój agent AI. Agent podchwytuje zadanie, konsultuje moją bazę wiedzy, żeby zrozumieć kontekstowo, jak wcześniej realizowano podobne zadania i jakie są moje preferencje. Jeśli klikniemy w kartę i przewiniemy, widać, że uruchomienie agenta „Nick OS” już wystartowało: podchwytuje kartę, ocenia ją, publikuje plan i zaczyna zapisywać efekty. Robi to na moim profilu, bo jestem oszczędny i nie chcę przepalać dodatkowych kosztów w Linear, ale równie dobrze mógłby to być mój agent Fable. Po chwili status zmienia się na „doing”.
(Informacja dodatkowa: Fable 5 to model AI, o którym autor mówi jako o silniku swoich agentów).
To dzieje się niemal całkowicie autonomicznie. Ja jestem po prostu menedżerem projektu: dodaję rzeczy do kolejki, agenci realizują je zgodnie z moimi specyfikacjami, a jeśli w grę wchodzi etap zatwierdzenia — a takie zadanie prawdopodobnie by go miało — agent poczeka na moją akceptację, zanim opublikuje coś czy wejdzie w interakcję z szerszym internetem.
Co dzieje się „pod maską”
Zaczynamy od nowego zadania. Łapie je webhook — czyli miejsce w internecie, do którego trafia żądanie. Fajną cechą Linear jest właśnie to, że ma to wbudowane: gdy zadanie zostaje otagowane, może samo wysłać żądanie.
Dalej sprawa idzie do Fable 5, który ma dostęp do trzech rzeczy. Po pierwsze — kontekst przestrzeni roboczej: wszystko, czego aktualnie używamy w workspace, pliki, inne zadania, nasz potok treści. Po drugie — baza wiedzy: dodatkowe informacje tekstowe, po które w razie potrzeby może sięgnąć. Po trzecie — poświadczenia: hasła do usług i platform, do których być może musi się zalogować (choćby przez Chrome DevTools), klucze API i tak dalej. Wszystko jest przechowywane względnie bezpiecznie, a Fable używa tego w połączeniu z własną inteligencją, żeby wykonać pracę.
Widać to w zadaniu: po aktualizacji agent potwierdza, jak rozumie polecenie. „Zrób mi filmy”. Dałem mu kontekst na temat moich najlepiej sprzedających się kursów, moją bazę wiedzy, dokumenty strategiczne — czyli to, jak zwykle tworzę pomysły i ujęcia tematu. Widać też, że sam zmienił etykietę i status na „waiting”.
Weryfikacja: człowiek jako ostatnia linia
Rzecz w tym, że wyniki agentów AI nie są rewelacyjne. Nie można ślepo ufać, że agent zrobi wszystko sam. Trzeba weryfikować jego wyniki — mieć jakąś ostateczną linię, na której sprawdzasz efekty i wybierasz te, które najbardziej ci odpowiadają. Wymuszasz ideację w dużej przestrzeni rozwiązań, a potem stosujesz swój ludzki gust, żeby wyłonić najlepsze.
Zrobiłem tak w opublikowanym wcześniej filmie o reklamach. Nie wszystkie pomysły mi się podobają, nie są genialne — ale ten na dole, „Pozwoliłem agentom AI prowadzić kanał na YouTube przez 90 dni”, jest całkiem niezły. Agent zaproponował różne formaty tytułu, ślad źródłowy, rozsądne uzasadnienie, dlaczego to zadziała. Być może rzeczywiście zrobię z tego film.
W typowym dniu mój potok wygląda mniej więcej tak: kilka zadań w „next”, kilka w „waiting”. Powiedzmy, że dorzucam kolejne: „Zapisz się do sieci partnerskiej Anthropic, dowiedz się, czego potrzebuję, i wstępnie napisz wniosek”. Po prostu przewijam listę, zaznaczam jako „gotowe dla agenta” te zadania, które mają sens, i dodaję zadania, które muszę wykonać ja albo ktoś z zespołu. Na tym polega idea wspólnej przestrzeni roboczej.
Główna korzyść: nie muszę już siedzieć przed terminalem, czekać na wynik i dopiero wtedy działać dalej. Mogę pracować z prędkością myśli. Mogę wystrzelić 20 takich pomysłów jednocześnie — 20 różnych agentów pracujących nad zadaniami w oparciu o moją bazę wiedzy — a potem raz czy dwa razy dziennie sprawdzać efekty i oceniać je partiami. To rozwiązuje problem przełączania kontekstu.
Gdy skończysz, możesz przekazać agentowi kolejne informacje: „Ten mi się podoba, wygeneruj 10 miniatur do tego filmu i dodaj go wraz z alternatywami do potoku treści”. Nie musisz mieć przez cały dzień otwartego okna czatu i pracujesz z jednego źródła prawdy. Chciałem kupić ergonomiczne krzesło — normalnie musiałbym przekopać się przez mnóstwo researchu, krzyżować opinie z Reddita. A tak zajęło mi to jakieś 30 sekund. Można to zrobić z dowolnym zadaniem: rozesłać maile i uporządkować CRM, anulować internet dla rodziny, sprawdzić, jak uzyskać status rezydenta USA i wypełnić formularze. Cała idea polega na tym, by wyjąć agenta z okna czatu i wpleść go w rdzeń biznesu.
Capture: bezfrykcyjne wrzucanie zadań
Choć brzmi to nieźle, samo w sobie nie jest to jeszcze bardzo wartościowe. Stworzyliśmy dopiero sposób na wrzucanie pomysłów, ale nie sposób, by iść dalej. Wartość pojawia się, gdy połączysz to z „capture”.
Po raz pierwszy zetknąłem się z pojęciem „capture”, czytając „Getting Things Done” Davida Allena. Capture to po prostu prosty, łatwy i bezfrykcyjny sposób wprowadzania pomysłów na listę zadań.
(Informacja dodatkowa: „Getting Things Done” to klasyczna metoda produktywności Davida Allena; „capture” oznacza natychmiastowe zapisywanie każdej myśli, by nie obciążać nią pamięci).
Naszą listą zadań jest właśnie wspólna przestrzeń robocza z Linear. Zaletą łatwego capture jest to, że — jak dobry menedżer projektu — wszystko, co przyjdzie ci do głowy w ciągu dnia, każde zadanie czy pomysł, możesz błyskawicznie wrzucić do systemu, niezależnie od tego, czy jesteś w biegu, przechodzisz od spotkania do spotkania, czy siedzisz przy komputerze.
Najprostszy sposób to Linear i skróty klawiszowe. Można też podpiąć skrót klawiszowy w komputerze: jestem gdzieś poza domem, oglądam filmy do codziennego przeglądu i orientuję się, że prompt do generowania miniatur jest trochę nie taki. Bez przerywania działania otwieram to i mówię: „Napraw miniatury dla kanału z codziennymi aktualizacjami”. Zadanie ląduje w Linear. Jeśli chcę je oznaczyć jako gotowe dla agenta z briefem, trzymam Command i wciskam G. Mogę dodać szczegóły: „Tekst na miniaturze wydaje się teraz trochę za mały”.
W każdej chwili mam wplecione AI w codzienny rytm — istnieje obok mnie, ze mną. Mógłbym wystrzelić 50 takich zadań naraz. Wąskim gardłem nie jest już to, ile pracy wykonam w ciągu dnia, tylko to, jak szybko i trafnie potrafię określić zakres pracy, którą chcę zlecić.
To samo można zbudować na telefonie: skrót podpięty pod przycisk akcji, który po przytrzymaniu tworzy zadanie w Linear i sygnalizuje to dźwiękiem. Ekstremalnie niski frykcja. Te drobne triki nie są konieczne, ale im niższy frykcja, tym bardziej polegasz na swojej wspólnej przestrzeni AI i człowieka. Można to spiąć tak, że dwukrotne kliknięcie przycisku od razu startuje zadanie jako agentowe, a pojedyncze rezerwujesz dla zadań ludzkich. Można też ustawić powiadomienia, żeby gdy agent czegoś od ciebie potrzebuje, na ekranie pojawiał się alert. Robiłem tak jakiś czas temu i było to bardzo wartościowe: powiadomienia push, gdy agenci na ciebie czekają, a potem klikasz i dyktujesz głosem. Jeśli naszym wąskim gardłem jest zdolność do oceny i weryfikacji wyników agentów, musimy tę zdolność uczynić tak łatwą, jak to tylko możliwe.
Dostajesz też pełną widoczność zadań — istnieje trwały ślad, który nie znika po każdym promptcie. Widać na przykład, że przeniosłem zadanie z „waiting” z powrotem do „next” i usunąłem etykietę „waiting on Nick”, bo chciałem dodać więcej kontekstu. To zostanie podchwycone jak każde inne zadanie: cały kontekst trafi do asynchronicznego runnera i praca będzie toczyć się dalej bez mojego bezpośredniego nadzoru.
Evale: guardrails jakości
Trzecia rzecz, której potrzebujesz w takim systemie, to evale (ewaluacje). To zestaw ocen, przez które przepuszczasz wynik lub model, żeby ustalić, czy daje ci to, czego chcesz — czyli oceniasz jego wydajność.
Na potrzeby zarządzania projektami i nowoczesnej produktywności opartej na AI definiuję evale jako standaryzowaną listę kontrolną kroków, przez którą przepuszczam wszystkie wyniki, zanim do mnie trafią. Dzięki temu wiem, że w każdym projekcie mam swój ton głosu, że z tekstu usunięto typowe „LLM-izmy”, jak myślniki, i że wszędzie zastosowano mój sposób rozumowania. Wgrałem sporą bazę wiedzy o tym, jak podejmuję decyzje, i pytam: „Czy w tych okolicznościach podjąłbym rozsądnie właśnie taką decyzję?”.
Cała idea polega na tym, że zamiast oddawać pracę AI całkowicie i mieć nadzieję, że dobrze ją wykona, dajesz jej zestaw barier ochronnych. Jeśli agent oceni, że wypadł poza te bariery, będzie iterować i ponawiać projekt, aż zmieści się w ograniczeniach. Gdy już jest w ramach, moja praca — poprawki, wybór lepszych tytułów, drobne zmiany — jest znacznie mniejsza.
Przykład po lewej to eval „zasób wizualny”: czy ten render nadaje się do użycia? Dotyczy dem, miniatur, diagramów i generowanej grafiki, zanim trafią do mojego folderu. Żeby render w ogóle dotarł do etapu „waiting on Nick” i do kontroli, musi spełnić warunki: tekst renderuje się czysto (agent wizualnie ocenia każdy wynik i sprawdza, że nie ma zniekształconych czy „rozlanych” znaków); render jest w stylu, który lubię — teraz to estetyka „ink editorial”, czarny tusz na czystej bieli; jest czytelny w rozmiarze miniatury; jest wierny briefowi i ma właściwy kształt (miniatury generuję w 1280 na 720, a diagramy w 1920 na 1080).
Drugi eval to „czy zrobiono to tak, jak myśli Nick?”. Jest luźno powiązany z bazą wiedzy, którą wgrałem. Jest pięć pytań, każde oceniane od zera do dwóch. Jeśli suma jest mniejsza niż siedem — czyli jeśli któreś dostanie zero — cały projekt jest niezaliczony i iterujemy dalej, aż będzie dobrze. Moje zasady to: pierwsze zasady (czy praca rozumowała z rzeczywistej mechaniki problemu, czy tylko dopasowała wzorzec do tego, co zwykle się robi?); dyscyplina wartości oczekiwanej (czy wnioski i wybory mają wysoką wartość oczekiwaną?); minimalizacja czasu Nicka (jeśli cokolwiek dało się zrobić bez mojego udziału, wróć i zrób to tak, żebym nie musiał dokładać pracy); zweryfikowane, nie tylko prawdopodobne; oraz kontrola dźwigni (czy pominięto dużą dźwignię, np. umiejętność dostępną w moim workspace, którą warto ponownie uruchomić?).
To zużywa tokeny — nie jest darmowe — ale zwykle jest to znacznie mniej warte niż czas, który poświęciłbym na doprowadzenie przeciętnego zadania do porządku. Klucz to baza wiedzy, którą agent konsultuje, żeby złapać właściwy kształt, a potem wtłoczenie tego kształtu w kontener barier ochronnych.
Quality assurance: rola człowieka
Na końcu jest kontrola jakości — i tu wchodzisz ty jako ostateczna brama zadania. Natura pracy sporo się zmieniła. Kiedyś sam wykonywałem większość roboty. Teraz zwykle spędzam czas na scopowaniu pracy — tak, żeby bariery ochronne były ustawione sprawnie i skutecznie, a definicja tego, czego chcę, była jasna — a potem większość czasu poświęcam ocenie wyników i kontroli jakości.
To zmiana sposobu myślenia względem czasów, gdy pisałem freelansowo w swojej agencji content marketingowej, a później zarządzałem grupą copywriterów. To bardzo podobne — po prostu wchodzę o poziom wyżej w łańcuchu abstrakcji. Nie jestem już bezpośrednio zaangażowany w produkcję. To nie moje ręce wykonują ciężką pracę, lecz mój umysł oceniający jakość i dbający o to, by mój gust został zastosowany wszędzie tam, gdzie chcę.
Jak to odtworzyć u siebie
To, co pokazałem, możesz zastosować w dowolny sposób. Możesz na przykład rozwinąć opis pod filmem, pokazać transkrypcję, skopiować całość, wkleić do Fable, a model odtworzy coś takiego dość prosto — prawdopodobnie zużywając nie więcej niż 25–50% limitu sesji. To samo zrobisz z GPT-5.6 czy praktycznie dowolnym modelem. To tylko moja architektura. Chciałem po prostu rozpocząć szerszą rozmowę o tym, jak realnie stosować AI w nowoczesnym miejscu pracy.
Wielu ludzi poskładało drobne, atomowe nawyki z różnych workflow widzianych w sieci, ale to dość spójny sposób wplecenia tego w organizację. Pewnie część z was pomyśli: „Hm, moglibyśmy to zrobić lepiej” — i o to właśnie chodziło. Na pewno da się to ulepszyć i jestem ciekaw, co z tym zrobicie.
Od czasu wdrożenia tego w Left Click, Clervo i Maker School moja codzienna odpowiedzialność też sporo się zmieniła. Zamiast angażować się w każdy drobiazg, musiałem wejść o poziom abstrakcji wyżej i odpowiadać za flotę zarządzanych agentów. Musiałem też zacząć myśleć o rzeczach takich jak budżety tokenów — o czym wcześniej nie myślałem, bo działałem w jednym okienku terminala: wpisujesz coś, czekasz na wynik. Stałem się też znacznie bardziej produktywny, bo nie muszę już siedzieć i czekać na wynik — mogę wystrzeliwać zadania niemal z prędkością myśli. To duży przełom.
Robisz krótką sesję ideacji, siadasz, wymyślasz pięć najważniejszych zadań do zrobienia, przydzielasz agentów do tylu z nich, ile się da. Oni wykonują sporo pracy wstępnej, a ty skupiasz się na czymś innym i trzy–cztery razy dziennie sprawdzasz wyniki. To wyciąga cię z gapienia się w terminal przez cały dzień i pozwala budować relacje z kluczowymi dostawcami czy sprzedawać — a to najważniejsza dźwignia, którą każdy founder czy top-menedżer powinien się zajmować.
(Informacja dodatkowa: Left Click i Maker School to biznesy autora; Maker School to jego 90-dniowy program dla osób budujących usługi z zakresu AI i automatyzacji).
Jeśli podoba ci się takie podejście, w opisie pod filmem, w linii „Maker Zero”, mam pliki, które możesz skopiować i wkleić agentowi. Chcę też zaznaczyć, że to nie jest recepta obowiązkowa — nie twierdzę, że musisz robić wszystko w Linear ani w konkretny sposób. Tak po prostu zarządzam tym w swojej organizacji i takie widzę rezultaty.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Zbuduj jedną wspólną przestrzeń dla ludzi i agentów
Na czym polega: Fundamentem systemu jest jedno narzędzie do zarządzania projektami (u autora Linear), w którym nad tą samą listą zadań pracują ludzie i agenci AI, poruszając się przez statusy: inbox → next → doing → waiting → done.
Jak stosować: Wybierz narzędzie, które już znasz, i ustaw jasne statusy oddające etapy potoku. Traktuj je jako jedno źródło prawdy, zamiast rozpraszać pracę po wielu oknach czatu. Ważny jest kształt (statusy, tagowanie, kolejka), a nie marka narzędzia.
Na co uważać: Bez dyscypliny statusów system szybko zamienia się w cmentarzysko zadań. Nie komplikuj też startu — autor podkreśla, że sama konfiguracja jest standardowa; wartość tworzy dopiero wplecenie agentów.
2.Zleceniem jest tag, nie prompt
Na czym polega: Zamiast bez przerwy promptować agenta, tworzysz zadanie z opisem, oznaczasz je jako „gotowe dla AI” i przenosisz do kolejki. Webhook uruchamia agenta, który sam podchwytuje zadanie.
Jak stosować: Opisuj zadanie tak, jakbyś oddawał je kompetentnemu współpracownikowi: cel, oczekiwany format wyniku, kontekst. Wykorzystaj wbudowaną automatyzację narzędzia (webhooki wyzwalane tagiem), by nie klikać ręcznie.
Na co uważać: Jakość wyniku zależy od jakości briefu. „Ad-libowany” opis działa dopiero wtedy, gdy agent ma dostęp do kontekstu i bazy wiedzy — sam tag bez tego da słabe rezultaty.
3.Daj agentowi trzy rzeczy: kontekst, bazę wiedzy i poświadczenia
Na czym polega: Silnik agenta (u autora Fable 5) korzysta z kontekstu przestrzeni roboczej (pliki, inne zadania, potok treści), z osobnej bazy wiedzy tekstowej oraz z poświadczeń (hasła, klucze API) do działania w realnych usługach.
Jak stosować: Zbuduj bazę wiedzy opisującą twoje preferencje, styl i sposób podejmowania decyzji. Poświadczenia przechowuj bezpiecznie i udostępniaj agentowi tylko to, co niezbędne do konkretnych zadań.
Na co uważać: Dawanie agentowi dostępu do haseł i API to realne ryzyko bezpieczeństwa i działań na „szerszym internecie”. Autor ustawia dlatego bramkę zatwierdzania przed publikacją czy interakcją na zewnątrz — zrób tak samo.
4.Człowiek to menedżer, nie wykonawca
Na czym polega: Rola przesuwa się o poziom abstrakcji wyżej: mniej wykonywania, więcej scopowania zadań i kontroli jakości. Agenci robią pracę wstępną, ty oceniasz i wybierasz.
Jak stosować: Traktuj swój dzień jak zarządzanie zespołem: rano zaplanuj kilka kluczowych zadań, rozdaj je agentom, a sam zajmij się dźwigniami wysokiej wartości (sprzedaż, relacje). Wyniki sprawdzaj partiami, kilka razy dziennie.
Na co uważać: To zmiana nawyku — łatwo wpaść z powrotem w mikrozarządzanie i „gapienie się w terminal”. Pojawiają się też nowe obowiązki, np. pilnowanie budżetu tokenów.
5.Wymuszaj ideację, a potem stosuj ludzki gust
Na czym polega: Agenci generują dużo wariantów w szerokiej przestrzeni rozwiązań; wartość tworzy człowiek, wybierając najlepsze i odrzucając słabe. Autor sam przyznaje, że większość pomysłów agenta nie jest genialna.
Jak stosować: Proś o wiele wariantów naraz (np. pięć pomysłów, po trzy tytuły każdy), a potem selekcjonuj. Uruchamiaj wiele agentów równolegle, żeby zwiększyć przestrzeń wyboru.
Na co uważać: Nie ufaj wynikom ślepo — zawsze potrzebna jest „linia na piasku”, na której weryfikujesz. Ilość bez selekcji to tylko szum.
6.Zmniejszaj frykcję wrzucania zadań (capture)
Na czym polega: Inspirowana metodą GTD Davida Allena zasada: im łatwiej wrzucić pomysł do systemu, tym częściej faktycznie z niego korzystasz. Autor używa skrótów klawiszowych i przycisku akcji na telefonie, by dodać zadanie w sekundę.
Jak stosować: Podepnij globalny skrót klawiszowy oraz skrót na telefonie do tworzenia zadań. Rozważ wariant: pojedyncze kliknięcie = zadanie ludzkie, podwójne = od razu agentowe.
Na co uważać: Same triki nie są konieczne i nie zastąpią dobrego systemu — mają jedynie obniżyć próg wejścia. Bezmyślne wrzucanie wszystkiego bez dobrego opisu przerzuca problem na etap weryfikacji.
7.Ustaw powiadomienia i trwały ślad zadań
Na czym polega: Powiadomienia push informują, gdy agent czeka na twoją decyzję, a cała historia zadania jest trwała — nie znika po każdym promptcie, jak w oknie czatu.
Jak stosować: Włącz powiadomienia o zadaniach „waiting on you” i reaguj np. dyktowaniem głosowym. Wykorzystuj trwały ślad, by dokładać kontekst i wznawiać zadania (przenosząc je z „waiting” do „next”).
Na co uważać: Jeśli wąskim gardłem jest twoja zdolność oceny wyników, powiadomienia mają ją odblokować, a nie zasypać cię alertami. Ustaw je tylko na momenty wymagające decyzji.
8.Evale jako guardrails — automatyczna kontrola przed tobą
Na czym polega: Standaryzowana lista kontrolna, przez którą przechodzi każdy wynik, zanim trafi do człowieka. Jeśli agent oceni, że wypadł poza bariery, iteruje i ponawia, aż zmieści się w ograniczeniach.
Jak stosować: Zdefiniuj konkretne, mierzalne kryteria (ton głosu, brak „LLM-izmów”, format, styl wizualny) i pozwól agentowi samodzielnie iterować do ich spełnienia. Utrzymuj bazę wiedzy nadającą wynikom właściwy kształt.
Na co uważać: Iteracje kosztują tokeny — ale zwykle mniej niż twój czas na ręczne poprawianie. Kryteria muszą być jednoznaczne; miękkie „ma być dobrze” nie zadziała jako guardrail.
9.Punktowany test decyzyjny „czy zrobiono to jak ja?”
Na czym polega: Autor stosuje eval z pięcioma pytaniami (pierwsze zasady, dyscyplina wartości oczekiwanej, minimalizacja jego czasu, zweryfikowane vs. tylko prawdopodobne, kontrola dźwigni), każde 0–2 pkt; wynik poniżej 7 oznacza porażkę i konieczność iteracji.
Jak stosować: Skodyfikuj własne zasady decyzyjne w podobny, punktowany rubryk i wgraj je do bazy wiedzy agenta. Dołóż osobny eval dla wyników wizualnych (czysty tekst, styl, czytelność w miniaturze, wierność briefowi, właściwy wymiar).
Na co uważać: Rubryki są tak dobre jak zasady, które w nich zapiszesz — to wymaga świadomego opisania własnego sposobu myślenia. Zbyt ostry próg może zapętlić agenta w kosztownych iteracjach.
10.To wzorzec, nie recepta — odtwórz i ulepsz u siebie
Na czym polega: Autor podkreśla, że to jego architektura, nie jedyna słuszna droga. Cały system można odtworzyć, wklejając transkrypt czy pliki do modelu (Fable, GPT-5.6 i inne), a potem dostosować.
Jak stosować: Potraktuj ten schemat jako punkt startowy: skopiuj strukturę, podłącz swoje narzędzia i bazę wiedzy, a potem iteruj. Nie musisz używać Linear ani konkretnych modeli.
Na co uważać: Materiał pochodzi od twórcy sprzedającego kurs (Maker School) — traktuj deklaracje wyników i „prędkość myśli” jako perspektywę marketingową i zweryfikuj koszty (tokeny, czas wdrożenia) na własnym, małym przypadku, zanim przeskalujesz.