O czym jest ten film
- Skill to po prostu instrukcja zamknięta w folderze — plik
skill.mdplus ewentualne podfoldery z materiałami i skryptami. - Pobierane publicznie skille nie mają twojego kontekstu, więc AZ często daje gorszy, a nie lepszy wynik.
- Metafora mapy i terenu: cudzy skill zna „mapę”, ale nie zna niuansów twojego „terenu”.
- Pierwsza pułapka: rozdęte, przeładowane skille obniżają jakość odpowiedzi.
- Druga pułapka: zbyt wiele skilli zapisanych globalnie — AI ciągle je przegląda i wybiera niewłaściwy.
- Rozwiązanie: przypisuj skille do konkretnego folderu, a nie zapisuj globalnie.
- Kluczowe pytanie: „Czy jestem ekspertem od tego zadania?”.
- Trzy ścieżki: buduj (build), pożycz (borrow), sklonuj (clone).
- Najlepszy sposób budowy: wykonaj zadanie z AI, a na końcu poproś o zamknięcie tego w skill.
- Gotowy, krótki prompt do przekształcania rozmowy w minimalistyczny, uniwersalny skill.
Redakcyjne tłumaczenie
Wstęp: dlaczego cudze skille zwykle nie działają
Jeśli spędzasz choć trochę czasu na LinkedInie, YouTubie czy X, na pewno widziałeś ludzi rozdających swoje „skills” do AI — wystarczy zostawić e-mail, a prześlą ci swoje. Nazywam się Dylan i prowadzę firmę doradczą w obszarze AI. Menedżerowie i właściciele firm, których szkolę, pobierają takie skille bez przerwy, licząc na przewagę. Problem w tym, że każdy z nich został zbudowany pod czyjąś pracę. Nawet jeśli samo zadanie jest twoje, taki skill nie zawiera żadnego twojego kontekstu — i w efekcie twoje AI działa gorzej, a nie lepiej.
Dzisiaj chcę pokazać ci jedno pytanie, które rozstrzyga, czy powinieneś sięgnąć po gotowy skill, czy zbudować własny — oraz trzy ścieżki, do których to pytanie prowadzi.
Czym w ogóle jest skill
Zanim przejdziemy do szczegółów, trzeba zrozumieć, czym jest skill. Najprościej mówiąc: to instrukcja zamknięta w folderze. Tyle. Wywołujesz go wtedy, gdy masz konkretny proces, który chcesz zautomatyzować lub wesprzeć AI, żeby wykonywało to za ciebie regularnie.
Co jest w środku takiego folderu? Zawsze znajdzie się plik skill.md — to on mówi AI dokładnie, co ma zrobić. Poza tym, zależnie od zastosowania, mogą pojawić się dodatkowe podfoldery. Bywają w nich materiały (assets), do których AI sięga, żeby trafić w twój konkretny sposób robienia czegoś, albo skrypty — czyli kod, który AI pisze, aby skill co do joty pasował do twojego procesu.
Najważniejsze jest to, że skill tworzy dla ciebie samo AI. Nie musisz pisać go ręcznie od zera. I to jeden z głównych powodów, dla których uważam pobieranie cudzych skilli za stratę czasu — skoro możesz stworzyć własny, wzbogacony twoim kontekstem i tym, co dla ciebie ważne.
Mapa kontra teren
Mam tu dla ciebie pewną analogię — motyw przewodni całego materiału: mapa kontra teren.
Załóżmy, że codziennie jeździsz do pracy i z powrotem. Mapa tej trasy to ogólne rozeznanie: mniej więcej wiesz, w którą stronę jechać i w które ulice skręcać. Ale teren rozumie wszystkie niuanse i subtelności tej drogi. Skoro przejeżdżasz ją każdego dnia, wiesz, że jeśli wyjdziesz z pracy o 17:00 i skręcisz w boczną uliczkę, dojedziesz do domu dziesięć minut szybciej. Wiesz, że na pewnej ulicy jest gigantyczna dziura, którą zawsze omijasz. Wiesz, że światło przy twoim domu świeci na czerwono znacznie dłużej, niż powinno. I znasz mnóstwo innych szczegółów, które rozumiesz tylko dlatego, że robiłeś to tyle razy.
Kiedy pobierasz cudzy skill, brakuje mu tego niuansu — a to oznacza, że AZ zastosuje go i da ci wynik niższej jakości. Najważniejszy wniosek z tego fragmentu: skille, które tworzysz sam, mają tę subtelną warstwę kontekstu, która podnosi jakość tego, co dostajesz od AI.
(Informacja dodatkowa: „skills” w narzędziach takich jak Claude czy ChatGPT to zdefiniowane zestawy instrukcji, które model może wywołać do powtarzalnych zadań — odpowiednik zapisanych procedur.)
Dwie pułapki pobierania cudzych skilli
Przejdźmy do pułapek, w które wpada wiele osób pobierających cudze skille. Są dwie.
Pierwsza pułapka: rozmiar. Widziałem to raz za razem — jeśli masz naprawdę duży, rozdęty skill, przeładowany tekstem i mnóstwem podfolderów, jakość odpowiedzi z AI jest znacznie niższa. Ale jeśli masz minimalistyczny skill, skupiony na jednym zadaniu, jakość jest znacznie wyższa. Dlaczego publicznie pobierane skille bywają tak duże? Bo autor, który udostępnia skill wszystkim, musi przewidzieć wszystkie możliwe przypadki brzegowe dla różnych typów odbiorców. Skill szybko się rozrasta. A gdy AI z niego korzysta, nie wie, którą ścieżkę wybrać w twoim kontekście — i z czasem jakość spada.
Druga pułapka: zbyt wiele skilli. Nie chodzi tylko o rozmiar, ale i o liczbę. Skoro możesz pobierać skille z biblioteki, to po co pobierać jeden, skoro można pobrać trzydzieści „na wszelki wypadek”? Problem w tym, że za każdym razem, gdy pobierasz skill — nieważne, czy używasz ChatGPT albo Claude w przeglądarce, czy Claude Cowork lub Codeksa na komputerze — AI domyślnie zwykle zapisuje ten skill globalnie. A gdy skill jest zapisany globalnie, AI patrzy na niego bez przerwy.
Co znaczy „bez przerwy”? Są dwa sposoby uruchamiania skilla. Pokażę to w Claude. Jest sposób jawny (explicit) i niejawny (implicit) — tak samo działa to w ChatGPT. Sposób jawny to ukośnik: gdy wpiszesz /, wyświetlają się wszystkie te skrypty. Każdy z nich to skill, który mogę wywołać wprost. Jest też sposób niejawny — gdy AI robi to za ciebie w tle. I właśnie tu pojawia się problem: gdy zapisujesz skill globalnie, AI cały czas przegląda wszystkie twoje globalne skille. Konkretnie patrzy na ich nazwę i opis. Jeśli masz trzydzieści skilli o podobnych nazwach, AI nie wie, który wywołać do twojego zadania — wybiera zły i daje słaby wynik. Dlatego chcemy trzymać liczbę pobranych skilli — zwłaszcza tych zapisanych globalnie — na niskim poziomie.
Jest na to obejście. Jeśli używasz agenta desktopowego, takiego jak Claude Cowork od Claude czy Codex od ChatGPT, możesz zapisać skill do konkretnego folderu. Gdy otworzysz ten folder danym narzędziem, zobaczy ono tylko skille wewnątrz — i nic poza nimi. Szczerze, to sposób, który polecam: przypisywanie skilla do folderu, w którym jest zadanie i powiązany z nim skill. Kłopot w tym, że większość ludzi w ogóle nie wie, że taka opcja istnieje — więc domyślnie zdają się na to, co robi AI, czyli zapis globalny. I to jest ta druga pułapka.
Kluczowe pytanie: czy jestem ekspertem?
Skoro rozumiemy już pułapki, jakie jest główne pytanie, które musimy sobie zadać, gdy chcemy stworzyć lub zdobyć skill? Jest bardzo proste: „Czy jestem ekspertem od tego zadania?”. Dla jakichś 80–85% skilli, które chcesz stworzyć, odpowiedź brzmi „tak” — bo chcesz skilli, którymi wesprzesz i zautomatyzujesz zadania w swojej pracy lub pracy zespołu.
To pytanie prowadzi do trzech ścieżek. Pierwsza to buduj — tu spędzisz jakieś 80–85% czasu, tworząc skill dla siebie. Druga to pożycz — najlepiej od kogoś w twojej firmie; jeśli sam nie jesteś ekspertem, ale znasz eksperta, może on stworzyć skill, który potem pożyczysz. Trzecia to sytuacja, gdy ekspert jest poza zasięgiem — nie znasz go, ale chcesz przenieść jego wiedzę i metodę na dane zadanie do swojego skilla.
Ścieżka pierwsza: buduj
To tutaj spędzisz najwięcej czasu. Sposobów budowania skilla jest wiele, ale jest jedno podejście, które polecam wszystkim klientom: uchwycenie faktycznej pracy. To nawiązanie do mapy i terenu — bo w ten sposób wychwytujesz właśnie teren.
Krok pierwszy: wykonaj zadanie z AI. Otwierasz świeży czat i robisz zadanie razem z AI. Gdy na końcu efekt spełni twoje oczekiwania, przechodzisz do kroku drugiego: uchwycasz to i zamieniasz w skill. Za chwilę dam ci prompt, który wkleisz na końcu takiej rozmowy, żeby uchwycić skill we właściwy sposób. Krok trzeci to po prostu używanie skilla i doskonalenie go z czasem — w czym też pomoże AI. Jeśli potrzebujesz poprawek, po prostu poproś AI o aktualizację skilla, a zrobi to za ciebie.
Prompt do budowania skilla
Obiecany prompt jest bardzo prosty i krótki. Wklejasz go na końcu rozmowy, w której zrealizowałeś zadanie z AI. Mówimy w nim: „Chcę, żebyś zamienił to, co właśnie zrobiliśmy, w skill”. Są tu jednak dwa bardzo świadomie dobrane elementy.
Pierwsze zdanie: „zadbaj, by każde słowo w skillu zasłużyło na swoje miejsce” (make sure every word in the skill earns its place). To nasz sposób, by uniknąć rozdęcia. AI lubi pisać dużo — a my temu przeciwdziałamy, prosząc, żeby przy tworzeniu skilla był minimalistyczny i by każde słowo miało uzasadnienie.
Drugie zdanie: prosimy AI, żeby skill działał na dowolnym projekcie, zachowując cały niuans tego zadania, ale bez nastawienia na ten jeden projekt. Na przykład: tworzę skill, używając projektu A, jestem zadowolony z efektu, a potem chcę zastosować go do projektów B, C i D — bez obciążeń projektu A, ale z zachowaniem niuansów procesu. Dlatego dodajemy to ostatnie zdanie: żeby AI uchwyciło sam proces, a nie przechyliło skilla w stronę konkretnego tematu. To jest faza budowania, na którą przypada jakieś 80% czasu.
Ścieżka druga: pożycz
W fazie pożyczania spędzasz może 10% czasu. Są tu dwie drogi: pożyczasz skille od ludzi wewnątrz firmy lub zespołu, albo od osób z zewnątrz — z sieci publicznej.
Powód, dla którego wolimy pożyczać od znanych nam ekspertów wewnątrz firmy, jest taki, że gdy oni tworzą skill, teren jest już w niego wpisany — bo zawiera kontekst naszej firmy, procesy, systemy itd. To znacznie lepszy punkt wyjścia niż pożyczanie od kogoś publicznie.
Ale jeśli nie masz w firmie kogoś, kto by ci to zbudował, nie masz dostępu do eksperta, a skill istnieje publicznie — możesz go pobrać. Tylko nie pobieraj i nie używaj od razu. Pobierz, a potem przytnij, przetestuj i dostrajaj bez przerwy, aż będziesz zadowolony. Po pobraniu testujesz dokładnie, a w trakcie testów prosisz AI, żeby usunęło ze skilla to, czego nie potrzebujesz — dowiesz się, co to jest, właśnie przez testowanie. I znów: AI wykona te edycje bez trudu.
Ścieżka trzecia: klonuj
Ostatnia faza to klonowanie — może jakieś 2% czasu spędzanego przy skillach. Ale warto ją wskazać, żebyś o niej wiedział. Załóżmy, że istnieje ekspert, do którego nie masz dostępu, ale chciałbyś ująć jego podejście do konkretnego zadania w skill. Przykład: chcesz poprawić konwersję swojej strony docelowej (landing page), ale nie masz wokół siebie eksperta od tego — znasz jednak kogoś takiego, bo słuchasz go w podcastach, czytasz jego książki itd.
W takim wypadku możesz przekazać do AI wszystkie jego książki, prezentacje, podcasty, wywiady itd. Musisz być tu wobec AI bardzo precyzyjny: „Chcę, żebyś ujął jego konkretne podejście do tego zadania w skill”. A nie: „Chcę, żebyś ujął całą etykę i podejście tej osoby do wszystkiego w skill” — to bezużyteczne i zbyt ogólne. Zadbaj, żeby skill był przypięty do ich podejścia do jednego, konkretnego zadania. Dzięki temu dostajesz z powrotem skill znacznie skuteczniejszy i bardziej przydatny.
Podsumowanie
Zróbmy szybką rekapitulację. Po pierwsze: tworząc skill, w idealnym scenariuszu robisz go dla siebie, a nie pobierasz cudze. Głównie dlatego, że znasz swoje zadania — masz teren, nie mapę; rozumiesz niuanse i kontekst.
Omówiliśmy też pułapki: skille bywają rozdęte albo pobierasz ich zbyt wiele — w obu przypadkach kończy się to słabą jakością odpowiedzi.
I wreszcie proste pytanie, które wskazuje ścieżkę: buduj, pożycz czy klonuj — „Czy jestem ekspertem?”. Jeśli tak, budujesz sam (jakieś 80% przypadków). Jeśli nie, pożyczasz — najlepiej od ludzi w firmie, żeby mieć gotowy kontekst, czyli teren. A klonowanie to niewielki procent, ale teraz znasz i to podejście.
Wiesz już, kiedy budować własny skill. Ale to, jak go zbudujesz, ma równie duże znaczenie — bo zbudowany źle zawiedzie cię później.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Cudzy skill nie zna twojego kontekstu
Na czym polega: Publiczne skille kodują „mapę” ogólnego procesu, ale nie „teren” — twoje niuanse, wyjątki i wypracowane skróty. Bez nich AI daje słabszy wynik.
Jak stosować: Zanim pobierzesz cudzy skill, zapytaj, czy zadanie jest specyficzne dla twojego kontekstu. Jeśli tak — buduj własny na bazie swojej realnej pracy.
Na co uważać: Efektowny, dopracowany skill z sieci potrafi zwodzić — wygląda profesjonalnie, ale jego ogólność jest jego słabością, nie zaletą.
2.Skill to tylko instrukcja w folderze — i tworzy go AI
Na czym polega: Skill to plik skill.md (plus ewentualne materiały i skrypty). Nie piszesz go ręcznie — generuje go samo AI na podstawie wykonanej pracy.
Jak stosować: Nie traktuj tworzenia skilla jako projektu programistycznego. Wykonaj zadanie z AI, a potem poproś, żeby zamknęło to w skillu.
Na co uważać: Skoro AI tworzy skill łatwo, próg wejścia jest niski — nie ma wymówki, by zdawać się na cudze, gorzej dopasowane rozwiązania.
3.Rozdęty skill obniża jakość
Na czym polega: Duże, przeładowane skille z mnóstwem tekstu i podfolderów pogarszają odpowiedzi. Minimalistyczny, skupiony na jednym zadaniu skill działa lepiej.
Jak stosować: Trzymaj się zasady „jeden skill = jedno zadanie”. Przy generowaniu wymuszaj zwięzłość.
Na co uważać: AI z natury lubi pisać dużo — bez wyraźnej instrukcji o minimalizmie skill sam się rozrośnie.
4.Zbyt wiele globalnych skilli myli AI
Na czym polega: Skille zapisane globalnie AI przegląda ciągle, patrząc na nazwę i opis. Przy wielu podobnych skillach wywołuje niewłaściwy i daje słaby wynik.
Jak stosować: Ogranicz liczbę globalnych skilli. Usuwaj te, których faktycznie nie używasz.
Na co uważać: Domyślne zachowanie narzędzi to zapis globalny — łatwo nieświadomie uzbierać dziesiątki skilli „na wszelki wypadek”.
5.Przypisuj skille do folderu, nie globalnie
Na czym polega: Agenci desktopowi (np. Claude Cowork, Codex) potrafią widzieć tylko skille w otwartym folderze. To izoluje kontekst i eliminuje kolizje nazw.
Jak stosować: Wiąż każdy skill z folderem konkretnego zadania czy projektu i otwieraj narzędzie w tym folderze.
Na co uważać: Większość ludzi nie wie, że ta opcja istnieje — sprawdź ustawienia swojego narzędzia, zamiast zdawać się na domyślny zapis globalny.
6.Zadaj sobie pytanie: „Czy jestem ekspertem?”
Na czym polega: To jedno pytanie rozstrzyga wybór ścieżki: buduj (jesteś ekspertem), pożycz (znasz eksperta), klonuj (ekspert poza zasięgiem).
Jak stosować: Przed każdym skillem świadomie odpowiedz na to pytanie i wybierz ścieżkę, zamiast domyślnie pobierać z sieci.
Na co uważać: W 80–85% przypadków odpowiedź to „tak” — czyli powinieneś budować sam, a nie szukać gotowca.
7.Buduj skill, uchwytując faktyczną pracę
Na czym polega: Najlepsza metoda: wykonaj zadanie z AI w świeżym czacie, a gdy efekt cię zadowoli, poproś o zamknięcie tego w skillu. Potem używaj i doskonal.
Jak stosować: Nie pisz skilla „na sucho”. Najpierw doprowadź realne zadanie do dobrego rezultatu, dopiero potem je utrwal.
Na co uważać: Jakość skilla jest tak dobra jak rozmowa, z której powstał — utrwalaj dopiero wynik, który naprawdę cię satysfakcjonuje.
8.Wymuś, by „każde słowo zasłużyło na swoje miejsce”
Na czym polega: Prompt kończący budowę skilla powinien żądać minimalizmu oraz uniwersalności — proces bez nastawienia na jeden projekt.
Jak stosować: Na końcu udanej rozmowy wklej prośbę: zamień to w skill, tak żeby każde słowo miało uzasadnienie i żeby działał na dowolnym projekcie, zachowując niuanse, ale bez przechyłu w stronę tego jednego.
Na co uważać: Jeśli nie poprosisz o uniwersalność, skill nasiąknie szczegółami pierwszego projektu i nie przeniesie się na kolejne.
9.Pożyczaj najpierw wewnątrz firmy
Na czym polega: Gdy nie jesteś ekspertem, najlepszym źródłem jest znany ci ekspert w firmie — jego skill zawiera już wasz kontekst, procesy i systemy.
Jak stosować: Zanim sięgniesz po publiczny skill, poproś eksperta z zespołu, żeby zbudował go na bazie wewnętrznej praktyki.
Na co uważać: Jeśli musisz pobrać publiczny skill, nie używaj go „jak leci” — przytnij, przetestuj i dostrajaj, aż usuniesz zbędne elementy.
10.Klonowanie: uchwyć podejście eksperta do jednego zadania
Na czym polega: Gdy ekspert jest poza zasięgiem, można przekazać AI jego książki, podcasty i wywiady, prosząc o ujęcie jego podejścia do konkretnego zadania w skill.
Jak stosować: Bądź precyzyjny: proś o metodę do jednego zadania (np. poprawa konwersji landing page’a), a nie o „całą filozofię tej osoby”.
Na co uważać: Zbyt ogólne polecenie („ujmij całe podejście do wszystkiego”) daje bezużyteczny skill. To marginalne zastosowanie — ok. 2% przypadków.