O czym jest ten film
- Anthropic usunął ok. 80% instrukcji, które wcześniej pisał dla własnego Claude’a — nie dlatego, że były błędne, tylko dlatego, że nowym modelom zaczęły przeszkadzać.
- Rady, które przez lata były standardem — dawaj przykłady, twarde reguły, powtarzaj ważne rzeczy — zostały nazwane „mitami” dla nowej generacji modeli.
- Dotyczy to nie tylko Claude’a: OpenAI przy GPT-5.6 pokazało, że krótszy prompt bywa skuteczniejszy i tańszy (ok. 50% oszczędności na zadanie).
- Największe ryzyko: przestarzały setup nie wygląda na przestarzały — projekty i skille dalej działają, a output wygląda dobrze.
- Habit 1 — przykłady: dziel je na dwie funkcje (estetyka vs. podejście); kopiuj estetykę, ale nie zamrażaj swojego dawnego sposobu myślenia.
- Habit 2 — reguły: twarde reguły zamień na „wskaźniki” (pointery) tam, gdzie kontekst się zmienia; twarde reguły zostaw dla wysokiej stawki.
- Habit 3 — powtórzenia: sprzeczne instrukcje w różnych miejscach powodują, że AI losowo wybiera, której słuchać — stąd niestabilne wyniki.
- Zasada docelowa: jedna instrukcja = jeden dom (projekt/CLAUDE.md, skill albo prompt w czacie).
- Autor podaje gotowe prompty do tworzenia nowych setupów oraz do naprawy istniejących projektów i skilli.
- Praktyczna wskazówka: sprawdź pamięci Claude’a w ustawieniach — dodaje je sam w tle i mogą sabotować Twoje zadania.
Redakcyjne tłumaczenie
Anthropic skasował większość własnych instrukcji
Anthropic — firma, która stworzyła Claude’a — właśnie usunął około 80% instrukcji napisanych dla własnego AI. Nie dlatego, że cokolwiek było błędne. To działało latami. Po prostu teraz zaczęło przeszkadzać. A rzeczy, które wycięli, to dokładnie to, co sam od dawna doradzałem ludziom, żeby dodawali: więcej przykładów, ściślejsze reguły, powtarzanie ważnych rzeczy dwa razy.
Jeśli trafiłeś tu pierwszy raz — nazywam się Dylan, prowadzę firmę doradczą od AI. Cały ten tydzień spędziłem, cofając własne rady w konfiguracjach klientów.
I tu leży sedno problemu: nieaktualny setup nie wygląda na nieaktualny. Twoje projekty i skille wciąż działają. Output wciąż wygląda dobrze. Ale wszystko to napisałeś pod modele z zeszłego roku. A najnowsze już tej pomocy nie potrzebują.
Przejdźmy więc przez trzy nawyki, które się zmieniły. Do każdego dam Ci prompt, który naprawi to, co już zbudowałeś.
Skąd to wiemy — blog Anthropic i dane OpenAI
Odnoszę się do wpisu, który Anthropic opublikował mniej więcej dzień temu, o nowej generacji modeli — takich jak Sonnet 5, Opus 5, GPT-5.6 i podobnych. Wskazano tam trzy rady, które dotąd uchodziły za dobrą praktykę, a które teraz nazwano mitami.
Mówiono nam kiedyś, że najlepiej dzielić się z AI przykładami, żeby wiedziało, jak wygląda „dobra robota”. Albo dawać mu twarde reguły, żeby trzymało się ich w konkretny sposób. A nawet powtarzać się w różnych miejscach — tę samą instrukcję na górze promptu, na dole promptu, a jeszcze raz w czacie — żeby mieć pewność, że naprawdę ważne rzeczy zostaną wykonane. Wszystkie trzy zostały przez Anthropic określone jako mity.
Co ważne, to nie jest tylko sprawa Claude’a. OpenAI wypuściło GPT-5.6 zaledwie kilka tygodni temu i przy premierze pokazało serię badań: kiedy testowali AI na tym samym zadaniu z krótszym promptem, model nie tylko wypadał lepiej w benchmarkach, ale też był tańszy — oszczędność sięgała mniej więcej 50% kosztu na zadanie. I dotyczy to konkretnie modeli nowej generacji.
Nawyk 1 — przykłady: oddziel estetykę od podejścia
Nie chodzi o to, żeby przestać dawać AI przykłady. Chodzi o to, żeby przy ich podawaniu skupiać uwagę modelu na bardzo konkretnym fragmencie tego przykładu.
Kiedy dajesz AI przykład i po prostu prosisz „dopasuj się do niego” dla przyszłych zadań, w praktyce ustawiasz sufit jego inteligencji. Bo patrząc na przykład, model zawęża się do odtworzenia tego, jak Ty zrobiłeś to wcześniej. Jeśli to był raport — użyje tych samych ujęć, podejść i sposobów myślenia co Ty. A przecież mogą istnieć znacznie lepsze sposoby wykonania tego zadania. Ograniczyliśmy inteligencję AI do jednego wybranego sposobu.
Rozwiązanie: przykład ma dwie osobne funkcje. Pierwsza to estetyka — jak to wygląda. Druga to odpowiedź — jakie było nasze podejście do konkretnego przypadku. Estetyka jest w porządku i to właśnie ona jest powodem, dla którego wciąż warto dawać przykłady: chcemy, żeby AI trafiło w nasze kolory, fonty, logo i tak dalej. Ale nie chcemy zamrażać jego odpowiedzi w kształt tego, jak odpowiadaliśmy w przeszłości — naszych ujęć, kątów, opcji. To wszystko robiliśmy kiedyś; dla danego zadania mogą istnieć lepsze alternatywy.
Prompt 1 (nowe): wyciągnij standard z przykładów
Pierwszy prompt dotyczy podejścia i uruchamiasz go w AI, które nie będzie potem wykonywać zadania — służy tylko do wydobycia standardu z przykładów:
Załączam kilka przykładów pracy, które uważam za dobrą. Nie chcę, żebyś je kopiował. Przeczytaj je i wypisz konkretny standard, który je łączy, prostym językiem. Skup się na tym, co czyni je dobrymi — nie na tym, co mówią, i nie na konkretnym podejściu, które przyjąłem. Pomiń wszystkie szczegóły przypisane do przykładów: klientów, projekty, konkretne dane. Zmieść się w mniej niż 200 słowach. Jeśli któreś przykłady są ze sobą sprzeczne, powiedz to wprost, zamiast wybierać jeden.
Ten ostatni warunek jest ważny. Jeśli przykłady są różnorodne, a nawet trochę sprzeczne, to poszerza pole inteligencji AI — model wie, że dopuszczasz ścieżkę A i ścieżkę B, a nie tylko zawsze A.
Prompt 2 (nowe): dopilnuj samego formatu
Drugi prompt dotyczy estetyki i to on będzie już częścią AI, które wykonuje zadanie raz za razem. Dlatego jest krótki:
W załączeniu mój szablon. Skup się wyłącznie na układzie i formatowaniu, dokładnie tak jak są — pixel-perfect: kolejność sekcji, nagłówki, fonty, kolory. Skup się tylko na formacie.
„Tylko na formacie” — bo obok (nad lub pod tym) będzie standard wyekstrahowany wcześniej. Chodzi o to, żeby nie zawężać inteligencji AI, tylko ją poszerzać.
Prompt 3 (naprawa istniejących projektów i skilli)
Oto projekt, prompt lub skill, którego używam. Przejrzyj wszystkie załączone pliki i instrukcje. Powiedz mi, jak AI interpretuje ten przykład: czy kształtuje to estetykę wyjścia (jak wygląda), czy raczej wpływa na sposób myślenia AI i na to, co mówi. Następnie przepisz prompt lub skill — każdy plik, do którego się odwołuje — tak, żeby przy tym przykładzie skupiał się wyłącznie na układzie i formatowaniu, a nie na standardach. Potem dodaj standardy, które wcześniej wyekstrahowaliśmy. Na końcu pokaż mi, co zmieniłeś, żebym mógł się zgodzić albo nie.
Nawyk 2 — reguły: zamień twarde reguły na wskaźniki
W skillach i promptach często mamy bardzo sztywne reguły. Przykład, który pokazuję, pochodzi wprost z bloga Anthropic. Przeglądając własne stare prompty, zauważyli twarde reguły w rodzaju: „nigdy nie pisz długich wyjaśnień w kodzie, maksymalnie jedna linia”. To bardzo twarda reguła — i zorientowali się, że przywiązuje AI do starego sposobu.
Jeśli ustawiłeś taką regułę pół roku temu, mogła być wtedy trafna. Ale przy zadaniach, w których kontekst wciąż się zmienia, zamiast reguł trzeba dawać wskaźniki (pointery). Zamiast sztywnej reguły blog pokazuje wskaźnik:
Pisz kod, który czyta się jak kod dookoła. Zanim coś napiszesz w tej sekcji, sprawdź otaczający kod i dopasuj się do tego stylu.
(Informacja dodatkowa: „pointer” to instrukcja, która nie zamraża konkretnej wartości, tylko odsyła AI do żywego źródła — np. „spójrz na okoliczny kod” albo „na ostatnie trzy wiadomości w wątku” — dzięki czemu odpowiedź dostosowuje się do bieżącego kontekstu.)
Możesz zapytać: przecież przed chwilą mówiłeś, żeby nie pokazywać AI przykładów i nie być zbyt konkretnym — czy to nie zaprzeczenie? To dobre pytanie i chcę być wprost: nie zaprzecza. Poprzedni nawyk dotyczył zamrażania stanu dla zadań powtarzalnych, gdzie kontekst się nie zmienia. Jeśli piszę propozycję, mam dziś prawdopodobnie tę samą strukturę, ton, styl i standardy dobrej propozycji co pół roku temu. Wtedy wolno podać przykład, zamrozić go w skillu i kazać AI powtarzać zadanie.
Ta sytuacja jest inna — i to nie tylko ze względu na czas, ale i na zakres. Przykład: piszesz maile albo wiadomości na Slacku. Chcesz, żeby AI pisało jak Ty w tym konkretnym wątku, w tym momencie: „dopasuj się do mojego tonu z ostatnich trzech wiadomości w tym wątku”. To oczekiwanie wciąż się zmienia, bo do klienta A piszę w tym tygodniu inaczej niż do klienta B miesiąc temu.
Prompt (naprawa reguł → wskaźniki)
Przejrzyj instrukcje tego projektu lub skilla. Znajdź każdą linię, która ustala twardą regułę dotyczącą stylu, tonu, długości czy formatu. Przepisz ją tak, żeby była wskaźnikiem, a nie regułą — ma wskazywać na coś, na co AI może spojrzeć. Każdy wskaźnik powinien wskazywać sposób znalezienia przykładu, a nie konkretny przykład: nie konkretny plik, klient ani data, lecz np. „spójrz na najnowszy raport z tego folderu” albo „na ostatnie trzy wiadomości z tego wątku”.
Na końcu dodaj furtkę: są sytuacje, w których reguły mają zostać regułami. To przypadki wysokiego ryzyka lub wysokiej stawki — gdy w grę wchodzi ryzyko finansowe, prawne albo reputacyjne dla marki. Wtedy reguła musi trzymać twardo. Reguły są przydatne, ale tylko w takich sytuacjach albo tam, gdzie kontekst pozostaje niezmienny.
Nawyk 3 — przestań się powtarzać (celowo i przypadkiem)
Ostatni nawyk to usuwanie powtórzeń w promptach. Anthropic przejrzał zapisy rozmów swoich pracowników z AI i odkrył, że przy jednym żądaniu użytkownika AI dostawało sprzeczne instrukcje. Klasyczny przykład: w czacie prosisz „dodawaj komentarze tam, gdzie mają sens”, a gdzie indziej — w prompcie albo skillu — leży sprzeczna instrukcja „nie dodawaj komentarzy”. W takiej sytuacji AI losowo wybiera, której posłuchać. Stąd biorą się przypadki, w których dajesz to samo zadanie, te same instrukcje, a raz wychodzi dobrze, raz model „odjeżdża”. Jeśli używasz tego samego modelu, tego samego poziomu rozumowania i tego samego wejścia, prawie na pewno gdzieś jest dodatkowy kontekst, którego nie widzisz i który wpycha AI na złą ścieżkę.
Te sprzeczności mogą pochodzić z różnych miejsc: z pola preferencji, z promptu w czacie, z instrukcji projektu (w czacie Claude’a albo w pliku CLAUDE.md, jeśli używasz Claude’a na pulpicie), ze skilla wywołanego jawnie lub niejawnie. I jeszcze jedno, ważne: Claude prowadzi serię pamięci o Tobie, na które nie masz wpływu — dodaje je w tle i czasem po nie sięga.
Dlatego kluczowa wskazówka: wejdź w ustawienia, zajrzyj do pamięci Claude’a i sprawdź, co dokładnie o Tobie zapisał. Jeśli się z czymś nie zgadzasz albo jest nieaktualne — usuń. Pamięci znajdziesz w Ustawienia → Możliwości (Capabilities) → sekcja Pamięć.
Prompt (usuwanie sprzeczności)
Wybierz swoje trzy do pięciu najważniejszych, powtarzalnych zadań i zastosuj do nich:
Zanim zaczniesz to zadanie, wywołując ten projekt lub skill, sprawdź każdą instrukcję, którą teraz stosujesz — nie tylko w prompcie czy projekcie, ale wszędzie. Wypisz tylko te, które są ze sobą sprzeczne, i powiedz, której byś posłuchał, a którą byś odrzucił.
Przeczytaj listę, zaznacz, z czym się zgadzasz, a z czym nie. Tam, gdzie się nie zgadzasz — idź do tych miejsc i usuń instrukcje, tak żeby została jedna, zamiast wielu takich samych lub sprzecznych.
Zasada docelowa: jedna instrukcja, jeden dom
Stan idealny to: jedna instrukcja lub reguła i jeden przypisany jej dom. Są trzy takie domy:
- Zadanie robione wciąż na jeden temat — jeden powtarzalny proces dla jednego tematu. Dla większości będzie to instrukcja projektu albo plik CLAUDE.md w folderze na komputerze.
- Ten sam proces przez wiele tematów — np. pięć folderów = pięciu klientów, ale propozycję piszesz zawsze tak samo. Wtedy dom to skill. Pilnuj, żeby tej samej instrukcji nie mieć równocześnie w CLAUDE.md i w skillu. Warto też mapować skille do folderów: jeśli masz 60–70 skilli, AI się rozprasza i może wywołać niewłaściwy; ograniczając skill do folderu, sprawiasz, że z folderu A nie widać skilli folderu B.
- Sam prompt w czacie — tu żyje instrukcja „tylko na dziś”. Dodajesz ją, model używa jej w tej sytuacji i idealnie o niej zapomina. Uwaga: jeśli powtarzasz tę samą instrukcję w wielu czatach, AI może dodać ją do pamięci — sprawdzaj to mniej więcej raz w miesiącu.
Podsumowanie
Trzy zmiany dla nowej generacji modeli (Fable 5, Opus 5, GPT-5.6, a w przyszłości GPT-6):
- Przykłady — wolno je dawać, ale kieruj uwagę AI na dwie rzeczy osobno: estetykę (tak) i standardy. Nie każ modelowi opierać myślenia na tym, jak robiłeś coś w przeszłości — to ogranicza jego inteligencję.
- Reguły — tam, gdzie oczekiwania się zmieniają, zamień reguły na wskaźniki. Sztywne reguły zostaw dla przypadków, które są niezmienne w czasie albo mają wysoką stawkę.
- Powtórzenia — dla ważnych, powtarzalnych zadań wyłap miejsca, gdzie się powtarzasz lub przeczysz, i usuń nadmiar, żeby AI słuchało jednej instrukcji o jednym domu.
Gdy na nowych modelach ustawisz to poprawnie, AI zrobi to, o co prosisz — i prawdopodobnie nie tylko spełni Twoje standardy, ale je przekroczy.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Przestarzały setup nie wygląda na przestarzały
Na czym polega: Projekty i skille napisane pod modele z zeszłego roku wciąż działają i dają przyzwoity output, więc nic nie sygnalizuje, że instrukcje przeszkadzają nowym modelom.
Jak stosować: Zrób przegląd swoich 3–5 najważniejszych, powtarzalnych zadań i świadomie odchudź instrukcje, zamiast czekać na widoczną awarię.
Na co uważać: Nie usuwaj wszystkiego hurtem. „Działa” to nie to samo co „optymalne” — ale też nie każda stara instrukcja szkodzi. Zmieniaj z rozmysłem i sprawdzaj efekt.
2.Krótszy prompt bywa lepszy i tańszy
Na czym polega: Dane OpenAI dla GPT-5.6 pokazały, że skrócenie promptu na tym samym zadaniu poprawiło wyniki i obniżyło koszt o ok. 50%. Efekt dotyczy modeli nowej generacji.
Jak stosować: Tnij redundancję w promptach do drogich, często uruchamianych zadań — oszczędność kosztu jest realna i mierzalna.
Na co uważać: To zależy od modelu. Na starszych modelach dłuższy, „przegadany” prompt wciąż może być potrzebny — nie zakładaj, że każda konfiguracja skorzysta.
3.Rozdziel w przykładzie estetykę od podejścia
Na czym polega: Przykład ma dwie funkcje — wygląd (estetyka) i sposób rozwiązania (podejście). Kopiowanie podejścia zamraża Twój dawny sposób myślenia i ogranicza inteligencję modelu.
Jak stosować: Do estetyki dawaj wzorzec i każ trzymać się formatu pixel-perfect. Podejście wyciągnij osobno jako abstrakcyjny „standard” (prompt 1) i to standard, a nie przykład, wkładaj do AI wykonującego zadanie.
Na co uważać: To działa dla zadań powtarzalnych o stabilnym kontekście (propozycje, raporty). Dla zadań zmiennych zamrażanie standardu z przykładu jest błędem — patrz punkt 5.
4.Sprzeczne przykłady poszerzają pole, nie psują go
Na czym polega: Gdy przykłady są różnorodne lub lekko sprzeczne, warto kazać AI to nazwać zamiast wybierać jeden — sygnalizuje modelowi, że dopuszczasz wiele ścieżek.
Jak stosować: W prompcie ekstrahującym standard dodaj: „jeśli przykłady są sprzeczne, powiedz to wprost, nie wybieraj jednego”.
Na co uważać: To celowe poszerzenie swobody. Jeśli zadanie wymaga jednego, ściśle określonego wyniku, sprzeczność w przykładach będzie szkodzić, nie pomagać.
5.Twarde reguły zamień na wskaźniki tam, gdzie kontekst się zmienia
Na czym polega: Reguła zamraża wartość (np. „maksymalnie jedna linia”); wskaźnik odsyła do żywego źródła („pisz jak kod dookoła”, „ton z ostatnich trzech wiadomości”). Przy zmiennym kontekście wskaźniki są lepsze.
Jak stosować: Przejdź instrukcje skilli/projektów i przepisz reguły stylu, tonu, długości i formatu na wskaźniki wskazujące sposób znalezienia przykładu, nie konkretny plik/datę.
Na co uważać: Zostaw twarde reguły dla wysokiej stawki — ryzyka finansowego, prawnego lub reputacyjnego — oraz dla kontekstów naprawdę niezmiennych. Wskaźnik w takim miejscu to proszenie się o kłopoty.
6.Odróżniaj zadania „zamrożone” od „zmiennych” — po czasie i zakresie
Na czym polega: Propozycja czy raport mają stabilną strukturę miesiącami — można je zamrozić. Mail czy wiadomość na Slacku zmieniają ton z klienta na klienta i z tygodnia na tydzień — nie można.
Jak stosować: Zanim zamrozisz przykład lub regułę w skillu, zapytaj: czy kontekst i oczekiwania tego zadania są stałe? Jeśli nie — użyj wskaźników.
Na co uważać: To nie jest podział tylko według czasu, ale i zakresu (różni odbiorcy). Zadanie może być „codzienne”, a mimo to zmienne co do kontekstu.
7.Niestabilne wyniki zwykle biorą się ze sprzecznych instrukcji
Na czym polega: Gdy przy tym samym modelu, poziomie rozumowania i wejściu AI raz działa dobrze, raz „odjeżdża”, najczęściej gdzieś istnieją sprzeczne instrukcje, a model losowo wybiera jedną.
Jak stosować: Do kluczowych zadań uruchom prompt audytujący: „wypisz tylko sprzeczne instrukcje ze wszystkich źródeł i powiedz, której posłuchasz, a którą odrzucisz”. Sprzeczne usuń u źródła.
Na co uważać: Instrukcje kryją się w wielu miejscach naraz — czat, pole preferencji, projekt/CLAUDE.md, skille, pamięć. Usunięcie w jednym miejscu nie pomoże, jeśli kopia siedzi w innym.
8.Sprawdź i wyczyść pamięci Claude’a
Na czym polega: Claude sam dodaje w tle pamięci o Tobie i czasem po nie sięga — bez Twojej wiedzy potrafią wpłynąć na wynik zadania.
Jak stosować: Wejdź w Ustawienia → Możliwości → Pamięć, przejrzyj wpisy i usuń nieaktualne lub takie, z którymi się nie zgadzasz. Rób to mniej więcej raz w miesiącu.
Na co uważać: Powtarzanie tej samej instrukcji w wielu czatach może sprawić, że model zapisze ją na stałe do pamięci — to kolejne, niewidoczne źródło sprzeczności.
9.Jedna instrukcja, jeden dom
Na czym polega: Docelowo każda reguła ma dokładnie jedno miejsce życia: projekt/CLAUDE.md (jedno zadanie, jeden temat), skill (ten sam proces przez wiele tematów) albo prompt w czacie (jednorazowo „na dziś”).
Jak stosować: Przypisz każdą instrukcję do właściwego domu i wyeliminuj duplikaty między CLAUDE.md a skillami. Instrukcje „na dziś” trzymaj tylko w czacie.
Na co uważać: Ta sama instrukcja w dwóch domach to gotowa sprzeczność. Największe ryzyko to duplikat między plikiem projektu a skillem uruchamianym w tej samej lokalizacji.
10.Mapuj skille do folderów, żeby AI nie wołało nie tego
Na czym polega: Przy 60–70 skillach model się rozprasza i może wywołać niewłaściwy albo sprzeczny skill.
Jak stosować: Ogranicz zasięg skilla do konkretnego folderu — z folderu A nie widać skilli folderu B, więc AI wybiera z węższej, trafniejszej puli.
Na co uważać: Zbyt ciasne zakresy mogą ukryć skill, którego naprawdę potrzebujesz w danym miejscu. Ustal granice folderów tak, by odpowiadały realnym typom zadań.