O czym jest ten film
- Anthropic przejrzał setki własnych skilli Claude’a i opublikował wnioski w formie dziewięciu typów skilli adresowanych do inżynierów.
- Autor destyluje to do czterech typów użytecznych dla osób nietechnicznych.
- Największy skok jakości nie pochodzi ze skilli, które wykonują pracę, tylko z tych, które ją sprawdzają.
- Typ pierwszy: doer — automatyzacja powtarzalnego zadania. To skill, który buduje niemal każdy.
- Typ drugi: formatter — pilnowanie zgodności dokumentu z identyfikacją wizualną, co do piksela.
- Typ trzeci: checker — skill sprawdzający output innego AI; zdaniem autora najcenniejszy i najczęściej pomijany.
- Typ czwarty: rule — zbiór reguł kontekstowych dla konkretnej firmy, których nie zna nawet dobry nowy pracownik.
- Gotowy prompt na zbudowanie listy kontrolnej pass/fail z zatwierdzonego wzorca outputu.
- Gotowy prompt na wywiad, w którym AI wyciąga z głowy użytkownika niepisane reguły i wyjątki.
- Kryterium wydzielania skilla osobnego: ile skilli wykonawczych potrzebuje tej samej reguły lub tego samego sprawdzenia.
Redakcyjne tłumaczenie
Punkt wyjścia: sprawdzanie bije wykonywanie
Anthropic — firma, która stworzyła Claude’a — przejrzała ostatnio setki własnych skilli Claude’a. Największy skok jakości nie wziął się ze skilli, które wykonują pracę. Wziął się ze skilli, które ją sprawdzają.
Nazywam się Dylan i prowadzę firmę doradczą w obszarze AI. Kiedy siadam z klientami coachingowymi i przechodzimy przez to, co zbudowali, skilla kontrolnego praktycznie nigdy nie ma na liście. Prawie wszyscy budują te same dwa rodzaje skilli i na tym poprzestają.
Pokażę więc wszystkie cztery typy skilli, wskażę, których wam brakuje, i dam prompty, którymi da się to nadrobić jeszcze w tym tygodniu.
Anthropic przejrzał setki skilli używanych wewnątrz firmy, a następnie opublikował wpis opisujący dziewięć typów skilli — adresowany konkretnie do inżynierów i programistów. Po przeczytaniu tego tekstu zdestylowałem go do czterech typów, które moim zdaniem nadają się dla użytkowników nietechnicznych. Przy okazji wychodzi z tego, które dwa typy sam Anthropic uważa za najbardziej wartościowe.
(Informacja dodatkowa: „skills” w Claude to spakowane zestawy instrukcji i plików, które model wczytuje, gdy uzna, że pasują do zadania. Autor nie tłumaczy tego pojęcia w filmie, bo zakłada, że widz już z nich korzysta.)
Typ 1: doers — skille wykonawcze
Zacznijmy od dwóch typów, których ludzie już używają.
Pierwszy — i prawdopodobnie jedyny, jaki większość osób w ogóle buduje — to skille wykonawcze, „doers”. Doer to po prostu skill, który automatyzuje określone zadanie. Niemal na pewno robisz coś cyklicznie, co po zamknięciu w skillu może wykonywać się za ciebie automatycznie.
Proste przykłady: masz cykliczne spotkanie w poniedziałki — skill napisze za ciebie idealny e-mail podsumowujący. Albo sprzedajesz konkretną usługę czy produkt — AI przygotuje szkice ofert dla nowych klientów.
To najczęstszy typ skilla, jaki widuję, i ten, który buduje większość ludzi.
Typ 2: formatters — skille formatujące
Druga kategoria to formattery. To drugie najczęstsze zastosowanie, jakie widuję. Chodzi o sytuację, w której AI formatuje dokument tak, by zgadzał się z twoją marką — co do piksela.
Dlaczego akurat skille się do tego nadają? Bo możesz kazać AI osadzić w skillu kod, co zwiększa szansę, że prezentacja albo raport trafi w twój format dokładnie. Warto to zapamiętać: jeśli chcesz, żeby AI trzymało się wytycznych brandowych w decku albo raporcie — użyj do tego skilla.
(Informacja dodatkowa: przewaga kodu nad samą instrukcją tekstową polega na tym, że wykonanie skryptu daje deterministyczny wynik — marginesy, kolory czy rozmiary czcionek nie są wtedy przedmiotem interpretacji modelu.)
To są te dwie rzeczy, które budują wszyscy. Kiedy oglądam czyjąś bibliotekę skilli — te „półki” z gotowymi skillami — najczęściej widzę właśnie doersy, a na drugim miejscu formattery. Ale bardzo rzadko, o ile w ogóle, widzę dwie pozostałe kategorie. I na nich chcę się skupić w tym materiale.
Typ 3: checkers — skille kontrolne
Pierwsza z pomijanych kategorii — i prawdopodobnie najważniejszy typ skilla, jaki Anthropic opisał w swoim wpisie — to skille kontrolne, „checkers”. Zadanie checkera jest proste: sprawdzić output innego AI.
Dla większości osób, z którymi pracuję, najbardziej wartościowa wersja tego skilla to sprawdzanie danych, które AI wyciągnęło z dokumentu. Bardzo często każemy AI wydobyć informacje z PDF-ów, PowerPointów czy arkuszy Excela i przenieść je gdzie indziej. Zawsze musimy potem dwa razy sprawdzić i zaudytować wynik, czy zrobiło to poprawnie. Jeśli masz drugi skill — kontrolny — który sprawdza output tego pierwszego, prawdopodobieństwo poprawnego wyniku rośnie znacząco. Dlatego to takie cenne i takie ważne.
Przy tym i przy następnym skillu mam jedno zastrzeżenie. Zanim wydzielisz je jako osobne skille, dodaj je jako zwykłe instrukcje do istniejących skilli wykonawczych. Od tego należy zacząć. Później powiem, kiedy taką instrukcję warto rozwinąć do rangi osobnego skilla. Na początku najlepiej sprawdza się jako dodatkowa linijka w instrukcjach dowolnego skilla.
Prompt do zbudowania checkera
Jak stworzyć taką linijkę albo kilka linijek? Oto prompt, który możesz podebrać.
Prompt robi jedną rzecz: pokazuje AI dobry output. Mówimy: „Chcesz przeanalizować tę zatwierdzoną ofertę”. W tym przykładzie chodzi o oferty, ale outputem może być cokolwiek. Chodzi o to, żeby AI zobaczyło, jak wygląda docelowy, dobry rezultat.
Po obejrzeniu wzorca AI ma metodycznie zrozumieć, co konkretnie czyni go dobrym, a następnie wyekstrahować z tego listę kontrolną, którą będzie mogło stosować do przyszłych instancji tego samego outputu.
W prompcie mówimy więc: „Napisz listę kontrolną pass/fail, co najmniej pięć do ośmiu sprawdzeń. Zadbaj o to, żeby były to pytania tak/nie powiązane z czymś, co da się wskazać palcem” — bo chcemy dowodu, że sprawdzenie zostało zaliczone i dlaczego. Dzięki temu możemy zaudytować także output samego checkera.
Następnie: „Dodaj to na dole istniejącego skilla” — tego wykonawczego — „jako instrukcję”. Instrukcja może brzmieć mniej więcej tak: „Kiedy zadanie jest wykonane, oceń swoją pracę względem każdego sprawdzenia, a następnie pokaż mi tabelę pass/fail. Jeśli cokolwiek nie przechodzi — zanim dasz mi wynik, napraw to i dopiero wtedy przekaż finalny output, w którym wszystkie sprawdzenia są zaliczone”.
Jedną rzecz chcę tu podkreślić: lista pass/fail ma być binarna. Powód jest taki, że binarne sprawdzenia zwiększają szansę, że AI zrobi dokładnie to, czego chcesz. Nie ma miejsca na subiektywność ani na skalę, na której model mógłby się gdzieś ustawić.
To był pierwszy z pomijanych typów — checker.
Typ 4: rule skills — skille regułowe
Drugi to skill regułowy. To po prostu skill zbierający reguły, które nigdzie indziej nie są udokumentowane ani nie siedzą „w głowie” modelu.
Reguły z tej kategorii łatwo rozpoznać, odpowiadając na proste pytanie: czy mądry nowy pracownik by to pomylił? Jeśli ktoś już umie wykonywać swoją pracę, ale niekoniecznie wie, jak się ją wykonuje w twojej organizacji, w twoim kontekście — to właśnie te reguły chcemy tu wychwycić.
Proste przykłady: masz konkretnego klienta, który płaci faktury w terminie 45 dni zamiast standardowych 30 obowiązujących w twojej firmie. Albo w twojej firmie nie umawia się rozmów z klientami w piątki — z jakiegokolwiek powodu. To właśnie ten typ reguł kontekstowych.
Prompt: niech AI przeprowadzi z tobą wywiad
Najlepszy znany mi sposób na wydobycie tych reguł to kazać AI przeprowadzić z tobą wywiad. Kto oglądał moje wcześniejsze materiały, ten wie, że jestem wielkim zwolennikiem wywiadów prowadzonych przez AI. I dokładnie to robi ten prompt.
Mówimy AI: „Przeprowadź ze mną wywiad, żeby wyciągnąć to, co mam w głowie — konkretnie w odniesieniu do tego zadania”. Chcemy reguł dla tego zadania, nie reguł ogólnych. „Zadawaj po jednym pytaniu naraz. Zadbaj o to, żeby każda moja odpowiedź kształtowała twoje kolejne pytanie. Poluj na wyjątki, nie tylko na oczywistości” — wyjątki w rodzaju: sposób, w jaki traktuję określonych klientów, liczby, które ludzie najczęściej mylą, i tak dalej.
Kiedy AI zbierze już całą listę takich haczyków, prosimy: „Dodaj po jednej linijce na regułę na dole istniejącego skilla wykonawczego”. Znowu — dopisujemy do istniejących skilli, zanim wyewoluujemy do skilla osobnego.
Kiedy wydzielić osobny skill
Skoro mamy już kilka reguł wewnątrz istniejących skilli, jak poznać moment, w którym należy stworzyć osobny skill kontrolny albo regułowy? Pytanie znów jest proste: ilu doerów potrzebuje akurat tej reguły albo tego sprawdzenia?
Jeśli masz kilka skilli wykonawczych albo formatujących, które potrzebują tego samego sprawdzenia lub tej samej reguły — wydzielasz to do osobnego skilla, a pozostałe skille go wywołują. Skille da się bowiem łączyć w łańcuch: jeden może wywołać drugi po zakończeniu pracy.
Czyli: jeśli odpowiedź brzmi „tylko jeden”, zostaje to pozycją w instrukcjach istniejącego doera. Jeśli odpowiedź brzmi „kilka” — wtedy rozważasz wydzielenie osobnego skilla.
Przykład: masz bardzo konkretny sposób wyceny usług czy produktów i chcesz mieć pewność, że oferty, faktury i odnowienia są wyceniane poprawnie. Zamiast powielać tę samą regułę w trzech miejscach, robisz jeden skill kontrolny i jeden regułowy, które walidują to we wszystkich trzech.
Prompt do wyniesienia reguł
Powiedzmy, że masz już zestaw reguł wspólnych dla kilku skilli. Bierzesz prompt tego typu i mówisz AI: te reguły, o których teraz rozmawiamy, dotyczą więcej niż tylko tego jednego skilla. „Przenieś je do własnego skilla o nazwie [nazwa]” — w naszym przypadku byłby to skill z regułami cenowymi. Opis tego skilla musi bardzo precyzyjnie określać, kiedy ma być używany — jak w każdym innym skillu.
(Informacja dodatkowa: opis skilla to jedyne, co model widzi, zanim zdecyduje się skill wczytać. Nieprecyzyjny opis oznacza, że skill po prostu nie odpali się wtedy, kiedy powinien.)
Następnie trzeba zaktualizować wszystkie pozostałe skille, w których siedziały stare reguły — w naszym przykładzie skille od ofert, faktur i odnowień — żeby usunąć te reguły z instrukcji i zastąpić je jedną linijką: zanim zrobisz cokolwiek związanego z wyceną, sprawdź nowo utworzony skill, żeby upewnić się, że wszystko jest zgodne z naszymi standardami.
To podstawowy prompt do przepakowania reguł w osobne skille.
Podsumowanie czterech typów
Krótkie przypomnienie czterech typów skilli, które można stworzyć.
Pierwszy to doers — najpowszechniejszy typ, jaki ludzie tworzą; skill automatyzujący powtarzalne zadania.
Drugi to formattery — dbają o to, żeby wszystko, co tworzą twoi pracownicy, czyli prezentacje i raporty, było zgodne z marką. Skille są w tym dobre, bo można w nich osadzić kod, co daje dopasowanie do standardów piksel w piksel.
Potem dwa typy, które większość pomija. Pierwszy to checker — prawdopodobnie najcenniejszy skill, jaki stworzył Anthropic, i taki, który powinna przyjąć większość ludzi. Może być dodatkową regułą w instrukcjach albo osobnym skillem sprawdzającym output poprzedniego AI. Najczęstszy przypadek, w którym widziałem realną wartość, to sytuacja, gdy AI wyciąga informacje z PDF-a, arkusza Excela czy czegokolwiek innego i przenosi je gdzie indziej — chcemy mieć pewność, że ekstrakcja zadziałała poprawnie.
Ostatni to skill regułowy. Chodzi w nim o reguły kontekstowe dla twojego biznesu. Niekoniecznie o rzeczy, które dobry pracownik zrobiłby od razu poprawnie, tylko o to, co wynika ze specyfiki twojej firmy i sposobu, w jaki działacie.
Na koniec: nie buduj skilla do zadania, w którym AI jest słabe
Zanim zamkniesz ten materiał, jedna rzecz. Najszybszy sposób na zmarnowanie tygodnia to budowanie skilli do zadań, których AI nie robi dobrze. Widuję to bez przerwy. Zanim cokolwiek zbudujesz, przepuść zadanie przez pięć prostych pytań.
(Informacja dodatkowa: autor nie wymienia tych pięciu pytań w tym filmie — odsyła do osobnego materiału na swoim kanale.)
10 najważniejszych takeaways — z kontekstem zastosowania
1.Największy zysk jakościowy daje warstwa kontrolna, nie wykonawcza
Na czym polega: Anthropic po przeglądzie setek własnych skilli stwierdził, że skok jakości wziął się ze skilli sprawdzających output, a nie z tych, które wykonują pracę.
Jak stosować: Zrób przegląd swojej biblioteki skilli i policz, ile z nich cokolwiek weryfikuje. Jeśli zero — pierwszą rzeczą do zbudowania w tym tygodniu jest checker, a nie kolejny automat.
Na co uważać: To obserwacja z kontekstu inżynierskiego, przełożona przez autora na zastosowania biznesowe. Nie zakładaj, że sam checker naprawi skill wykonawczy, którego instrukcje są od podstaw źle napisane.
2.Checklisty muszą być binarne
Na czym polega: Sprawdzenia w checkerze mają być pytaniami tak/nie, bez skal i ocen jakościowych, bo binarność zwiększa szansę, że model zrobi dokładnie to, o co prosisz.
Jak stosować: Przy każdym sprawdzeniu spytaj siebie: czy da się na to odpowiedzieć jednoznacznie, bez „w zasadzie tak”? Jeśli nie — rozbij je na dwa węższe sprawdzenia.
Na co uważać: Nie wszystko da się zbinaryzować. Ton wypowiedzi czy „przekonującość” oferty wymkną się takiej liście — dla nich zostaje ocena człowieka.
3.Sprawdzenie musi być zakotwiczone w dowodzie
Na czym polega: Każde pytanie z listy ma być powiązane z czymś, co model może wskazać w tekście, żeby dało się zaudytować także pracę samego checkera.
Jak stosować: Formułuj sprawdzenia jako „czy w sekcji X znajduje się Y” zamiast „czy dokument jest kompletny”. Wymagaj w tabeli pass/fail kolumny z cytatem albo wskazaniem miejsca.
Na co uważać: Bez wymogu dowodu model potrafi wystawić sobie same „pass” i nie sposób tego zweryfikować bez ręcznego czytania całości — czyli bez korzyści z automatyzacji.
4.Wzorzec „dobrego outputu” jest źródłem listy kontrolnej
Na czym polega: Prompt na checkera zaczyna się od podania AI zatwierdzonego, dobrego przykładu i poproszenia o wyekstrahowanie z niego 5–8 sprawdzeń.
Jak stosować: Wybierz jeden realnie zaakceptowany dokument — ofertę, raport, notatkę — i na nim zbuduj checklistę. Nie wymyślaj kryteriów z głowy.
Na co uważać: Jeden wzorzec potrafi zakodować własne przypadkowe cechy jako regułę. Przejrzyj wygenerowaną checklistę i wykreśl to, co jest specyfiką tego jednego dokumentu, a nie standardem.
5.Zacznij od linijki w instrukcji, nie od osobnego skilla
Na czym polega: Autor wyraźnie zaleca, żeby sprawdzenia i reguły najpierw dopisywać na dole istniejących skilli wykonawczych.
Jak stosować: Nowy pomysł na regułę wpisuj jako jedną linijkę w skillu, który już działa. Osobny plik twórz dopiero, gdy się to sprawdzi w praktyce.
Na co uważać: Instrukcje w jednym skillu potrafią puchnąć. Gdy lista reguł zaczyna dominować nad opisem samego zadania, to sygnał, że czas na wydzielenie — nawet jeśli formalne kryterium z punktu 6 jeszcze nie zaskoczyło.
6.Kryterium wydzielenia: ile doerów tego potrzebuje
Na czym polega: Regułę lub sprawdzenie wynosisz do osobnego skilla wtedy, gdy potrzebuje ich kilka skilli wykonawczych lub formatujących; przy jednym zostaje linijką w instrukcji.
Jak stosować: Zanim wydzielisz cokolwiek, wypisz konkretne skille, które będą tego używać. Dwa i więcej — wydzielasz. Jeden — zostawiasz na miejscu.
Na co uważać: Przedwczesne wydzielanie mnoży pliki, które trzeba utrzymywać, a każdy z nich musi mieć precyzyjny opis, żeby model wiedział, kiedy go użyć.
7.Skille da się łączyć w łańcuch
Na czym polega: Jeden skill może wywołać drugi po zakończeniu pracy — na tym opiera się cały model współdzielonych checkerów i skilli regułowych.
Jak stosować: W skillu wykonawczym zostaw jedną linijkę: „zanim zrobisz cokolwiek związanego z wyceną, sprawdź skill z regułami cenowymi”. Reguły trzymaj tylko w jednym miejscu.
Na co uważać: Po wyniesieniu reguł trzeba faktycznie usunąć ich stare kopie z pozostałych skilli. Zostawione duplikaty zaczną się rozjeżdżać przy pierwszej aktualizacji cennika.
8.Test „mądrego nowego pracownika” identyfikuje reguły
Na czym polega: Reguła należy do skilla regułowego wtedy, gdy pomyliłby ją kompetentny nowy pracownik — czyli ktoś, kto zna zawód, ale nie zna waszego kontekstu.
Jak stosować: Przejdź swoje procesy i wypisz wszystko, czego nie ma w żadnym dokumencie: nietypowe terminy płatności dla konkretnego klienta, dni bez rozmów z klientami, wyjątki cenowe.
Na co uważać: Nie wrzucaj tu wiedzy ogólnobranżowej — model już ją ma, a rozdmuchana lista reguł rozmywa te, które naprawdę mają znaczenie.
9.Wywiad prowadzony przez AI wyciąga to, czego nie umiesz spisać
Na czym polega: Zamiast pisać reguły od zera, każesz AI przepytać się jednym pytaniem naraz, tak żeby każda odpowiedź kształtowała następne pytanie, i celowo polować na wyjątki.
Jak stosować: Ogranicz wywiad do jednego konkretnego zadania, nie do „jak działa moja firma”. Wyraźnie poproś o wyjątki: klienci traktowani inaczej, liczby, które ludzie regularnie mylą.
Na co uważać: Wynik wywiadu to twoje słowa przefiltrowane przez model. Zanim trafi do skilla, przeczytaj listę i popraw to, co AI dopowiedziało za ciebie.
10.Formattery działają dzięki osadzonemu kodowi
Na czym polega: Skille dobrze pilnują identyfikacji wizualnej, bo można w nich osadzić kod, co daje dopasowanie prezentacji czy raportu co do piksela.
Jak stosować: Przy wytycznych brandowych dla decków i raportów wybieraj skill z kodem zamiast opisywania stylu w prompcie. Wpisz tam konkretne wartości: kolory, marginesy, kroje pisma.
Na co uważać: Kod trzeba aktualizować przy każdej zmianie identyfikacji, a wyniki i tak warto obejrzeć — dokładność kodu dotyczy wyglądu, nie treści.