O czym jest ten film
- Czym naprawdę jest „trenowanie” modelu i dlaczego 99% firm nie powinno o nim myśleć.
- Dlaczego fine-tuning to również ślepa uliczka — zmienia głównie styl, a wiedza szybko się dezaktualizuje.
- Czego ludzie naprawdę chcą, mówiąc „chcę wytrenować AI na mojej firmie”: pamięci o kontekście.
- Trzy składniki, które to realizują: pliki, reguły i notatki.
- Projekty w przeglądarce jako najprostsza implementacja plików i reguł.
- Odpowiedniki projektów po stronie agentów desktopowych: folder plus
claude.mdlubagent.md. - Natywna pamięć w Claude i ChatGPT — przydatna, ale nie do zadań krytycznych.
- Eksternalizacja pamięci do plików typu „lessons learned” jako trwalsze rozwiązanie.
- Skille: proces powtarzalny w wielu kontekstach, przenośny między dostawcami.
- Problem uwięzienia u jednego dostawcy i argument za agentami desktopowymi.
Redakcyjne tłumaczenie
Zdanie, które słyszę najczęściej
Twoje AI najprawdopodobniej nie zna twoich klientów, twoich cen ani tego, jak piszesz. Prędzej czy później pada więc to samo zdanie: „Chcę wytrenować je na mojej firmie”.
Nazywam się Dylan i prowadzę firmę doradczą w obszarze AI. To właśnie na słowie „wytrenować” widzę, jak dobrzy przedsiębiorcy i menedżerowie albo grzęzną w miejscu, albo przepłacają. Pokażę więc, co trenowanie naprawdę oznacza, a potem zbudujemy to, czego rzeczywiście chcesz: AI, które pamięta twoją firmę — przy użyciu funkcji wbudowanych w narzędzia, za które już płacisz.
Co „trenowanie” znaczy naprawdę
Kiedy ktoś mówi „trenowanie” — albo kiedy sam tak mówisz — o czym właściwie jest mowa? To jest to, co robią Anthropic, OpenAI i Google. Biorą miliardy i biliony punktów danych, setki milionów, jeśli nie miliardy dolarów, oraz miesiące czasu, i przekuwają to wszystko w model, z którego ty i ja korzystamy. Czyli w GPT, Claude’a, Gemini i tak dalej. To jest trenowanie.
Czasem, mówiąc „trenowanie”, ludzie mają na myśli coś innego — koncepcję zwaną fine-tuningiem. I zarówno trenowanie, jak i fine-tuning nie są rozwiązaniem dla 99% firm. Większość z was nie musi w ogóle robić takich rzeczy, żeby wyciągnąć z AI więcej.
Przy trenowaniu wydaje mi się to oczywiste. Nie musisz wydawać takich pieniędzy, chyba że jesteś Anthropikiem — wtedy proszę bardzo. Ale jeśli nim nie jesteś i uważasz, że fine-tuning to kolejna najlepsza opcja, to też jest nieporozumienie.
(Informacja dodatkowa: fine-tuning to douczanie gotowego modelu na własnym, znacznie mniejszym zbiorze przykładów — technicznie dostępne przez API każdego dużego dostawcy, ale wymagające przygotowanych danych i utrzymania.)
Dlaczego fine-tuning to nie jest twoja droga
Przy fine-tuningu bierzesz duży podzbiór przykładów — może tysiące — i douczasz na nich AI tak, żeby było dopasowane do tego konkretnego wzorca. A fine-tuning w większości zmienia po prostu sposób, w jaki AI z tobą rozmawia. Czyli to, jak brzmi i jak wchodzi w interakcję — niekoniecznie jego wiedzę. Owszem, aktualizuje też wiedzę, ale zwykle nie o to w nim chodzi.
Druga słabość jest taka: kiedy przejdziesz przez ten proces, z czasem twoje ceny się zmieniają, klienci się zmieniają, usługi się zmieniają. I wszystko, co w danym momencie wpisałeś w model przez fine-tuning, staje się nieaktualne. Wszystko, co wydarzyło się później, jest kompletnie pominięte.
Kiedy rozmawiam z menedżerami i właścicielami firm, którzy mówią „chcę wytrenować AI na mojej firmie”, oni po prostu chcą, żeby AI rozumiało i pamiętało ich kontekst. I to jest właśnie to, czego większość z was potrzebuje.
Trzy rzeczy, których naprawdę potrzebujesz
Nie musisz „trenować” AI. Potrzebujesz AI, które pamięta twoje konkretne preferencje dla danych zadań, kontekstów i tak dalej. A żeby to zrobić — sprawa jest bardzo prosta. Możesz zacząć jeszcze dzisiaj po południu. Potrzebujesz trzech rzeczy: plików, reguł i notatek.
Pliki to po prostu dokumenty, które dajesz AI albo do których AI może uzyskać dostęp — zależnie od tego, z jakiego rodzaju narzędzia korzystasz. Przykłady: twój cennik, przegląd usług albo przykłady tego, jak wygląda dobra robota.
Reguły to nasze instrukcje dla AI, żeby rozumiało kontekst tego, jak robimy różne rzeczy. Przykłady: „nigdy nie schodź z rabatem poniżej 10%”, świadomość, że konkretni klienci nie znoszą długich maili, albo fakt, że w grudniu nie bierzemy zleceń na już. To wszystko są reguły, które możemy przekazać AI, a ono będzie o nich pamiętać.
Notatki to miejsce, w którym AI samo zapisuje twoje preferencje w czasie, bez twojej interwencji, i automatycznie poprawia się z efektem kumulacji. To wszystkie wyciągnięte wnioski z danego zadania, składające się na wiedzę o tym, jak lubisz je wykonywać.
To są jedyne trzy rzeczy, jakich naprawdę potrzebujesz, żeby AI pamiętało twoje preferencje i twój kontekst oraz było lepiej dopasowane do twojej firmy.
Jak to wygląda w praktyce: projekty
Jak to się objawia? Głównie przez serię plików, które AI tworzy dla ciebie, oraz przez dwie funkcje dostępne u wszystkich dostawców: projekty i skille.
Zacznijmy od projektów, bo od tego większość z was zacznie. Zakładam, że większość korzysta z Claude’a albo ChatGPT w przeglądarce. W tych narzędziach jest opcja „projekty”. Projekt to, najprościej mówiąc, folder poświęcony jednemu zadaniu. Kiedy go otwierasz, AI jest zoptymalizowane i przygotowane właśnie pod tę konkretną rzecz.
Wewnątrz projektu mamy instrukcje — czyli wspomniane wcześniej reguły. To wszystkie preferencje dotyczące tego, jak AI ma wykonać dane zadanie. Dodatkowo w instrukcjach możemy wskazać konkretne pliki wgrane do projektu. Możemy powiedzieć AI, żeby przed wykonaniem zadania zajrzało do cennika, do case studies, do przykładowych raportów — po to, żeby zdobyć więcej kontekstu i zapewnić zgodność z naszymi preferencjami. To jest część „pliki”, a to część „reguły” dla projektów.
Dzięki temu za każdym razem, gdy rozmawiasz z tym AI, zna ono twoją firmę i twoje preferencje dla danego zadania w danym kontekście.
To samo na desktopie
W przeglądarce nazywa się to projektem. Ale jeśli korzystasz z agenta desktopowego, jak Claude Co-work czy Codex, oba mają swoje odpowiedniki: po prostu otwierasz folder na komputerze, a w nim masz plik z instrukcjami — claude.md albo agent.md, zależnie od narzędzia. claude.md, jeśli używasz Claude’a, agent.md, jeśli Codexa. To są twoje instrukcje. A w tym folderze masz różne podfoldery i pliki, do których AI może sięgnąć, jeśli potrzebuje więcej kontekstu.
To dokładnie ta sama rzecz — tylko jedno jest na twoim komputerze, a drugie w chmurze.
(Informacja dodatkowa: w narzędziach Anthropic plik z instrukcjami projektu nosi nazwę CLAUDE.md; u OpenAI odpowiednikiem jest AGENTS.md. Autor podaje nazwy z pamięci, w uproszczonej formie.)
Pamięć: natywna kontra eksternalizowana
Kolejna rzecz to pamięć — to nawiązanie do punktu o notatkach. Są dwa sposoby, na jakie AI może pamiętać rzeczy w czasie.
Pierwszy większość z was już zna: Claude i ChatGPT w przeglądarce mają natywny komponent pamięci. Możesz nawet nie wiedzieć, że tam jest, ale korzystasz z niego — bo pewnie nieraz myślałeś: „dziwne, ChatGPT zapamiętał, że wspomniałem o tym trzy tygodnie temu”. To właśnie pamięć. I u obu dostawców ona się poprawia.
Ważne jednak, żeby na niej nie polegać — zwłaszcza przy istotnych zadaniach. Jeśli chcesz, żeby AI pamiętało coś przy bardzo konkretnym zadaniu, musisz zaktualizować instrukcje projektu albo skilla o tę konkretną preferencję.
To w przeglądarce. Na desktopie to zupełnie inna gra i moim zdaniem korzystniejsza oraz bardziej użyteczna. Możesz w instrukcjach po prostu powiedzieć AI: „za każdym razem, gdy przekażę ci wyciągnięte wnioski, preferencje czy cokolwiek innego, chcę, żebyś zaktualizował inny plik”. Może to być plik z wnioskami, plik z insightami czy coś podobnego. Za każdym razem, gdy dasz mu spostrzeżenie albo preferencję, ono bierze to i aktualizuje ten plik za ciebie — bo agent desktopowy potrafi aktualizować pliki na twoim komputerze bez twojego udziału. To jest właśnie eksternalizacja pamięci.
Skille — proces, który przychodzi do ciebie
Skill to w gruncie rzeczy proces, który wykonujesz raz za razem i który zamykasz wewnątrz AI. Różnica między skillem a projektem polega na tym, że skille można wykorzystywać w różnych rozmowach. Do projektu musisz pójść i w nim działać. Skill sam do ciebie przychodzi.
Powodem, dla którego wybierzesz skilla zamiast projektu, jest sytuacja, gdy masz bardzo konkretny proces przecinający wiele tematów — taki, o którym wiadomo, kiedy go zastosować. W przykładzie mamy ofertę handlową. Mamy może dziesięciu różnych klientów, wszyscy z innych branż, o innych biznesach i preferencjach. Każdy ma swój kontekst. Ale sposób, w jaki piszemy oferty dla wszystkich klientów, jest podobny. Mamy podobną strukturę, lubimy eksponować bolączkę klienta, umieszczać cenę na pierwszej stronie i tak dalej. Proces jest ten sam, zmienia się temat — i właśnie tu skille się sprawdzają.
Struktura skilla jest bardzo prosta i szczerze mówiąc, nie musisz znać zbyt wielu szczegółów, bo AI tworzy skille za ciebie. Po prostu prosisz, żeby stworzyło ci skilla. Ale w skrócie: każdy skill zaczyna się od pliku skill.md, czyli od instrukcji. To są te reguły, o których mówiłem. Podobnie jak w projekcie masz system prompt — to ta sama idea. Mówimy AI, co ma robić, kiedy to robić i czy ma sięgać po jakieś pliki. Dalej, opcjonalnie, AI czasem dołoży do tego folderu podfoldery, jeśli potrzebuje sięgnąć po szablony, przykłady i tym podobne rzeczy dla dodatkowego kontekstu — analogicznie do plików wiedzy w projekcie.
Jeśli korzystasz wyłącznie z przeglądarki i jesteś w Claude, prawdopodobnie już się ze skillami zetknąłeś. Jeśli jesteś w ChatGPT, skille w przeglądarce zobaczysz tylko na planie enterprise. Ale jeśli używasz agenta desktopowego, jak Claude Co-work od Anthropic czy Codex od OpenAI, oba mocno korzystają ze skilli — więc tam też mogłeś się z nimi spotkać.
Zastrzeżenie: uwięzienie u jednego dostawcy
Chcę podzielić się pewnym zastrzeżeniem co do tego, jak AI może pamiętać twoje informacje. Jednym ze sposobów jest pozwolenie, by wszystko pamiętało wewnątrz przeglądarki. Jestem temu raczej przeciwny w przypadku większości moich klientów, bo wtedy zostajesz przywiązany do jednego dostawcy, gdyby kiedyś przyszła ochota na zmianę.
Jeśli kiedykolwiek zechcesz przenieść się z Claude’a do ChatGPT albo z ChatGPT do Gemini, nie jest to niemożliwe, ale bardzo trudne i czasochłonne. Powód: projekty, które tam utworzyłeś, są wewnątrz tego narzędzia. Musisz skopiować instrukcje wszystkich projektów, skopiować wszystkie pliki, a do tego poprosić AI o wyciągnięcie pamięci z każdego z tych projektów. Wszystko musisz przenieść do nowego dostawcy.
I nie chodzi tylko o projekty — ogólne wspomnienia, które AI ma o tobie, też musisz wydobyć. Musisz poprosić AI, żeby oddało ci te wspomnienia, i jest szansa, że nie odda wszystkiego. Bo w miarę jak pamięć w tych modelach staje się lepsza natywnie, będzie coraz głębiej wbudowana i coraz trudniejsza do wyjęcia.
Jedyne, co jest łatwe, to skille — bo możesz je po prostu pobrać i wgrać ponownie. To otwarty standard, którego używa większość dostawców.
(Informacja dodatkowa: format skilli został opublikowany przez Anthropic jako otwarta specyfikacja, co ułatwia przenoszenie ich między narzędziami — inaczej niż w przypadku projektów i pamięci, które pozostają wewnętrznymi funkcjami każdej platformy.)
Musisz więc uważać z opieraniem się wyłącznie na przeglądarce — a co najmniej mieć tego świadomość. Kiedy przyjdzie moment przeprowadzki z jednego narzędzia do drugiego, może to zająć sporo czasu.
Dlaczego agenci desktopowi
Mam na ten temat osobny film, jeśli chcesz go obejrzeć — omawiam w nim, jak ustawić swój system i procesy tak, żeby przenoszenie się między narzędziami było łatwe. A w skrócie: korzystaj z agentów desktopowych, na ile to możliwe — Codex od OpenAI albo Claude Co-work od Anthropic. Bo możesz wymusić na AI eksternalizowanie wszystkich instrukcji, reguł i plików pamięci do plików na twoim komputerze.
Gdy już to zrobisz, wystarczy skierować nowy system na te pliki. Jeśli chcesz przejść z Claude Co-work do Codexa, otwierasz po prostu Codexa w tym samym folderze, którego używałeś z Claude Co-work — i będzie miał 99% tego, czego potrzebuje, żeby działać tak samo dobrze albo lepiej niż poprzedni model. Do zrobienia zostają drobne poprawki. To jedna z drugorzędnych korzyści z agentów desktopowych.
Pierwszorzędna korzyść, do której namawiam klientów, jest taka, że AI potrafi otwierać, czytać i edytować pliki za ciebie. Potrafi też wykonywać znacznie dłuższe i bardziej złożone zadania — nawet przy tym samym modelu — po prostu dzięki wszystkim narzędziom i pamięci wokół samego AI. I skuteczniej korzysta ze skilli w porównaniu z tym samym modelem i tym samym skillem w przeglądarce.
Mówię o agentach desktopowych i o przenośności, bo jeśli chcesz AI, które skutecznie pamięta twoją firmę, to inwestujesz w nie sporo czasu i wysiłku i sporo z niego wyciągasz. Ale nie chcesz zostać zamknięty, gdyby przyszła potrzeba zmiany. Musisz więc rozumieć różne systemy oraz ich wady i zalety.
Podsumowanie
W skrócie: nie musisz trenować AI. Trenowanie to zupełnie coś innego. To samo z fine-tuningiem — to nie jest twoja droga. Chcesz AI, które pamięta twój kontekst, twoją firmę i to, jak wykonujesz konkretne zadania. Tam leży cała dźwignia.
A to wszystko sprowadza się do trzech rzeczy: plików, reguł i notatek. Pliki to kontekst, którym dzielisz się z AI albo do którego dajesz mu dostęp — zależnie od systemu. Reguły to proste instrukcje mówiące AI, co ma robić i jak. A notatki to twoje preferencje, wyciągnięte wnioski i spostrzeżenia, które AI zbiera z czasem — czyli jego pamięć.
Doświadczysz tego na dwa sposoby. Większość z was przez przeglądarkę: przez projekty, skille i towarzyszącą im natywną pamięć. To dobre miejsce na start, ale zalecam szybkie przejście do agentów desktopowych — głównie dlatego, że są znacznie potężniejsze. Drugorzędna korzyść jest taka, że łatwiej przenieść się z jednego systemu do drugiego, bo pliki, notatki i reguły są wyeksternalizowane poza AI i w większości nie są przywiązane do konkretnego narzędzia.
10 najważniejszych takeaways — z kontekstem zastosowania
1.„Trenowanie AI na mojej firmie” to prawie zawsze nie to, o co ci chodzi
Na czym polega: Trenowanie to proces zarezerwowany dla Anthropic, OpenAI i Google — miliardy punktów danych, setki milionów dolarów, miesiące pracy. Kiedy menedżer mówi „chcę wytrenować AI”, w rzeczywistości chce, żeby AI pamiętało jego kontekst.
Jak stosować: Zanim zaczniesz szukać wykonawcy czy budżetu, przetłumacz swoje zdanie na konkret: „chcę, żeby AI znało nasz cennik, nasz styl pisania i nasze zasady rabatowe”. Ten opis prowadzi do rozwiązania, które wdrożysz sam w jedno popołudnie.
Na co uważać: To sformułowanie jest punktem, w którym łatwo przepłacić. Jeśli ktoś proponuje ci kosztowny projekt „trenowania modelu” pod zwykłe potrzeby firmowe, poproś, żeby wyjaśnił, dlaczego pliki i instrukcje nie wystarczą.
2.Fine-tuning zmienia głównie styl, nie wiedzę
Na czym polega: Fine-tuning douczasz na tysiącach przykładów, ale efektem jest przede wszystkim zmiana sposobu, w jaki AI brzmi i wchodzi w interakcję. Wiedza też się aktualizuje, ale zwykle nie o to w nim chodzi.
Jak stosować: Jeśli twoim problemem jest „AI nie zna naszych faktów”, fine-tuning go nie rozwiąże — sięgnij po pliki. Rozważaj fine-tuning wyłącznie wtedy, gdy problemem jest wyłącznie ton albo forma i masz naprawdę duży, spójny zbiór przykładów.
Na co uważać: Ustalenia zamrożone przez fine-tuning starzeją się razem z cennikiem, listą klientów i ofertą. Wszystko, co wydarzy się po douczeniu, jest dla modelu niewidoczne — i nie dowiesz się o tym, dopóki nie zobaczysz błędnej odpowiedzi.
3.Cały system to trzy elementy: pliki, reguły, notatki
Na czym polega: Pliki to kontekst (cennik, opis usług, przykłady dobrej roboty). Reguły to instrukcje, jak masz działać. Notatki to preferencje i wnioski, które AI zbiera z czasem.
Jak stosować: Zacznij od audytu w tych trzech kubełkach. Wypisz, jakie dokumenty AI musi widzieć, jakie zasady musi znać i gdzie ma zapisywać to, czego się o tobie uczy. Reszta konfiguracji to tylko wybór narzędzia.
Na co uważać: Nie mieszaj kategorii. Wrzucenie reguł do plików i faktów do instrukcji utrudnia późniejszą aktualizację — a to właśnie aktualizacja decyduje o tym, czy system przeżyje pół roku.
4.Projekt to folder dedykowany jednemu zadaniu
Na czym polega: W przeglądarce Claude’a i ChatGPT projekt łączy instrukcje (reguły) z wgranymi plikami (kontekst). Otwierając go, dostajesz AI już przygotowane do tej konkretnej roboty.
Jak stosować: Twórz osobny projekt na powtarzalne zadanie, nie na klienta czy dział. W instrukcjach wprost wskaż pliki, do których AI ma zajrzeć, zanim zacznie — samo wgranie plików nie gwarantuje, że po nie sięgnie.
Na co uważać: Projekt wymaga, żebyś do niego poszedł. Jeśli zauważysz, że zaczynasz rozmowy poza projektem i wklejasz kontekst ręcznie, to sygnał, że potrzebujesz raczej skilla.
5.Na desktopie projekt to zwykły folder z plikiem instrukcji
Na czym polega: Agenci desktopowi używają folderu z plikiem instrukcji — claude.md przy Claude, agent.md przy Codexie — i podfolderami z materiałami. Idea identyczna jak w projekcie, tylko dane leżą na twoim dysku.
Jak stosować: Jeśli już masz działający projekt w przeglądarce, przenieś go: instrukcje do pliku markdown, załączniki do podfolderu. Od tego momentu masz kopię zapasową i pełną kontrolę nad wersjami.
Na co uważać: Sprawdź aktualne nazewnictwo w swoim narzędziu — w narzędziach Anthropic plik nazywa się CLAUDE.md, u OpenAI AGENTS.md. Zła nazwa oznacza, że agent po prostu nie wczyta instrukcji, a błąd bywa cichy.
6.Nie polegaj na natywnej pamięci przy ważnych zadaniach
Na czym polega: Claude i ChatGPT mają wbudowaną pamięć, która wyłapuje rzeczy z rozmów sprzed tygodni. Działa i jest coraz lepsza, ale jest nieprzewidywalna.
Jak stosować: Traktuj natywną pamięć jako miły dodatek. Wszystko, co ma się zadziać zawsze — reguła rabatowa, format oferty, zakaz pewnych sformułowań — zapisz jawnie w instrukcjach projektu albo skilla.
Na co uważać: Milczące pominięcie preferencji jest trudne do wykrycia. Odpowiedź wygląda poprawnie, tylko nie uwzględnia zasady, o której AI „wiedziało” trzy tygodnie temu.
7.Każ agentowi prowadzić własny plik wniosków
Na czym polega: Agentowi desktopowemu można w instrukcjach polecić: gdy dostaniesz ode mnie wniosek albo preferencję, dopisz to do pliku z wnioskami. Agent aktualizuje plik sam, bez twojego udziału.
Jak stosować: Dodaj do instrukcji jedno zdanie tej treści i wskaż konkretną ścieżkę pliku. Z czasem powstaje ci dokument, który jest jednocześnie pamięcią AI i czytelną dla ciebie dokumentacją procesu.
Na co uważać: Plik trzeba czasem przejrzeć. Rosnąca lista wniosków potrafi zawierać zapisy sprzeczne albo nieaktualne, a AI nie ma jak samo rozstrzygnąć, który obowiązuje.
8.Skill dla procesu, projekt dla kontekstu
Na czym polega: Skill to zamknięty proces działający w wielu rozmowach — przydaje się, gdy sposób pracy jest stały, a temat się zmienia. Przykład: piszesz oferty dla dziesięciu różnych klientów, ale struktura oferty jest zawsze ta sama.
Jak stosować: Zapytaj się, co jest stałe. Stały proces przy zmiennym temacie → skill. Stały temat przy zmiennych zadaniach → projekt. Samego skilla nie musisz pisać ręcznie: poproś AI, żeby go dla ciebie stworzyło.
Na co uważać: Skille w przeglądarce ChatGPT są dostępne tylko na planie enterprise. Jeśli planujesz oprzeć na nich pracę, sprawdź, czy twój plan w ogóle je udostępnia.
9.Uwięzienie u dostawcy dotyczy pamięci, nie modelu
Na czym polega: Przeniesienie się między dostawcami jest trudne nie z powodu modelu, tylko z powodu tego, co narosło wokół niego — instrukcji projektów, wgranych plików i pamięci, którą trzeba z AI wydobywać pytaniami, bez gwarancji kompletności.
Jak stosować: Zanim zainwestujesz miesiące w budowanie kontekstu w przeglądarce, zdecyduj świadomie, czy godzisz się na ten koszt wyjścia. Jeśli nie, od początku trzymaj instrukcje i pliki poza narzędziem.
Na co uważać: Im lepsza staje się natywna pamięć, tym głębiej jest wbudowana i tym trudniej ją wyjąć. Koszt przeprowadzki rośnie z czasem, a nie maleje.
10.Agenci desktopowi wygrywają na mocy, a portowalność to premia
Na czym polega: Agent desktopowy otwiera, czyta i edytuje pliki, wykonuje dłuższe i bardziej złożone zadania nawet na tym samym modelu i skuteczniej korzysta ze skilli. Do tego, skoro wszystko jest w plikach, przejście na inne narzędzie sprowadza się do otwarcia tego samego folderu.
Jak stosować: Zacznij w przeglądarce, jeśli tak ci wygodniej, ale traktuj to jako etap. Gdy masz już działający zestaw reguł i plików, przenieś go do folderu na dysku i pracuj tam.
Na co uważać: Autor mówi o 99% gotowości po zmianie narzędzia — drobne poprawki i tak są potrzebne. Nie zakładaj, że przełączenie będzie całkowicie bezobsługowe, i sprawdź kilka typowych zadań po migracji.