O czym jest ten film
- Inżynierowie Anthropic, twórcy formatu Agent Skills, przestali budować osobnego agenta do każdego zadania — sam agent okazał się na tyle uniwersalny, że klonowanie go nie ma sensu.
- Stos AI zaczyna przypominać smartfona: model to procesor, środowisko agenta to system operacyjny, a umiejętności (skills) to aplikacje, które dobierasz do konkretnych potrzeb.
- Zasada 1: sprawdzony kod zapisuj w umiejętności jako „narzędzie dla przyszłego siebie” — klasyczne DRY przeniesione na modele językowe.
- Zasada 2: precyzyjny opis w bloku YAML sprawia, że Claude ładuje tylko właściwą umiejętność (stopniowe ujawnianie) i omija „gnicie kontekstu”.
- Zasada 3: poprawka wpisana w czacie znika wraz z sesją — korekty trzeba przerabiać na trwałe instrukcje w SKILL.md, pliki referencyjne i jednoznaczne reguły.
- Zasada 4: umiejętność nie powinna oddawać pierwszej wersji jako gotowej — kontrola jakości ma być wbudowana w sam proces.
- Weryfikacja wymaga dowodu z zewnątrz: zrzutu ekranu, wyniku testu, źródła albo oceny kilku agentowych person.
- Format Agent Skills jest otwarty, więc ten sam zestaw umiejętności zadziała w innych zgodnych środowiskach — choć nie wyrówna różnic między modelami.
- Autor podaje gotowe prompty do trzech sytuacji: zapisywania skryptu, audytu opisów i naprawiania umiejętności po nieudanym przebiegu.
- Praktyczny morał: pierwszy rzut oka człowieka nie powinien być pierwszym rzutem oka agenta.
Redakcyjne tłumaczenie
Inżynierowie Anthropic ogłosili, że przestali budować agentów — i zajęli się czymś zupełnie innym. Jeśli nadal całą energię wkładasz w tworzenie agentów, najpewniej tracisz godziny na coś, co nigdy nie zadziała tak, jakbyś chciał. Jeśli zaś skupisz się na tym, co budują oni, dostaniesz system, który doskonali się sam. W tym materiale pokażę, co według nich budować zamiast agentów, oraz cztery elementy, które naprawdę decydują o jakości — żebyś osiągał wyniki porównywalne z tymi, które mają inżynierowie Anthropic.
Agenci nie umarli — zmieniło się to, co warto budować
Od razu ważne zastrzeżenie: Anthropic nie twierdzi, że agenci umarli. Barry Zhang i Mahesh Murag, dwaj twórcy formatu Agent Skills w tej firmie, wyjaśnili, że po prostu przestali budować osobnego agenta do każdego zadania, bo sam agent okazał się znacznie bardziej uniwersalny, niż zakładali.
Telefon jako mapa całego stosu AI
Najłatwiej to zrozumieć na przykładzie telefonu. W smartfonie masz procesor, system operacyjny i aplikacje, którymi posługujesz się codziennie. Procesor i system buduje kilku gigantów — żadnego z nich raczej nie wymieniasz. Ale aplikacje wybierasz sam i każda z nich dodaje temu samemu telefonowi konkretną możliwość. Cały stos AI zaczyna wyglądać bardzo podobnie: model pełni rolę procesora, środowisko, w którym działa agent, odpowiada systemowi operacyjnemu, a umiejętności — aplikacjom.
(Informacja dodatkowa: Agent Skills to otwarty format wprowadzony przez Anthropic — folder z plikiem instrukcji SKILL.md oraz opcjonalnymi skryptami i zasobami, który rozszerza kompetencje agenta tak, jak aplikacja rozszerza możliwości telefonu.)
Claude Code już dziś potrafi czytać pliki, pisać kod, wywoływać narzędzia i doprowadzać zadanie do końca. Nie musisz tego wszystkiego odtwarzać od zera, ilekroć potrzebujesz pomocy przy prezentacji, researchu o firmie czy poście na LinkedIn. Wystarczy dodać temu samemu uniwersalnemu agentowi umiejętność: pakiet z procesem, kontekstem, skryptami i przykładami dla konkretnej pracy. Pytanie brzmi, jak sprawić, żeby takie umiejętności działały naprawdę dobrze. Są na to cztery praktyczne sposoby.
Zasada 1. Nie płać Claude’owi za odkrywanie tego, co już masz
Zacznijmy od czegoś prostego: przestań zmuszać Claude’a do rozwiązywania w kółko tego samego problemu technicznego. Zespół Anthropic obserwował, jak model przy każdym stylowaniu slajdów pisze niemal identyczny skrypt w Pythonie. Pożerał ogromne ilości tokenów na odtwarzanie kodu, który dawno istniał. A skoro pisał go od zera, wynik zmieniał się między przebiegami — powtarzalności nie było. Rozwiązanie: kazali Claude’owi zapisać ten skrypt wewnątrz umiejętności jako — w ich własnych słowach — „narzędzie dla jego przyszłego ja”. Teraz, gdy trzeba ostylować prezentację, model po prostu uruchamia wersję, która już się sprawdziła.
Programiści znają tę zasadę od dziesięcioleci: DRY, don’t repeat yourself, „nie powtarzaj się”. Jeśli rozwiążesz problem w kodzie, zapisujesz rozwiązanie i sięgasz po nie ponownie, zamiast przepisywać wszystko od początku. Dokładnie to samo można zrobić z Claude’em. W moim własnym „systemie operacyjnym AI” mam umiejętności, które za każdym razem korzystają z tych samych rendererów, szablonów i skryptów. Mój przepływ pracy dla karuzel nie każe modelowi przy każdym przebiegu na nowo wymyślać, jak wyrenderować slajd — umiejętność wskazuje pliki, które działają, a Claude zajmuje się wyłącznie nową treścią. Dosłownie: tylko zmianą tekstu.
Praktycznie: gdy Claude napisze skrypt, którego wynik ci się podoba, nie zostawiaj tego kodu w czacie, gdzie przepadnie przy kolejnej sesji. Powiedz mu na przykład: „Zapisz skrypt, którego właśnie użyłeś, w folderze scripts tej umiejętności. Zaktualizuj SKILL.md tak, aby kolejne przebiegi uruchamiały ten plik, a nie pisały kod od nowa. Następnie uruchom umiejętność ponownie i sprawdź wynik”. I oczywiście przetestuj: wykonaj to samo zadanie dwa razy, porównaj istotne elementy i upewnij się, że umiejętność faktycznie wywołuje zapisany plik. Reszta odpowiedzi modelu może się trochę różnić, ale świeże zgadywanie zastąpiłeś sprawdzonym kodem. Morał z tego taki: nie płać Claude’owi za wymyślanie od nowa rozwiązania, które już posiadasz.
Zasada 2. Opis umiejętności decyduje, czy Claude ją znajdzie
Gdy takich umiejętności nazbiera się więcej, pojawia się kolejny problem: Claude musi wiedzieć, która z nich pasuje do zadania, które akurat stoi przed nim. Pomyśl o mechaniku. Może mieć setki narzędzi, ale nie wysypuje ich wszystkich na stół, żeby zmienić koło. Rozpoznaje pracę, bierze kilka potrzebnych rzeczy, a resztę zostawia w skrzynce. Umiejętności działają bardzo podobnie — dzięki mechanizmowi, który Anthropic nazywa stopniowym ujawnianiem (ang. progressive disclosure).
Na starcie Claude nie czyta pełnych instrukcji, przykładów i skryptów wszystkich twoich umiejętności — to byłaby czysta strata czasu i tokenów. Najpierw widzi tylko nazwę i opis każdej z nich, czyli blok YAML otwierający plik. Dopiero gdy twoja prośba pasuje do któregoś opisu, model doczytuje cały SKILL.md. Większe materiały referencyjne i skrypty spokojnie leżą w folderze, dopóki zadanie naprawdę ich nie potrzebuje. Anthropic ujmuje to krótko: Claude ma ładować informacje dopiero wtedy, gdy są potrzebne. Dzięki temu nieistotne instrukcje nie zaśmiecają kontekstu roboczego, a ty omijasz przeładowanie i chaos określane mianem „gnicia kontekstu”.
(Informacja dodatkowa: „context rot”, czyli „gnicie kontekstu”, to spadek jakości odpowiedzi modelu, gdy okno kontekstowe wypełnia się zbędnymi treściami — im więcej niepotrzebnych informacji, tym gorzej model radzi sobie z tym, co naprawdę ważne.)
Cała ta mechanika działa jednak tylko przy naprawdę jasnych opisach. Jeśli jedna umiejętność mówi „pomagaj z treściami”, a druga „twórz materiały marketingowe”, Claude może jedynie zgadywać: opisy się nakładają i nie mówią, kiedy która ma się uruchomić. Mocniejszy opis wyglądałby tak: „Ta umiejętność tworzy karuzele na LinkedIn na podstawie tematu, transkryptu albo konspektu. Używaj jej, gdy użytkownik prosi o karuzelę, slajdy karuzeli lub post w formie dokumentu na LinkedIn”. Teraz model wie zarówno, co umiejętność robi, jak i kiedy po nią sięgnąć.
Trzy reguły na koniec: każda umiejętność powinna dotyczyć jednej konkretnej pracy; w opisie używaj słów, jakimi posługuje się prawdziwy człowiek; i pilnuj, żeby dwie umiejętności nie konkurowały o to samo żądanie. Zresztą audyt może za ciebie zrobić Claude Code: „Przejrzyj opisy wszystkich moich umiejętności. Dla każdej powiedz, co robi, kiedy powinna się uruchomić i gdzie nakłada się z innymi. Przepisz wyłącznie te opisy, które są niejednoznaczne”.
Potem sprawdź aktywację w trzech scenariuszach: najpierw oczywista prośba, która powinna uruchomić umiejętność; potem ta sama prośba sformułowana inaczej, która też powinna ją wywołać; na koniec prośba z zupełnie innej dziedziny, która na pewno nie powinna. I zapamiętaj: umiejętność, której Claude nie potrafi znaleźć, to w praktyce umiejętność, której nie masz.
Zasada 3. Korekta musi zostać w systemie, nie w czacie
Dobrze napisany opis załatwia zadania na dziś. Następny krok to zadbanie o to, żeby umiejętność robiła się lepsza przy każdym użyciu. A za każdym razem, gdy poprawiasz Claude’a i zamykasz czat, jest spora szansa, że właśnie wyrzuciłeś tę lekcję do kosza. Może model użył złego tonu, pominął krok walidacji albo sformatował wynik tak, jak nie chcesz już nigdy zobaczyć. Jeśli ograniczysz się do „popraw”, Claude zapewne poprawi — ale proces zostanie zepsuty.
Sam musiałem to obrobić we własnym systemie. Gdy agent twierdzi, że nie znajduje pliku, który na pewno istnieje, nie podaję mu po prostu ścieżki i nie idę dalej. Proszę go, żeby cofnął się i pokazał swoje kroki: gdzie szukał i dlaczego przeoczył plik. Potem poprawiam routing — czyli reguły, którymi zadania trafiają do agentów — albo samą umiejętność, tak aby następny przebieg startował z właściwego miejsca.
Anthropic projektuje umiejętności jako krok w stronę takiego ciągłego doskonalenia. Ich obietnica brzmi: wszystko, co Claude zapisze, przyszła wersja modelu wykorzysta sprawnie. Trzeba tylko nie przeceniać tej mechaniki. Umiejętności nie zapamiętują wszystkiego i nie są zapisem wszystkich twoich rozmów. Przechowują wiedzę proceduralną — to, czego Claude potrzebuje, żeby wykonać konkretną pracę. Dlatego: gdy proces jest wadliwy, popraw instrukcje w SKILL.md; gdy brakuje twojego tonu, marki czy przykładów — dodaj plik referencyjny; gdy ten sam błąd wraca — dopisz jednoznaczną regułę, która mu zapobiega. A potem uruchom to samo zadanie od nowa.
Przydatny prompt: „Przeanalizuj, co poszło nie tak w tym przebiegu. Zdecyduj, czy przyczyną był proces, brakujący kontekst, słaba reguła czy zawodny kod. Zaktualizuj umiejętność w najmniejszym miejscu, którego zmiana da trwały efekt. Następnie uruchom to samo zadanie ponownie i sprawdź, czy poprawka działa”. Z czasem umiejętność zamienia się w żywy dokument opisujący, jak chcesz, żeby dana praca była wykonywana.
Jedno doprecyzowanie co do „odporności na model”. Żadna umiejętność nie zmusi słabszego modelu, by działał dokładnie jak mocniejszy. Różne modele dają różne wyniki i inaczej interpretują te same instrukcje. Ale sam proces może być przenośny. Agent Skills to format otwarty, więc ten sam folder z umiejętnościami zadziała w innych zgodnych środowiskach agentowych — na przykład w Codexie czy Hermes Agent. Przetestuj ważną umiejętność w innym zgodnym agencie. Jeśli wynik się rozsypie, szukaj ukrytych założeń, brakujących przykładów albo sformułowań zrozumiałych tylko dla jednego modelu, doprecyzuj instrukcje i testuj dalej.
Zasada 4. Umiejętność nie oddaje pierwszej próby jako gotowej pracy
Trzy poprzednie zasady były ważne, ale ta jest chyba najważniejsza. Umiejętność nie powinna wręczyć ci pierwszej wersji i uznać roboty za skończoną. To największa luka, jaką widzę w większości przepływów pracy z AI: uruchamiasz umiejętność, ta coś tworzy, zapisuje plik i wraca z komunikatem „gotowe”. Otwierasz — a tu formatowanie się rozsypało, źródła nie potwierdzają tez, a scenariusz w ogóle nie trafia do odbiorcy. AI wykonało może 70–80 procent pracy i to ty, człowiek, ręcznie domykasz resztę. Skoro jednak wiesz, jak taką pracę sprawdzić, wbuduj te kontrole w samą umiejętność i pozwól modelowi domykać lukę za ciebie.
Przy prezentacji niech umiejętność wyrenderuje każdy slajd jako obraz, obejrzy zrzuty, poprawi to, co przycięte, nieczytelne albo wystaje poza kadr, i wyrenderuje ponownie. Przy raporcie z researchu niech otworzy źródła pierwotne, zestawi tezy z dowodami i usunie wszystko, czego nie dało się potwierdzić. A przy scenariuszu, reklamie czy innym materiale, w którym liczy się odbiór, niech kilka person — osobnych subagentów — przeczyta i przedyskutuje tekst. Agent-nowicjusz powie, co go gubi. Sceptyczny kupujący powie, w co nie wierzy. Ktoś z twojej faktycznej publiczności powie, w którym miejscu przestałby czytać.
Nie musisz przyjmować każdej uwagi tych person — to raczej pogorszyłoby efekt. Umiejętność może natomiast wyłapać problemy powtarzające się w kilku opiniach, wprowadzić najmocniejsze poprawki i przeprowadzić ocenę jeszcze raz. Czasem samo zobaczenie tych różnych perspektyw bardzo dużo daje.
I doprecyzujmy, czym weryfikacja jest: to nie Claude czytający własny tekst z komentarzem „wygląda dobrze”. Potrzebny jest dowód spoza pierwszej wersji — zrzut ekranu, wynik testu, źródło, wzorcowy przykład albo ocena kilku agentowych perspektyw. Taką pętlę można dodać do niemal każdej umiejętności: „Zanim zwrócisz finalny wynik, określ kryteria akceptacji. Przygotuj pierwszą wersję, sprawdź ją odpowiednią metodą, popraw każdy wykryty problem i wykonaj kolejny przebieg. Wynik zwróć dopiero po spełnieniu kryteriów, z krótkim podsumowaniem tego, co sprawdziłeś. Jeśli czegoś nie da się zweryfikować, powiedz wprost, co pozostało otwarte”. Najlepiej, jeśli uda się jeszcze ustawić obiektywną miarę sukcesu i kazać agentowi pracować, aż ją osiągnie.
W efekcie pierwszy wynik staje się wewnętrznym szkicem: Claude sam go ogląda, wyłapuje oczywiste problemy i poprawia, zanim cokolwiek zobaczysz — zanim zmarnujesz na to swój czas i uwagę. Ostatecznym sędzią i tak pozostajesz ty, zwłaszcza gdy w grę wchodzi gust, strategia czy osąd biznesowy. Cel jest jeden: przestań łapać błędy, które AI mogło wyłapać samo. Twój pierwszy rzut oka nie powinien być pierwszym rzutem oka agenta — powinien być jego czwartym albo piątym, a może i szóstym.
Podsumowanie: naucz uniwersalnego agenta, jak pracujesz ty
Teraz już wiesz, co naprawdę budują inżynierowie Anthropic. Zapisują sprawdzony kod, zamiast przepisywać go od zera. Dają każdej umiejętności precyzyjny opis, żeby Claude ładował wyłącznie właściwą. Zamieniają korekty w trwałe instrukcje, które coś wnoszą przy każdym kolejnym uruchomieniu. I weryfikują pracę, zanim ta w ogóle trafi do człowieka. Właśnie tak bierze się uniwersalnego agenta i uczy go, jak pracujesz ty.
Na koniec autor odsyła do własnych materiałów: kursu budowy „systemu operacyjnego AI”, darmowej społeczności z kursami, szablonami i zasobami oraz płatnej wersji dla osób, które chcą zamienić te umiejętności w karierę.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Sprawdzony kod zapisuj w umiejętności — to DRY dla AI
Na czym polega: Claude piszący za każdym razem ten sam skrypt od zera marnuje tokeny i daje niepowtarzalne wyniki. Zespół Anthropic każe mu zapisywać taki skrypt wewnątrz umiejętności jako „narzędzie dla przyszłego siebie” i uruchamiać sprawdzoną wersję.
Jak stosować: Gdy skrypt da wynik, który ci się podoba, poleć: „zapisz ten skrypt w folderze scripts umiejętności i zaktualizuj SKILL.md, by kolejne przebiegi go uruchamiały”. Następnie wykonaj to samo zadanie dwukrotnie i porównaj efekty.
Na co uważać: Otaczający tekst odpowiedzi nadal może się różnić między przebiegami — celem jest powtarzalność kluczowego kroku, nie identyczność całości. Sprawdź, czy umiejętność rzeczywiście odwołuje się do pliku.
2.Jedna umiejętność, jedno zadanie
Na czym polega: Nakładające się opisy („pomagaj z treściami” kontra „twórz materiały marketingowe”) zmuszają Claude’a do zgadywania, którą umiejętność uruchomić. Precyzyjny opis mówi i to, co umiejętność robi, i to, kiedy po nią sięgać.
Jak stosować: Opisz umiejętność słowami użytkownika, np. „tworzy karuzele na LinkedIn z tematu, transkryptu lub konspektu; używaj, gdy użytkownik prosi o karuzelę lub post w formie dokumentu”. Możesz kazać Claude Code przejrzeć wszystkie opisy i wskazać nakładanie się.
Na co uważać: Przepisuj tylko opisy faktycznie niejednoznaczne — globalny redakcyjny zapał łatwo rozmyje dotychczasową, działającą logikę wyboru.
3.Testuj aktywację trzema scenariuszami
Na czym polega: Umiejętność, której model nie znajduje, w praktyce nie istnieje. O jakości opisu świadczy nie jego elegancja, lecz to, czy właściwe prośby ją uruchamiają, a niewłaściwe — nie.
Jak stosować: Sprawdź trzy prośby: oczywistą (ma uruchomić), inaczej sformułowaną (też ma uruchomić) oraz z innej dziedziny (nie może uruchomić). Traktuj to jak test jednostkowy opisu.
Na co uważać: Po każdej zmianie opisu test powtórz — przeredagowanie łatwo psuje poprzednie zachowanie, nawet jeśli wydawało się kosmetyczne.
4.Stopniowe ładowanie treści: na start wystarczy opis
Na czym polega: Claude na początku widzi tylko nazwę i opis umiejętności (blok YAML), a pełny SKILL.md i skrypty czyta po dopasowaniu. To chroni kontekst roboczy przed zaśmieceniem i „gniciem kontekstu”.
Jak stosować: Trzymaj SKILL.md zwięzły i operacyjny, a duże materiały referencyjne oraz skrypty zostaw jako osobne pliki, do których umiejętność odwołuje się dopiero w razie potrzeby.
Na co uważać: Wklejenie całej bazy wiedzy do głównej instrukcji niweczy sens stopniowego ładowania — model i tak wczyta wszystko na starcie.
5.Poprawka zostaje w systemie, nie w czacie
Na czym polega: Korekta wpisana tylko w rozmowie znika wraz z sesją. Komenda „popraw” łata wynik, ale proces pozostaje zepsuty i błąd wróci przy następnym zadaniu.
Jak stosować: Po nieudanym przebiegu wybierz właściwe miejsce naprawy: wadliwy proces → instrukcje w SKILL.md; brak twojego tonu lub przykładów → plik referencyjny; powtarzający się błąd → jednoznaczna reguła. Potem uruchom to samo zadanie ponownie.
Na co uważać: Nie łataj wszystkiego naraz — szukaj najmniejszej zmiany dającej trwały efekt, inaczej umiejętność rozrośnie się do tego stopnia, że będzie trudna w utrzymaniu.
6.Zanim naprawisz, znajdź przyczynę
Na czym polega: Gdy agent nie znajduje istniejącego pliku, autor nie podaje ścieżki, lecz każe mu pokazać, gdzie szukał i dlaczego nie trafił — dopiero potem naprawia routing albo umiejętność.
Jak stosować: Użyj prompta-diagnozy: „przeanalizuj, co poszło nie tak; zdecyduj, czy winny był proces, brakujący kontekst, słaba reguła czy zawodny kod; zaktualizuj umiejętność w najmniejszym trwałym miejscu; uruchom zadanie ponownie i zweryfikuj”.
Na co uważać: Podawanie gotowego rozwiązania (np. ścieżki do pliku) wytwarza uzależnienie od twojej czujności — ten sam błąd wróci w kolejnym przebiegu.
7.Proces jest przenośny między agentami — modele nie
Na czym polega: Agent Skills to otwarty format, więc ten sam zestaw umiejętności zadziała w innych zgodnych środowiskach, np. Codexie. Żadna umiejętność nie sprawi jednak, że słabszy model dorówna mocniejszemu — modele inaczej interpretują instrukcje.
Jak stosować: Ważną umiejętność przetestuj w drugim zgodnym agencie. Jeśli wynik się rozsypie, szukaj ukrytych założeń, brakujących przykładów i sformułowań zrozumiałych tylko dla jednego modelu, po czym doprecyzuj instrukcje i testuj dalej.
Na co uważać: Przenośność nie gwarantuje identycznych wyników; najpierw próby na zadaniach o niskiej stawce, dopiero potem praca produkcyjna.
8.Wbuduj kryteria akceptacji w samą umiejętność
Na czym polega: Typowy przepływ kończy się na pierwszej wersji: model zapisuje plik, melduje „gotowe”, a człowiek ręcznie domyka brakujące 20–30 procent. Kontrole, które i tak wykonujesz w głowie, warto wpisać do umiejętności.
Jak stosować: Dodaj instrukcję: „zanim zwrócisz wynik, określ kryteria akceptacji, przygotuj pierwszą wersję, sprawdź ją, popraw problemy i wykonaj kolejny przebieg; zwróć wynik z podsumowaniem sprawdzeń, a rzeczy niepodlegające weryfikacji wymień wprost”. Jeśli się da, ustaw obiektywną miarę sukcesu.
Na co uważać: Kryteria muszą być mierzalne dla modelu — ogólnikowe „ma być dobrze” nic nie zmierzy i da jedynie iluzję kontroli.
9.Weryfikacja wymaga dowodu z zewnątrz
Na czym polega: Model czytający własny tekst i komentujący „wygląda dobrze” to nie weryfikacja. Potrzebny jest ślad spoza pierwszej wersji: zrzut ekranu, wynik testu, źródło albo ocena kilku perspektyw.
Jak stosować: Dopasuj metodę do materiału: prezentacja — render slajdów jako obrazy i kontrola kadru oraz czytelności; raport — zestawienie tez ze źródłami pierwotnymi i usuwanie niepotwierdzonych twierdzeń.
Na co uważać: Wybierz jedną powtarzalną metodę na typ zadania; zbieranie wszystkich możliwych śladów naraz podnosi koszty i wydłuża przebieg bez realnego zysku jakości.
10.Filtruj opinie agentowych person
Na czym polega: Przy materiałach, w których liczy się odbiór (scenariusz, reklama), kilka subagentów-person może ocenić pracę z różnych stron: nowicjusz wskaże, co go gubi, sceptyczny kupujący — czego nie kupuje, odbiorca — gdzie przestaje czytać.
Jak stosować: Poleć umiejętności zbierać opinie, poprawiać problemy powtarzające się w więcej niż jednej z nich i przeprowadzać ocenę ponownie — aż uwagi przestaną się powtarzać albo zostanie osiągnięta miara sukcesu.
Na co uważać: Realizowanie wszystkich uwag naraz zwykle pogarsza materiał; persony służą do wykrywania problemów, nie do wspólnego przepisywania tekstu.