Notatki z masterclassu Tylera Fiske’a o przekształcaniu pomysłu w działający system AI

Ten artykuł to zbiór notatek z masterclassu prowadzonego przez Tylera Fiske’a. Wszystkie przedstawione metody, przemyślenia i obserwacje pochodzą bezpośrednio od niego i są efektem jego wieloletniego doświadczenia w budowaniu systemów AI.

TL;DR

Nie potrzebujesz wykształcenia informatycznego – Tyler nie ma CS degree, a jego studenci budują agentic workflows w 4 tygodnie
Research-first approach – połowa pracy to głębokie zrozumienie problemu, biznesu i kontekstu przed pierwszą linijką promptu
Separacja ról = lepsza jakość – eksperci nie muszą być dobrzy w komunikacji z klientem, a agenci customer service nie muszą znać się na technikaliach
System instructions wymagają iteracji – pierwszy draft to ocena B/C, dopiero po self-review i przepisaniu dostajesz A-
Human-in-the-loop to standard odpowiedzialności – nigdy nie wdrażaj w pełni autonomicznego systemu bez checkpointów dla człowieka
Ekonomia odwrócona – przestań liczyć koszty narzędzi, zacznij liczyć wartość zaoszczędzonego czasu ekspertów
Meta-prompting to sekretna broń – agenci, którzy budują i poprawiają innych agentów, to fundamentalny akcelerator

Kontekst

Tyler Fiske nauczył tysiące studentów budowania agentów AI i pracował z setkami firm nad implementacją AI w ich procesach. Jego podejście różni się od typowego „vibe codingu”. To metodyczna, research-driven praktyka, którą można nauczyć się bez technicznego backgroundu. W tym masterclassie pokazuje na żywo, jak w godzinę przejść od pomysłu do działającego multi-agentowego systemu obsługi klienta dla Apple.

Od pomysłu do produkcji – fundamenty podejścia

Mentality praktyka AI vs tradycyjny programista

Według Tylera, mentality AI practitioner jest bardzo podobna do forward-deployed engineera. Kluczem nie jest kod, ale głębokie zrozumienie problemu biznesowego. Potrzeba zrozumieć problem, zrozumieć biznes, dotrzeć do „secret sauce” – dopiero wtedy można zbierać wymagania i zacząć budować.

To podejście research-first nie jest opcjonalne. W praktyce oznacza ono:

Dogłębną analizę biznesu klienta
Identyfikację tribal i tacit knowledge w organizacji
Mapowanie ekspertyz w zespole
Tymczasowe „wejście w skórę” zespołu klienta

Prosty front-end, potężny back-end

Tyler często komunikuje się z agentami bardzo luźnym językiem, używając nawet dyktowania głosowego przez MacWhisper. Ta prostota na froncie jest możliwa tylko dzięki ekstremalnie rozbudowanemu back-endowi. Tym back-endem są szczegółowe instrukcje systemowe (system instructions).

Przykładowo, jego meta-agent Gigawatt ma instrukcje liczące niemal 72,000 znaków, napisane w XML. To właśnie w tych instrukcjach zawarty jest cały proces, frameworki i techniki badawcze. Dzięki temu Tyler może mówić do agenta naturalnie, a agent wie dokładnie, jak interpretować te polecenia i jakich standardów się trzymać.

Clear agent – specjalista od deep research prompts

Tyler używa nie tylko Gigawatta, ale też agenta o nazwie Clear. To kolejny przykład ekstremalnej specjalizacji. Clear jest hyper-focused na pisanie deep research prompts specyficznie dla Perplexity, Anthropic, ChatGPT i Google. Gigawatt pyta Cleara, jakie obszary wymagają research, a Clear pisze optymalne prompty dla każdej platformy.

To pokazuje, jak głęboko idzie filozofia „jeden agent = jedna rola”. Nawet pisanie promptów research ma dedykowanego agenta, co z kolei przyspiesza cały proces.

Architektura multi-agentowa – dlaczego separacja ról ma znaczenie

Analogia z zespołem w firmie

Tyler wyjaśnia koncepcję multi-agent systems przez analogię z prawdziwym customer service. W rodzinnej firmie Growers Solution (sprzedaż sprzętu ogrodniczego) zespół obsługi często musi przejść przez pięć kroków: otrzymać pytanie od klienta, znaleźć eksperta w firmie, uzyskać odpowiedź techniczną, przetłumaczyć ją na język zrozumiały dla klienta, i wreszcie odpowiedzieć w empatyczny, on-brand sposób.

Eksperci rzadko są tymi, których chce się stawiać do odpowiadania na emaile klientów. Nie dlatego, że są oschli – po prostu są ekspertami. Destylacja tej wiedzy do poziomu, na którym klient chce rozmawiać, nie zawsze rezonuje.

Stąd natural separation of concerns:

Core (expert agent) – zna wszystko o produktach, potrafi przeprowadzać research w RAG i w internecie
Echo (customer service agent) – wie, jak mówić do ludzi, jest empatyczny, on-brand, nie musi znać szczegółów technicznych

W rozwiązaniu produkcyjnym komunikacja między tymi dwoma agentami powinna odbywać się w formacie JSON. Mimo że jest nieczytelny dla człowieka, jest niezwykle łatwo parsowany przez modele LLM, zapewniając wysoką niezawodność przepływu danych.

Quick Reference: 8-krokowy proces budowy agenta

Krok	Działanie	Narzędzia/Strategia
1. Inicjacja	Zastosuj podejście „praktyka AI”. Zacznij od zdefiniowania problemu	Mentalność (nie kodowanie)
2. Zakres	Użyj Promptu Inicjującego, prosząc AI o zadanie pytań precyzujących	Meta-agent (np. Gigawatt)
3. Planowanie	Stwórz PRD na podstawie ustaleń	Prompt do Syntezy
4. Architektura	Zaprojektuj system multi-agent	JSON dla komunikacji
5. Baza wiedzy	Zbuduj bazę RAG, skanując strony	Web scraping no-code
6. Research	Zleć meta-agentowi zidentyfikowanie luk w wiedzy	Prompt Delegujący Research
7. Meta-Prompting	Poproś agenta o napisanie promptów dla innych modeli	Prompt do Meta-Promptingu
8. Iteracja	Użyj agentów do ulepszania	XML dla system instructions

System instructions – serce każdego agenta

Iteracyjny proces tworzenia (eval → improve → rewrite)

Tyler nie oczekuje, że pierwsza wersja system instructions będzie idealna. Pierwszy draft to ocena B/C, dopiero po eval i rewrite dostajesz A-.

Proces wygląda następująco:

Gigawatt pisze V1 draft na podstawie PRD i research
Przechodzi do self-evaluation (często 77-82/100)
Wskazuje luki i sposoby ich zapełnienia
V2 rewrite z uwzględnieniem feedbacku (skok do 85-90/100)
Production testing – observational evals

Konkretne liczby – wielkość system instructions

Core agent (expert): ~7,000 tokenów
Echo agent (customer service): ~8,900 tokenów
Gigawatt (meta-agent): ~72,000 znaków (nie tokenów!)

Dodatkowe perełki z masterclassu

Emotion prompting działa

Tyler zawsze kończy prompty frazą: „Go get ’em, slugger!” Emotion prompting to technika z research – pozytywne wzmocnienie rzeczywiście poprawia performance LLM.

MacWhisper do voice-to-text

Tyler mówi dużo szybciej niż pisze. To exponential efficiency boost – atakuje problem z każdej strony jednocześnie.

Saved prompts = game changer

Tyler ma bibliotekę gotowych promptów. Dialing in tych promptów zajmuje czas, ale potem wielokrotnie przyspieszają pracę.

Queuing messages w Typing Mind

Można zakolejkować kilka promptów, które wykonają się sekwencyjnie. Zamiast czekać przy komputerze, wracasz za 10 minut do gotowych rezultatów.

Speed from repetition, not talent

Szybkość Tylera to nie wrodzony talent – to tysiące godzin praktyki. Każdy może to osiągnąć przez consistent practice.

QUICK START: 4 kluczowe prompty dla początkujących

Zanim przejdziesz do szczegółowej biblioteki 12 promptów, oto esencja – cztery podstawowe prompty, które Tyler używa w każdym projekcie.

1. Prompt Inicjujący Projekt

Zastosowanie: Na samym początku projektu. Zamiast od razu wydawać polecenie, prosisz AI o pomoc w zdefiniowaniu problemu.

Kluczowa fraza:

"Zadaj mi trzy pytania precyzujące, 
abyśmy byli zgodni co do zakresu."

Dlaczego działa: Przenosi agenta z roli biernego wykonawcy do aktywnego stratega.

2. Prompt Delegujący Research

Zastosowanie: Gdy masz ogólny zarys, ale nie wiesz, jakich informacji brakuje.

Kluczowa fraza:

"Daj mi trzy obszary do pogłębionej analizy (deep research), 
które Twoim zdaniem powinniśmy zbadać."

Dlaczego działa: Agent często widzi knowledge gaps, których człowiek by nie zauważył.

3. Prompt do Meta-Promptingu

Zastosowanie: Najbardziej zaawansowana technika dla najlepszych wyników.

Kluczowa fraza:

"Napisz dla każdego z nich gotowy prompt do 'deep research', 
którego będziemy mogli użyć na Perplexity i Anthropic."

Dlaczego działa: Wyspecjalizowany agent optymalizuje pod konkretny tool.

4. Prompt do Syntezy i Planowania

Zastosowanie: Po burzy mózgów – formalne zebranie ustaleń.

Kluczowa fraza:

"Chcę, abyś napisał dla mnie PRD (Product Requirements Document) 
na podstawie wszystkiego, co do tej pory omówiliśmy."

Dlaczego działa: PRD wymusza comprehensive thinking.

Kluczowy insight

Paradoks definiowania problemu

Standardowo myślimy:

że to my musimy precyzyjnie zdefiniować problem i napisać idealny, szczegółowy prompt, aby AI mogło zacząć pracę. Im bardziej szczegółowo opiszemy zadanie, tym lepsze będą rezultaty.

W praktyce okazuje się, że:

skuteczniej jest zacząć od „pustego” briefu i poprosić agenta AI, aby to on zadał nam 3-5 kluczowych pytań precyzujących, które są mu potrzebne do zrozumienia problemu. Agent staje się aktywnym strategiem, nie biernym wykonawcą.

Dlaczego to jest istotne:

To natychmiast przenosi agenta z roli biernego wykonawcy do roli aktywnego stratega. Agent sam identyfikuje luki w naszym myśleniu, zanim jeszcze zaczniemy właściwą pracę. Tyler pokazuje to w praktyce – zamiast spędzać godzinę na pisaniu perfect prompt, rzuca ogólny brief i pozwala Gigawattowi zadać pytania. Te pytania są często bardziej trafne i nieoczywiste niż to, co człowiek by sam wymyślił.

Test na jutro:

Następnym razem gdy zaczynasz nowy projekt AI, zamiast spędzać godziny na pisaniu idealnego pierwszego promptu, spróbuj napisać tylko cel w jednym zdaniu i zakończyć poleceniem: „Zadaj mi 3 kluczowe pytania, które musisz znać, aby stworzyć dla mnie plan działania” i sprawdź, jak trafne i nieoczywiste będą jego pytania.

✅ Szczegółowa checklista: Budowanie agenta od zera do produkcji

FAZA 1: Research i Discovery

Przeprowadź deep research (minimum 3 źródła)
Zidentyfikuj tribal i tacit knowledge w organizacji
Zmapuj ekspertyzy w zespole
Zadaj 3-5 clarifying questions
Stwórz PRD
Uzyskaj alignment check z klientem

FAZA 2: Projektowanie architektury

Określ ile agentów potrzebujesz
Zdefiniuj hierarchię źródeł: RAG → system instructions → web search
Wybierz modele i ustaw temperature
Zaplanuj inter-agent communication (JSON/markdown)

FAZA 3: Budowanie RAG i knowledge base

Zescrapuj relevantne strony
Dodaj wyniki deep research
Zorganizuj strukturę folderów
Włącz „always search”
Przetestuj retrieval quality

FAZA 4: System Instructions (iteracyjnie)

Draft V1 w XML: role, context, instructions, criteria, examples
Dodaj metadata: data, wersja, change log
Self-evaluation (aim for 85-90/100)
Rewrite V2
Użyj meta examples zamiast few-shot

FAZA 5: Observational Evals

Przygotuj 5-10 syntetycznych inputów
Sprawdź tone of voice
Zweryfikuj chain of verification
Zbierz feedback od klienta
Inkorporuj feedback do następnej iteracji

FAZA 6: Workflow i Automation

Zaprojektuj workflow
Dodaj generative filter
Zaimplementuj Toast method
Skonfiguruj integracje
Dodaj memory management

FAZA 7: Human-in-the-Loop (OBOWIĄZKOWE)

Zaprojektuj checkpoint przed final action
Stwórz jasny komunikat: „Ship / Revise / Reject?”
Zdefiniuj ścieżki workflow
Ustaw notification system
Zaplanuj gradual autonomy

FAZA 8: Systematic Evals i Monitoring

Zdefiniuj metryki sukcesu
Skonfiguruj continuous evaluation
Stwórz audit trail
Zbieraj golden examples
Regularnie review i iteruj

Tag: Multi Agent

Jak Tyler Fiske buduje produkcyjne agenty AI bez pisania kodu – sprawdzony framework w akcji #EN343