Metoda Karpathy’ego: korzystać z AI 10× efektywniej

Andrej Karpathy – współzałożyciel OpenAI i były szef AI w Tesli – od dłuższego czasu tłumaczy w wykładach i wywiadach, dlaczego większość ludzi używa AI niewłaściwie. Nie dlatego, że za mało ćwiczą, lecz dlatego, że źle rozumieją to narzędzie. Jego metodę na wyraźnie szybszą pracę z AI da się rozłożyć na trzy warstwy: spec, weryfikacja i środowisko. Oto, co naprawdę za tym stoi – bez szumu, za to do zastosowania od razu.

Dlaczego AI zawodzi przy prostych pytaniach

Karpathy podaje prosty przykład: „Chcę pojechać do myjni, jest 50 metrów stąd. Mam jechać czy iść?“ Dzisiejsze czołowe modele – Claude, Gemini, Grok, ChatGPT – odpowiadają wszystkie: iść, przecież to tak blisko. Błąd. Bo żeby umyć samochód, potrzebują Państwo samochodu na miejscu.

To jest całe sedno sprawy: AI jest genialna we wszystkim, co da się zmierzyć – i ślepa na wszystko, co wymaga kontekstu. Państwa cel, Państwa warunki brzegowe, Państwa wyczucie: co do tego AI nie ma żadnego sygnału. Zadanie nie polega więc na tym, żeby „lepiej promptować“, lecz żeby zamknąć tę lukę między Państwa zrozumieniem a mocą obliczeniową AI. Dokładnie to robią te trzy warstwy.

Warstwa 1: spec – Państwa zrozumienie w użytecznej formie

Spec to sposób, w jaki przekazują Państwo swoje zrozumienie do AI – w formacie, z którym potrafi ona coś zrobić. Znany „tryb planowania“ w Claude idzie w dobrym kierunku, ale dla Karpathy’ego jest zbyt powierzchowny. Jego rada: wspólnie z narzędziem AI zaprojektować naprawdę szczegółowy spec. Oto jak to się udaje w trzech krokach.

1. Odkryć właściwy cel

„Utwórz raport miesięczny“ to zadanie. Celem jest wniosek, który Państwo wyciągną, decyzja, którą raport wyzwoli. Tego, co jest celem, AI nigdy nie ustali za Państwa. Proszę zamiast tego dać się wypytać:

„Przeprowadź ze mną wywiad, żeby zidentyfikować cel tego projektu, zanim zaczniesz.“

2. Pracować zwinnie, nie kaskadowo

Większość ludzi rzuca AI wszystko naraz (kaskada) i liczy na gotowy wynik. Lepsze jest zwinne tworzenie specu: wąskie ramy, jasny checkpoint, sprawdzić wynik, skorygować, powtórzyć. Dzięki temu wcześnie widać, gdy kierunek się nie zgadza.

„Skłaniaj się ku mniejszym, mocniej odgraniczonym specom z jasnymi wynikami pośrednimi.“

3. Być precyzyjnym – i myśleć samemu

Im są Państwo precyzyjniejsi, tym mniej AI musi zakładać. A każde założenie to szansa na zboczenie z pożądanego wyniku. Gdy AI pisze spec za Państwa, proszę czytać go krytycznie – własną głową.

„Każ mi wyraźnie potwierdzić kluczowe decyzje, żeby nic nie zostało przeoczone.“

Trzy elementy, jeden wynik: wąsko ujęty, przemyślany spec, który pasuje do Państwa rzeczywistego celu. Karpathy nazywa to modern engineering – postawa, której w przyszłości potrzebować będzie każdy, kto poważnie pracuje z AI.

Warstwa 2: weryfikator – niech AI sprawdza własną pracę

Najbardziej frustrujące w AI jest sprawdzanie wyniku. Żeby zrozumieć dlaczego, pomaga model mentalny Karpathy’ego. Mówi on o „zwierzętach“ w przeciwieństwie do „duchów“: ludzie są jak zwierzęta – z motywami i emocjami. Gdy powiedzą Państwo komuś „zostań w 14 dni specjalistą SEO albo wylatujesz“, ta osoba znajdzie sposób. AI działa inaczej.

Bardziej obrazowe porównanie: proszę wyobrazić sobie AI jako robota-bibliotekarza. Odpowiada na pytania wyłącznie na podstawie książek w swojej bibliotece. Gdy brakuje książki, nie potrafi pomóc – i często tego nie zauważa. Dlatego błyszczy w matematyce i potyka się o kontekst: tam, gdzie jasne odpowiedzi stoją w bibliotece, jest genialna; tam, gdzie nie – jest pewnie siebie błędna. Krzyk, błaganie czy „zrób to lepiej“ nie pomagają. Jedyną prawdziwą dźwignią jest weryfikacja. Trzy punkty zaczepienia:

• Ustalić kryteria oceny z góry. Zamiast „zrób raport dobrze“: „Raport ma trzy sekcje, każda kończy się rekomendacją.“ Im precyzyjniej wcześniej, tym mniej miejsca na błędy.
• Drugi model jako krytyk. Drugi bibliotekarz z innej biblioteki ocenia wynik pierwszego. W Claude Code da się na przykład użyć wtyczki Codex: „Jeśli to będzie złożony build, każ Codexowi sprawdzić wynik końcowy.“
• Włączyć sygnały zewnętrzne. Proszę połączyć AI z systemem, który zna prawdę – na przykład ze środowiskiem wdrożeniowym, żeby potwierdzić, że faktycznie coś wydano. Albo przekazać stare raporty jako format referencyjny.

Boris Cherney, twórca Claude Code, ujmuje to celnie: Jeśli Claude ma pętlę informacji zwrotnej, podwaja to lub potraja jakość wyniku końcowego.

„Naszkicuj kryteria oceny, którymi zapewnisz wysokiej jakości wynik końcowy. Bądź precyzyjny. Tam, gdzie to sensowne, przywołaj do sprawdzenia drugi model lub dane zewnętrzne.“

Warstwa 3: środowisko – podłoga warsztatu, na której wszystko stoi

Spec i weryfikacja potrzebują miejsca do życia: środowiska, w którym Państwo budują. Proszę pomyśleć o warsztacie – spec to plan na ścianie, weryfikator to kontrola jakości przy drzwiach, a środowisko to sam warsztat. Problem: większość buduje za każdym razem od zera. Oto jak zamiast tego urządzić stanowisko pracy, które z czasem staje się lepsze:

• Czysty plik CLAUDE.md. Jest doładowywany automatycznie przy każdym prompcie – to pierwsza rzecz, którą Claude czyta. Przykład: „Zanim zbudujesz coś wieloetapowego, dodaj plan weryfikacji.“ Dzięki temu sprawdzanie jest wymuszone, a nie opcjonalne.
• Własna baza wiedzy (LLM knowledge base). System folderów z Państwa własnymi danymi, który AI łatwo przeszukuje. Państwa dane są Państwa fosą obronną – tu zaczyna się Państwa własność intelektualna.
• Skills wielokrotnego użytku. Reguła kciuka: to, co robią Państwo wielokrotnie, staje się Skill – podręcznikiem do konkretnego zadania. „Najlepszym sposobem na znalezienie nieszczelności w wężu jest puścić przez niego wodę.“ Im więcej używają Państwo Skills, tym lepsze się stają.
• Prawdziwe reguły zamiast próśb. Zdanie w CLAUDE.md („nie zmyślaj“) to prośba, którą AI może zignorować. To, co krytyczne, należy wymusić na poziomie narzędzi – np. hookiem pre-tool-use, który twardo chroni określone pliki.

Proszę posortować swoje działania do trzech koszyków: Zawsze dozwolone (działa na autopilocie), Zapytaj wcześniej (sprawdzić) i Nigdy (granice, których nie wolno przekroczyć). Proszę uczynić to środowisko swoim światem – AI w nim żyje, nie odwrotnie.

To jedno, na czym zależy

„Można oddelegować swoje myślenie – ale nie swoje zrozumienie.“
– Andrej Karpathy

Wszystkie trzy warstwy kręcą się dokładnie wokół tego: Państwa zrozumienia szerszego obrazu. Muszą Państwo znać swoje cele i wiedzieć, co jest potrzebne, żeby skierować AI we właściwą stronę. Narzędzia tanieją – zrozumienie pozostaje rzadkie.

Podsumowanie

„Lepiej promptować“ to złe pytanie. Kto z AI naprawdę staje się szybszy i lepszy, buduje system: precyzyjny spec wychodzący od celu; weryfikację, która wymusza jakość; i środowisko, które rośnie z każdym użyciem. To nie magia ani szum – lecz porządna praca, przy której zachowują Państwo własną głowę. Dokładnie tak też doradzam: uczciwie, mierzalnie, bez szumu wokół AI. Jeśli chcą to Państwo wdrożyć u siebie w firmie, porozmawiajmy o tym.

Na wynos

Cała metoda jako zwarte materiały – idealne do zapisania i podzielenia się w zespole:

Źródło: „Stop Prompting Claude. Use Karpathy’s Method Instead.“ autorstwa Austina Marchese (YouTube). Swobodnie streszczone i przełożone na język polski.