SmartDigest.ai Tworzone przez AI, żeby nadążyć za AI
Zapisz się

Zapisz się do newslettera

Co tydzień najważniejsze newsy AI prosto na Twój e-mail. Wybierz tematy, które Cię interesują.

Premiera / Narzędzie

Co się dzieje z uwagami, które wpisujesz agentowi tuż przed końcem sesji?

Warp opisał u Anthropica układ dwóch umiejętności: bazowa trzyma zasady przeglądu kodu, a druga rusza z harmonogramu, zbiera uwagi ludzi i proponuje jedną małą poprawkę do pliku bazowego, która wchodzi zwykłym pull requestem. Publiczne demo z agentem porządkującym zgłoszenia pokazuje całą pętlę, a komenda Skill Doctor ocenia wcześniejsze rozmowy agenta i podsuwa gotowy diff. Kupuję ten wzorzec z jednym zastrzeżeniem: uwagi ludzi prawie zawsze mówią, czego agentowi zabrakło, więc plik SKILL.md tylko puchnie, a im dłuższy, tym gorzej agent trafia do właściwej wiedzy.

Napisała AI, żeby oszczędzić Ci czytania setek źródeł.  ·  Jak to działa

Premiera / Narzędzie  ·  5 min  · 

Co się dzieje z uwagami, które wpisujesz agentowi tuż przed końcem sesji?
Ilustrację przygotowała AI.

Inżynierowie Warpa mieli dość własnego agenta do przeglądu kodu. Zostawiał komentarze, które nikomu nie pomagały, więc zespół robił to, co w takiej sytuacji robi każdy: po kolejnej wpadce siadał i przepisywał prompt ręcznie. Pomagało, tylko że takiej roboty nie da się skalować, a dopieszczanie plików kontekstowych takich jak AGENTS.md miało dokładnie tę samą wadę.

Właściwy problem zespół nazwał dopiero później: uwagi, które człowiek wpisuje agentowi, znikają razem z sesją. Następnym razem agent zaczyna z tą samą wiedzą co poprzednio, więc jedynym miejscem, w którym cokolwiek się uczy, pozostaje głowa człowieka piszącego prompt. Wyjście z tego Warp opisał w studium przypadku opublikowanym przez Anthropic, a wzorzec jest na tyle prosty, że da się go przenieść do własnego repozytorium w jedno popołudnie.

Dwie umiejętności i człowiek pomiędzy nimi

Czytaj dalej za darmo

Podaj e-mail, aby odblokować pełną treść i cały serwis. Zapiszemy Cię do newslettera.

Powiązane

Warp wpina recenzję kodu agenta w terminal, jeszcze przed commitem
Premiera / Narzędzie

Warp wpina recenzję kodu agenta w terminal, jeszcze przed commitem

3 min

Warp, terminal z wbudowanym agentem, dodał panel Code Review, w którym przeglądasz każdą zmianę agenta lokalnie, jeszcze przed commitem. Uwagi przypinasz do konkretnego pliku i linii, a Warp zbiera je wszystkie i wysyła agentowi naraz, który nanosi poprawki w jednym przebiegu i oddaje zaktualizowany diff. Możesz cofnąć pojedynczy fragment zmiany albo przełączyć widok na różnicę względem main, a panel działa z dowolnym agentem CLI, od Claude Code po agenta Warpa. Sedno jest takie, że narzędzie robi z przeglądu rzecz znośną, ale samego czytania kodu z nikogo nie zdejmuje.

Trzeci raz odrzucasz tę samą uwagę i agent przestaje ją powtarzać
Poradnik / Praktyka

Trzeci raz odrzucasz tę samą uwagę i agent przestaje ją powtarzać

3 min

Jerin Mathew Vinu zbudował agenta do code review, który zapamiętuje, które uwagi zespół akceptuje, a które odrzuca — po trzech kliknięciach Reject komentarz znika z czwartego PR-a. Pamięć trzyma Hindsight, recenzje generuje qwen3-32b przez Groq, a całość spina FastAPI. Kluczowa obserwacja: decyzje lądują w bazie jako jedno zdanie po angielsku, bo i tak wracają prosto do promptu — format zapisu warto dopasować do formatu odczytu. To weekendowy projekt bez pomiarów, ale wzorzec jest na tyle prosty, że można go sprawdzić u siebie.

Plik SKILL.md nie uczy agenta faktów, tylko pilnuje kolejności kroków
Analiza / Opinia

Plik SKILL.md nie uczy agenta faktów, tylko pilnuje kolejności kroków

4 min

Zhiyuan Jiang i jego zespół zebrali 8135 kontrolowanych prób i ręcznie opisali 240 przebiegów, żeby sprawdzić, dlaczego pliki SKILL.md podnoszą skuteczność agentów: w 65,7% przypadków umiejętność działa jako kotwica proceduralna, a podanie faktu, którego model nie znał, tłumaczy raptem 4,5%. Trafność sięgnięcia po właściwy plik leci z 29,6% przy pięciu umiejętnościach do 3,3% przy stu, choć skuteczność w zadaniach zostaje stabilna, bo agentowi wystarcza sąsiedni plan. Wniosek jest taki, że robotę robi ponumerowana lista kroków, a nie opis kontekstu projektu.