Dlaczego mikrozarządzanie agentami AI tak naprawdę ich ogłupia

Otwórz dzisiaj losowy plik system_prompt.txt z nowoczesnego repozytorium na GitHubie. Co tam zobaczysz? Zazwyczaj jest to ściana spanikowanego tekstu. "NIE RÓB X. MUSISZ wygenerować dokładnie trzy punkty. NIGDY nie używaj tej biblioteki."

Programiści traktują najbardziej zaawansowane silniki wnioskujące w historii ludzkości jak kruche skrypty regex.

Z historycznego punktu widzenia ta paranoja ma całkowity sens. Jeszcze rok czy dwa lata temu wczesne modele LLM wymagały prowadzenia za rączkę, żeby w ogóle trzymać się tematu. Ale czasy się zmieniły. Współczesne modele są niesamowicie mądre, a my wciąż piszemy prompty tak, jakbyśmy programowali mikrofalówkę z lat 80. Próbujemy zahardkodować inteligencję.

Niedawno w Vercel wydarzyło się coś fascynującego, co idealnie to potwierdza. Ich zespół inżynierów opublikował case study o tym, jak ulepszyli swój produkt v0, opisując dość nieintuicyjny krok: usunęli 80% narzędzi swojego agenta.

Efekt? System się nie posypał. Właściwie stał się znacznie lepszy. Pozbywając się nadmiernie narzuconych narzędzi i sztywnych ram, zmniejszyli zamieszanie i pozwolili modelowi robić to, w czym jest najlepszy — logicznie analizować i rozwiązywać problem. Mniejsze tarcie doprowadziło do lepszego kodu.

Płynie z tego głęboka lekcja dla każdego, kto obecnie buduje z wykorzystaniem AI: Definiuj zasady, nie sztywne reguły.

Kiedy mówisz LLM-owi dokładnie, co ma robić krok po kroku, zmuszasz go do poświęcenia jego ograniczonej uwagi (zasobów obliczeniowych) na ścisłe trzymanie się instrukcji, a nie na jakość. Odbierasz mu możliwość wykorzystania ogromnych zbiorów danych treningowych do znalezienia bardziej eleganckiego rozwiązania niż to, które sam zahardkodowałeś.

Aby zobaczyć różnicę, spójrz na to, jak większość programistów pisze prompty dla agentów, w porównaniu z tym, jak powinni je pisać.

Złe podejście (Sztywne reguły):

"Napisz funkcję w Pythonie do pobierania danych użytkownika. Musisz użyć biblioteki requests. Musisz obsłużyć błędy za pomocą bloku try/except. Musisz zwrócić słownik z dokładnie takimi kluczami: 'name', 'email' i 'status'. Nie używaj async. Dodaj komentarze do każdej linijki."

Dobre podejście (Zasady i cele):

"Napisz solidną funkcję w Pythonie do pobierania danych użytkownika. Preferuj nowoczesne, standardowe biblioteki. Kod powinien być gotowy na produkcję (production-ready), co oznacza, że zgrabnie radzi sobie z awariami sieci i przypadkami brzegowymi. Przedkładaj czytelność i czystą architekturę nad sprytne sztuczki. System docelowy oczekuje standardowych profili użytkowników (name, email, status)."

Widzisz tę zmianę? Pierwszy przykład traktuje AI jak juniora, któremu nie można ufać. Drugi traktuje je jak seniora, który rozumie cel i kontekst. Mówisz mu, jak wygląda dobry wynik i dlaczego, a potem robisz krok w tył i pozwalasz mu wymyślić, jak to zrobić.

Oczywiście, od tej reguły jest jeden ważny wyjątek.

Kiedy agenci rozmawiają z innymi agentami — albo kiedy agent nadrzędny przekazuje dane do sztywnego parsera bazy danych — potrzebujesz absolutnej rygorystyczności. Przekazywanie danych na linii maszyna-maszyna wymaga precyzyjnych, nieustępliwych schematów JSON. Ale jeśli chodzi o wnioskowanie, generowanie i rozwiązywanie problemów? Daj im trochę luzu.

Jeśli chcesz już dziś błyskawicznie ulepszyć swoich asystentów kodowania, skopiuj i wklej dokładnie ten blok do swojego pliku claude.md, memory.md lub głównego system promptu twojego agenta:

## Prompt Writing Philosophy
When writing LLM prompts (system prompts, skill specs, subagent prompts): **give principles, not rigid rules.**
- Tell the LLM what good output looks like and why — let it figure out how
- Avoid prescribing exact fields, counts, or formats unless the output is a machine-consumed intermediate
- Exception: structured handoffs between agents can be rigid because downstream agents need consistent field names

Przestań mikrozarządzać maszyną. Zaufaj nowoczesnym modelom LLM. Są szybsze, mądrzejsze i nieskończenie bardziej zdolne, kiedy przestajemy traktować je jak małe dzieci.