Jak odkrywać własne 'nieznane nieznane' z Claude Fable 5 – porady dewelopera Anthropic

Współczesne narzędzia AI, takie jak Claude Fable 5 od Anthropic, stawiają przed programistami nowe wyzwania, ale i otwierają drogę do bardziej efektywnej pracy. Jak zauważa Thariq Shihipar, deweloper z Anthropic, problemem często nie jest sam model AI, lecz raczej „ślepe punkty” użytkownika, czyli obszary, których nie wziął pod uwagę. Shihipar podkreśla, że Fable 5 to pierwszy model, w którym jakość generowanych wyników jest w dużej mierze ograniczona zdolnością użytkownika do jasnego określenia swoich „nieznanych”.

Cztery kategorie wiedzy i „nieznane nieznane”

Shihipar dzieli wiedzę na cztery kategorie, które pomagają zrozumieć, gdzie leży problem w interakcji z AI:

• „Znane znane” – to informacje, które są już zawarte w promptcie.
• „Znane nieznane” – to pytania, o których wiemy, że jeszcze ich nie rozwiązaliśmy, ale jesteśmy świadomi ich istnienia.
• „Nieznane znane” – to wiedza tak oczywista, że nigdy byśmy jej nie zapisali, ale rozpoznalibyśmy ją, gdybyśmy ją zobaczyli (np. w projektowaniu wizualnym).
• „Nieznane nieznane” – to, zdaniem Shihipara, kategoria krytyczna, oznaczająca rzeczy, których w ogóle nie wzięliśmy pod uwagę. To właśnie te luki w wiedzy najczęściej prowadzą do niezadowalających wyników.

Shihipar ostrzega, że samo planowanie z wyprzedzeniem nie wystarczy, ponieważ „nieznane” mogą ujawnić się głęboko w fazie implementacji lub sygnalizować, że problem powinien zostać rozwiązany w zupełnie inny sposób. Najlepsi koderzy agentowi mają stosunkowo niewiele „nieznanych”, ale zawsze się ich spodziewają. Zbyt duża precyzja w instrukcjach może sprawić, że Fable 5 będzie sztywno podążać za nimi, nawet gdy zmiana kursu byłaby bardziej sensowna. Z kolei zbyt duża ogólnikowość prowadzi do decyzji opartych na domyślnych ustawieniach branżowych, które nie pasują do konkretnego zadania. „Gdy nie uwzględniasz swoich nieznanych, zawodzisz na oba sposoby” – pisze Shihipar, dodając, że Claude może pomóc w szybszym odkrywaniu tych luk, przeszukując bazy kodu i internet z dużą prędkością.

Techniki odkrywania „nieznanych nieznanych”

Kluczem do sukcesu jest dostarczenie Claude kontekstu dotyczącego punktu wyjścia użytkownika – jego myślenia i doświadczenia z problemem. Shihipar opisuje kilka technik, które można zastosować przed właściwą implementacją:

• „Blindspot pass”: Polega na poproszeniu Claude o zidentyfikowanie „nieznanych nieznanych”. Jest to szczególnie skuteczne podczas pracy w nieznanej części bazy kodu. Przykład promptu: „Pracuję nad dodaniem nowego dostawcy uwierzytelniania, ale nic nie wiem o modułach uwierzytelniania w tej bazie kodu. Czy możesz przeprowadzić 'blindspot pass', aby pomóc mi zidentyfikować moje istotne 'nieznane nieznane' i pomóc mi lepiej Cię promptować.”
• Burza mózgów i prototypowanie: W obszarach z wieloma „nieznanymi znanymi”, takich jak projektowanie wizualne, Shihipar zaleca generowanie przez Claude kilku radykalnie różnych kierunków projektowych jako artefaktów HTML, aby użytkownik mógł na nie reagować. Prawie każdą sesję kodowania rozpoczyna od fazy eksploracji lub burzy mózgów, aby świadomie zdefiniować zakres projektu.
• Wywiady strukturalne: Claude zadaje użytkownikowi pytania dotyczące niejasności, priorytetyzując te, których odpowiedzi mogłyby zmienić architekturę.
• Referencje: Kod źródłowy jest najlepszą referencją, nawet jeśli jest napisany w innym języku programowania. Na przykład Claude Design analizuje kod źródłowy strony internetowej, a nie tylko zrzut ekranu.

Przed rozpoczęciem właściwej pracy Shihipar zleca Claude stworzenie planu implementacji, który koncentruje się na częściach najbardziej podatnych na zmiany, takich jak modele danych, interfejsy typów i wszystko po stronie użytkownika. Mechaniczne refaktoryzacje są wykonywane na końcu.

Zarządzanie „nieznanymi” podczas i po implementacji

„Nieznane” czają się również podczas implementacji. Shihipar prosi Claude Code o prowadzenie tymczasowego pliku „implementation-notes.md”, w którym śledzone są podejmowane decyzje, aby można było uczyć się na podstawie kolejnych prób. Gdy pojawią się nieoczekiwane przypadki brzegowe, Claude powinien wybrać opcję konserwatywną, zarejestrować odchylenie i kontynuować pracę.

Po implementacji Shihipar zaleca dwie techniki:

• „Pitches and explainers”: Dokumenty podsumowujące dla interesariuszy, zawierające prototyp, specyfikacje i notatki z implementacji.
• „Quizzes”: Claude generuje raport HTML szczegółowo opisujący wprowadzone zmiany, wraz z kontekstem i spostrzeżeniami, a następnie quiz. Shihipar nie łączy zmian, dopóki nie zda quizu bez błędów.

Shihipar ilustruje te techniki na przykładzie filmu promocyjnego dla Fable, który edytował w całości za pomocą Claude Code. Edycja wideo była dla niego nowym obszarem. Zaczął od tego, co wiedział: Claude potrafi edytować i transkrybować filmy za pomocą kodu. Gdy wynik okazał się płaski pod względem kolorów, zamiast ślepo oceniać warianty, poprosił Claude o nauczenie go o gradacji kolorów, aby odkryć swoje „nieznane”.

Im potężniejsze stają się modele AI, tym więcej można osiągnąć dzięki właściwemu podejściu. Jeśli długotrwałe zadanie idzie w złym kierunku, prawdopodobnie należy poświęcić więcej czasu na zdefiniowanie własnych „nieznanych” lub stworzenie planu implementacji, który pozwoli Claude improwizować. Jak podsumowuje Shihipar: „Każde wyjaśnienie, burza mózgów, wywiad, prototyp i referencja to tani sposób na odkrycie tego, czego nie wiedziałeś, zanim naprawa stanie się kosztowna.”

Szersze konsekwencje dla pracy z AI

Podejście Thariqa Shihipara do pracy z Claude Fable 5 podkreśla fundamentalną zmianę w interakcji z zaawansowanymi modelami AI. Zamiast traktować je jako czarne skrzynki dostarczające gotowe rozwiązania, użytkownicy są zachęcani do aktywnego dialogu i autorefleksji. To nie tylko zwiększa efektywność pracy, ale także sprzyja rozwojowi umiejętności samego użytkownika, który uczy się identyfikować i artykułować własne luki w wiedzy. W miarę jak narzędzia AI stają się coraz bardziej wyrafinowane, zdolność do precyzyjnego formułowania problemów i świadomego zarządzania własnymi „nieznanymi” będzie kluczowa dla maksymalizacji ich potencjału, przekształcając interakcję z AI w proces ciągłego uczenia się i odkrywania.

Źródło: the-decoder.com