Proč Claude dělá něco jiného: 3 zadání

Další informace o používání služby najdete v dokumentaci Ailoot.

Proč Claude nedodrží zadaný úkol?#

Napíšete: „Přidej filtry na stránku produktů.“ Vy si představíte pár zaškrtávacích políček a aktualizovaný seznam. Claude slyší totéž a rozhodne se postavit plnohodnotný filtrovací engine: vlastní úložiště stavu, samostatnou logiku zpoždění vstupu, synchronizaci s URL a tucet pomocných funkcí. Stovky řádků, přestože by stačilo pár parametrů URL.

V takovém případě je závěr jasný: agent neudělal chybu, jen vyřešil mnohem větší problém, než bylo potřeba. Chyba byla v tom, že požadovaný výsledek nebyl popsán dost stručně a přesně.

Klíčovým slovem je „záměr“. Vy ho máte v hlavě, Claude ne. Vidí text vašeho zadání a vše, co má v kontextu až do chvíle, kdy ho zadáte. Pak mezery doplňuje odhady. Čím kratší je zadání, tím více odhadů dělá — a tím více se výsledek vzdaluje tomu, co jste chtěli.

Anthropic to v dokumentaci Claude Code říká jasně:

Sám jsem se s tím setkal ve vlastním projektu. Požádal jsem o opravu jedné autorizační obrazovky a dostal diff, který zasahoval do poloviny sousedního modulu. Claude za to nemohl: dal jsem mu jeden řádek a on si zbytek doplnil sám. Od té doby začínám každý úkol větší než oprava překlepu otázkami — těmi, které mi Claude pokládá.

Proč při nejasném zadání selhávají i nejsilnější modely Claude?#

Každý týden přichází model, který je „chytřejší“ než ten předchozí, a pokaždé to vypadá, že právě teď nám AI konečně porozumí z několika slov. Nestane se to. Silnější model píše kód rychleji a lépe zvládá složitou logiku, ale stále vám nevidí do hlavy. Pokud je úkol špatně formulovaný, dostanete něco krásně napsaného, co je stále špatně.

Ponaučení je jednoduché. Honit se za nejnovějším modelem, aby lépe odhadoval, je slepá ulička. Levnější a spolehlivější je naučit se zadávat mu úkoly tak, aby nemusel hádat. A právě tomu se budeme věnovat dál.

Co je grilling a jak řeší nesoulad s AI?#

Zní to neintuitivně. Obracíme se na AI, abychom věci zvládli rychleji, a teď nám říkají, abychom ji zpomalili a nejdřív ji nechali klást otázky. Pět minut otázek před psaním kódu vám ale může ušetřit hodinu následných oprav.

Problém není jen v tom, že jste Claude špatně vysvětlili, co chcete. Často jste si úkol sami dostatečně nepromysleli — jaké případy zohlednit, kde jsou hranice, co je nejdůležitější. Grilling vám to pomůže zjistit otázkami. Na konci rozhovoru máte nejen úkol, kterému AI rozumí, ale také konečně podrobně vymezený vlastní úkol.

Tak funguje context engineering: hlavní práce se odehrává před zadáním, ne během něj. Nehledáte kouzelné znění promptu; předem Claude vysvětlujete, co potřebujete, dokud tomu neporozumí bez dalšího vysvětlování.

Jak přimět Claude, aby se nejdřív ptal?#

Anthropic tento přístup nejen povoluje, ale i doporučuje. V dokumentaci má oddíl s názvem „Nechte Claude, aby vás vyzpovídal“, který obsahuje připravené zadání. Tady je praktická verze:

Chci vytvořit [stručný popis úkolu].

Než napíšete jakýkoli kód, podrobně mě vyzpovídejte. Ptejte se na implementaci, rozhraní, okrajové případy, rizika a kompromisy. Nepokládejte zřejmé otázky — zaměřte se na složité části, které jsem možná nedomyslel.

Pokládejte vždy jednu otázku a počkejte na mou odpověď. Ke každé otázce hned navrhněte svou doporučenou odpověď.

Pokračujte, dokud neprobereme vše. Potom sestavte úplnou specifikaci do souboru s názvem SPEC.md.

Tři podrobnosti dělají toto zadání užitečným, a ne jen ozdobným. Zaprvé „vždy jednu otázku“. Když na vás AI vychrlí deset otázek najednou, zahltí vás to a odpovíte povrchně. Zadruhé „navrhněte svou odpověď“: nemusíte všechno vymýšlet od začátku; můžete souhlasit nebo návrh opravit. Zatřetí „sestavte specifikaci do souboru“: záměr, který z vás otázky vytáhly, se promění v dokument, který se neztratí.

Anthropic popisuje přínos z hlediska vynaloženého úsilí:

Po rozhovoru otevřete novou relaci a předejte jí hotovou specifikaci. Čistý kontext a jasně vyjádřený záměr — a Claude napoprvé trefí cíl.

Technika „dokaž mi, že je to nejlepší plán“#

Grilling pomáhá odhalit váš záměr. AI má ale ještě jeden zlozvyk: sáhne po prvním řešení, které vypadá věrohodně. Anthropic tomu říká mezera mezi důvěrou a ověřením: Claude vytvoří věrohodnou implementaci, která neobstojí v okrajových případech. Řešením je vyžádat si důkazy ještě před psaním kódu.

Do zadání téměř vždy přidávám oddíl „dokaž to“. Tady je jeho přesné znění:

Než začnete psát kód, analyzujte úkol jako kritik.

Najděte 2-3 způsoby, jak ho vyřešit. U každého mi dokažte, že skutečně řeší můj úkol, místo aby jen přidával složitost pro složitost samu. Nepište kód jen proto, abyste psali kód.

Potom jeden vyberte a dokažte, že jde o nejlepší řešení, promyšlené několik kroků dopředu. Co se pokazí, až projekt poroste? Co nám právě teď uniká?

Teprve potom navrhněte implementaci.

Bez tohoto oddílu vám Claude nabídne první funkční možnost. S ním sám zavrhne slepé uličky, vysvětlí svou volbu a umožní vám seznámit se s jeho úvahami ještě předtím, než se dotkne jediného souboru. Přečtete si krátký text, který zabere dvě minuty, místo abyste hodinu zjišťovali, proč hotový kód nefunguje podle očekávání.

Pre-mortem: nechte AI najít 10 důvodů neúspěchu ještě před začátkem#

Tahle technika je moje nejoblíbenější a je psychologická. Když AI požádáte, aby „odvedla dobrou práci“, je nastavená na úspěch a přehlíží nedostatky. Požádejte ji, aby si představila neúspěch, a začne si všímat toho, co předtím ignorovala. Zadání je krátké:

Představte si, že je za rok. Projekt, který plánujeme, selhal.

Sepište 10 důvodů, proč se to stalo. S čím jsme na začátku nepočítali, co jsme podcenili, kde jsme šli na úkor kvality a které předpoklady se ukázaly jako nepravdivé?

Potom mi u každého důvodu řekněte, co můžeme napravit už teď.

Toto zadání používám před schválením plánu. Polovina důvodů se ukáže jako nesmysl, ale druhá polovina představuje skutečná úskalí, na která bych narazil o týden později. Jejich řešení ve fázi plánování zabere deset minut. Narazit na ně v hotovém projektu znamená několik dní pátrání.

Kombinace je jednoduchá: grilling odhalí záměr, „dokaž to“ obhájí rozhodnutí a pre-mortem odhalí nedostatky. Tři krátké texty, které vložíte před psaním kódu. Změní Claude z uspěchaného vykonavatele na spolupracovníka, který nejdřív přemýšlí.

Proč přetížený kontext způsobí, že se Claude chová hloupě?#

I dokonale formulovaný úkol se rozpadne, pokud na něm pracujete v přeplněném kontextu. Funguje to takto: každý nový požadavek přenese do pracovního kontextu Claude celou historii chatu. Čím delší relace, tím rychleji se okno zaplňuje. Udržujte ho zaplněné nejvýše z poloviny; potom se AI začne chovat hloupě a ztrácet důležité věci, o kterých jste mluvili na začátku.

Tady je pravidlo, které mi ušetří nejvíc frustrace: jeden úkol, jeden chat. Dokončili jste funkci? Zavřete chat a pro další úkol otevřete nový. Ano, někdy je pohodlnější dělat všechno v jednom okně, ale zaplatíte za to ztrátou kontextu a odpověďmi mimo téma.

Anthropic tomuto způsobu selhání říká „relace jako šuplík na harampádí“. Řešení je jednoduché: mezi nesouvisejícími úkoly použijte /clear, abyste vyprázdnili okno a nepřenášeli do nového úkolu nepořádek z předchozího.

Pokud vedete dlouhé relace a nevíte, kam jdou peníze a pozornost AI, podrobněji se tomu věnuji v průvodci Kam míří tokeny Claude Code. Základy trvalého kontextu, který Claude čte při každém spuštění, jsem shrnul v průvodci Nastavení souboru CLAUDE.md.

Grilling, nebo Plan Mode — v čem se liší a jak spolu souvisejí?#

Lidé si tyto dvě techniky často pletou nebo předpokládají, že stačí jen jedna. V praxi patří do různých fází postupu.

Anthropic popisuje standardní pracovní postup ve čtyřech fázích: nejprve Explore (Claude zkoumá a klade otázky), potom Plan (vytvoří plán bez provádění změn), dále Implement (napíše kód podle plánu) a nakonec Commit (zaznamená výsledek). Grilling probíhá v první fázi, Plan Mode ve druhé. Podrobnější popis druhé fáze najdete v průvodci Plan Mode v Claude Code.

Důležité upozornění od samotného Anthropic: malé úkoly tím nezatěžujte.

U překlepu, přejmenování nebo změny na jednom řádku ji jednoduše rovnou popište, bez rozhovorů a plánů. Grilling se vyplatí u nejednoznačných úkolů, kde chyba něco stojí. U triviálních úkolů vás jen zpomalí.

5 chyb ve formulaci úkolu, kvůli kterým AI dělá něco jiného#

Častá úskalí jsem shrnul v tabulce. Vlevo je obvyklý chybný postup, vpravo to, co dělat místo něj.

Projděte si poslední zadání, na které vám AI odpověděla špatně. Téměř jistě v tom hrála roli jedna z těchto pěti chyb. Nejčastější je ta první: zadali jste jí krátkou frázi a čekali, že Claude správně doplní zbytek. Doplnil ho — jen ne tak, jak jste měli na mysli.

Co dál: vybudujte systém, díky kterému vám AI porozumí z několika slov#

Tři zadání v tomto průvodci — grilling, „dokaž to“ a pre-mortem — se zaměřují na konkrétní úkol. Už to je velká změna: místo změny na jednom řádku přestanete dostávat diff se 14 soubory.

Grilling má ale své hranice. Zjišťovat pokaždé váš záměr od začátku trvá dlouho. Skutečný posun nastane, když je část kontextu vždy k dispozici: ve složce se znalostmi o projektu, v souboru CLAUDE.md, který Claude čte při každém spuštění, a ve vaší metodice zakódované ve skillech. Pak AI přistupuje k úkolu se znalostí vašeho podnikání, cílů a stylu — a rozumí vám z několika slov, protože polovinu kontextu jste připravili předem.

Nedávná analýza Anthropic ukazuje, kolik práce to obnáší: vývojáři používají AI asi při 60% své práce, ale plně jí mohou důvěřovat jen u 0-20% úkolů. Zbytek vyžaduje vaše porozumění, dohled a schopnost vysvětlit, co se má vytvořit. Právě tuto dovednost má smysl rozvíjet, místo honby za nejchytřejším modelem.

Poznejte Ailoot.