Dlaczego Claude robi nie to, co trzeba: 3 prompty

Więcej informacji o korzystaniu z usługi znajdziesz w dokumentacji Ailoot.

Dlaczego Claude robi nie to, co trzeba?#

Piszesz: „Dodaj filtry na stronie produktów”. W Twojej głowie oznacza to kilka pól wyboru i odświeżoną listę. Claude słyszy to samo i decyduje się zbudować pełnoprawny silnik filtrowania: własny magazyn stanu, osobną logikę opóźniania wprowadzania danych, synchronizację z URL-em i tuzin funkcji pomocniczych. Setki wierszy kodu, choć wystarczyłoby kilka parametrów URL.

W takim przypadku wniosek jest jasny: agent nie popełnił błędu — po prostu rozwiązał znacznie większy problem, niż było trzeba. Winę ponosi brak krótkiego i precyzyjnego opisu oczekiwanego rezultatu.

Kluczowe słowo to „intencja”. Ty masz ją w głowie, Claude nie. Widzi tekst Twojej prośby i cały kontekst do momentu jej wysłania. Potem wypełnia luki domysłami. Im krótsza prośba, tym więcej domysłów — i tym bardziej wynik odbiega od tego, czego chcesz.

Anthropic mówi o tym wprost w dokumentacji Claude Code:

Sam spotkałem się z tym w swoim projekcie. Poprosiłem o poprawkę jednego ekranu autoryzacji i dostałem diff, który obejmował połowę sąsiedniego modułu. To nie była wina Claude’a: dałem mu jedno zdanie, a resztę dopowiedział sobie sam. Od tamtej pory każde zadanie większe niż poprawienie literówki zaczynam od pytań — tych, które zadaje mi Claude.

Czy to naprawdę kwestia modelu — i dlaczego nawet najmocniejsze modele zawodzą?#

Co tydzień pojawia się model „inteligentniejszy” od poprzedniego i za każdym razem mamy wrażenie, że oto nadszedł moment, w którym AI wreszcie zrozumie nas na podstawie kilku słów. Tak się nie stanie. Mocniejszy model szybciej pisze kod i lepiej radzi sobie ze złożoną logiką, ale nadal nie potrafi czytać w myślach. Jeśli zadanie jest źle opisane, dostaniesz coś pięknie napisanego, ale wciąż niepoprawnego.

Wniosek dla Ciebie jest prosty. Gonienie za najnowszym modelem, który ma lepiej zgadywać, prowadzi donikąd. Taniej i pewniej jest nauczyć się przekazywać mu zadania tak, by nie musiał zgadywać. Właśnie tym zajmiemy się dalej.

Czym jest grilling i jak pomaga rozwiązać rozbieżności między Tobą a AI?#

Brzmi to nieintuicyjnie. Korzystamy z AI, żeby szybciej załatwiać sprawy, a teraz słyszymy, że mamy ją spowolnić i najpierw kazać jej zadawać pytania. Jednak pięć minut pytań przed pisaniem kodu może oszczędzić godzinę późniejszych poprawek.

Problem nie polega tylko na tym, że źle wyjaśniłeś coś Claude’owi. Często sam nie przemyślałeś zadania — tego, jakie przypadki uwzględnić, gdzie przebiegają granice i co jest najważniejsze. Grilling wydobywa te informacje za pomocą pytań. Po zakończeniu rozmowy masz nie tylko zadanie zrozumiałe dla AI, ale też własne zadanie, wreszcie szczegółowo opisane.

Tak działa inżynieria kontekstu: główna praca odbywa się przed promptem, a nie podczas jego pisania. Nie szukasz magicznego sformułowania promptu, lecz zawczasu przekazujesz Claude’owi potrzebne informacje, aż zrozumie zadanie bez dodatkowych wyjaśnień.

Jak sprawić, żeby Claude najpierw zadawał Ci pytania?#

Anthropic nie tylko dopuszcza takie podejście, ale je zaleca. W dokumentacji znajduje się sekcja „Let Claude interview you” z gotowym promptem. Oto jego praktyczna wersja:

Chcę zbudować [krótki opis zadania].

Zanim napiszesz jakikolwiek kod, przeprowadź ze mną szczegółową rozmowę. Zadawaj pytania o implementację, interfejs, przypadki brzegowe, ryzyka i kompromisy. Nie pytaj o oczywiste rzeczy — drąż trudne kwestie, których mogłem nie przemyśleć.

Zadawaj po jednym pytaniu i czekaj na moją odpowiedź. Do każdego pytania od razu zaproponuj zalecaną przez siebie odpowiedź.

Kontynuuj, aż omówimy wszystko. Następnie przygotuj pełną specyfikację w pliku o nazwie SPEC.md.

Trzy szczegóły sprawiają, że ten prompt jest przydatny, a nie tylko ozdobny. Po pierwsze: „jedno pytanie naraz”. Jeśli AI zasypie Cię dziesięcioma pytaniami, poczujesz się przytłoczony i odpowiesz powierzchownie. Po drugie: „zaproponuj odpowiedź” — nie musisz wymyślać wszystkiego od zera; możesz się zgodzić albo coś skorygować. Po trzecie: „przygotuj specyfikację w pliku” — wydobyta z Ciebie intencja stanie się dokumentem, który nie zaginie.

Anthropic opisuje korzyści w kontekście nakładu pracy:

Po wywiadzie otwórz nową sesję i przekaż jej gotową specyfikację. Czysty kontekst i jasno wyrażone intencje sprawią, że Claude od razu trafi w sedno.

Technika „udowodnij, że to najlepszy plan”#

Grilling wydobywa Twoje intencje. AI ma jednak jeszcze jeden nawyk: wybiera pierwsze wiarygodne rozwiązanie. Anthropic nazywa to luką „ufaj, ale sprawdzaj”: Claude tworzy wiarygodną implementację, która nie sprawdza się w przypadkach brzegowych. Rozwiązaniem jest żądanie dowodów przed napisaniem kodu.

Prawie zawsze dodaję do promptu sekcję „udowodnij to”. Oto dokładne brzmienie:

Zanim napiszesz kod, przeanalizuj zadanie jak krytyk.

Znajdź 2-3 sposoby jego rozwiązania. W każdym przypadku udowodnij mi, że rzeczywiście rozwiązuje moje zadanie, zamiast niepotrzebnie dodawać złożoność. Nie pisz kodu tylko po to, żeby go pisać.

Następnie wybierz jeden sposób i udowodnij, że jest najlepszy oraz uwzględnia kilka kolejnych kroków. Co przestanie działać, gdy projekt urośnie? Czego teraz nie dostrzegamy?

Dopiero wtedy zaproponuj implementację.

Bez tej sekcji Claude podaje pierwszą działającą opcję. Z nią sam odrzuca ślepe zaułki, wyjaśnia swój wybór i pozwala Ci zobaczyć tok rozumowania, zanim dotknie choćby jednego pliku. Czytasz krótki tekst, na którego przeczytanie potrzebujesz dwóch minut, zamiast przez godzinę zastanawiać się, dlaczego gotowy kod nie działa zgodnie z oczekiwaniami.

Pre-mortem: przed startem każ AI znaleźć 10 powodów porażki#

To moja ulubiona technika, a jej działanie jest psychologiczne. Gdy prosisz AI, żeby „dobrze wykonała zadanie”, nastawia się na sukces i pomija luki. Poproś ją, by wyobraziła sobie porażkę, a zacznie dostrzegać to, co wcześniej ignorowała. Prompt jest krótki:

Wyobraź sobie, że minął rok. Projekt, który planujemy, zakończył się porażką.

Zapisz 10 powodów, dla których tak się stało. Czego nie uwzględniliśmy na początku, co zlekceważyliśmy, gdzie poszliśmy na skróty i które założenia okazały się błędne?

Następnie przy każdym powodzie powiedz mi, co możemy naprawić już teraz, aby mu zaradzić.

Uruchamiam ten prompt przed zatwierdzeniem planu. Połowa powodów okazuje się niedorzeczna, ale druga połowa to prawdziwe pułapki, na które natknąłbym się tydzień później. Zaradzenie im na etapie planowania zajmuje dziesięć minut. Napotkanie ich w gotowym projekcie kosztuje kilka dni dochodzenia.

Połączenie jest proste: grilling wydobywa intencje, „udowodnij to” broni decyzji, a pre-mortem wykrywa luki. Trzy krótkie teksty do wklejenia przed napisaniem kodu. Zmieniają Claude’a z wykonawcy spieszącego do pracy w partnera, który najpierw myśli.

Dlaczego przeładowany kontekst sprawia, że Claude zachowuje się głupio?#

Nawet idealnie opisane zadanie może się rozpaść, jeśli pracujesz w zaśmieconym kontekście. Działa to tak: każda nowa prośba powoduje, że cała historia czatu trafia do kontekstu roboczego Claude’a. Im dłuższa sesja, tym szybciej zapełnia się okno. Nie pozwól, by było zapełnione w więcej niż połowie; później AI zaczyna zachowywać się głupio i gubi ważne rzeczy omówione na początku.

Zasada, która oszczędza mi najwięcej frustracji, brzmi: jedno zadanie, jeden czat. Skończyłeś funkcję? Zamknij czat i otwórz nowy dla następnego zadania. Tak, czasami wygodniej jest zrobić wszystko w jednym oknie, ale zapłacisz za to utratą kontekstu i odpowiedziami nie na temat.

Anthropic nazywa ten tryb awarii „sesją szuflady na rupiecie”. Rozwiązanie jest proste: używaj /clear między niepowiązanymi zadaniami, by wyczyścić okno i nie przenosić bałaganu z poprzedniego zadania do nowego.

Jeśli prowadzisz długie sesje i nie wiesz, na co idą pieniądze oraz uwaga AI, omawiam to osobno w poradniku Gdzie trafiają tokeny Claude Code. Podstawy trwałego kontekstu, który Claude odczytuje przy każdym uruchomieniu, opisałem w poradniku Konfiguracja CLAUDE.md.

Grilling czy Plan Mode — czym się różnią i jak je łączyć?#

Ludzie często mylą te dwie techniki albo zakładają, że wystarczy tylko jedna. W praktyce pojawiają się na różnych etapach procesu.

Anthropic opisuje kanoniczny, czteroetapowy proces pracy: najpierw Explore (Claude analizuje i zadaje pytania), następnie Plan (tworzy plan bez wprowadzania zmian), potem Implement (pisze kod zgodnie z planem), a na końcu Commit (zapisuje wynik). Grilling odbywa się w pierwszej fazie, a Plan Mode w drugiej. Pełny opis drugiej fazy znajdziesz w poradniku Plan Mode w Claude Code.

Warto pamiętać o ważnym zastrzeżeniu samego Anthropic: nie obciążaj tym małych zadań.

W przypadku literówki, zmiany nazwy lub poprawki jednego wiersza po prostu napisz, co trzeba zrobić — bez wywiadów i planów. Grilling opłaca się przy zadaniach niejednoznacznych i kosztownych w razie pomyłki. Przy błahych zadaniach tylko Cię spowalnia.

5 błędów w opisie zadania, przez które AI robi nie to, co trzeba#

Podsumowałem częste pułapki w tabeli. Po lewej stronie znajduje się to, co ludzie zwykle robią i co prowadzi do błędów; po prawej — co zrobić zamiast tego.

Przejrzyj ostatni prompt, na który AI odpowiedziało źle. Niemal na pewno przyczyną był jeden z tych pięciu błędów. Najczęściej jest to pierwszy: dajesz krótkie hasło i oczekujesz, że Claude poprawnie dopowie resztę. Dopowiada ją — po prostu nie tak, jak sobie wyobrażałeś.

Co dalej: zbuduj system, dzięki któremu AI zrozumie Cię po kilku słowach#

Trzy prompty z tego poradnika — grilling, „udowodnij to” i pre-mortem — pomagają przy konkretnym zadaniu. To już dużo: nie dostajesz diffu obejmującego 14 plików, gdy chciałeś zmienić tylko jeden wiersz.

Grilling ma jednak swoje ograniczenia. Za każdym razem wydobywanie Twoich intencji od zera zajmuje dużo czasu. Prawdziwa zmiana następuje wtedy, gdy część kontekstu jest zawsze dostępna: w folderze z wiedzą o projekcie, w pliku CLAUDE.md, który Claude czyta przy każdym uruchomieniu, i w Twojej metodologii zapisanej w skills. Wtedy AI przystępuje do zadania, znając już Twoją działalność, cele i styl — rozumie Cię po kilku słowach, bo połowę kontekstu przygotowałeś z wyprzedzeniem.

Z najnowszej analizy Anthropic wynika, jak dużo pracy wciąż pozostaje: programiści używają AI przy około 60% swojej pracy, ale mogą jej w pełni zaufać tylko w przypadku 0-20% zadań. Reszta wymaga Twojego zrozumienia, nadzoru i umiejętności wyjaśnienia, co należy zbudować. To właśnie tę umiejętność warto rozwijać, zamiast gonić za najmądrzejszym modelem.

Poznaj Ailoot.