O czym jest ten film
- Matt Pocock, przez dekadę zawodowy nauczyciel (najpierw wokalu, potem programistów), zamknął swoją wiedzę o dydaktyce w skillu /teach dla agentów kodujących.
- Kluczowa decyzja projektowa: skill może być stanowy (pamięta poprzednie sesje) albo bezstanowy (nic nie zapisuje) — dobre nauczanie wymaga stanowości.
- Nauczanie z agentem przebiega w dedykowanym katalogu, w którym powstają: misja, lista zasobów, lekcje, wpisy o postępach, słowniczek, ściągi i notatnik agenta.
- Lekcje generowane są jako pliki HTML, nie markdown — daje to diagramy, interaktywność i pełne możliwości przeglądarki (np. klikana symulacja kostki Rubika).
- Cały kurs jest szyty na miarę: agent tworzy kolejne lekcje na podstawie raportów ucznia o tym, co już umie, a co sprawia trudność.
- Filarem metody jest „strefa najbliższego rozwoju” — każda lekcja ma trafiać w pogranicze umiejętności ucznia: wyzwanie bez przytłoczenia.
- Agent sam odsyła do społeczności, gdy pytanie wymaga „mądrości” — celem nie jest uzależnienie ucznia od AI, tylko przygotowanie go do wyjścia w świat.
- Konkretna propozycja dla zespołów: /teach do wdrażania nowych osób w obcy kod, zamiast szybkich, ale szybko nudzących się kursów.
- Wniosek autorski: programiści jako pierwsi testują AI na tym, co AI robi najlepiej — pisaniu kodu — i jako pierwsi przeniosą te doświadczenia poza programowanie.
- Skill jest dostępny publicznie w repozytorium autora (AI Hero / skills), a autor zapowiada dalszy rozwój pomysłu.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Zanim napiszesz skill, zdecyduj: stanowy czy bezstanowy
Na czym polega: Skille dzielą się na bezstanowe (nic nie zapisują między uruchomieniami) i stanowe (utrwalają postępy na dysku albo na serwerach MCP). Żadne nie jest z natury lepsze — to po prostu różne narzędzia do różnych zadań.
Jak stosować: Zadaj sobie jedno pytanie: czy zadanie ma sens w jednym podejściu (np. jednorazowe przepytywanie z tematu), czy wymaga kontynuacji między sesjami (nauka, budowanie dokumentacji)? W drugim przypadku zaprojektuj zapis stanu do plików od samego początku.
Na co uważać: Stanowość to koszt: pliki rosną, trzeba pilnować ich spójności i formatu. I odwrotnie — nie dodawaj pamięci „na zapas”, gdy zadanie jest jednorazowe.
2.Każdą naukę zaczynaj od spisanej misji
Na czym polega: Nauczyciel nie działa, jeśli nie wie, po co uczeń się uczy. Skill /teach dlatego tworzy na starcie plik misji, np. „rozwiązać kostkę raz, bez niczyjej pomocy — liczy się osiągnięcie, nie szybkość ani teoria”.
Jak stosować: Przy pierwszym uruchomieniu opisz agentowi cel i — co ważniejsze — wyłącz to, czym cel nie jest. Wracaj do tej misji przy każdej sesji; to ona wyznacza, co dalej.
Na co uważać: Rozmyty cel („chcę ogarnąć temat”) rodzi rozmyte lekcje. Doprecyzuj, co ma być mierzalnym dowodem osiągnięcia celu.
3.Zmuś agenta do pracy na źródłach pierwotnych
Na czym polega: /teach na pierwszym przebiegu przeszukuje sieć w poszukiwaniu wiarygodnych źródeł pierwszych i dopiero z nich układa lekcje; zbiór jest potem aktualizowany w tokie nauki.
Jak stosować: Przy własnych skillach dydaktycznych ustal w instrukcji wymóg budowy listy zasobów i jej odświeżania. Poproś o linki i sam przejrzyj, na czym agent opiera materiał.
Na co uważać: Bez takiej reguły agent chętnie zda się na własną wiedzę, która bywa nieaktualna albo powierzchowna — zwłaszcza w dziedzinach, w których terminologia szybko się zmienia.
4.Lekcje generuj w HTML, nie w markdownie
Na czym polega: Autor celowo każe agentowi tworzyć lekcje jako pliki HTML: diagramy, wyróżnienia, quizy, a nawet interaktywną symulację kostki do przeklikiwania algorytmu — tego markdown nie da.
Jak stosować: Jeśli budujesz własny materiał dydaktyczny dla modelu, wpisując do instrukcji „lekcje jako samodzielne pliki HTML otwierane w przeglądarce”, uzyskasz znacznie bogatszą warstwę ćwiczeniową.
Na co uważać: HTML wymaga od agenta więcej pracy i tokenów. Przy prostych treściach markdown wciąż wystarczy — decyzję warto podjąć świadomie, nie z przyzwyczajenia.
5.Zbuduj pętlę zwrotną: quizy plus twoje raporty zapisane w plikach
Na czym polega: Po każdej lekcji uczeń melduje, co opanował, a agent zapisuje to jako „rekord nauki”. Dzięki temu wie, co pominąć, a co powtórzyć — i jak prawdziwy korepetytor dopasowuje kolejną lekcję.
Jak stosować: W własnych projektach learningowych ustal format prostego wpisu (data, temat, status) i zwyczaj krótkiego raportu po każdej sesji. Wróć do tych wpisów, gdy nauka stanie się rutyną.
Na co uważać: Quizy to najsłabsza forma informacji zwrotnej — przydadzą się wtedy, gdy nie masz nic lepszego. Tam, gdzie się da, sprawdzaj umiejętność praktyką, nie testem wyboru.
6.Trzymaj ucznia w strefie najbliższego rozwoju
Na czym polega: To kluczowa idea pedagogiczna skilla: nauczać na pograniczu tego, co uczeń potrafi — wyzwanie musi być realne, ale nie może onieśmielać. Każda lekcja ma być krótka, zwarta i trafiona dokładnie w ten poziom.
Jak stosować: Gdy lekcja nudzi lub przytłacza, powiedz agentowi wprost — zgodnie z misją ma skrócić materiał albo przyspieszyć. Takie sygnały musisz dawać ty; agent sam ich nie wyczuje.
Na co uważać: Pułapka polega na udawaniu zrozumienia. Jeśli potwierdzisz opanowanie tematu, którego nie rozumiesz, kolejne lekcje uciekną ci do przodu i nauka się posypie.
7.Prowadź słowniczek żargonu i kartę zbiorczą
Na czym polega: Skill automatycznie zbiera całą dziwną terminologię do glossary (np. notacja kostki, „stokrotka”) i tworzy „kartę rozwiązania” — jedno miejsce z całą procedurą. Dzięki temu kolejne lekcje bywają krótsze: odsyłają do słownika.
Jak stosować: Ucz się języka, frameworka czy domeny? Każ agentowi zbierać pojęcia w jednym pliku i aktualizować kartę zbiorczą. Zajrzysz tam przed każdym powrotem do tematu.
Na co uważać: Słownik działa tylko wtedy, gdy jest żywy. Ustal regułę dopisywania terminów przy każdej lekcji, inaczej lekcje zaczną wyjaśniać od nowa to samo.
8.Stan zapisany w plikach pozwala wracać do nauki po dowolnej przerwie
Na czym polega: Ponieważ wszystko leży na dysku, można wyczyścić kontekst rozmowy i po przerwie uruchomić skill od zera — agent sam odtworzy stan: przejrzy karty, wpisy o postępach i wystawi diagnozę, co dalej ćwiczyć.
Jak stosować: Trzymaj jeden temat nauki w jednym katalogu. Wrzeszcząc do sesji, napisz krótko, co robiłeś od ostatniego razu — resztę agent odczyta z plików.
Na co uważać: Mieszanie kilku tematów w jednym katalogu plącze stan. I pamiętaj, że przy każdym nowym uruchomieniu agent musi przejrzeć pliki — daj mu na to chwilę zamiast ponaglać.
9./teach sprawdza się przy wdrażaniu ludzi do obcego kodu
Na czym polega: Autor wskazuje zastosowanie zespołowe: nowa osoba dostaje własny katalog nauki, skill kieruje ją na repozytorium i prowadzi przez nie niezależnie — w tempie dopasowanym do jej wcześniejszej wiedzy, a nie do sztywnej dokumentacji.
Jak stosować: Przy onboardingu zastąp (lub uzupełnij) dokumentację stanem nauczania. Dzięki temu i uczący się nie utknie w treściach poniżej lub ponad swój poziom, i dokumentacja nie estará wymaganiem utrzymywania wszystkiego na bieżąco.
Na co uważać: Zanim skierujesz kogoś do takiej ścieżki, upewnij się, że źródła, z których korzysta agent, są aktualne i zgodne z waszymi standardami.
10.Instynkty z pracy z AI to umiejętność przenośna
Na czym polega: Teza zakończenia: programiści jako pierwsi testują AI na zadaniu, w którym AI jest znakomita (pisanie kodu). Nawyki i pomysły wypracowane teraz można wynosić poza programowanie — jako skille dla innych dziedzin.
Jak stosować: Notuj, co działa w twojej współpracy z agentami (jak formatujesz instrukcje, jak dzielisz zadania, jak pilnujesz stanu). To gotowy materiał na skille dla innych zawodów.
Na co uważać: Przenośne są zasady, nie narzędzia. Konkretny agent czy model może zniknąć — nie buduj przewagi na jednym productie, tylko na rozumieniu wzorców.
Redakcyjne tłumaczenie
Dekada nauczania zamknięta w jednym pliku
Niedawno uświadomiłem sobie, że uczę innych od dziesięciu lat. Sześć lat byłem trenerem wokalnym, a od czteru uczę programistów. Od dłuższego czasu chodziła mi po głowie myśl: co by było, gdyby zamknąć wszystko, co wiem o nauczaniu, w skillu — czyli pliku z instrukcjami, który rozszerza możliwości agenta — tak, żeby każdy mógł nauczyć się czegokolwiek? Przy okazji długiej podróży autobusem do Londynu miałem wreszcie czas to napisać. Powstał skill /teach i okazał się zaskakująco dobry. To właśnie on nauczył mnie rozwiązywać kostkę Rubika — czego od zawsze chciałem się nauczyć, ale jakoś nigdy nie znajdowałem na to czasu ani zapału. Praca z nim przypominała spotkania z prawdziwym nauczycielem: kimś, kto uczy tak, jak lubię być uczony, i kto rozumie, po co w ogóle to robię. Pokażę, jak to zbudowałem.
(Informacja dodatkowa: Matt Pocock to znany edukator, autor kursów o TypeScripcie i o pracy z AI w serwisie AI Hero.)
Stanowy czy bezstanowy — pierwsza decyzja projektowa
Kluczowe rozróżnienie przy projektowaniu skilla /teach dotyczy stanu. Niektóre skille są stanowe (ang. stateful), inne bezstanowe (stateless). Bezstanowy nic nie zapamiętuje między uruchomieniami: nie ma pojęcia, co robiłeś wcześniej, i nie zapisuje nic w systemie plików, co pozwoliłoby mu później wznowić pracę od przerwanego miejsca. Stanowe robią dokładnie to — utrwalają dane, lokalnie na dysku albo na serwerach MCP, i prowadzą notatki, do których potem wracają.
(Informacja dodatkowa: MCP, Model Context Protocol, to otwarty standard łączenia modeli językowych z zewnętrznymi narzędziami i danymi.)
Początkowo wyobrażałem sobie /teach jako skill bezstanowy: mówisz „naucz mnie tego”, on znajduje kilka dobrych materiałów i składa z nich pojedynczą lekcję. Szybko jednak zrozumiałem, że wszystko, co w nauczaniu robię dobrze, jest stanowe. Nauczyciel pamięta, na czym uczeń skończył, wie, co ten już ogarnia i co podać dalej — ma zasoby z poprzednich kursów, po które może sięgnąć. Dlatego /teach musiał być stanowy.
Przykład z mojego repozytorium: grill me jest zupełnie bezstanowy — po prostu przepytywuje cię z tematu, dopóki nie będziesz gotów działać. Grill with docs jest stanowy: zapisuje w repozytorium rekordy decyzji architektonicznych (ADR), słowniczki i tym podobne rzeczy, przez co z czasem działa coraz lepiej. Żadne z tych rozwiązań nie jest lepsze od drugiego — po prostu pasują do innych sytuacji. Przy projektowaniu własnych skilli zawsze warto się zastanowić, które z nich potrzebujesz.
(Informacja dodatkowa: ADR, architectural decision record, to krótka notatka dokumentująca podjętą decyzję architektoniczną wraz z jej uzasadnieniem.)
Instalacja i pierwszy rozruch
Instalacja jest prosta: wchodzisz do mojego repozytorium skilli (znajdziesz je pod adresem AI Hero / skills), w sekcji szybkiego startu uruchamiasz instalator skills.sh i wybierasz skill Teach. Potem otwierasz pusty katalog i uruchamiasz /teach w swoim agencie kodującym. Ja w katalogu poświęconym kostce napisałem po prostu: „Naucz mnie rozwiązywać kostkę Rubika”. W trakcie nauki zobaczysz, jak wiele plików tam powstaje — a pierwszym z nich jest misja.
Misja: po co w ogóle się uczysz
Moim zdaniem nauczyciel nie działa, jeśli nie rozumie, dlaczego uczeń chce się czegoś nauczyć. Dlatego skill na starcie spisuje misję. U mnie wyglądała tak: „Matt chce umieć rozwiązać pomieszaną kostkę 3×3 samodzielnie, przynajmniej raz. Celem jest samo osiągnięcie — nie szybkość, nie teoria”.
Zasoby: tylko źródła pierwotne
Kolejnym krokiem jest zestaw zasobów. Agent przeszukuje sieć w poszukiwaniu źródeł pierwszych, wysokiego zaufania — i dopiero z nich buduje lekcje. Robi to przy pierwszym uruchomieniu, a potem aktualizuje zbiór w miarę postępów. Następnie tworzy pierwszą lekcję.
Lekcje w HTML, nie w markdownie
Lekcje trafiają do katalogu lessons, ponumerowane, każda w osobnym pliku HTML. HTML jest po prostu o klasę bogatszy od markdowna: pozwala więcej wyrazić i dodać interaktywność. I to jest sedno tego, dlaczego nauka tak dobrze się z nim odbiera. Moja pierwsza lekcja nosiła tytuł „Budowa kostki, notacja i biały krzyż” i dawała dokładnie tyle, ile trzeba wiedzieć w tym momencie: diagramy, proste omówienia, wyróżnione uwagi i quizy.
Pętla zwrotna i rekordy postępów
W nauczaniu zawsze stawiam na pętlę zwrotną; quizy są jej poprawną, choć niezbyt mocną formą — dobre zwłaszcza wtedy, gdy nie masz nic lepszego. W lekcji znalazły się ponadto notacja, typowe pułapki i pierwsza umiejętność do wyćwiczenia. Agent przekazuje wiedzę, ale zachęca też do wypracowania sprawności — a to dwie różne rzeczy i on o tym wie. Kiedy skończyłem i potwierdziłem, że umiem ułożyć biały krzyż, zapisał to w rekordzie nauki: prostym wpisie tworzonym na podstawie mojego meldunku o postępach. Dzięki temu śledzi, jak mi idzie, i — jak każdy porządny korepetytor — szykuje kolejną lekcję pod to, czego faktycznie potrzebuję. Kurs powstaje więc na żywo, uszyty na miarę.
Nieco dalej w kursie lekcje zaczęły zawierać przypisy do źródeł, a quizów przybyło. Sam układ stron bardzo mi leży w oku. Budując skill równolegle z nauką, dorzuciłem też sekcję na dole: listę społeczności, w których można zadawać pytania. Wiedzę i umiejętności zbudujesz w lekcjach, ale mądrość w danym temacie zdobywa się dopiero w kontakcie z ludźmi — testując swoje pomysły w realnym świecie.
Słowniczek, ściąga i notatnik agenta
Skill tworzy też materiały referencyjne — zauważyłem po prostu, że ich potrzebuję. Jest słowniczek: budowa kostki, notacja, uchwyt, „stokrotka” — cała dziwna terminologia trafia do jednego pliku. To bezcenne zwłaszcza przy nauce języka programowania. Ma to i drugi plus: kolejne lekcje mogą być zwięźlejsze, bo odsyłają do terminu w słowniczku, a w razie wątpliwości zawsze można tam zajrzeć. Powstaje również karta rozwiązania — cała procedura układania kostki w jednym miejscu; tam zaglądam, kiedy chcę po prostu ułożyć. Na koniec plik notes.md: agent zapisuje w nim moje preferencje i rzeczy, na które trzeba uważać. To jego wewnętrzny notatnik.
Powrót po przerwie: diagnoza na dzień dobry
Wyobraźcie sobie, że siadam do kolejnej sesji i chcę „uzupełnić nauczyciela” w tym, co działo się od ostatniego razu. Piszę więc samo: teach. Kostkę układam już w całości poza jednym algorytmem — corner cycle, cyklicznym przestawianiem narożników — którego wciąż nie mam we krwi. Zobaczmy, co odpowie agent.
Zaczyna, rzecz jasna, od przejrzenia katalogu nauki, bo kontekst rozmowy jest pusty: ogląda karty, sprawdza, dokąd zaszedłem. Potem wystawia zaskakująco trafną diagnozę tego, co czuję: pojęcie mam opanowane, ale ten jeden algorytm nie osiągnął jeszcze poziomu pamięci mięśniowej. Zagląda do wcześniejszej lekcji o zapamiętywaniu i do innej, starszej — żeby zachować spójny styl.
Mówiąc wprost: zamieniliśmy agenta w nauczyciela i trzeba z nim pracować jak z każdym korepetytorem jeden na jeden. Mówisz, z czym masz problem, a on projektuje lekcje, które mają ten problem rozwiązać. Dla porządku: pracuję na modelu Opus 4.8 przy średnim poziomie wysiłku.
Strefa najbliższego rozwoju
W swojej odpowiedzi agent używa kluczowego pojęcia dydaktyki — strefy najbliższego rozwoju. To idea, którą jestem wręcz zafascynowany: zawsze nauczaj kogoś tam, gdzie wyzwanie jest dla niego realne, ale nie onieśmiela. Stąd wniosek praktyczny: każda lekcja musi być zwięzła, zwarta i wycelowana dokładnie w tę strefę — żeby uczeń się nie nudził i jednocześnie nie tracił ducha.
(Informacja dodatkowa: „Strefa najbliższego rozwoju” to pojęcie psychologa Lwa Wygotskiego — zakres zadań, których dziecko czy uczeń nie wykona samodzielnie, ale wykona z pomocą nauczyciela.)
Agent stworzył lekcję o cyklu narożników — dokładnie taką, jakiej potrzebowałem: rozbija algorytm na części, poświęca mu więcej uwagi, podaje nowe modele myślowe. „Jedna czteroruchowa fraza, zagrana dwa razy” — bardzo pomocne. A potem zobaczyłem coś, co mnie zachwyciło: interaktywną kostkę, którą mogę obracać, klikając. Algorytm U R U′ L′ U R′ U′ L można przećwiczyć na ekranie, jest nawet tryb z prowadzeniem — i można go wyłączyć. To absurdalnie fajne. Widać tu dokładnie, co daje HTML: pełną moc przeglądarki do wykorzystania. Lekcje są krótkie, wąsko ukierunkowane i mówią wprost, co ćwiczyć teraz. A ponieważ wszystko zapisane jest na dysku, mogę śmiało wyczyścić kontekst — przy kolejnym uruchomieniu teach agent i tak będzie miał wszystko, co trzeba, żeby trzymać mnie w strefie najbliższego rozwoju.
Co jest w środku skilla
Sam skill jest naprawdę prosty, choć należy do dłuższych, jakie napisałem. Instrukcja zaczyna się mniej więcej tak: użytkownik prosi cię o nauczenie go czegoś; to żądanie stanowe — zamierza uczyć się przez wiele sesji. Dalej opisany jest kształt katalogu nauki (już go widzieliśmy) i filozofia działania. Definiuję w niej pojęcia, w których AI ma myśleć: wiedza — przekazywana z wysokiej jakości, wiarygodnych źródeł; umiejętności — wypracowywane w trafnych, interaktywnych lekcjach; wreszcie mądrość — ta przychodzi z kontaktu z innymi uczącymi się i praktykami. Niżej opisany jest kształt samych lekcji, misja (mission.md), strefa najbliższego rozwoju, sposoby zdobywania wiedzy i umiejętności oraz — na końcu — mądrość: co robić, gdy uczeń jest gotowy wyjść w świat. Cytuje dosłownie: „Gdy użytkownik zada pytanie wymagające mądrości, domyślnie spróbuj odpowiedzieć sam, ale ostatecznie odesłaj do społeczności”.
Ideą /teach nie jest zaczepienie cię na agentie do końca życia. Wręcz przeciwnie: dać ci wiedzę i umiejętności, żebyś poczuł się na siłach wyjść do ludzi — i wysłać cię w świat. To jest marzenie stojące za całym projektem. Są jeszcze fragmenty o dokumentach referencyjnych i notes.md, kilka drobnych plików pomocniczych określających format rekordów nauki, misji czy zasobów — i to w zasadzie całość.
Zastosowanie zespołowe: wdrażanie do kodu
Z inżynierskiej perspektywy widzę, jak bardzo ten skill może się przydać przy wprowadzaniu ludzi do obcego kodu. Pisanie dokumentacji to zmora: nie tylko trzeba ją ciągle aktualizować, ale i tak zwykle leży ona poza strefą najbliższego rozwoju nowej osoby. Ktoś może już pracować na waszych technologiach i potrzebuje tylko zrozumieć domenę; ktoś inny zna domenę, ale nie ma pojęcia, czym jest TypeScript. Wyobraźcie sobie więc taką ścieżkę: nowa osoba dostaje własny katalog nauki, skill kieruje ją na repozytorium, a ona sama — we własnym tempie — uczy się, jak ten kod działa i jakie pojęcia się w nim przewijają. Efekt? Produktywny pracownik w rekordowo krótkim czasie.
A mnie cieszy już samo to, że mogę używać /teach przy własnych projektach, dla frajdy — do nauki rzeczy, których wcześniej bym się nie podjął. Choćby tej przeklętej kostki. Mośliwie wygrzebię nawet stare materiały szachowe i sprawdzę, czy nauczy mnie kilku debiutów.
Programiści jako pierwsi w kolejce
Na koniec idea, którą nosiłem w głowie od dawna, a którą ten skill czyni dla mnie zupełnie oczywistą. My — społeczność programistów, inżynierowie — jesteśmy pierwszymi ludźmi, którzy doświadczają AI na terenie, na którym AI jest naprawdę mocna. Pisanie kodu to obecnie rzecz, którą AI robi lepiej niż niemal wszystko inne; wyjątków jest niewiele. I my mamy tę przewagę, że jako pierwsi możemy testować AI na problemie, w którym jest znakomita. To czyni nas pierwszymi na świecie — z drobnymi wyjątkami — którzy naprawdę poznają AI i mogą budować z nią takie ciekawe rzeczy. Pierwsi wchodzimy w tę nową przestrzeń: pomysły, które tu wypracujemy, możemy zamieniać w skille i wynosić w świat. To niesamowicie ekscytujące i zamierzam to zgłębiać dalej — /teach jest pierwszym etapem tej drogi.
Dlatego gdy pracujesz z Claude Code albo Codexem, gdy się z tym męczysz, tracisz motywację i myślisz: „to beznadzieja” — pamiętaj, że umiejętności i instynkty, które właśnie budujesz, możesz zabrać ze sobą poza programowanie. Niezależnie od tego, jak będzie wyglądać przyszłość pracy, okażą się bezcenne. Wszyscy będziemy pracować z AI — a my jesteśmy pierwsi, którzy mogą to robić naprawdę.
Jeśli moje skille przypadły ci do gustu, wejdź na AI Hero / skills i zapisz się do newslettera — powiadamiam o każdym nowym skillu i o wszystkich zmianach, bo modyfikuję je bez przerwy. Tam znajdziesz też aktualne informacje o używaniu ich w inżynierii i nie tylko.
Ciekawi mnie, czego będziecie się uczyć wy — języków programowania, języków ludzkich, nowych sprawności. Ja zamierzam kazać temu skillowi nauczyć mnie śpiewania harmonii wokalnych; zawsze chciałem to umieć, ale jakoś nigdy nie wychodziło. Nie mogę się doczekać, żeby samemu z tego korzystać — i żeby zobaczyć, co wy z tym zrobicie. Dziękuję za obejrzenie. Do zobaczenia wkrótce.