O czym jest ten film
- Lawina nowości w AI — kolejne modele, premiery produktów, głośne tweety i repozytoria na GitHubie — potrafi przytłoczyć każdego, kto śledzi branżę; kluczowe pytanie brzmi, jak odróżnić szum od tego, co naprawdę warte uwagi.
- Autor przez cały rok budował w ramach swojego „drugiego mózgu” silnik treściowy: system śledzący setki źródeł i generujący krótki dzienny przegląd dopasowany do jego zainteresowań.
- System pobiera treści m.in. z Reddita, YouTube, kanałów RSS, serwisu Hacker News, repozytoriów GitHub i changelogów narzędzi takich jak Claude Code; część integracji realizuje przez platformę Apify.
- Zanim cokolwiek trafi do modelu, następuje deduplikacja w centralnej bazie oraz odsiew deterministyczny: bardzo stare wpisy i te bez zaangażowania odbiorców odpadają bez wydawania tokenów.
- Pierwszą linię oceny stanowi Jev — tańszy od wywołań LLM; dopiero wątpliwe przypadki trafiają do Claude Haiku, która dogłębniej filtruje i przygotowuje przegląd.
- Koszty są niskie: przebieg na 864 postach kosztował 3 centy (Jev) i 42 centy (Haiku), czyli łącznie mniej niż pół dolara dziennie.
- Cały system jest dostępny jako darmowy skill „build signal engine”, który przeprowadza agenta kodującego przez wywiad z użytkownikiem, a potem przez sześciostopniową budowę z testami.
- Autor celowo nie udostępnia gotowego repozytorium — skilla ma sprawić, że każdy zbuduje system od podstaw i dostosuje do własnych źródeł oraz kryteriów.
- Efektem budowy jest profil opisujący źródła, filtry i pytania decyzyjne — służy jako interfejs do dalszych zmian w języku naturalnym.
- Nawet bez stawiania całego silnika pojedyncze pomysły (kaskadowe filtrowanie, higiena danych, jeden plik konfiguracyjny) da się przenieść do własnego procesu.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Zacznij od warstwy danych, nie od filtrowania
Na czym polega: Zanim system cokolwiek oceni, musi mieć skąd czerpać treść. Autor łączy Reddita, YouTube, RSS, Hacker News, GitHub i changelogi narzędzi, z których korzysta na co dzień.
Jak stosować: Wypisz wszystkie miejsca, w których dziś ręcznie szukasz informacji — to fundament systemu. Dla każdej platformy zdecyduj o sposobie pobierania: bezpośrednie API, narzędzie CLI, serwer MCP albo agregator.
Na co uważać: API serwisów takich jak YouTube czy Reddit bywają ograniczone; zamiast walczyć z nimi samodzielnie, rozważ platformę typu Apify z gotowymi konektorami do tysięcy źródeł.
2.Odsiej mechanicznie, zanim zapłacisz za model
Na czym polega: Każdy post przechodzi najpierw przez deduplikację w centralnej bazie oraz proste filtry regułowe. Bardzo stare, prawdopodobnie nieaktualne wpisy oraz te bez zaangażowania odbiorców są odrzucane bez udziału jakiegokolwiek modelu.
Jak stosować: Wprowadź progi liczbowe — film z paroma setkami wyświetleń czy wątek z znikomym odzewem możesz pomijać od razu. Dopiero to, co przejdzie sito, kieruj do modelu.
Na co uważać: Niski zasięg nie zawsze oznacza niską wartość — od czasu do czasu sprawdź, czy nie odrzucasz systematycznie czegoś, co mogłoby cię zainteresować.
3.Rozdziel ocenę na dwa stopnie: tani filtr i LLM
Na czym polega: Jev rozstrzyga przypadki oczywiste — ewidentny szum lub ewidentnie wartościowa treść. Dopiero materiały wątpliwe trafiają do Claude Haiku, która dogłębniej filtruje i przygotowuje przegląd. Autor testował też wariant samodzielnie z Jevem, bez LLM — trafność mocno spadła, więc złoty środek leży w kaskadzie.
Jak stosować: Projektuj filtrowanie jako łańcuch: najtańszy oceniacz odsiewa większość, droższy model dostaje tylko resztę. Do drugiego stopnia wybierz model tani, ale z porządną zdolnością rozumowania.
Na co uważać: Proporcje kosztów potraktuj jako punkt odniesienia, nie gwarancję — rachunek zależy od liczby źródeł i objętości tekstu w twoim przypadku.
4.Nie wrzucaj do modelu surowych odpowiedzi z API
Na czym polega: Nagłówki, stopki i zbędne odstępy z odpowiedzi serwera MCP czy API tylko podbijają rachunek za tokeny. Autor usuwa je sztywnymi regułami, a Apify zwraca mu od razu markdown dopasowany do potrzeb agenta.
Jak stosować: Przy każdej integracji ustal z góry, co można wyciąć z danych wejściowych, zanim trafią do modelu, i zapisz to jako stały krok czyszczący w potoku.
Na co uważać: Przy własnych, niestandardowych integracjach nikt nie zrobi tego za ciebie — czyszczenie danych łatwo przeoczyć, a w skali miesiąca kosztownie.
5.Sformułuj jawne kryteria oceny i próg odcięcia
Na czym polega: Jev ocenia każdy materiał według trzech pytań: czy jest na temat, czy autorem newsów coś by go obchodziło, czy to konkretna nowość, a nie „zabawkowe demo”. Wynik na poziomie choćby 0,7 wystarcza, by odrzucić materiał bez angażowania LLM.
Jak stosować: Przenieś ten schemat na siebie: zapisz własne dwa–trzy pytania kontrolne i wyraźny próg, po którym decyzja zapada bez dalszej analizy.
Na co uważać: Zbyt ostry próg wykluczy wartościowe, ale niszowe treści; zbyt łagodny przepuści szum. Kalibruj go stopniowo, obserwując jakość codziennego przeglądu.
6.Trzymaj wszystkie źródła w jednym pliku konfiguracyjnym
Na czym polega: Kanały RSS, subskrypcje YouTube, repozytoria GitHub, kategorie prac na arXiv, wyszukiwania w Apify — całością autor zarządza jednym plikiem JSON, bez dotykania kodu.
Jak stosować: Oddziel konfigurację od logiki: dodanie nowego źródła ma być edycją jednej listy, a nie poprawkami w działaniu systemu.
Na co uważać: Skoro jeden plik obejmuje wszystko, błąd w nim potrafi zatrzymać cały przebieg — warto pilnować spójności struktury przy każdej zmianie.
7.Przejdź przez wywiad, zanim ruszy budowa
Na czym polega: Skill na starcie wypytuje o cele (czego chcesz się dowiadywać), konkretne problemy (co ci kiedyś umknęło i kiedy się o tym dowiedziałeś) oraz preferowane źródła i metody pobierania. To kilkanaście minut, które procentują w całej dalszej implementacji.
Jak stosować: Odpowiadaj konkretnie i osobiście — im precyzyjniej opiszesz, co cię interesuje, tym lepiej agent dopasuje system do twojej pracy.
Na co uważać: Pytań jest dużo i etap wymaga cierpliwości; skrótowe odpowiedzi przełożą się na generyczny, mniej użyteczny efekt.
8.Buduj etapami i testuj po każdym kroku
Na czym polega: Skill prowadzi agenta przez sześć etapów: najpierw jedno źródło zbudowane i przetestowane od początku do końca, potem pozostałe źródła i cała warstwa danych, dalej filtry regułowe, etapy decyzyjne, format przeglądu i harmonogram uruchomień. Próba zrobienia wszystkiego za jednym zamachem skończyłaby się klęską.
Jak stosować: Ten wzorzec przenosisz na każdy większy projekt z agentem: dziel pracę na małe kawałki i wymagaj testu po każdym z nich.
Na co uważać: Pierwsza wersja nie będzie idealna — od razu zaplanuj iteracje z agentem po zakończeniu budowy.
9.Trzymaj profil systemu jako interfejs do zmian
Na czym polega: Po zakończeniu budowy powstaje profil — skrótowy zapis źródeł, filtrów i pytań decyzyjnych. Wystarczy zaktualizować go w języku naturalnym i polecić agentowi wdrożenie różnic.
Jak stosować: Potraktuj profil jako dokument „sterowniczy”: gdy przegląd przestanie ci satysfakcjonować, edytuj opis i przekaż go agentowi do implementacji.
Na co uważać: Silnik nie czyta profilu przy każdym uruchomieniu — sama zmiana w dokumencie nic nie da, dopóki nie zlecisz agentowi jej wdrożenia.
10.Nie musisz budować całości — wybierz pomysły, które pasują do ciebie
Na czym polega: Sam autor podkreśla, że nawet kilka „złotych myśli” włączonych do własnego procesu ma wartość — pełny silnik nie jest warunkiem skorzystania z materiału.
Jak stosować: Jeśli całość to za dużo, zacznij od jednego elementu, na przykład odsiewu deterministycznego i krótkiego przeglądu z jednego–dwóch źródeł.
Na co uważać: Kopiowanie cudzych kryteriów filtrowania bez zastanowienia oznacza przejęcie cudzych priorytetów — pytania decyzyjne dopasuj do własnej pracy.
Redakcyjne tłumaczenie
Lawina nowości, w której łatwo utonąć
Jeśli nigdy nie poczułeś przytłoczenia lawiną wiadomości ze świata AI, załóż własny kanał na YouTube i naucz nas swoich metod — bo mogę niemal zagwarantować, że tak nie jest. Przynajmniej od czasu do czasu, może nawet właśnie teraz, doskwiera ci ciąg kolejnych modeli i premier, głośnych tweetów oraz repozytoriów na GitHubie, które podobno musisz koniecznie obejrzeć. Co tydzień, jakby nie spojrzeć, wychodzi kilka rzeczy, które rzekomo zmieniają wszystko. To męczy.
Kluczowe pytanie brzmi więc: jak temu nadążyć? I jak rozpoznać, co jest błahostką, a co naprawdę warto przejrzeć — może nawet włączyć do własnego warsztatu? To pytanie sobie odpowiadam od początku roku, budując w ramach mojego „drugiego mózgu” to, co nazywam silnikiem treściowym. W tym materiale pokażę, jak cały system działa, a jeszcze lepiej — jak zbudować go samemu, całkiem łatwo, za pomocą skilla, który dla was przygotowałem.
(Informacja dodatkowa: „drugi mózg” to osobisty system wiedzy i notatek autora; Cole Medin publikuje cykl materiałów o budowaniu takiego systemu z pomocą agentów AI. Skill to natomiast gotowy pakiet instrukcji dla agenta kodującego, np. Claude Code, który krok po kroku przeprowadza go przez konkretne zadanie.)
Silnik treściowy w drugim mózgu
Ten system to dla mnie ratunek. W moje imię śledzi setki źródeł, a wszystko, co przez niego przepływa — zapowiedzi, wpisy na blogach, artykuły — przepuszcza przez filtr oparty na tym, co wie o moich zainteresowaniach. Efekt? Codziennie dostaję zwięzły, przejrzysty przegląd obejmujący dokładnie to, co powinno mnie obchodzić. System nie śledzi dla mnie wszystkich wiadomości o AI — nawet sam dziennik z całości byłby zbyt obszernym czytywem. Dostaję tylko to, co mnie realnie interesuje.
Z czasem doprowadziłem ten mechanizm do wysokiej trafności: filtr naprawdę wyłapuje dla mnie szum i pomaga skupić się na tym, co poprawi moje treści i moją pracę z kodem wspomaganym przez AI — krótko mówiąc, na sprawach ważnych dla mnie osobiście.
Dlaczego skill zamiast gotowego repozytorium
W moim głównym repozytorium skilli na GitHubie znajdziecie tego na dziś: „build signal engine”. Mój system nazywam zamiennie silnikiem sygnału albo silnikiem treści. Ten przepływ pracy przeprowadza twojego agenta kodującego przez budowę dokładnie takiego mechanizmu, jaki mam ja — takiego, który oszczędza mi godzinami w tygodniu na śledzeniu nowości.
Dlaczego wydaję skilla, a nie gotowe, open-source’owe repozytorium do szybkiego postawienia? Bo chcę, żebyś budował system od podstaw i po drodze go personalizował. Proces zaczyna się od dokładnego wypytywania: ustalicie, jakie źródła chcesz śledzić, jak je pobierać i jak filtrować — czyli co naprawdę cię obchodzi — a dopiero potem rusza budowa. Wartość skilla tkwi jednak gdzie indziej: wbudowałem w niego wszystkie najlepsze praktyki, wnioski wyciągnięte na własnej skórze i usprawnienia nanoszone przez ponad pół roku używania własnego silnika.
Warstwa danych: skąd system czerpie treść
Zanim ustawimy jakiekolwiek filtrowanie czy uczenie systemu naszych preferencji, trzeba postawić warstwę danych: połączenia z poszczególnymi platformami i ustalić, co w ogóle trafi do silnika. Codziennie pobieram bardzo wiele źródeł: Reddita, YouTube, kanały RSS, serwis Hacker News, repozytoria na GitHubie, changelogi moich ulubionych narzędzi, takich jak Claude Code. Do silnika wpływa każdego dnia kilkaset postów — i system przerabia je bardzo szybko. Źródeł dużo, ale całość zaprojektowałem pod wydajność.
To również część tego, przy czym pomaga skill: zapyta o źródła, które chcesz podpiąć, i o sposób, w jaki to zrobić. Każdą platformę da się połączyć na wiele sposobów — bezpośrednio przez API, narzędziem CLI albo serwerem MCP. Sporo takich integracji wykonałem sam, na przykład dla GitHuba, arXiv i Hackera News. Ostatnio sięgam jednak po Apify — jedną platformę, która pozwala błyskawicznie podłączyć agentów do tysięcy źródeł, takich jak YouTube i Reddit, czyli serwisów o zwykle bardziej zamkniętych API. Nie musisz wcale korzystać z tych samych rozwiązań co ja — to po prostu dobrze działa w moim silniku, a skill pomoże ci dobrać własne.
(Informacja dodatkowa: arXiv to otwarte repozytorium prac naukowych, głównie z informatyki; Apify — platforma do pozyskiwania danych z sieci z gotowymi integracjami.)
Deduplikacja i filtry regułowe — zanim wydamy tokeny
Silnik uruchamiam codziennie i pierwszym krokiem każdego przebiegu jest pobranie wszystkich źródeł. Zanim jednak cokolwiek zacznie być przetwarzane czy filtrowane, trzeba usunąć duplikaty. Cała zawartość trafia do centralnej bazy danych z rejestrem zapowiedzi, wpisów i artykułów już widzianych — nie chcemy, by Jev i duży model językowy przerabiały ten sam post drugi raz, bo to czysta strata tokenów. Zanim więc w ogóle sięgniemy po model, odsiewamy i deduplikujemy według sztywnych reguł, ile się da. To jeden z powodów, dla których całość działa szybko i oszczędnie.
(Informacja dodatkowa: Jev to stosunkowo nowe narzędzie, którego autor używa zamiast wywołań LLM do taniego wstępnego filtrowania — w przeciwieństwie do pełnego modelu nie ma dostępu do jego systemu pamięci.)
Poza deduplikacją mam kilka filtrów kodowych, czyli deterministycznych. Jeśli post jest bardzo stary i niemal na pewno nieaktualny, od razu idzie do kosza. Jeśli nie wzbudził zaangażowania — na przykład wątek na Hacker News albo film na YouTube z zaledwie kilkuset wyświetleniami — też go pomijam. Bywa, że za takim wpisem kryje się coś wartościowego, ale praktyka podpowiada prostą regułę: zwykle można to pominąć. Istotne, że ten odsiew następuje, zanim wydam tokeny na ocenę, czy materiał jest dla mnie ważny.
Kaskada oceny: najpierw Jev, potem LLM
To, co przejdzie przez filtry deterministyczne i deduplikację, trafia do pierwszego wywołania modelowego — u mnie przez Jeva. Temat szerzej omawiałem w poprzednim odcinku cyklu o drugim mózgu.
Jev nie istnieje na rynku od dawna. Zanim się pojawił, do filtrowania wszystkiego używałem dużych modeli językowych, co oznaczało osobne wywołanie dla każdego źródła, które przeszło pierwsze etapy. Można wziąć do tego model tańszy, na przykład Haiku — zwłaszcza że nowa wersja, Haiku 5.5, daje spore możliwości rozumowania za grosze — ale wolę sięgać po LLM tylko wtedy, gdy nie da się inaczej. Stąd Jev jako pierwszy filtr.
Testowałem zresztą wariant w ogóle bez LLM, w którym Jev był ostatnią instancją — i trafność mocno spadła. Sporo rzeczy niepotrzebnie się przedzierało, a sporo wartościowych lądowało w koszu. Obecny układ okazał się złotym środkiem.
Jev podejmuje więc decyzje oczywiste: to, co ewidentnie jest szumem albo ewidentnie mnie interesuje, rozstrzyga od razu. Jeśli werdykt brzmi „definitywnie wyrzucić”, materiał znika i żadne wywołanie LLM nie jest potrzebne. Ale gdy sprawa jest wątpliwa albo wiadomo, że na pewno chcę coś zatrzymać, wchodzi LLM: prowadzi dalszą filtrację i przygotowuje wszystko pod przegląd. Na tym etapie system wciąż jest lekki i tani — tylko nie aż tak jak na wcześniejszych stopniach.
Konkretne liczby: w przebiegu obejmującym 864 posty cała seria wywołań Jeva kosztowała mnie 3 centy, a to, co dotarło do Claude Haiku — 42 centy. Mniej niż pół dolara dziennie. Biorąc pod uwagę oszczędność czasu, inwestycja zwraca się z nawiązką. U ciebie rachunek będzie oczywiście inny — zależy od liczby źródeł i od tego, ile tekstu każdy z nich dostarcza.
Koszty i higiena danych wejściowych
Jedna rzecz, na którą trzeba tu bardzo uważać: co do zasady nie wrzucamy do Jeva ani do LLM surowej odpowiedzi z serwera MCP czy z API. Z niemal każdego takiego ładunku da się coś wyciąć od razu, według reguł — nagłówki, stopki, nadmiarowe odstępy, wszystko, czego agent nie potrzebuje. To jeden z powodów, dla których lubię Apify: przy każdym przebiegu, gdy pobiera dane z kolejnych źródeł, zwraca od razu markdown dopasowany do agenta, czyli samą potrzebną treść. Z Apify masz mniej na głowie; przy własnym, niestandardowym ustawieniu musisz to uregulować samodzielnie i z góry. Mój skill w tym pomaga.
(Informacja dodatkowa: markdown to lekki format tekstu, z którego modele AI radzą sobie najlepiej.)
Trzy pytania, które odsiewają „zabawkowe demo”
Przygotowałem małą demonstrację, żeby wszystko nabrało konkretów. Nie jest to pełny silnik — po prostu przeciągnięcie kilku subredditów przez filtr — ale dobrze pokazuje, jak wygląda odsiew części materiałów przez Jeva i przekazywanie reszty do LLM.
Każde źródło trafiające do Jeva jest oceniane według trzech kryteriów (są one też wbudowane w skilla). Po pierwsze: czy to na temat — czy to coś, czym ja bym się zajął? Po drugie: czy to rzeczywiście nowa, konkretna rzecz, a może tylko demo-zabawka? W blogach, a zwłaszcza na subredditach, ludzie wciąż wrzucają drobne wytwory, którymi testują modele, a mnie to nie interesuje. To jeden z wniosków z praktyki: „zabawkowe demo”, jak je nazywam, pojawiają się regularnie i chcę je odrzucać natychmiast. Wszystko, co na tej skali zdobędzie choćby w miarę wysoką ocenę — powiedzmy 0,7 — od razu odrzucam; nie trafia do LLM.
Niektóre rzeczy są na tyle jednoznaczne, że LLM nie jest potrzebny: zapowiedź Soneta 5.5 albo oficjalna premiera wersji 1.0 Pi — jasne, że zatrzymuję. Inne są bardziej niuansowane i wtedy przydaje się model, który może głębiej zajrzeć do mojego systemu pamięci — czego Jev nie potrafi. Wtedy to LLM rozstrzyga, czy naprawdę coś zostawić.
Jeden plik JSON rządzi całością
Wszystkie źródła, które wciągam przez silnik, obsługuję jednym plikiem konfiguracyjnym JSON. Zarządzanie i rozszerzanie nie mogły być prostsze: mam tam wszystkie śledzone kanały RSS, nowe posty z blogów, kanały YouTube, repozytoria GitHub, kategorie prac naukowych na arXiv, a w Apify — wyszukiwania wykonywane przy każdym przebiegu na Reddicie, w wyszukiwarce internetowej i na YouTube. Dzięki temu łapię również sprawy ogólniejsze, wykraczające poza pojedyncze kanały. To wszystko razem daje mi poczucie naprawdę dobrego, całościowego rozeznania w internecie w momencie, gdy wychodzą nowe rzeczy.
Jak zainstalować skilla
Skoro rozumiesz już system w zarysie, możemy zabrać się za zbudowanie własnego silnika z pomocą skilla. Przeprowadzę cię przez start, bo resztę skill zrobi razem z tobą.
Najprościej zainstalować go według instrukcji z pliku README w moim repozytorium skilli — link znajdziesz w opisie filmu. Jeśli używasz Claude Code, mam plugin, który czyni wprowadzenie skilla do twojego środowiska niezwykle prostym. Jeśli pracujesz z innym agentem kodującym, wystarczy wskazać mu adres repozytorium i poprosić o konfigurację skilli — albo pobrać pojedynczego, którym zajmujemy się dziś.
Gdy masz wszystko gotowe, polecam uruchomić skilla w nowym, świeżym folderze, w którym chcesz zbudować silnik. Możesz dodatkowo podać ścieżkę do osobnego repozytorium — na przykład gdy budujesz w drugim mózgu, ale chcesz, żeby silnik powstał gdzie indziej. Zostawiam to jako opcję. Zasadniczo całość sprowadza się do jednej komendy: /build signal engine. Nie musisz podawać żadnych argumentów.
Wywiad: kilkanaście minut pytań, które się zwracają
Wysyłam komendę i — jak wspominałem — pierwsze, co robi skill, to zasypanie cię pytaniami, żeby finalny system był naprawdę twój. Zaczyna od lokalizacji: gdzie budujemy? Domyślnie zaproponuje bieżący katalog, więc się zgadzam, bo utworzyłem świeży folder.
Potem przechodzi do meritum: czego właściwie potrzebujesz, żeby nadążyć? To pytania ogólne, dzięki którym system może z czasem zaproponować odpowiednie źródła. Ja na przykład chcę być na bieżąco z narzędziami AI, których używam; ty może chcesz śledzić konkretne platformy — jak odpowiesz i jak porozumiesz się z agentem, to w pełni twoja sprawa. Kolejny przykład: „Opowiedz o czymś w swoich narzędziach AI, o czym dowiedziałeś się za późno albo co ci całkiem umknęło.” Czyli — mając zejść na poziom szczegółów — jakiego problemu naprawdę próbujemy uniknąć? Może to nowość z changeloga, o której wiedzielibyśmy tydzień wcześniej; może coś, co wyszło parę dni temu, a my dowiedzieliśmy się dopiero z filmu na YouTube. I szkoda było każdego dnia.
Nie będę odpowiadał na wszystkie pytania po kolei — to zrobisz sam, pod własne potrzeby — ale pokażę finalny efekt. Cały proces mam już za sobą i odpowiedziałem na każde pytanie. Rzeczywiście wypytuje bezlitośnie i trzeba uzbroić się w cierpliwość, ale gorąco polecam włożyć w to czas na starcie, bo dzięki temu cała implementacja potem przebiega jednym ruchem. Kilkanaście minut odpowiadania — a później system buduje całość.
Sześć etapów budowy, test po każdym
Wracając do diagramu: po wywiadzie skill samodzielnie przechodzi przez sześciostopniowy proces, który stawia cały system. Nie próbujemy zrobić wszystkiego za jednym zamachem — praca jest dzielona na małe kawałki, a po każdym następuje test. Przy próbie ogarnięcia całości jednym ruchem agent po prostu by się wywrócił.
Zaczyna się od najprostszego kroku: jedno źródło ustalone w wywiadzie, zbudowane od początku do końca i przetestowane. Potem wszystkie pozostałe źródła i pełne ustawienie warstwy danych — według platform i metod, które określiłeś. W tym demo zadeklarowałem, że do wszystkiego chcę używać Apify, więc z tą platformą skill zintegruje warstwę danych. Cokolwiek jednak ustalisz — na przykład bezpośrednie API — zostanie zbudowane według twoich wskazań. Następnie kolejno: filtry kodowe (deterministyczne) z testem, etapy decyzyjne z Jevem i LLM, format przeglądu, a na końcu pomoc w ustawieniu harmonogramu — jak często silnik ma się uruchamiać. To wszystko razem przechodzi w jednym ciągu.
Profil jako sterówka do zmian
Jeśli wrócimy do mojej rozmowy aż do samego końca — bum, cały silnik stoi. Od razu może nie być idealny, więc spokojnie można go doszlifowywać z agentem, ale to bardzo dobry punkt wyjścia. Do skilla wbudowałem jeszcze jedną rzecz: po zakończeniu budowy powstaje profil — skrótowy widok źródeł, z których pobierasz, oraz filtrów i pytań decyzyjnych. Jeśli coś wygląda niedoskonale albo nie do końca po twojemu, po prostu popraw, wskaż agentowi i powiedz: „oto nowy profil, wdroż różnice”. To twój sposób na stałe dostosowywanie systemu. Pamiętaj tylko, że silnik nie czyta profilu przy każdym uruchomieniu — ale gdy tylko chcesz coś zmienić, aktualizujesz go w języku naturalnym i zlecasz agentowi wprowadzenie poprawek.
Na koniec
I to tyle: tak działa mój silnik treści i tak możesz zbudować własny z pomocą skilla. A jeśli nie chcesz stawiać go od zera i wolisz wynieść z tego materiału kilka złotych myśli do własnego procesu — mam nadzieję, że będą równie pożyteczne. Jeśli doceniasz ten odcinek i czekasz na więcej o pracy z agentami kodującymi i budowaniu drugiego mózgu, będę wdzięczny za łapkę w górę i subskrypcję. Do zobaczenia w następnym filmie.