𝗜 𝗧𝗿𝗶𝗲𝗱 𝗧𝗼 𝗔𝘀𝘀𝗶𝗴𝗻 𝗧𝗮𝘀𝗸𝘀 𝘁𝗼 𝗮𝗻 𝗔𝗜

I tried to build a dispatcher to route tasks to different AI agents.

Forge handles code. Xiao Ke handles conversation. I thought the logic was simple. Read the task. Match the capability. Send the task.

I stopped halfway through.

I realized I did not know how to match them. I could not define what Forge actually does.

I thought I knew the answers. I thought Forge could write code and run tests. But when I tried to write a specification, I failed.

I had no data on:

I was using words like "roughly" and "I think."

A paper called AgentSpec explains this problem. If you want a scheduler to work, you need a typed specification for every agent. You need to define:

Without a spec, the scheduler is just guessing.

Guessing is dangerous because you do not know you are doing it. You think you are matching tasks. You are actually projecting. You see a success from last week and assume the agent will succeed again.

This happens with human colleagues too. You give someone a task because they did something similar before. Sometimes you are right. Sometimes you just hide a future problem.

The hardest part is not the lack of knowledge. It is thinking you know something when you do not.

I also realized that specs are static, but work is dynamic. A spec tells you what an agent can do. It does not tell you if the agent is busy right now or if the queue is full.

I was building a mental model, not a specification. I updated my impressions after every task. I collected fragments of data instead of building structure.

Impressions are fragments. Specs are structure.

Try this exercise: Pick a person or a tool you use every day. Write a capability spec for them. Do not write praise. Write a real document:

The act of writing will show you your gaps. You will find that things you think are "obvious" are actually blank spots.

Those blank spots are where your next mistake will happen. Find them now before something breaks.

Próbowałem przydzielać zadania sztucznej inteligencji, okazało się, że nie wiedziałem, co potrafi

Używam AI już od pewnego czasu, ale przez długi czas traktowałem ją w bardzo ograniczony sposób. Moje interakcje sprowadzały się do prostych poleceń: „Podsumuj ten tekst”, „Napisz e-mail do klienta”, „Popraw błędy w tym kodzie”.

Myślałem, że znam granice jej możliwości. Myślałem, że AI to po prostu bardzo zaawansowana wyszukiwarka lub inteligentny edytor tekstu. Myliłem się.

Przełom

Ostatnio zacząłem eksperymentować z czymś więcej niż tylko prostymi promptami. Zacząłem myśleć o AI nie jako o narzędziu do wykonywania pojedynczych zadań, ale jako o agencie, który może zarządzać procesem.

To była chwila, w której zrozumiałem, że nie przydzielam AI zadań – ja przydzielam jej cele.

Co AI potrafi w rzeczywistości?

Kiedy przestajesz traktować AI jak wyszukiwarkę, a zaczynasz jak współpracownika, odkrywasz zupełnie nowe poziomy jej możliwości:

1. Rozumowanie (Reasoning)

Dzięki technikom takim jak Chain of Thought, AI potrafi rozbić złożony problem na mniejsze, logiczne kroki. Nie tylko podaje odpowiedź, ale „myśli” na głos, co pozwala na znacznie głębszą analizę.

2. Korzystanie z narzędzi (Tool Use)

To jeden z najbardziej ekscytujących aspektów. Nowoczesne modele nie tylko generują tekst; one potrafią używać zewnętrznych narzędzi. Mogą przeszukiwać internet, uruchamiać kod w Pythonie, aby wykonać obliczenia, czy korzystać z API, aby pobrać dane. To sprawia, że AI przestaje być zamkniętym pudełkiem, a staje się częścią szerszego ekosystemu.

3. Planowanie (Planning)

Zamiast prosić o wynik końcowy, mogę poprosić AI o stworzenie planu działania. AI może zaproponować: „Najpierw zrobię to, potem sprawdzę tamto, a na końcu przygotuję raport”. Co więcej, może samo monitorować postępy i dostosowywać plan w trakcie pracy.

4. Samokorekta i iteracja (Self-correction)

AI potrafi oceniać własną pracę. Jeśli poprosisz ją o sprawdzenie własnego kodu pod kątem błędów lub krytyczną analizę napisanego tekstu, zrobi to z zaskakującą precyzją. To pozwala na tworzenie pętli zwrotnych, w których AI doskonali wynik bez ciągłej ingerencji człowieka.

Wnioski

Największym błędem, jaki popełniałem, było traktowanie AI jako narzędzia do „wypluwania” odpowiedzi. Prawdziwa moc leży w przepływach pracy typu agent (agentic workflows).

Zamiast pytać: „Napisz mi artykuł o X”, zacznij pytać: „Zbadaj temat X, stwórz konspekt, napisz szkic, sprawdź go pod kątem faktów i przygotuj finalną wersję”.

Przestań traktować AI jak wyszukiwarkę. Zacznij traktować ją jak bardzo zdolnego, ale wymagającego precyzyjnych instrukcji stażystę.