Zbudowałem dwa narzędzia AI. Drugie z nich powiedziało mi, jak powinienem uczyć się AI.
Próbowałem tradycyjnej metody nauki AI. Otworzyłem oficjalny kurs. Zrezygnowałem po kilku lekcjach. Materiał był dobry, ale nie było żadnej stawki. Nic się nie psuło. Nic nie zostawało w głowie.
Zdałem sobie sprawę, że najlepiej uczę się wtedy, gdy rzeczy się psują.
Budowa TeachSim nauczyła mnie LangGraph, ponieważ bot musiał działać. Budowa GitHub Digest nauczyła mnie o cichych błędach (silent failures), ponieważ kod psuł się po cichu. Poznałem te koncepcje, ponieważ potrzebowałem ich, aby wszystko działało.
Chcę nauczyć się AI engineeringu. Nie chcę tylko korzystać z API. Chcę rozumieć narzędzia, których używam każdego dnia.
Obecnie moja wiedza jest powierzchowna. Używam komend typu slash i konwencji, aby uruchomić procesy. Nie rozumiem MCP, subagentów, hooków ani checkpointów. Po prostu używam narzędzia, które akurat działa.
Zmieniam swoje podejście. Tworzę własny program nauki oparty na realnych projektach. Etap nie jest zakończony wtedy, gdy przeczytam o nim. Etap kończy się wtedy, gdy rozwiąże realny problem w moim projekcie.
Oto moja nowa sekwencja nauki:
• Etap 1: MCP (Rozszerzenie zasięgu agenta) • Etap 2: Umiejętności (Formalizacja użycia narzędzi) • Etap 3: Subagenci (Podział pracy między wielu agentów) • Etap 4: Hooki (Dodawanie zabezpieczeń/guardrails) • Etap 5: Wtyczki (Pakowanie wszystkiego) • Etap 6: Checkpointy (Cofanie błędnych sesji) • Etap 7: Wyniki końcowe
Zastosuję to w moich żywych projektach. Na przykład podłączę serwer MCP od GitHub do GitHub Digest zamiast używać REST API.
Ta metoda wymaga teraz więcej czasu. Zamieniam natychmiastowy impet na długofalową prędkość. Chcę opanować narzędzia, zanim zmierzę się z ciężką matematyką uczenia maszynowego. Jeśli nie będę rozumiał swoich narzędzi, będę z nimi walczyć, próbując jednocześnie uczyć się trudnych koncepcji.
Buduję to krok po kroku.
Opcjonalna społeczność edukacyjna: https://t.me/GyaanSetuAi