Jak Tyler Fiske buduje produkcyjne agenty AI bez pisania kodu – sprawdzony framework w akcji #EN343

Kontekst

Tyler Fiske nauczył tysiące studentów budowania agentów AI i pracował z setkami firm nad implementacją AI w ich procesach. Jego podejście różni się od typowego „vibe codingu”. To metodyczna, research-driven praktyka, którą można nauczyć się bez technicznego backgroundu. W tym masterclassie pokazuje na żywo, jak w godzinę przejść od pomysłu do działającego multi-agentowego systemu obsługi klienta dla Apple.

Od pomysłu do produkcji – fundamenty podejścia

Mentality praktyka AI vs tradycyjny programista

Według Tylera, mentality AI practitioner jest bardzo podobna do forward-deployed engineera. Kluczem nie jest kod, ale głębokie zrozumienie problemu biznesowego. Potrzeba zrozumieć problem, zrozumieć biznes, dotrzeć do „secret sauce” – dopiero wtedy można zbierać wymagania i zacząć budować.

To podejście research-first nie jest opcjonalne. W praktyce oznacza ono:

• Dogłębną analizę biznesu klienta
• Identyfikację tribal i tacit knowledge w organizacji
• Mapowanie ekspertyz w zespole
• Tymczasowe „wejście w skórę” zespołu klienta

Prosty front-end, potężny back-end

Tyler często komunikuje się z agentami bardzo luźnym językiem, używając nawet dyktowania głosowego przez MacWhisper. Ta prostota na froncie jest możliwa tylko dzięki ekstremalnie rozbudowanemu back-endowi. Tym back-endem są szczegółowe instrukcje systemowe (system instructions).

Przykładowo, jego meta-agent Gigawatt ma instrukcje liczące niemal 72,000 znaków, napisane w XML. To właśnie w tych instrukcjach zawarty jest cały proces, frameworki i techniki badawcze. Dzięki temu Tyler może mówić do agenta naturalnie, a agent wie dokładnie, jak interpretować te polecenia i jakich standardów się trzymać.

Clear agent – specjalista od deep research prompts

Tyler używa nie tylko Gigawatta, ale też agenta o nazwie Clear. To kolejny przykład ekstremalnej specjalizacji. Clear jest hyper-focused na pisanie deep research prompts specyficznie dla Perplexity, Anthropic, ChatGPT i Google. Gigawatt pyta Cleara, jakie obszary wymagają research, a Clear pisze optymalne prompty dla każdej platformy.

To pokazuje, jak głęboko idzie filozofia „jeden agent = jedna rola”. Nawet pisanie promptów research ma dedykowanego agenta, co z kolei przyspiesza cały proces.

Architektura multi-agentowa – dlaczego separacja ról ma znaczenie

Analogia z zespołem w firmie

Tyler wyjaśnia koncepcję multi-agent systems przez analogię z prawdziwym customer service. W rodzinnej firmie Growers Solution (sprzedaż sprzętu ogrodniczego) zespół obsługi często musi przejść przez pięć kroków: otrzymać pytanie od klienta, znaleźć eksperta w firmie, uzyskać odpowiedź techniczną, przetłumaczyć ją na język zrozumiały dla klienta, i wreszcie odpowiedzieć w empatyczny, on-brand sposób.

Eksperci rzadko są tymi, których chce się stawiać do odpowiadania na emaile klientów. Nie dlatego, że są oschli – po prostu są ekspertami. Destylacja tej wiedzy do poziomu, na którym klient chce rozmawiać, nie zawsze rezonuje.

Stąd natural separation of concerns:

• Core (expert agent) – zna wszystko o produktach, potrafi przeprowadzać research w RAG i w internecie
• Echo (customer service agent) – wie, jak mówić do ludzi, jest empatyczny, on-brand, nie musi znać szczegółów technicznych

W rozwiązaniu produkcyjnym komunikacja między tymi dwoma agentami powinna odbywać się w formacie JSON. Mimo że jest nieczytelny dla człowieka, jest niezwykle łatwo parsowany przez modele LLM, zapewniając wysoką niezawodność przepływu danych.

System instructions – serce każdego agenta

Iteracyjny proces tworzenia (eval → improve → rewrite)

Tyler nie oczekuje, że pierwsza wersja system instructions będzie idealna. Pierwszy draft to ocena B/C, dopiero po eval i rewrite dostajesz A-.

Proces wygląda następująco:

1. Gigawatt pisze V1 draft na podstawie PRD i research
2. Przechodzi do self-evaluation (często 77-82/100)
3. Wskazuje luki i sposoby ich zapełnienia
4. V2 rewrite z uwzględnieniem feedbacku (skok do 85-90/100)
5. Production testing – observational evals

Konkretne liczby – wielkość system instructions

• Core agent (expert): ~7,000 tokenów
• Echo agent (customer service): ~8,900 tokenów
• Gigawatt (meta-agent): ~72,000 znaków (nie tokenów!)

"Zadaj mi trzy pytania precyzujące, 
abyśmy byli zgodni co do zakresu."

"Daj mi trzy obszary do pogłębionej analizy (deep research), 
które Twoim zdaniem powinniśmy zbadać."

"Napisz dla każdego z nich gotowy prompt do 'deep research', 
którego będziemy mogli użyć na Perplexity i Anthropic."

"Chcę, abyś napisał dla mnie PRD (Product Requirements Document) 
na podstawie wszystkiego, co do tej pory omówiliśmy."