Twój pierwszy agent AI: 5 pytań, które zdecydują czy (i jaki) zbudować

Anthropic - firma stojąca za Claude (konkurent ChatGPT) - opublikowała dokument techniczny "Building Effective Agents" o budowaniu agentów AI. Powstał na bazie pracy z dziesiątkami zespołów wdrażających agentów w produkcji. Pierwsza rada?

"Znajdź najprostsze możliwe rozwiązanie. Dodawaj złożoność tylko wtedy, gdy to mierzalnie poprawia wyniki."

Przetłumaczę: nie buduj agenta AI. Przynajmniej nie od razu.

To stoi w sprzeczności z tym, co widzisz na LinkedIn. Tam każdy "buduje agentów AI." W praktyce? Większość z nich stawia skomplikowane systemy, które mogłyby być prostym promptem z kontekstem. Forrester szacuje, że 75% projektów agentowych kończy się porażką. Główny powód? Zespoły sięgają po złożone rozwiązania tam, gdzie wystarczyłoby coś prostszego.

Przeanalizowałem oryginalny dokument Anthropic z grudnia 2024. Plus 19 artykułów inżynieryjnych opublikowanych od tamtego czasu. Przełożyłem to na praktyczne narzędzie decyzyjne. Nie dla deweloperów - dla Ciebie.

5 pytań. Odpowiedz na nie. Dostaniesz konkretną rekomendację - jaki wzorzec AI wybrać dla Twojego zadania. Albo czy w ogóle potrzebujesz agenta.

TL;DR: 4 kluczowe wnioski:

• 80% firm potrzebuje Poziomu 1 lub 2 - nie agenta autonomicznego. Zacznij prościej.
• Drzewo decyzyjne: 5 pytań prowadzi Cię do właściwego wzorca AI - od Wzbogaconego LLM po agenta autonomicznego
• Koszty w PLN: od 50 PLN/mies. (prosty LLM) do 2000+ PLN/mies. (agent autonomiczny)
• Tutorial: zbudujesz swój pierwszy Prompt Chain w 15 minut, zero kodowania

---

Mapa terenu: 3 poziomy automatyzacji AI

Zanim przejdziemy do drzewa decyzyjnego - potrzebujesz mapy. Anthropic dzieli systemy AI na dwie kategorie: workflows (z góry ustalone kroki) i agents (AI sam decyduje, co robić).

Proponuję podział praktyczniejszy - dla osoby, która nie pisze kodu.

Poziom	Nazwa	Co robi AI	Kto steruje	Przykład
1	Wzbogacony LLM	Odpowiada z dostępem do narzędzi	Ty - ręcznie	Asystent z bazą wiedzy firmy
2	Workflow AI	Wykonuje z góry ustalone kroki	Automat - po Twoim scenariuszu	Łańcuch: opis produktu -> tłumaczenie -> formatowanie
3	Agent autonomiczny	Sam decyduje, co zrobić dalej	AI - z Twoim nadzorem	System kwalifikacji leadów od A do Z

Kluczowa obserwacja: 80% firm potrzebuje Poziomu 1 lub 2. Nie Poziomu 3.

Anthropic pisze to wprost: "Dodawaj złożoność tylko wtedy, gdy to mierzalnie poprawia wyniki." Mierzalnie. Nie "bo brzmi fajnie." Nie "bo konkurencja tak robi."

Jeśli Twój problem rozwiązuje prosty prompt z dobrym kontekstem - zostaw go w spokoju. Nie buduj systemu agentowego, bo jest modny.

Jak to się ma do tego, co już wiesz

Jeśli czytałeś moje wcześniejsze artykuły - ten schemat Ci się rozjaśni:

• Poziom 2 (Workflow AI) - opisałem szczegółowo w artykule o automatyzacji marketingu z AI workflows
• Poziom 3 (Agent autonomiczny) - to temat przewodnika AIMS po agentach AI i artykułu o zespołach agentów

Dzisiejszy artykuł wypełnia lukę. Daje Ci narzędzie, które mówi "zacznij TUTAJ" - zamiast rzucać Cię od razu na głęboką wodę.

---

Drzewo decyzyjne: 5 pytań do właściwego wzorca

To jest serce tego artykułu. Odpowiedz na 5 pytań. Każda prowadzi Cię bliżej odpowiedzi - jaki wzorzec AI pasuje do Twojego zadania.

Nie do Twojej firmy. Do konkretnego zadania. Bo różne zadania wymagają różnych wzorców. Twoja firma może używać trzech wzorców jednocześnie.

Pytanie 1: Czy Twoje zadanie wymaga więcej niż jednego kroku?

Spójrz na to, co chcesz zautomatyzować. Czy da się to zrobić jednym pytaniem do AI?

Przykład: "Napisz opis produktu na podstawie tych cech: [lista]."

Jedno pytanie. Jedna odpowiedź. Koniec.

Jeśli to wystarczy - nie potrzebujesz workflow. Nie potrzebujesz agenta. Potrzebujesz Wzbogaconego LLM (Poziom 1). Dodaj mu kontekst - bazę produktową, Twój brand voice, przykłady dobrych opisów. Anthropic nazywa to context engineering - sztuka dawania AI dokładnie tyle informacji, ile potrzebuje. Nie więcej. Nie mniej.

Odpowiedź "NIE" -> Twój wzorzec to Wzbogacony LLM. Przejdź do sekcji wzorców.

Jeśli "TAK" - pytanie 2.

Pytanie 2: Czy kolejność kroków jest za każdym razem taka sama?

Masz zadanie wieloetapowe. Czy kroki są przewidywalne i powtarzalne?

Przykład: Zawsze robisz to samo:

1. Weź dane klienta
2. Wygeneruj ofertę
3. Przetłumacz na angielski
4. Wyślij mailem

Za każdym razem te same 4 kroki. W tej samej kolejności.

Jeśli tak - potrzebujesz Prompt Chainingu. Rozbij zadanie na 2-4 kroki. Każdy krok to oddzielne wywołanie AI. Wynik jednego staje się inputem kolejnego.

Trade-off? Więcej czasu (wolniej). Wyższa jakość (każdy krok jest prostszy dla AI). Anthropic potwierdza: "zamiana latencji na wyższą dokładność."

Odpowiedź "TAK" -> Twój wzorzec to Prompt Chaining. Przejdź do sekcji wzorców.

Jeśli "NIE" - pytanie 3.

Pytanie 3: Czy zadanie wymaga różnych ścieżek lub równoległej pracy?

Dwa scenariusze:

Scenariusz A - Routing. Wchodzi zapytanie klienta. Ale to może być pytanie o produkt, reklamacja, prośba o fakturę albo spam. Każdy typ wymaga innej reakcji. AI klasyfikuje zapytanie i kieruje je na właściwą ścieżkę.

Scenariusz B - Równoległość. Musisz jednocześnie sprawdzić 5 rzeczy niezależnych od siebie. Analiza sentymentu, weryfikacja danych, scoring leada - każde zadanie osobno, wyniki na końcu razem.

Anthropic pisze: "Bez routingu optymalizacja pod jeden typ danych pogarsza wyniki dla pozostałych." Innymi słowy - jeden "uniwersalny" prompt to kompromis, który traci wszędzie.

Jeśli rozpoznajesz któryś z tych scenariuszy - potrzebujesz Routingu (scenariusz A) albo Paralelizacji (scenariusz B). Oba wzorce opisałem szczegółowo w artykule o zespołach agentów AI.

Odpowiedź "TAK" -> Twój wzorzec to Routing lub Paralelizacja. Szczegóły w przewodniku po zespołach agentów.

Jeśli "NIE" - pytanie 4.

Pytanie 4: Czy jakość outputu wymaga iteracji?

Czy wynik AI za pierwszym razem jest "good enough"? Czy potrzebujesz kilku rund poprawek?

Przykład: Piszesz newsletter. Pierwsza wersja jest OK, ale chcesz, żeby AI sam ją ocenił pod kątem tonu, SEO i czytelności - a potem poprawił słabe punkty. I tak 2-3 razy, aż jakość osiągnie ustalony próg.

Anthropic daje dwa sygnały, że ten wzorzec zadziała:

1. Odpowiedzi AI można wyraźnie poprawić, gdy człowiek artykułuje feedback
2. AI jest w stanie dostarczyć takiego feedbacku samodzielnie

Jeśli oba są spełnione - potrzebujesz Evaluator-Optimizera. Jeden LLM generuje. Drugi ocenia i daje feedback. Pętla się powtarza.

Odpowiedź "TAK" -> Twój wzorzec to Evaluator-Optimizer. Przejdź do sekcji wzorców.

Jeśli "NIE" - pytanie 5.

Pytanie 5: Czy AI musi sam decydować, co robić dalej?

Ostatnie pytanie. Najtrudniejsze.

Czy Twoje zadanie jest otwarte i nieprzewidywalne? Nie możesz z góry określić kroków - bo zależą od tego, co AI znajdzie po drodze?

Przykład: "Zbadaj ten rynek, znajdź kluczowych konkurentów, przeanalizuj ich strategie cenowe i zaproponuj naszą pozycję." Ile kroków to wymaga? Jakich? Nie wiesz. Zależy od tego, co się pojawi w trakcie.

Jeśli tak - dopiero teraz potrzebujesz Agenta autonomicznego (Poziom 3). AI sam planuje, używa narzędzi, ocenia postęp i decyduje, co dalej.

Ale uwaga. Anthropic przestrzega wprost: "Autonomiczna natura agentów oznacza wyższe koszty i ryzyko kumulacji błędów." Zawsze z nadzorem człowieka.

Odpowiedź "TAK" -> Twój wzorzec to Agent autonomiczny. Przejdź do sekcji wzorców i koniecznie do przewodnika AIMS.

Podsumowanie drzewa decyzyjnego

Pytanie 1: Wieloetapowe?
  │
  ├── NIE ──> Wzbogacony LLM (Poziom 1)
  │
  TAK
  │
Pytanie 2: Stałe kroki?
  │
  ├── TAK ──> Prompt Chaining (Poziom 2a)
  │
  NIE
  │
Pytanie 3: Routing / równoległość?
  │
  ├── TAK ──> Routing lub Paralelizacja (Poziom 2b/2c)
  │
  NIE
  │
Pytanie 4: Wymaga iteracji?
  │
  ├── TAK ──> Evaluator-Optimizer (Poziom 2d)
  │
  NIE
  │
Pytanie 5: AI decyduje sam?
  │
  ├── TAK ──> Agent autonomiczny (Poziom 3)
  │
  NIE ──> Uprość zadanie. Rozbij na mniejsze części i przepuść każdą przez drzewo osobno.

Wydrukuj to. Powieś nad biurkiem. Następnym razem, gdy ktoś Ci powie "potrzebujemy agenta AI" - przejdź przez 5 pytań. W 90% przypadków odpowiedź będzie: Poziom 1 lub 2.

---

4 wzorce w praktyce

Wzbogacony LLM - fundament każdego systemu

Najprostszy i najczęściej wystarczający wzorzec. Bierzesz model AI i dajesz mu dostęp do trzech rzeczy:

1. Wiedza - baza danych Twojej firmy, dokumenty, FAQ
2. Narzędzia - kalkulator, API do sprawdzania stanów magazynowych, wyszukiwarka
3. Pamięć - kontekst poprzednich rozmów z klientem

Anthropic nazywa to augmented LLM - AI wzbogacone o kontekst. Model sam generuje zapytania wyszukiwawcze, sam wybiera narzędzia i sam decyduje, co zapamiętać.

Praktyczny przykład: Sklep e-commerce z 5000 produktów. Zamiast chatbota z gotowymi odpowiedziami - Claude z dostępem do bazy produktowej, historii zamówień i FAQ. Klient pyta: "Czy ten plecak zmieści laptopa 15 cali?" AI sprawdza wymiary w bazie i odpowiada konkretnymi danymi. Nie zgaduje.

Implementacja:

• Zero kodowania: Claude Projects z wgranymi dokumentami, ChatGPT z Custom Instructions + Knowledge Base
• Z kodem: API Claude/GPT z retrieval (RAG)

Koszt: 50-200 PLN/miesiąc przy 1000-5000 zapytań (model Sonnet 4.6 lub Haiku 4.5).

Kiedy to za mało: Gdy potrzebujesz sekwencji kroków - nie jednej odpowiedzi.

Prompt Chaining - łańcuch kroków, które działają

Rozbij zadanie na 2-4 kroki. Każdy krok to oddzielny prompt. Wynik jednego jest inputem dla następnego.

Dlaczego to działa lepiej niż jeden długi prompt? Bo każdy krok jest prostszy. AI popełnia mniej błędów na prostych zadaniach niż na złożonych. To nie opinia - Anthropic potwierdza to danymi z produkcyjnych wdrożeń.

Praktyczny przykład - opisy produktów na marketplace:

Krok 1: [Dane produktu] -> Wygeneruj 3 warianty opisu (PL)
     |
Krok 2: [3 warianty] -> Oceń każdy pod SEO (score 1-10)
     |
  Bramka: Najwyższy score >= 7? Jeśli nie -> wróć do Kroku 1
     |
Krok 3: [Najlepszy wariant] -> Przetłumacz na EN i DE
     |
Krok 4: [Tłumaczenia] -> Formatuj pod szablon Allegro/Amazon

Widzisz "bramkę" między krokiem 2 a 3? To automatyczne sprawdzenie jakości. Anthropic rekomenduje je jako mechanizm bezpieczeństwa - jeśli wynik kroku jest poniżej progu, wracasz i generujesz od nowa.

Implementacja:

• Zero kodowania: Ręcznie w Claude Chat (copy-paste między krokami) - tutorial poniżej
• Automatyzacja: Make.com, n8n, Zapier - połącz kroki w scenariusz

Koszt: 100-400 PLN/miesiąc. Każdy krok to osobne wywołanie API. Mnóż koszt Wzbogaconego LLM razy liczbę kroków.

Kiedy to za mało: Gdy nie znasz kroków z góry albo potrzebujesz iteracyjnej poprawy jakości.

Evaluator-Optimizer - pętla iteracyjnej jakości

Wzorzec, którego nie znajdziesz w większości poradników o AI. A daje mierzalnie lepsze wyniki niż pojedynczy prompt.

Schemat jest prosty. Jedno wywołanie AI generuje odpowiedź. Drugie ją ocenia i dostarcza feedback. Generator poprawia. Ewaluator ocenia ponownie. Pętla trwa, aż jakość osiągnie ustalony próg.

[Generator] -> Napisz email sprzedażowy
       |
[Ewaluator] -> Oceń: ton (1-10), CTA (1-10), czytelność (1-10)
       |        Feedback: "Ton za formalny, CTA ukryte, skróć o 30%"
       |
[Generator] -> Popraw na podstawie feedbacku
       |
[Ewaluator] -> Score: 8.5/10 -> Próg osiągnięty. Koniec.

Z mojego doświadczenia - średnia poprawa jakości przy tym wzorcu to 25-40% vs. pierwszy draft. Kosztem 2-3 dodatkowych wywołań.

Praktyczny przykład - copywriting iteracyjny:

Masz brief na kampanię mailingową. Generator pisze pierwszą wersję. Ewaluator sprawdza: czy CTA jest w pierwszych 3 zdaniach? Czy długość < 200 słów? Czy ton pasuje do brand voice? Jeśli nie - feedback i poprawka. Typowo 2-3 iteracje wystarczają.

Implementacja:

• W Make/n8n: Dwa moduły HTTP (generator + ewaluator) z routerem: "score < 8 -> powtórz"
• Ręcznie: Dwa oddzielne okna Claude - jedno pisze, drugie ocenia

Koszt: 200-800 PLN/miesiąc. Każda iteracja to dodatkowe wywołanie. Typowo 2-4 iteracje per zadanie.

Kiedy to za mało: Gdy problem jest otwarty i nie da się go rozwiązać iteracją jednego outputu.

Agent autonomiczny - kiedy naprawdę go potrzebujesz

Dotarłeś do Poziomu 3. Agent autonomiczny sam planuje, używa narzędzi, ocenia postęp i decyduje, co dalej. Działa w pętli: plan -> działanie -> obserwacja -> ocena -> nowy plan.

Kiedy go używać? Tylko gdy spełnisz WSZYSTKIE warunki:

• Problem jest otwarty i nieprzewidywalny
• Nie da się z góry określić kroków
• Prostsze wzorce faktycznie zawiodły (przetestowałeś!)
• Masz budżet na wyższe koszty i czas na nadzór

Anthropic jest tu bezpośredni: "Autonomiczna natura agentów oznacza wyższe koszty i ryzyko kumulacji błędów."

Praktyczny przykład: Research konkurencji. Agent dostaje brief: "Zbadaj strategie cenowe 5 konkurentów w branży X." Sam decyduje: przeszukać web, przeanalizować strony, porównać cenniki, zidentyfikować wzorce. Liczba kroków? Zależy od tego, co znajdzie.

Implementacja:

• Narzędzia: Claude Code, Claude Agent SDK (Python/TypeScript), lub Claude z rozszerzonym dostępem do narzędzi przez MCP (Model Context Protocol - otwarty standard z ponad 10 000 integracjami)
• Framework wdrożenia: Przewodnik AIMS
• Multi-agent: Zespoły agentów AI

Koszt: 500-2000+ PLN/miesiąc. Nieprzewidywalny - zależy od liczby kroków.

Kluczowe: Zawsze z human-in-the-loop. Agent raportuje postęp. Ty zatwierdzasz kluczowe decyzje. Bez tego - ryzyko kumulacji błędów rośnie z każdym krokiem.

---

Czego Anthropic nie powie Ci w dokumentacji

Oryginalny artykuł Anthropic to dokument inżynieryjny. Pisany przez deweloperów, dla deweloperów. Zero o kosztach. Zero o RODO. Jedno zdanie o bezpieczeństwie. Oto co musisz wiedzieć dodatkowo.

Realne koszty - hierarchia modeli w PLN

W 2025-2026 Anthropic wydał trzy modele zoptymalizowane pod konkretne role w systemach agentowych. Sam Claude Code używa tej hierarchii - Opus do złożonych decyzji, Haiku do prostych podzadań.

Rola w systemie	Model	Koszt input (1M tokenów)	Koszt output (1M tokenów)	Kiedy używać
Orchestrator (decyduje)	Opus 4.6	~20 PLN	~100 PLN	Złożony routing, strategia, planowanie
Produkcja (robi)	Sonnet 4.6	~12 PLN	~60 PLN	Pisanie treści, analiza, generowanie
Subagent (prosta robota)	Haiku 4.5	~4 PLN	~20 PLN	Klasyfikacja, formatowanie, ekstrakcja

Ceny na marzec 2026. Aktualne cenniki: anthropic.com/pricing

Zasada kciuka: Haiku do klasyfikacji i prostych zadań. Sonnet do generowania treści. Opus do złożonych decyzji. Nie płać za Opus tam, gdzie Haiku wystarczy.

Szacunkowe koszty miesięczne per wzorzec (przy 1000 zadań):

Wzorzec	Koszt/miesiąc	Co wpływa na cenę
Wzbogacony LLM	50-200 PLN	Długość kontekstu, wybór modelu
Prompt Chaining	100-400 PLN	Liczba kroków (2-4x mnożnik)
Evaluator-Optimizer	200-800 PLN	Liczba iteracji (2-4 per zadanie)
Agent autonomiczny	500-2000+ PLN	Nieprzewidywalna liczba kroków

Dla porównania: zlecenie tych samych zadań freelancerowi to 3000-8000 PLN/miesiąc. Agent AI zaczyna się zwracać przy skali 500+ zadań miesięcznie.

RODO - 3 rzeczy, które musisz wiedzieć

1. Dane osobowe w promptach. Wysyłasz dane klientów do API Claude/GPT? Potrzebujesz podstawy prawnej (zgoda lub uzasadniony interes). Plus umowa powierzenia danych z dostawcą AI.

2. Retencja danych. Anthropic domyślnie nie trenuje na Twoich danych z API. Ale sprawdź to dla każdego dostawcy osobno. OpenAI ma inne zasady dla API vs. ChatGPT.

3. Agent autonomiczny a RODO. Agent, który sam decyduje o następnych krokach, może nieprzewidywalnie przetwarzać dane. Ograniczaj dostęp agenta do minimum niezbędnego. Zasada: agent widzi tylko to, co musi widzieć.

Halucynacje - im prostszy wzorzec, tym mniej błędów

Prosta zależność. Im więcej autonomii dajesz AI, tym większe ryzyko halucynacji.

• Wzbogacony LLM z dobrą bazą wiedzy - minimalne ryzyko. AI odpowiada na podstawie dostarczonych danych.
• Prompt Chaining - niskie ryzyko. Każdy krok jest prosty. Bramki łapią błędy między krokami.
• Evaluator-Optimizer - średnie ryzyko. Ewaluator sam może halucynować w ocenie.
• Agent autonomiczny - najwyższe ryzyko. Błędy się kumulują. Zły krok 3 powoduje złe kroki 4, 5 i 6.

Stąd zasada Anthropic: zacznij od najprostszego. Dodawaj złożoność tylko gdy mierzalnie poprawia wyniki.

---

Zbuduj swój pierwszy Prompt Chain w 15 minut

Dość teorii. Zróbmy coś konkretnego.

Zadanie: 4-krokowy prompt chain, który weźmie nazwę produktu i wygeneruje zoptymalizowany opis na marketplace. Zero kodowania. Potrzebujesz tylko Claude lub ChatGPT (darmowe konto wystarczy).

Krok 1: Generuj warianty (3 minuty)

Otwórz Claude. Wklej ten prompt:

<role>Jesteś copywriterem e-commerce z 10-letnim doświadczeniem
w pisaniu opisów na Allegro i Amazon.</role>

<context>Tworzę opisy produktów na marketplace Allegro.
Potrzebuję 3 wariantów, żeby porównać podejścia i wybrać
najlepszy w kolejnym kroku.</context>

<task>Na podstawie danych produktu napisz 3 różne warianty opisu.
Każdy wariant: max 300 słów, inny styl, gotowy do wklejenia
na Allegro.</task>

<format>
Wariant 1: Informacyjny (fakty, parametry, specyfikacja techniczna)
Wariant 2: Emocjonalny (korzyści, scenariusze użycia, lifestyle)
Wariant 3: SEO-heavy (nasycony frazami kluczowymi, struktura H2/H3)
</format>

<constraints>
- Pisz po polsku, naturalnym językiem
- Skup się na korzyściach, nie tylko cechach
- Każdy wariant powinien mieć wyraźne CTA
</constraints>

<product>
[TUTAJ WKLEJ NAZWĘ I CECHY PRODUKTU]
</product>

Zapisz 3 warianty.

Krok 2: Oceń jakość (3 minuty)

Nowa rozmowa (ważne - świeży kontekst, żeby ewaluator był obiektywny). Wklej:

<role>Jesteś ekspertem SEO i UX copywritingu z doświadczeniem
w optymalizacji opisów na marketplace.</role>

<context>Oceniasz opisy produktu na Allegro. Wybieram najlepszy
wariant do publikacji - Twoja ocena decyduje, który trafi
do klienta.</context>

<task>Oceń 3 warianty opisu produktu. Dla każdego daj score 1-10
w trzech kategoriach:
- SEO (nasycenie fraz, struktura nagłówków, meta-potencjał)
- Czytelność (skanowalność, krótkie akapity, bullet points)
- Perswazja (CTA, korzyści vs cechy, social proof)
</task>

<output_format>
Dla każdego wariantu podaj:
1. Tabelę z 3 scores (SEO / Czytelność / Perswazja)
2. Jedno zdanie - co jest mocne
3. Jedno zdanie - co jest słabe

Na końcu: wskaż JEDEN najlepszy wariant i napisz 3 konkretne
punkty do poprawy w następnym kroku.
</output_format>

<variant1>[WKLEJ WARIANT 1]</variant1>
<variant2>[WKLEJ WARIANT 2]</variant2>
<variant3>[WKLEJ WARIANT 3]</variant3>

Krok 3: Popraw zwycięzcę (3 minuty)

Weź najlepszy wariant i feedback z kroku 2. Nowa rozmowa:

<role>Jesteś senior copywriterem e-commerce.</role>

<context>To jest druga iteracja opisu produktu na Allegro.
Ewaluator wskazał konkretne słabe punkty - popraw je,
zachowując to, co już działa dobrze.</context>

<task>Popraw opis produktu na podstawie feedbacku poniżej.
Zachowaj mocne elementy. Napraw każdy ze słabych punktów.
Wynik: gotowy opis, max 300 słów.</task>

<constraints>
- Adresuj KAŻDY punkt z feedbacku
- Zachowaj styl i ton oryginału
- Upewnij się, że CTA jest widoczne w pierwszych 3 zdaniach
</constraints>

<original>[WKLEJ NAJLEPSZY WARIANT]</original>
<feedback>[WKLEJ FEEDBACK Z KROKU 2]</feedback>

Krok 4: Formatuj pod platformę (3 minuty)

<role>Jesteś specjalistą od marketplace z doświadczeniem
w optymalizacji listingów na Allegro.</role>

<context>Finalizuję opis produktu. Treść jest gotowa -
potrzebuję jej sformatowania pod wymagania Allegro,
żeby listing wyglądał profesjonalnie i rankował wysoko.</context>

<task>Sformatuj opis pod szablon Allegro:
- Tytuł: max 75 znaków, główna fraza kluczowa na początku
- 5 bullet points z kluczowymi cechami (każdy zaczyna się
  od korzyści, nie cechy)
- Opis w HTML (dozwolone tagi: h2, p, ul, li, strong)
- Sekcja "Dlaczego warto" z 3 korzyściami</task>

<output_format>
Zwróć gotowy listing w kolejności: tytuł, bullet points,
opis HTML. Kod HTML w bloku kodu - gotowy do wklejenia.
</output_format>

<description>[WKLEJ POPRAWIONY OPIS]</description>

Wynik

4 kroki. 4 oddzielne prompty. Każdy prosty. ~15 minut. Razem - system, który generuje opisy mierzalnie lepsze niż pojedynczy prompt.

Chcesz to zautomatyzować? W Make.com lub n8n połącz te 4 kroki w scenariusz. Trigger: nowy wiersz w Google Sheets z danymi produktu. Wynik: gotowy opis w kolejnej kolumnie. Setup: 30-45 minut.

To jest Prompt Chaining w praktyce. Żadnej magii. Żadnego kodowania. Sekwencja prostych kroków, które razem dają lepszy wynik niż jeden skomplikowany prompt.

---

Twoja ścieżka dalej

Masz drzewo decyzyjne. Masz 4 wzorce. Masz pierwszy prompt chain. Co dalej?

Zaczynasz z AI? Zostań na Poziomie 1. Dodaj bazę wiedzy do Claude Projects. Testuj 2 tygodnie. Mierz: ile czasu oszczędzasz i jaka jest jakość odpowiedzi.

Masz doświadczenie i chcesz skalować? Przejdź do Prompt Chainingu. Zautomatyzuj w Make/n8n. Potem rozważ Evaluator-Optimizer dla zadań, gdzie jakość jest krytyczna.

Potrzebujesz agenta autonomicznego? Najpierw przeczytaj framework AIMS do wdrażania agentów AI. Potem zespoły agentów AI - kiedy i jak. I automatyzację workflow z AI.

Niezależnie od poziomu - jedna zasada obowiązuje zawsze. Ta sama, którą Anthropic powtarza w każdym artykule od 2024 roku:

Zacznij od najprostszego rozwiązania. Dodawaj złożoność tylko wtedy, gdy mierzalnie poprawia wyniki.

Nie wtedy, gdy brzmi fajnie na LinkedIn.