Jak jsem vytvořil expertní promptovací skill pro Aimee
Zatímco základy a pokročilé techniky učily uživatele "jak se bavit s AI", chyběl vrcholový stupeň: **jak navrhovat AI systémy**. Potřeboval jsem přeložit komplexní koncepty jako Meta-prompting, Orchestration a Multi-agent systems do stravitelných, akčních lekcí.
Zároveň jsem čelil technickému dluhu – nekonzistentním ID a názvům souborů v existujících skillech, což ohrožovalo integritu databáze a RAG systému.
Problém, který jsem řešil
Potřeba vytvořit obsah pro "Expert level" promptování a zároveň sjednotit technickou vrstvu (ID, vztahy) pro celou vertikálu promptovacích skillů v Aimee.
Chyběl vrcholový stupeň – jak navrhovat AI systémy. Nekonzistentní ID a názvy souborů v existujících skillech ohrožovaly integritu databáze a RAG systému.
Jak jsem ho vyřešil
Analyzoval jsem existující hierarchii promptovacích skillů a playbook. Vytvořil jsem kompletní obsah pro "Prompt Engineering Pro" (JSON struktura, příklady, nudges).
Použil jsem Weak vs. Strong příklady na vysvětlení abstraktních konceptů. Vygeneroval jsem desítky konkrétních příkladů, které ilustrovaly abstraktní koncepty (např. jak vypadá špatný vs. dobrý meta-prompt).
Identifikoval jsem a opravil nekonzistentní ID napříč soubory. Vykonal jsem hloubkový audit konzistence ID napříč všemi soubory, identifikoval chyby, které by člověk snadno přehlédl (např. `promptovani_intermediate` vs `pokrocile_prompting_techniky`), a automatizovaně jsem je opravil.
Propojil jsem vztahy (relationships) mezi třemi úrovněmi skillů (Základ → Pokročilé → Expert). Validoval jsem formátování a linter chyby.
Výsledek: kompletní, trojstupňová vertikála promptovacích skillů připravená na nasazení. Vytvořený nový skill "Prompt Engineering Pro" s 15 expertními příklady a 20 micro-learning tipy. 100% konzistence ID napříč 9 soubory (config, examples, nudges).
Jak to funguje v praxi
Teď když uživatel prochází přes promptovací skilly v Aimee, má jasně definované prerekvizity. Plynule přechází od základů až po architekturu AI systémů.
Expertní promptování není o psaní, ale o designu. Neučíme formulovat věty, ale navrhovat procesy (pipelines). Micro-learning potřebuje kontext – expertní tipy musí být vázané na konkrétní fázi (např. "during_planning"), jinak jsou pro uživatele příliš abstraktní.
Co jsem se naučil
Expertní promptování není o psaní, ale o designu. Při tvorbě expertního obsahu jsme museli změnit paradigma – neučíme formulovat věty, ale navrhovat procesy (pipelines).
Konzistence metadat je kritická pro RAG. I malá odchylka v ID (`expertne` vs `pro`) by způsobila, že Aimee by v databázi nenašla relevantní příklady pro daný skill.
Micro-learning potřebuje kontext. Při tvorbě nudges jsme zjistili, že expertní tipy musí být vázané na konkrétní fázi (např. "during_planning"), jinak jsou pro uživatele příliš abstraktní.
Vždy si definujte jasnou strukturu skillu (JSON schému) předtím, než začnete generovat obsah. Ušetří to hodiny refaktoringu. Používejte linter nebo validační skripty nejen na kód, ale i na JSON data skillů, abyste odhalili překlepy v ID.
Proč to stojí za to
Když máš vzdělávací obsah, který chceš posunout na další úroveň, nemusíš to dělat manuálně. Můžeš použít AI na generování expertního obsahu a automatickou validaci konzistence.
Expertní skill je teď součástí Aimee. Šetří mi čas, protože nemusím manuálně vytvářet desítky příkladů. A zároveň mám kontrolu nad tím, jak obsah vypadá, protože všechno je v JSON formátu.
Pokud máš podobný problém – potřebu vytvořit expertní obsah – zkus to. Možná zjistíš, že je to jednodušší, než sis myslel.
Časté otázky
Jaký je rozdíl mezi základním a expertním promptováním?
Základy učí, jak se bavit s AI – formulovat věty, dávat kontext. Expertní úroveň je o něčem jiném: navrhování AI systémů. Meta-prompting, orchestrace, multi-agent systems. Neučíš se psát prompty, učíš se designovat procesy (pipelines).
Proč je konzistence ID tak důležitá pro RAG systém?
I malá odchylka v ID (`expertne` vs `pro`) způsobí, že Aimee v databázi nenajde relevantní příklady. Máš 9 souborů (config, examples, nudges) a všechny musí používat stejné ID. Jeden překlep = skill nefunguje.
Jak vytvořit expertní obsah, který není příliš abstraktní?
Weak vs. Strong příklady. Ukaž, jak vypadá špatný meta-prompt a vedle něj dobrý. Konkrétní příklady ilustrují abstraktní koncepty lépe než definice. Vygeneroval jsem 15 expertních příkladů a 20 micro-learning tipů – všechny vázané na konkrétní fázi (např. "during_planning").
Jak propojit více úrovní skillů do jedné vertikály?
Relationships v JSON struktuře. Základ → Pokročilé → Expert. Každý skill má definované prerekvizity, takže uživatel plynule přechází od základů až po architekturu AI systémů. Žádné přeskakování, žádné mezery.
Co udělat před generováním obsahu pro nový skill?
Definuj jasnou JSON schému. Struktura skillu musí být jasná předtím, než začneš generovat obsah. Jinak strávíš hodiny refaktoringem. A používej linter nebo validační skripty nejen na kód, ale i na JSON data – odhalíš překlepy v ID dřív, než způsobí problémy.
Tom