Hej, widziałem na forum sporo postów o AI, jak zacząc, skąd się uczyć więc pomyślałem, że dodam coś od siebie.
Zacznij od jednego narzędzia i naucz się go dobrze
Cursor, Claude Code albo Copilot Pro. Nie próbuj wszystkich naraz.
Cursor jest najbardziej zintegrowany z edytorem, działa jak fork VS Code z agentem w środku. Claude Code działa w terminalu i lepiej radzi sobie z dużymi refaktorami całych repozytoriów. Copilot jest najtańszy i najprostszy do wdrożenia w zespole, ale słabszy przy złożonych zadaniach.
Tydzień pracy z jednym narzędziem da więcej niż trzy miesiące przeskakiwania między pięcioma.
https://claude.com/claude-code
https://cursor.com
https://github.com/features/copilot
Naucz się pisać dobre prompty do kodu
Większość pisze "napraw mi ten bug" i się dziwi że dostaje ogólnik. Działa: kontekst (jaki framework, jaki stack), problem (co konkretnie nie działa, jaki błąd), oczekiwanie (jak ma wyglądać rezultat), ograniczenia (czego nie zmieniać).
Przykład złego prompta: "Napraw mi tę funkcję, nie działa."
Przykład dobrego prompta: "Mam funkcję w Pythonie 3.11, FastAPI, używa SQLAlchemy 2.0. Funkcja get_user_orders zwraca pustą listę zamiast zamówień użytkownika. Przy debugu widzę że query zwraca prawidłowe wyniki ale serializacja gubi pole order_items. Nie zmieniaj struktury bazy danych. Kod funkcji w załączniku, plus model Order i OrderItem."
Druga wersja zwróci konkretną odpowiedź. Pierwsza zwróci ogólnik.
Anthropic prompting guide: https://docs.claude.com/en/docs/build-with-claude/prompt-engineering
OpenAI prompting guide: https://platform.openai.com/docs/guides/prompt-engineering
Zrozum gdzie AI faktycznie pomaga
Pomaga w: boilerplate (CRUD, walidatory, modele Pydantic, schemas Zod), refaktoryzacji (przeniesienie logiki z jednego pliku do trzech), generowaniu testów (jednostkowych i integracyjnych), tłumaczeniu między językami (Python → TypeScript), czytaniu nieznanego kodu, generowaniu dokumentacji, eksploracji nowych bibliotek, skryptach jednorazowych.
Marnuje czas gdy: znasz problem lepiej niż model i tracisz czas na korektę halucynacji. Masz nietypowy stack którego model słabo zna (np. niszowe frameworki). Problem wymaga głębokiego kontekstu którego model nie ma. Debugowanie produkcyjnych incydentów gdzie precyzja jest kluczowa.
Konkretny przykład: napisanie endpointa REST do CRUD na nowej tabeli AI zrobi to w 30 sekund poprawnie. Diagnostyka memory leaka w długo działającym procesie Pythona AI Cię zaprowadzi w pole na 3 godziny.
Najlepsi devowie używają AI do 30-40% pracy. Ten dystans to kalibracja, nie konserwatyzm.
Naucz się weryfikować kod od AI
Model halucynuje API. Przykład: pyta o bibliotekę X, dostajesz kod używający funkcji X.process_async() która nie istnieje model ją zmyślił bo "tak by wyglądała". Importuje nieistniejące moduły. Używa przestarzałych wzorców z 2020 roku. Miesza wersje frameworków (Pydantic v1 i v2 w jednym pliku).
Czytaj każdą linię zanim wkleisz. Uruchamiaj testy. Sprawdzaj importy. 80% błędów w kodzie generowanym bierze się z tego że ktoś nie sprawdził.
Wprowadź AI do workflow stopniowo
Tydzień 1-2: tylko autocomplete w edytorze. Przyzwyczaj się do rytmu kiedy akceptować, kiedy odrzucać. Jak działa Tab i Esc w Cursor.
Tydzień 3-4: chat do pytania o nieznany kod ("co robi ten regex"), generowania testów ("napisz testy do tej funkcji pokrywające edge cases"), małych refaktoryzacji ("przepisz to na async").
Miesiąc 2: większe zadania. Implementacja funkcji od zera na podstawie specyfikacji. Debugging gdzie wklejasz stack trace plus podejrzany kod.
Miesiąc 3+: agenty do zadań wieloetapowych. Claude Code dostaje zadanie "dodaj autoryzację OAuth do tego API" i pracuje przez 20 minut samodzielnie. To jest moment kiedy musisz już naprawdę umieć weryfikować agent zrobi 30 plików zmian i pół z nich może być źle.
Co ignorować
Twittery o "vibe coding", "10x productivity", "AI zastąpi programistów". To sprzedaż, nie inżynieria. Ludzie którzy faktycznie tego używają na poważnie nie mówią o 10x mówią o 1.5x do 2x w określonych zadaniach.
Blogposty o "promptach magicznych" które "odblokowują pełną moc GPT". Promptowanie to kalibracja na własnych problemach, nie zaklęcie z internetu.
Konferencje o AI dla devów większość to marketing dostawców cloudu i narzędzi.
Źródła które są warte czasu
Simon Willison's blog: https://simonwillison.net facet pisze o AI dla devów bez hype'u od dwóch lat. Najwięcej praktycznej wiedzy w jednym miejscu w sieci.
Anthropic Cookbook: https://github.com/anthropics/anthropic-cookbook przykłady jak używać API, gotowe wzorce
OpenAI Cookbook: https://cookbook.openai.com to samo dla OpenAI
Pragmatic Engineer: https://newsletter.pragmaticengineer.com Gergely Orosz pisze jak firmy faktycznie używają AI w środku, nie w marketingu
Andrej Karpathy:
wykłady o tym jak LLM działa od środka. Jeśli używasz narzędzia codziennie, warto rozumieć co jest pod spodem. Polecam "Intro to Large Language Models" jako pierwsze.
Hamel Husain: https://hamel.dev — ewaluacja LLM-ów i praktyczne wdrożenia. Mocne pisanie, nie marketingowe.
Czego unikać
Płatnych kursów "Master Prompt Engineering" za 500 dolarów. Bezwartościowe szybciej nauczysz się pracując z modelem niż oglądając kursy.
Frameworków agentowych jak LangChain jeśli nie budujesz produktu agentowego. Konkretny przykład: chcesz zrobić skrypt który czyta maile z Gmaila i streszcza je. Po LangChain to 200 linii i pięć abstrakcji. Bez LangChain to 30 linii IMAP plus direct API call do Anthropic albo OpenAI.
Lokalnego hostowania modeli na własnym sprzęcie. Chyba że masz konkretny powód (compliance, dane medyczne, dane wrażliwe które nie mogą wyjść). Dla większości pracy API od Anthropic albo OpenAI jest tańsze, szybsze i lepsze niż Llama 70B na Twoim RTX 4090.
Jeden tip który zmienia wszystko
Naucz się używać kontekstu.
Konkretny przykład. Załóżmy że masz bug w funkcji process_payment w Django.
Słabe podejście: "mam bug w funkcji process_payment, dlaczego nie działa". Model zgaduje, halucynuje rozwiązanie.
Dobre podejście: wklejasz całą funkcję process_payment, model Payment, model Order, settings.py w części dotyczącej payment provider, stack trace błędu, fragment testów które padają, krótki opis co miało się stać. Model widzi pełny obraz i prawie zawsze trafia.
Devowie którzy używają AI dobrze wklejają więcej kodu, nie więcej promptów.
To wszystko. Reszta to praca z narzędziem na własnych problemach przez kilka tygodni. W razie czego zawsze pomogę.
