Prestanite da pišete promptove: Karpathy metoda koja menja sve

Tekst objašnjava naprednu metodu za korišćenje veštačke inteligencije koju primenjuje Andrej Karpati, a koja se zasniva na tri ključna sloja: specifikaciji, verifikaciji i okruženju. Prvi nivo naglašava važnost kreiranja detaljnog plana i ciljeva kroz interaktivan proces, čime se premosti nedostatak konteksta kod AI modela. Drugi sloj se fokusira na strogu proveru rezultata pomoću jasnih kriterijuma i eksternih alata kako bi se eliminisale netačne informacije. Treći segment se odnosi na izgradnju personalizovanog digitalnog radnog prostora sa definisanim pravilima i bazom znanja koja omogućava stabilan rad. Suština ove strategije je u tome da korisnik ne sme prepustiti razumevanje problema mašini, već mora aktivno upravljati procesom kao inženjer. Na ovaj način, AI prestaje da bude samo alat za ćaskanje i postaje moćan sistem za brzo i precizno rešavanje složenih zadataka.

1. Uvod: Problem koji niste znali da imate

Zamislite jednostavan test inteligencije: želite da operete automobil u perionici koja je udaljena svega 50 metara. Pitajte bilo koji vodeći AI model — Claude, ChatGPT ili Gemini — da li bi trebalo da pešačite ili da vozite. Odgovor će gotovo uvek biti isti: „Pešačite, to je zdravo i blizu je.“

Ovaj mali eksperiment je savršen „lakmus papir“ za fundamentalno ograničenje današnjih modela: potpuni nedostatak konteksta. AI je briljantan u onome što se može izmeriti, ali je često „idiot savant“ kada je u pitanju logika realnog sveta. On ne razume da ne možete oprati auto ako ga ne odvezete do perionice.

Tradicionalno „promptovanje“ je postalo usko grlo koje vas drži u ulozi pisca koji se bori sa hirovitom mašinom. Andrej Karpathy, vizionar i bivši direktor AI u Tesli, nudi izlaz kroz koncept koji nazivamo Moderni inženjering. Umesto da pišete uputstva, vi gradite sisteme. Karpathy-jeva metodologija, podeljena u tri strateška sloja, omogućava vam da se transformišete iz pisca prompata u arhitektu rešenja, ubrzavajući proces izgradnje i do 10 puta.

2. Prva lekcija: Specifikacija (Spec) – Od zadatka do cilja

U modernom inženjeringu, prva faza nije pisanje koda ili teksta, već kreiranje Specifikacije. Najveća greška koju korisnici prave je mešanje „zadatka“ sa „ciljem“. „Napravi izveštaj o prodaji“ je zadatak. Pravi cilj je odluka koju taj izveštaj treba da omogući. AI samostalno nikada neće dokučiti vaš krajnji motiv; to je vaša jedina nezamenljiva uloga.

Proces kreiranja specifikacije zahteva prelazak sa „Waterfall“ na „Agile“ mentalitet:

1. Otkrivanje cilja putem intervjua: Nemojte odmah davati instrukcije. Naredite modelu da vas intervjuiše. Neka on postavlja pitanja dok ne izvuče sav relevantan kontekst iz vaše glave. Ovo pretvara AI u aktivnog partnera koji gradi specifikaciju zajedno sa vama.
2. Agilno specifikovanje vs. Waterfall zamka: Početnici često upadaju u „Waterfall“ zamku — daju AI-u ogroman, kompleksan zadatak odjednom u nadi za instant rezultatom. To je put do neuspeha. Moderni inženjering zahteva male, precizne celine (scopes) sa jasnim kontrolnim tačkama.
3. Preciznost i verifikacija odluka: Što više AI mora da pretpostavlja, to više „halucinira“. Zahtevajte od modela da eksplicitno traži vašu potvrdu za ključne odluke u specifikaciji pre nego što pređe na izvršenje.

„Zapravo mi se ne dopada puki 'plan mode'. Iako je koristan, smatram da postoji nešto mnogo dublje — morate raditi sa svojim agentom na dizajniranju specifikacije koja je izuzetno detaljna.“ – Andrej Karpathy

3. Druga lekcija: Verifikator – Duhovi u mašini

Da biste efikasno upravljali veštačkom inteligencijom, morate razumeti Karpathy-jev mentalni model: „Životinje protiv Duhova“. Ljudi instinktivno tretiraju AI kao ljudsko biće (životinju) koja ima unutrašnju motivaciju. Ako viknete na AI ili ga molite, mislite da će raditi bolje.

Istina je surovija: AI su statistički simulacioni krugovi — ili, jednostavnije, roboti bibliotekari. Bibliotekar samo vadi knjige sa polica; on nema emocije i ne zna kada mu neka knjiga nedostaje. Zato „vikanje“ nema efekta. Jedini pravi alat koji imate je verifikacija.

Kvalitet rezultata se podiže za 2 do 3 puta uvođenjem povratne sprege kroz tri nivoa:

• Precizni kriterijumi evaluacije: Unapred definišite šta je „dobar“ rezultat. Umesto „napravi lep izveštaj“, definišite da „izveštaj mora imati tri sekcije, a svaka sekcija mora sadržati konkretnu preporuku“.
• Drugi AI kao kritičar: Angažujte drugog „bibliotekara“. Taktički, ako koristite alate poput Claude Code, možete instalirati Codeex plugin kako bi drugi model nezavisno ocenio rad prvog. Tek kada se oba sistema slože, rezultat je validan.
• Eksterni signali: Povežite AI sa stvarnim podacima. Ako AI tvrdi da je aplikacija postavljena, nemojte mu verovati na reč — povežite ga sa sistemom koji će to fizički potvrditi.

Boris Churney, tvorac Claude Code-a, naglašava: „Ako model ima zatvorenu petlju povratnih informacija (feedback loop), kvalitet finalnog rezultata drastično raste.“

4. Treća lekcija: Okruženje – Vaša digitalna radionica

Treći sloj je Okruženje, vaša digitalna radionica. Ako je specifikacija nacrt, a verifikator kontrolna stanica, okruženje je prostor u kojem su alati organizovani tako da AI uvek ima pravi kontekst.

Ključni element ovog sloja je claude.md fajl. Ovo nije običan dokument; to je sistemsko uputstvo koje se automatski injektuje u svaku konverzaciju. On služi kao „trajna memorija“ koja rešava problem sa početka teksta o perionici automobila, dajući modelu fiksna pravila ponašanja i arhitekturu znanja pre nego što uopšte počne sa radom.

U ovoj radionici, vaši podaci su vaša intelektualna svojina (moat). Karpathy zagovara kreiranje sopstvene LLM baze znanja — strukturiranog sistema foldera koji AI može lako da pretražuje. Kako biste osigurali stabilnost, akcije morate podeliti prema „zaštitnim ogradama“ (Guardrails):

Važno je razumeti: obična molba „ne diraj ovaj folder“ nije dovoljna. Moderni inženjering koristi pre-tool use hook — tehničku barijeru koja proverava šta AI pokušava da uradi pre nego što mu sistem to dozvoli. To je razlika između molbe i zakona.

5. Zaključak: Šta ostaje čoveku?

U svetu gde inteligencija postaje jeftina i masovna roba, Karpathy postavlja suštinsko pitanje: šta je još uvek vredno učiti? Odgovor leži u razumevanju šire slike. Više nije važno znati kako se nešto piše, već razumeti šta se gradi i zašto.

„Možete outsourcovati razmišljanje, ali ne možete outsourcovati razumevanje.“

Metoda od tri sloja — Specifikacija, Verifikator i Okruženje — dizajnirana je da podrži vašu viziju, a ne da je zameni. Vi delegirate egzekuciju, ali zadržavate kormilo.

Kada sledeći put otvorite svoj AI alat, zapitajte se: da li ste vi arhitekta koji gradi sistem ili samo još jedan korisnik koji se nada da će „duh u mašini“ pogoditi šta vam je u glavi? Da li zaista razumete cilj svog sledećeg projekta?