Poniższe notatki pochodzą z prezentacji Jason Cyr, VP of Design for Cisco Security Business. Wszystkie przemyślenia, obserwacje i wnioski przedstawione w artykule należą do prelegenta i są oparte na jego osobistych doświadczeniach z budowy osobistego agenta AI.

TL;DR

Jason Cyr z Cisco zbudował zaawansowanego agenta AI bez pisania kodu – system wykonuje badania, tworzy treści i integruje się z Google Workspace, Slack oraz aplikacjami Apple
Ewolucja przebiegała w trzech etapach: od eksperymentów z Vercel V0, przez automatyzację workflow w N8N, aż do autonomicznych MCP servers
Cursor IDE okazał się przełomowy – umożliwił efektywną pracę z AI bez frustrującego kopiowania plików między systemami
Współpraca z AI przypomina zarządzanie zespołem – kluczowe jest jasne określenie celów, nie szczegółowe instrukcje techniczne
Ostrzeżenie dla twórców produktów: rozwiązania bez doskonałego UX staną się jedynie „MCP serverami” działającymi za cudzymi interfejsami
Demonstracja możliwości: agent znajduje treści o sztucznej inteligencji i designie, zapisuje je w arkuszach Google, przygotowuje podsumowanie oraz tworzy przypomnienia
Główna lekcja: jeśli Jason Cyr zdołał tego dokonać, każdy może – wystarczy jasna komunikacja z asystentem AI

Motywacja za budową osobistego agenta AI

Jason Cyr wyjaśnia, że jego główną motywacją była przede wszystkim ciekawość wobec zachodzących przemian. Jako osoba zajmująca się tworzeniem produktów dostrzegał ogromne możliwości tkwiące w rozwoju sztucznej inteligencji.

Firma Cisco już zaangażowała się w wykorzystywanie AI, zabezpieczanie systemów opartych na AI oraz zapewnianie klientom pewności podczas wdrażania tej technologii. Kierownictwo zdaje sobie sprawę, że klienci będą podążać ścieżką rozwoju agentów, dlatego firma musi wyprzedzać te trendy.

Cyr podkreśla dwa fundamentalne powody, dla których warto zgłębiać tę tematykę. Po pierwsze – osoby odpowiedzialne za tworzenie oprogramowania muszą opanować te technologie. Po drugie – konieczne jest rozwinięcie intuicji wobec nowych doświadczeń użytkownika oraz sposobów wykorzystywania tych narzędzi przez użytkowników końcowych.

Trzy etapy ewolucji – od prostych procesów do autonomii

Pierwsze kroki z Vercel V0 i vibe coding

Podróż Cyr rozpoczęła się od eksperymentów z Vercel V0, gdzie po raz pierwszy zetknął się z koncepcją vibe coding. Ta metoda polega na tworzeniu złożonych rozwiązań poprzez opisywanie pożądanych funkcjonalności w naturalnym języku, podczas gdy system automatycznie generuje odpowiedni kod.

Vercel specjalizuje się w dostarczaniu narzędzi do budowy produktów oraz interfejsów użytkownika. Zespół Cyr wykorzystuje tę platformę do szybkiego prototypowania i materializacji pomysłów projektowych. Pozytywne doświadczenia z V0 skłoniły go do rozważań nad budową prawdziwego agenta lub systemu agentowego.

Automatyzacja workflow z N8N

W trakcie badań na YouTube Cyr natrafił na kanał prowadzony przez Greg Eisenberg. Jednym z gości był James Dickerson, znany jako „nudny marketer”, który opracował agentowy proces pracy wykorzystujący platformę N8N. Dickerson oferował udostępnienie pliku JSON ze swojego wdrożenia jako punkt wyjścia dla innych twórców.

N8N to narzędzie typu no-code/low-code, które umożliwia łączenie różnorodnych węzłów w celu realizacji zautomatyzowanych procesów. Poszczególne węzły mogą być połączone poprzez API z różnymi narzędziami lub modelami językowych sztucznej inteligencji.

Workflow opracowany przez Dickersona działał następująco:

Zbieranie danych: System przyjmował termin wyszukiwania i rozdzielał pracę na dwa równoległe strumienie – YouTube oraz Twitter/X. Następnie wyszukiwał około 30 wysoko ocenianych filmów, pobierał ich transkrypcje i gromadził odpowiednie tweety na zadany temat.

Analiza i generowanie treści: Zebrane dane przekazywane były do generatora pomysłów na treści opartego na ChatGPT. Kolejnym krokiem były głębokie badania prowadzone przez agenta badawczego, który weryfikował dostępność materiałów wspierających. Claude przejmował następnie zadanie napisania nowego posta na LinkedIn.

Publikacja i dystrybucja: System automatycznie tworzył dokument Google, wysyłał link przez Slack oraz umożliwiał przegląd i publikację jednym kliknięciem.

Cyr podkreśla, że celem nie było stworzenie w pełni zautomatyzowanego systemu do publikowania na LinkedIn. Chodziło przede wszystkim o naukę zasad działania tych technologii. Największym wyzwaniem dla początkujących okazuje się zrozumienie, że każdy węzeł wymaga połączenia z odpowiednim API – konieczne jest utworzenie tokenów dostępu dla OpenAI, Claude, Google Suite czy narzędzi do pobierania danych jak Apify.

Praktyczna checklist konfiguracji API

Cyr szczególnie podkreśla, że najtrudniejszą częścią dla nowicjuszy jest konfiguracja połączeń między narzędziami:

Modele językowe: Uzyskanie dostępu do API dla OpenAI lub Anthropic i wygenerowanie tokenów autoryzacyjnych
Google Workspace: Utworzenie kluczy API w panelu deweloperskim Google dla aplikacji Docs i Sheets
Narzędzia do pobierania danych: Skonfigurowanie serwisów typu Apify do scrapingu treści z internetu
Integracja: Wstawienie wszystkich uzyskanych kluczy (tokenów) w odpowiednich miejscach w edytorze procesu

MCP servers i prawdziwa autonomia

Z czasem Cyr uświadomił sobie ograniczenia zastosowanego podejścia. Stworzony system był statycznym procesem typu „end-to-end” – przyjmował dane wejściowe z jednej strony i dostarczał gotowy rezultat z drugiej. Prawdziwy agent powinien jednak przyjmować instrukcje, dysponować dostępem do różnorodnych narzędzi oraz podejmować decyzje o sposobie ich wykorzystania dla osiągnięcia określonego celu.

To spostrzeżenie doprowadziło do eksperymentów z MCP servers (Model Context Protocol servers). Rozwiązanie to umożliwia narzędziom AI uzyskanie dostępu do różnych systemów przy użyciu zunifikowanego języka komunikacji. MCP server udostępnia narzędzia agentowi AI, wyjaśnia ich przeznaczenie, dzięki czemu agent zyskuje świadomość dostępnych możliwości i może je wykorzystywać.

Przejście na MCP wymagało znacznie więcej zaawansowanej pracy technicznej. ChatGPT instruował Cyr w zakresie tworzenia plików konfiguracyjnych, instalowania serwera node dla uruchamiania JavaScript oraz korzystania z interfejsu wiersza poleceń. Mimo początkowej złożoności, asystent AI zawsze wyjaśniał niezrozumiałe elementy, co znacznie ułatwiało proces nauki.

Narzędzia które zmieniły wszystko

Cursor IDE jako moment przełomu

Na początku Cyr korzystał z Vercel do tworzenia interfejsu użytkownika oraz Claude do zarządzania plikami w części serwerowej. Jednak ta metoda okazała się wyjątkowo żmudna i nieefektywna. Gdy zapytał Claude o alternatywne rozwiązanie, system zasugerował Cursor IDE. Ten moment okazał się przełomowy dla całego projektu.

Cursor to zintegrowane środowisko programistyczne z wbudowaną funkcjonalnością Claude. Umożliwia współpracę z asystentem AI, który może faktycznie modyfikować pliki, pisać kod, przeprowadzać debugowanie oraz automatycznie analizować komunikaty o błędach. Ta funkcjonalność sprawia, że praca staje się znacznie bardziej efektywna.

Po przejściu na Cursor, Cyr nadal odczuwał frustrację związaną z budową własnego interfejsu użytkownika. Próbował odtworzyć funkcjonalności znane z innych asystentów – rodzaj informacji zwrotnej czy sposób prezentowania odpowiedzi. Znaczną część czasu poświęcał na vibe coding tego elementu interfejsu.

Integracja z aplikacją desktopową Claude

Kolejne odkrycie okazało się równie istotne. Cyr przestał rozwijać własny interfejs, gdy zrozumiał możliwość bezpośredniego połączenia MCP servers z aplikacją desktopową Claude.

W aplikacji desktopowej Claude, w sekcji Settings pod zakładką Developer, można skonfigurować połączenia z MCP servers za pomocą prostego pliku konfiguracyjnego. Cyr poprosił system o przeprojektowanie architektury tak, aby wykorzystywać Claude jako interfejs użytkownika zamiast własnego rozwiązania. System szybko dostosował się do nowych wymagań, a wszystkie MCP servers zostały skutecznie zintegrowane z Claude.

Demonstracja praktycznych możliwości

W aplikacji Claude, w sekcji Tools, Cyr uzyskał dostęp do licznych niestandardowych narzędzi:

Tworzenie i zarządzanie treścią: generowanie dokumentów Google Docs i arkuszy Google Sheets, dostęp do YouTube oraz Medium
Analiza intencji: narzędzie „distill intent” analizuje żądania i określa podstawowy cel
Wykonanie zadań: orchestrator tworzy plan działania i realizuje go wykorzystując dostępne narzędzia
Systemy integracji: usługa RAG dla dostępu do Apple Notes, integracja z macOS (przypomnienia), połączenie z Perplexity do zaawansowanych wyszukiwań

Przykład praktycznego zastosowania

Cyr zademonstrował możliwości systemu, formułując złożone polecenie: „Znajdź najciekawsze nowe artykuły, podcasty oraz materiały YouTube związane z przecięciem sztucznej inteligencji i designu. Zapisz je w arkuszu treści. Przygotuj krótkie podsumowanie wyjaśniające, dlaczego uznałeś je za interesujące. Zapisz wyniki w dokumencie Google. Następnie utwórz przypomnienie o przeglądnięciu tego dokumentu i dodaj je do listy przypomnieć z linkiem do dokumentu.”

Agent wykonał serię wyszukiwań internetowych, oceniał poprawność każdego kroku, dodał znalezione treści do arkusza z opisami, stworzył dokument podsumowujący z wyjaśnieniami i linkami, a na zakończenie utworzył przypomnienie w aplikacji Reminders zawierające link do dokumentu.

Fundamentalne wnioski dla przyszłości produktów

Intuicyjność „vibingu” jako nowy paradygmat

Cyr podkreśla, że współpraca oparta na „vibingu” (vibe coding, vibe designing) charakteryzuje się wyjątkową intuicyjnością. Przypomina komunikację z zespołem projektowym czy współpracownikami. Proces polega na sformułowaniu żądania, przy czym jakość rezultatu zależy od jasności instrukcji, a w przypadku niezadowalającego efektu – na przekazaniu konstruktywnej informacji zwrotnej.

Kluczowe jest unikanie szczegółowych poleceń dotyczących sposobu realizacji zadania. Podejście to przypomina zarządzanie zespołem w dziedzinie, której szczegółów nie znamy – nie dysponujemy informacjami umożliwiającymi precyzyjne instruowanie. Dlatego należy koncentrować się na jasnym określeniu oczekiwanego rezultatu oraz kryteriów sukcesu.

Strategiczne ostrzeżenie dla twórców produktów

W miarę jak coraz więcej użytkowników poznaje te intuicyjne narzędzia, a same narzędzia stają się bardziej zintegrowane i zaawansowane, użytkownicy będą oczekiwać podobnych doświadczeń w produktach, z których korzystają. Osoby odpowiedzialne za rozwój produktów muszą przygotować się na dostarczanie rozwiązań natywnie opartych na sztucznej inteligencji.

Cisco wprowadziło AI Canvas – agentową platformę operacyjną do zarządzania produktami sieciowymi i bezpieczeństwa. Stanowi to pierwszy krok w tym kierunku, a firma jest szczególnie dumna z tej realizacji, planując udostępnienie materiału wideo z premiery.

Fundamentalne ostrzeżenie brzmi następująco: firmy muszą przygotować się na dostarczanie wyjątkowych doświadczeń użytkownika, w przeciwnym razie ryzykują przekształcenie się w zwykłe MCP servery działające za cudzymi interfejsami. Cyr uświadomił sobie tę prawdę, zastanawiając się: „Po co tworzę skomplikowany interfejs do funkcji, które ChatGPT czy Claude już realizują znacznie lepiej?”

Praktyczne wskazówki dla osób rozpoczynających

Dostępność dla każdego

Cyr zbudował cały system bez napisania ani jednej linijki kodu. Ta obserwacja zaskoczyła go samego – jak intuicyjne okazały się te procesy. Osoby nieznające tych narzędzi powinny po prostu poinformować asystenta AI o braku znajomości tematu i poprosić o pomoc.

Szczególnie w środowisku Cursor – narzędzie może tworzyć pliki, uruchamiać skrypty debugujące oraz realizować niezwykłe funkcjonalności. Wystarczy jasno sformułować cel i śledzić otrzymane wskazówki.

Cyr zachęca również do dzielenia się doświadczeniami. Wszyscy powinniśmy wzajemnie się uczyć w miarę eksplorowania tej ścieżki rozwoju. Ten typ treści szczególnie go interesuje – oparty na rzeczywistych doświadczeniach praktycznych.

Praktyczny plan działania

Przygotowanie podstaw: Utworzenie konta w Cursor IDE, pobranie aplikacji desktopowej Claude, przygotowanie dostępów w Google Developer Console dla tokenów API.

Pierwsze implementacje: Konfiguracja połączenia z aplikacjami Google (Docs, Sheets), testowanie podstawowych poleceń w Claude, dodanie prostego narzędzia jak tworzenie notatek.

Systematyczny rozwój: Stopniowe dodawanie kolejnych integracji zgodnie z potrzebami, testowanie złożonych zadań, dostosowywanie promptów i instrukcji.

Zasady skutecznej współpracy

Jakość otrzymywanych rezultatów zależy bezpośrednio od precyzji instrukcji oraz jasnego definiowania oczekiwanych wyników i kryteriów sukcesu. W przypadku niezadowalającego efektu należy przekazać informację zwrotną i wskazówki – nie próbować podawać szczegółowych instrukcji technicznych.

Gotowy prompt do rozpoczęcia pracy również stanowi wartościową wskazówkę. Cyr poprosił Cursor o przygotowanie prompt, który opisuje jego system i umożliwia innym odtworzenie podobnego rozwiązania we własnym środowisku Cursor.

Uproszczona wersja zawiera jedynie integrację z aplikacjami Google (Docs i Sheets) jako punkt startowy. Kolejnym krokiem jest komunikacja z Cursor w celu dodawania nowych możliwości – system będzie budował dodatkowe funkcje. Konieczna będzie integracja z innymi narzędziami oraz uzyskanie kluczy API, jednak Cursor znacznie ułatwi ten proces.

Doświadczenie użytkownika rzeczywiście będzie kluczowe w wielu przypadkach. To stanowi szansę dla osób odpowiedzialnych za produkty oraz designerów na rzeczywiste przywództwo, ponieważ UX będzie miał fundamentalne znaczenie w świecie produktów natywnie opartych na sztucznej inteligencji.

Przykłady promptów z doświadczeń Jason Cyr

Cyr w swojej prezentacji dzieli się konkretnymi przykładami poleceń wykorzystywanych w pracy z AI. Oto najważniejsze z uzasadnieniem praktycznego zastosowania:

Prompt do kompleksowych badań i organizacji treści

„Pomóż mi znaleźć najciekawsze nowe artykuły, podcasty i filmy YouTube, blogi itp., które odnoszą się do przecięcia AI i designu. Zapisz je w moim arkuszu treści, który jest arkuszem Google. Stwórz także krótkie podsumowanie, opisz dlaczego uznałeś je za interesujące. Udostępnij mi to z linkami do wszystkich rzeczy i zapisz w dokumencie Google. Następnie utwórz przypomnienie, żebym przejrzał ten dokument Google i dodaj go do mojej listy treści w przypomnieniach. Uwzględnij link do dokumentu Google.”

Zastosowanie: Automatyzacja całego procesu badawczego – od identyfikacji treści, przez organizację i dokumentację, aż po system przypomnieć. Demonstruje możliwość łączenia wielu etapów w jednym poleceniu.

Prompt do rozwiązywania problemów technicznych

„To naprawdę żmudne. Czy istnieje lepszy sposób, gdzie nie muszę robić całego tego kopiowania i wklejania?”

Zastosowanie: Sytuacje frustracji z obecnym workflow. AI często zna lepsze narzędzia i metody, o których użytkownik nie wie.

Prompt do przeprojektowania architektury

„Chcę całkowicie przeprojektować ten system tak, żeby zamiast posiadania własnego front-endu i własnego UI, będę używał Claude jako mojego UI.”

Zastosowanie: Sytuacje wymagające fundamentalnej zmiany podejścia do problemu. Kluczowe jest jasne określenie obecnego stanu i nowego celu.

Prompt do nauki i wyjaśnień

„Nie znam się na tym i potrzebuję pomocy” / „Wyjaśnij mi to i przeprowadź mnie przez to”

Zastosowanie: Uniwersalne zastosowanie gdy nie rozumiemy tematu. Cyr podkreśla – nie należy wstydzić się przyznania do braku wiedzy.

Prompt do weryfikacji możliwości

„Mam ten system N8N, który robi te rzeczy. Nie sądzę, żeby to był prawdziwy autonomiczny system agentowy i chcę zbudować taki używając MCP. Czy byłoby to możliwe?”

Zastosowanie: Weryfikacja pomysłów i sprawdzenie wykonalności. Należy opisać obecną sytuację i pożądany cel.

Prompt do tworzenia materiałów instruktażowych

„Czy możesz dać mi prompt, który opisuje ten system i pozwoliłby komuś wziąć ten prompt i umieścić go w swoim własnym Cursor w celu odtworzenia tego?”

Zastosowanie: Sytuacje gdy chcemy udostępnić nasze rozwiązanie innym. AI potrafi stworzyć instrukcje działające w różnych środowiskach.

Fundamentalna zasada komunikacji

„Po prostu powiedz mu co robić i po prostu podążaj za tym”

Filozofia: Traktowanie AI jak członka zespołu. Jasność co do celów, ale bez mikromanagement procesu.

Kluczowe insights

Strategiczny paradoks: Twórz zdolności, a nie interfejsy

Standardowe myślenie: Aby dostarczyć nową funkcjonalność, muszę zbudować kompletny produkt z własnym, dedykowanym interfejsem użytkownika.

Rzeczywistość: Większą wartość tworzymy budując wyspecjalizowane zdolności (zaplecze techniczne, narzędzia), które można podłączyć jako wtyczki do istniejących, światowej klasy interfejsów AI.

Znaczenie odkrycia: Zamiast konkurować na froncie interfejsów z gigantami technologicznymi, firmy mogą skupić zasoby na unikalnej logice biznesowej. Pozwala to na znacznie szybsze dostarczenie realnej wartości użytkownikom.

Test praktyczny: Przy planowaniu następnego projektu, zamiast od razu szkicować interfejs, zadaj pytanie: „Czy tę funkcjonalność da się udostępnić jako narzędzie dla istniejącego asystenta AI?” i sprawdź, jak bardzo upraszcza to plan wdrożenia.

Praktyczny paradoks: Kontrola w sztucznej inteligencji

Standardowe myślenie: Aby AI wykonało zadanie poprawnie, muszę podać szczegółowe instrukcje i kontrolować każdy etap – jak w przypadku współpracy z początkującym pracownikiem.

Rzeczywistość: AI funkcjonuje optymalnie gdy otrzymuje cel końcowy oraz kryteria sukcesu, zachowując swobodę w wyborze metod realizacji – jak w przypadku współpracy z doświadczonym ekspertem.

Znaczenie odkrycia: Cyr odkrył, że próby mikromanagement AI prowadzą do frustracji i gorszych rezultatów. Sztuczna inteligencja dysponuje dostępem do znacznie szerszego spektrum narzędzi i możliwości niż jesteśmy w stanie przewidzieć, dlatego ograniczanie jej do naszych wyobrażeń o „właściwej metodzie realizacji” marnuje potencjał systemu.

Test praktyczny: Przy kolejnym zleceniu zadania AI, zamiast instrukcji „wykonaj to krok po kroku: najpierw A, następnie B, potem C”, spróbuj podejścia „chcę osiągnąć X, kryteria sukcesu to Y, masz pełną swobodę w wyborze metody” i sprawdź, czy rezultat nie jest lepszy, a proces bardziej płynny.

Ten wpis stanowi część kolekcji notatek z wartościowych podcastów, webinarów i prezentacji. Oryginalny materiał pochodzi z kanału YouTube prowadzonego przez Jason Cyr, VP of Design for Cisco Security Business: I Built a Personal AI Agent That Does Almost EVERYTHING – Here’s How I did it – It’s EASY!

Tag: Cisco Ai Canvas

Jak zbudować osobistego agenta AI bez pisania kodu – doświadczenia VP Designu Cisco #EN279