Wewnątrz Clevera: Jak agentowa sztuczna inteligencja zamienia nagrania ekranu w lektora

Ukryty chaos za automatyzacją#

Kiedy tworzyliśmy Clevera, mieliśmy garstkę modeli, które robiły zdecydowanie za dużo. Każdy z nich próbował żonglować wieloma zadaniami naraz: obserwować ekran, interpretować działania, decydować, co jest istotne, pisać narrację, dobierać ton i jakoś złożyć to wszystko w spójny samouczek. Kilka mózgów, ale każdy z nich wykonywał pełny zakres pracy.

Wyobraź sobie ekipę filmową, w której trzy osoby próbują obsadzić dwadzieścia różnych ról. Reżyser, operator kamery, scenarzysta i montażysta w jednej osobie. Możesz się domyślić, jak to się skończyło. Wyniki były akceptowalne, ale nigdy świetne. Narracja brzmiała sztywno. Ważne momenty były pomijane. Dłuższe filmy sprawiały, że modele stawały się zdezorientowane i niespójne.

Problem nie leżał w samych modelach. Problem polegał na traktowaniu ich jak pojedynczego myśliciela, a nie zespołu.

Zrozumieliśmy, że ludzie nie myślą liniowo#

Początkowo próbowaliśmy naśladować to, jak człowiek wygląda, tworząc samouczek: patrzy na ekran, chwilę myśli, wyjaśnia. Proste. Przynajmniej na powierzchni.

Ale prawdziwe ludzkie myślenie wcale tak nie wygląda. Kiedy coś wyjaśniasz, Twój mózg uruchamia dziesiątki małych specjalistów w tym samym czasie. Zauważasz, co się zmieniło. Ignorujesz to, co nieistotne. Przypominasz sobie, co robi dana funkcja. Wybierasz ton. Dostosowujesz tempo. Edytujesz w trakcie mówienia.

Wydaje się to liniowe, ale w rzeczywistości w tle działa wiele małych agentów. To był moment, w którym wszystko do nas dotarło. Aby Clevera brzmiała jak człowiek, musiała myśleć jak zespół.

Więc przyjęliśmy podejście agentowe.

Od jednego mózgu do wielu#

Pomyśl teraz o Clevera jak o małej, ale niezwykle zdyscyplinowanej ekipie filmowej.

Obserwator#

Ten bada Twój ekran. Klatka po klatce. Widzi kliknięcia, wpisywany tekst, przewijanie, otwarte menu, zmiany w interfejsie. Rejestruje surową prawdę, zanim wydarzy się cokolwiek innego.

Strateg#

Gdy Obserwator złoży raport, Strateg decyduje, co jest naprawdę ważne.

„Pomiń wskaźnik ładowania.”
„Połącz te trzy kroki, to jedna myśl.”
„Wyjaśnij ten moment, jest ważny.”

To tutaj kształtuje się logika samouczka.

Pisarz#

Gdy plan jest gotowy, Pisarz tworzy narrację prostym, przyjaznym językiem. Wyjaśnia, co się dzieje, bez zbędnego gadania i unika robotycznego tonu.

Redaktor#

Redaktor przycina. Wygładza. Poprawia fragmenty, w których Pisarz był zbyt podekscytowany lub zbyt gadatliwy. Dostosowuje frazowanie tak, aby każda linijka brzmiała czysto.

Recenzent#

To ten wybredny. Dostaje cały skrypt i upewnia się, że czyta się go jak jedną, płynną i spójną historię. Żadnych dziwnych przeskoków. Żadnych sprzeczności. Żadnego nierównego tonu.

A pośrodku siedzi Orkiestrator, cichy szef, którego wszyscy słuchają.

Deleguje zadania, sprawdza jakość i popycha agentów, gdy zbaczają z kursu. Jeśli Strateg przegapi kluczowy moment, Orkiestrator odsyła go z prostym: „Spójrz jeszcze raz, pomyśl intensywniej”. Jeśli linijka brzmi niezdarnie, Orkiestrator prosi Redaktora o poprawkę.

Ta struktura nie tylko poprawiła jakość. Odblokowała nowy poziom przejrzystości i spójności, którego pojedynczy model nigdy by nie osiągnął.

Iteracja jest lepsza#

Największy skok jakościowy nastąpił, gdy sprawiliśmy, że agenci zaczęli przemyśliwać swoją własną pracę.

Zamiast jednej próby na krok, Orkiestrator pozwala niektórym agentom na wielokrotne podejścia z rosnącą głębią. Najpierw szybki szkic. Potem głębszy. A w razie potrzeby – w pełni refleksyjny.

Ten „tryb myślenia” bardzo pomógł w poprawie dokładności i jakości.

Strateg stał się znacznie mądrzejszy w grupowaniu kroków i rozpoznawaniu wzorców.

Pisarz zaczął lepiej wyjaśniać złożone działania w spokojny sposób.

Rozdziały zaczęły pokrywać się z tym, jak ludzie naturalnie rozumieją zadanie.

To różnica między pośpiesznym czytaniem skryptu a faktycznym zrozumieniem historii.

Nasz agentowy przepływ#

Każdy film Clevera podąża teraz za prostym rytmem:

Zobacz: Obserwator rejestruje prawdę o tym, co wydarzyło się na ekranie.
Zaplanuj: Strateg ustala, co jest ważne i w jakiej kolejności.
Powiedz: Pisarz wyjaśnia każdy krok tak, jak zrobiłby to człowiek.
Wygładź: Redaktor i Recenzent dopracowują tempo i przepływ, aby wszystko wydawało się naturalne.

Ta pętla nie działa na szynach. Jest elastyczna. Współpracująca. Orkiestrator kieruje całym procesem i wkracza, gdy coś wydaje się nie tak.

Dlaczego projektowanie agentowe ma dla Ciebie znaczenie#

Cała ta złożoność „za kulisami” opłaca się w sposób, który od razu odczujesz. Oto kilka przykładów:

• Samouczki brzmią jak prawdziwa osoba, a nie automatycznie wygenerowany skrypt.
• Kroki są pogrupowane logicznie, a nie chronologicznie.
• Nieistotne momenty po prostu znikają.
• Wyjaśnienia są jasne, spokojne i pewne.
• Rozdziały odpowiadają temu, jak użytkownicy faktycznie uczą się produktów.
• System może ewoluować bez psucia wszystkiego.

Następnie: Twój własny agent#

Kolejny skok to nie tylko uczynienie naszych agentów mądrzejszymi. To pozwolenie im na bezpośrednią rozmowę z Tobą.

Chcesz, aby narracja brzmiała bardziej swobodnie? Wpisz to na czacie.

Chcesz usunąć lub rozszerzyć rozdział? Po prostu o to poproś.

Po prostu rozmawiasz z Clevera, a odpowiedni agent przejmuje zadanie. Będzie to mniej przypominać używanie narzędzia do edycji, a bardziej pracę z zespołem, który rozumie Twój styl, słucha Twoich instrukcji i natychmiast je wykonuje.

W tym kierunku zmierza Clevera.

nie tylko zautomatyzowane tworzenie, ale konwersacyjne studio produkcyjne wewnątrz Twojej aplikacji.