Na podstawie transkrypcji: Tomasz Ducin - Explorowanie domeny w oparciu o AI
Ok. 80% wiedzy o działaniu danej branży/domeny jest publicznie dostępne (zasada Pareto). LLM z deep research (Ducin używa Perplexity) zbiera tę wiedzę radykalnie szybciej niż samodzielne googlowanie i czytanie dziesiątek artykułów. To nie zastępuje eksperta domenowego (brakujące ~20% to wiedza specyficzna dla konkretnej firmy), ale daje "good enough" punkt startowy.
- Zacznij szeroko, potem zwężaj lejek — pierwszy prompt może być chaotyczny/"brain dump" (np. "logistics and transportation types"). LLM rozbija to na podpytania (divide & conquer) i korzysta z RAG (źródła internetowe) + wiedzy wyuczonej.
- Iteracyjnie precyzuj — po zobaczeniu szerokiego obrazu doprecyzuj: "nie interesuje mnie e-commerce, interesuje mnie X" — zawężaj temat konkretnym zdaniem, nawet nieskładnym.
- Kontroluj formę odpowiedzi — jawnie mów: bullet pointy, jedno zdanie na hasło, "explain like I'm 5", albo "wytłumacz mi to w kontekście technologii, którą znam" (transfer wiedzy przez analogię do znanego języka/domeny).
- Zarządzaj kontekstem wątku — LLM ma ograniczone okno kontekstowe i "zapomina" początek długiego wątku. Rozwiązanie: robić okresowe podsumowania ("podsumuj czego się nauczyłem", nie "co napisałeś") i przenosić snapshot do nowego wątku, gdy temat się zmienia.
- Wykorzystuj znajomość wzorców/DDD — znajomość archetypów biznesowych (np. Party, Party Role), event storming, bounded context pozwala naprowadzać LLM na sensowne modele, zamiast dostawać naiwny/płytki model.
- Generuj artefakty modelowania — diagramy sequence, ER, mermaid — jako wizualizację/dokumentację procesów biznesowych, którą trzeba zweryfikować i uzupełnić samemu (np. LLM nie dodał kolumn w ER).
- Weryfikuj krytycznie — porównuj odpowiedzi z różnych modeli (Perplexity vs Gemini), wrzuć jedną odpowiedź do innego LLM z prośbą o krytykę. Akceptuj, że część outputu to "szum" — nawet 30% wartościowej treści to krok do przodu.
- Rozdzielaj "dump dla siebie" od "dump dla maszyny/dokumentacji" — inny poziom szczegółowości dla notatek własnych vs materiału wejściowego dla kolejnego promptu/narzędzia.
- Nigdy nie delegować myślenia i odpowiedzialności za finalny model/decyzję — LLM przyspiesza research, ale za rekomendację odpowiada człowiek.
- Jakość odpowiedzi zależy od tego, jak dobrze materiał na dany temat jest reprezentowany w internecie (np. backend > frontend w jego ocenie).
- Do kwestii wymagających precyzji prawnej/eksperckiej — traktować jako punkt wejścia, nie źródło prawdy (poziom "aplikanta", trzeba weryfikować).
- Narzędzia czatowe są liniowe (brak "forkowania" wątku) — trzeba to obchodzić przez kopiowanie snapshotów do nowych wątków.
AI nie zastąpi programistów/inżynierów, ale silnie przewartościuje wartość poszczególnych umiejętności — te łatwe do zastąpienia stracą na wartości, a np. umiejętność myślenia i modelowania domeny zyska na znaczeniu.