Tyto pokyny, často dlouhé více než 5 000 slov, slouží jako instrukční vrstvy nad základními modely jako jsou ty od OpenAI nebo Anthropic. Firmy je využívají k tomu, aby jejich nástroje generovaly specifické výstupy podle jejich potřeb. Menezes o nich mluví jako o „mistrovských lekcích prompt engineeringu“.Podle něj má každý produkt zcela odlišný systémový prompt, přestože využívají stejné základní jazykové modely. Právě tyto rozdíly jsou klíčem ke specifickému chování jednotlivých nástrojů – například kódovacích agentů, AI asistentů nebo nástrojů pro podporu rozhodování.Startup Clark a sdílení promtůV rámci představení nového produktu jménem Clark, AI agenta pro firemní kódování, nabídla společnost Superblocks veřejnosti soubor 19 systémových výzev z některých z nejznámějších AI produktů zaměřených na kódování, včetně nástrojů jako Windsurf, Manus, Cursor, Lovable nebo Bolt.Tweet, ve kterém Menezes výzvy zveřejnil, získal velký ohlas a rychle se stal virálním. Dosáhl téměř dvou milionů zhlédnutí a přitáhl pozornost významných postav ze Silicon Valley, jako je například Sam Blond, investor z Founders Fund a bývalý člen Brex, nebo Aaron Levie, investor Superblocks.Tento zájem odráží širší trend – rostoucí počet vývojářů a zakladatelů se snaží pochopit, jak efektivně využívat systémové výzvy a co z nich lze vyčíst pro návrh vlastních produktů.Co dělá systémový prompt úspěšnýmJak sám Menezes říká, samotný systémový prompt tvoří jen asi 20 % úspěchu. Zbylých 80 % spočívá ve správné infrastruktuře, kterou firma postaví kolem modelu – od způsobu, jakým jsou výzvy dynamicky obohacovány, až po kontrolu a vyhodnocení odpovědí modelu. Tento přístup se v praxi projevuje jako soustava instrukcí, předzpracování vstupů a následného vyhodnocení výstupů.Podle Menezese je při čtení systémových výzev důležité zaměřit se na tři hlavní prvky: roli, kontext a práci s nástroji. Například prompt nástroje Devin definuje AI jako špičkového softwarového inženýra, který chápe kód, umí jej psát čistě a efektivně a opakovaně upravuje, dokud není správný. Tato přesně definovaná role modelu mu dává nejen směr, ale i očekávanou úroveň chování.Kontextové výzvy pak pomáhají modelu správně pochopit pravidla a omezení. Například nástroj Cursor ve svých výzvách výslovně říká, aby AI neukazovala kód, pokud o to uživatel výslovně nepožádá, a aby při opravách nehádaně neopravovala chyby více než třikrát.Třetím důležitým prvkem je práce s nástroji – pokyny, jak a kdy má model využívat externí nástroje a systémy. Například výzvy společnosti Replit obsahují detailní instrukce pro práci s PostgreSQL, shellovými příkazy nebo instalaci knihoven.Superblocks usnadňuje práci s AI i bez znalosti kóduDlouhodobou vizí Menezese je vytvořit prostředí, kde neprogramátoři budou schopni sami vytvářet plnohodnotné interní nástroje bez nutnosti psaní kódu.Ve své vlastní firmě tuto vizi testuje – vývojářům je zakázáno vytvářet interní nástroje. Místo toho je tvoří obchodníci a další zaměstnanci prostřednictvím Clarku. Používají je například pro sledování podpory, práci s CRM nebo rozdělování úkolů mezi prodejní inženýry.Podle Menezese jde o „způsob, jak si postavit vlastní nástroje, místo abychom je kupovali od jiných.“ Tento přístup umožňuje lepší přizpůsobení potřebám firmy a zároveň snižuje náklady na vývoj a integraci.Společnost Superblocks se zatím nemůže pochlubit statusem jednorožce, ale už nyní patří mezi respektované hráče ve světě AI nástrojů pro firmy. Minulý týden oznámila nové investice ve výši 23 milionů dolarů, čímž celkové financování v rámci série A vzrostlo na 60 milionů. Mezi její zákazníky dnes patří například Instacart nebo Paypaya Global.Menezes věří, že budoucnost podnikové AI nebude postavená pouze na chytrých modelech, ale na schopnosti dát jim správné pokyny a zabalit je do efektivní, dobře navržené infrastruktury. A právě studium systémových výzev může být pro nové zakladatele startupů klíčem k nalezení dalšího velkého nápadu.