Release notes

Prompt zaczyna działać jak kod: każdy zapis to nowa wersja z krótkim opisem „co się zmieniło", możliwością oznaczenia wydania (release), porównania i cofnięcia. Jako developer albo PM iterujesz szybciej — treść, model, temperaturę i limit tokenów zmieniasz bezpośrednio w podglądzie, bez wyskakujących okien, a nową wersję zapisujesz jednym kliknięciem. Wbudowana optymalizacja przez AI analizuje cały prompt wg dobrych praktyk i proponuje granularne, uzasadnione poprawki, które akceptujesz lub odrzucasz po jednej — bez oddawania kontroli modelowi. W praktyce znika największy hamulec eksperymentów z promptami: strach przed regresją. Możesz świadomie próbować, a jeśli coś się pogorszy, w kilka sekund wracasz do wcześniejszej wersji.

W tym także: Lista wersji jako tabela, pełnoszerokościowy podgląd, edycja i dodawanie promptu w jednym miejscu, kontrolki model/temperatura/limit jako pigułki, drzewko orkiestrator → sub-agenci.

Wejście do narzędzia nie zaczyna się od pustego ekranu, tylko od kompletnego, realistycznego scenariusza obsługi klienta: orkiestrator plus wyspecjalizowani sub-agenci, persony do symulacji, a w odpowiedziach ocena trafności i kontekstowe akcje (zamówienie, produkt, reklamacja). Dla kogoś, kto dopiero poznaje orkiestrację LLM, to najkrótsza droga od „ciekawe" do „rozumiem, jak to złożyć u siebie". Do tego doszła pełna przejrzystość kosztu: każde wywołanie modelu jest policzone i komunikowane, zanim się wykona, a limity i ustawienia masz pod ręką. Eksperymentujesz bez obawy, że rachunek za tokeny urośnie w tle.

Jedno konto obsługuje wiele projektów w pełnej izolacji — osobne prompty, agenci, evale, persony i dane — więc możesz trzymać kilka inicjatyw obok siebie bez ryzyka, że coś się przemiesza. Projekt udostępnisz komuś w trybie tylko-do-odczytu jednym linkiem. Doszła też pamięć kontekstu rozmowy w trzech trybach: pełna, okno ostatnich wiadomości albo streszczanie z własnym promptem — czyli świadomy kompromis między jakością kontekstu a kosztem tokenów, który jako PM albo inżynier ustawiasz per projekt. Dzięki temu agent zachowuje się realistycznie także w dłuższych interakcjach, a narzędzie rośnie razem z liczbą wdrożeń.

Zanim rozmowa trafi do prawdziwego użytkownika, możesz ją przetestować automatycznie: syntetyczne persony (spokojna, zniecierpliwiona, przeskakująca tematy) prowadzą z Twoim systemem wieloturowe rozmowy, a osobny model-sędzia ocenia odpowiedzi wg zdefiniowanych kryteriów. Zamiast ręcznie przeklikiwać setki scenariuszy, dostajesz mierzalny sygnał jakości i widzisz, gdzie agent się gubi — routing do złego sub-agenta, ucięty kontekst, zły ton. Dla entuzjasty AI to moment, w którym „wydaje się, że działa" zamienia się w liczby, a wdrożenie przestaje być loterią.