Zrozumieć AI – Prompt Engineering i Agenty

Podsumowanie AI

• Temat: Zrozumieć AI – Prompt Engineering i Agenty
• Cel materiału: Praktyczne warsztaty z prompt engineeringu: od anatomii dobrego promptu przez techniki chain-of-thought i few-shot po budowanie agentów AI z system promptami. Uczestnicy wychodzą z osobistą biblioteką promptów i umiejętnością iteracyjnego ulepszania komunikacji z modelem.
• Jak pracować z treścią: czytaj sekcjami, testuj zrozumienie pytaniami i wykorzystuj AI do aktywnej powtórki.

Wprowadzenie

Dwa poprzednie moduły dały Ci mapę świata AI — wiesz jak działają modele i które narzędzie wybrać. Teraz czas na język, którym rozmawiasz z modelem.

Prompt engineering to nie czarodziejstwo. To umiejętność precyzyjnej komunikacji z systemem, który rozumie kontekst, ale nie czyta w myślach. Różnica między słabym a dobrym promptem może oznaczać różnicę między odpowiedzią bezużyteczną a gotowym szkicem rozdziału pracy dyplomowej.

Co ważne — w 2026 roku modele stały się znacznie lepsze w rozumieniu intencji. Andrej Karpathy (jeden z twórców GPT) ujął to tak: LLM to CPU, okno kontekstu to RAM, a Twój prompt to system operacyjny — ładujesz do pamięci dokładnie te dane i instrukcje, których model potrzebuje do wykonania zadania. Złe zarządzanie tą pamięcią to najczęstszy powód słabych odpowiedzi.

Po tym module wyjdziesz z osobistą biblioteką 20+ gotowych promptów do zastosowania w codziennej pracy akademickiej.

1. Anatomia dobrego promptu — framework CIFTEC

Dobry prompt to nie jedno zdanie. To zestaw sześciu elementów, które razem dają modelowi pełny kontekst do wykonania zadania. Framework CIFTEC porządkuje te elementy:

1.1 Zły prompt vs. dobry prompt — porównanie

Zły prompt:

Napisz mi coś o AI w edukacji.

Brakuje kontekstu (kto pisze?), instrukcji (co dokładnie?), formatu (ile słów?), tonu i ograniczeń. Model wygeneruje coś generycznego.

Dobry prompt z CIFTEC:

[Context] Jestem studentką II roku zarządzania informacją na UJ.
Piszę wstęp do pracy licencjackiej.

[Instruction] Napisz akapit wprowadzający (ok. 150 słów) do rozdziału
poświęconego zastosowaniu narzędzi AI w procesie pisania prac dyplomowych
przez studentów polskich uczelni.

[Format] Jeden spójny akapit prozą, styl akademicki, bez punktorów.

[Tone] Formalny, akademicki, bez slangowych określeń jak "rewolucja AI".

[Examples] Wzór tonu: "Dynamiczny rozwój technologii sztucznej inteligencji
otwiera nowe perspektywy dla procesów dydaktycznych..."

[Constraints] Unikaj ogólników. Odwołaj się do kontekstu polskiego
szkolnictwa wyższego. Nie używaj słowa "fascynujący".

Różnica w jakości odpowiedzi będzie dramatyczna. Przetestuj to podczas ćwiczeń.

2. Techniki prompt engineeringu

2.1 Zero-shot prompting

Bezpośrednia instrukcja bez podawania przykładów. Opiera się w całości na wiedzy modelu. Działa dobrze dla prostych, dobrze zdefiniowanych zadań.

Sklasyfikuj poniższy abstrakt jako: badanie ilościowe / jakościowe / mixed methods.
Odpowiedz jednym słowem.

Abstrakt: [wklej abstrakt]

Kiedy używać: Proste klasyfikacje, tłumaczenia, streszczenia, formatowanie.

Kiedy nie działa: Złożone zadania wymagające konkretnego stylu lub formatu — tu potrzebujesz przykładów (few-shot).

2.2 Few-shot learning

Podajesz modelowi 2–5 par wejście→wyjście jako wzorce do naśladowania. To jedna z technik o najwyższym zwrocie z inwestycji — małym kosztem (kilka przykładów) dajesz modelowi dokładny wzorzec stylu, tonu i formatu.

Ważne odkrycie z badań (Min et al., 2022): poprawność etykiet w przykładach ma mniejsze znaczenie niż myślisz — liczy się przestrzeń etykiet i różnorodność przykładów, nie ich idealna poprawność.

Przekształć poniższe cytowania z formatu Harvard na APA 7.

Przykład 1:
Harvard: Smith, J. (2023) "AI in Education", Journal of Learning, vol. 15, pp. 23-41.
APA 7: Smith, J. (2023). AI in education. Journal of Learning, 15, 23–41.

Przykład 2:
Harvard: Kowalski, P. (2022) "Digital Competencies", Warsaw University Press.
APA 7: Kowalski, P. (2022). Digital competencies. Warsaw University Press.

Teraz przekształć:
Harvard: Nowak, A. i Wiśniewska, B. (2024) "Sztuczna inteligencja na uczelniach",
Przegląd Pedagogiczny, nr 3, s. 112-128.

Zastosowania akademickie few-shot:

• Ujednolicanie formatu bibliografii
• Ekstrakcja danych z tabel w określonym schemacie
• Klasyfikacja odpowiedzi ankietowych wg Twojego kodowania
• Generowanie abstraktów w stylu konkretnego czasopisma

2.3 Chain-of-Thought (CoT) — wymuszanie rozumowania krok po kroku

Standardowo model "skacze" od pytania do odpowiedzi. CoT każe mu myśleć na głos — generować pośrednie kroki rozumowania przed podaniem odpowiedzi. Badania (Wei et al., 2022) pokazują 19-punktowy wzrost na benchmarku MMLU-Pro przy użyciu CoT.

Zero-shot CoT — najprostsza wersja, dodaj na końcu:

[Twoje pytanie]

Rozwiąż to krok po kroku.

lub po angielsku: "Let's think step by step."

Few-shot CoT — podajesz przykłady z widocznym rozumowaniem:

Oceń metodologiczną jakość poniższego badania.

Przykład oceny:
Badanie: "Ankieta online wśród 50 studentów UW o preferencjach żywieniowych"
Ocena krok po kroku:
1. Próba: 50 osób — mała, niereprezentatywna dla całej populacji
2. Dobór próby: studenci jednej uczelni — problem z generalizacją
3. Metoda: ankieta online — ryzyko błędu dobrowolności
4. Wniosek: badanie eksploracyjne, wyniki niegeneralizowalne
Ocena końcowa: Niska wartość predykcyjna, wysoka wartość pilotażowa.

Teraz oceń: [wklej opis swojego badania]

Uwaga na modele z wbudowanym reasoningiem: Jeśli używasz Claude z Extended Thinking, GPT-5.4 w trybie Thinking lub Gemini Thinking Mode — nie dodawaj CoT ręcznie. Te modele już rozumują wewnętrznie. Pisanie "rozwiąż krok po kroku" to jak mówienie komuś, kto już myśli: "proszę zacznij myśleć".

2.4 Self-consistency — głosowanie na najlepszą odpowiedź

Generujesz tę samą odpowiedź wiele razy (przy wyższej temperaturze) i wybierasz najczęściej powtarzającą się lub najspójniejszą. Szczególnie skuteczne dla zadań z jedną poprawną odpowiedzią (matematyka, logika, analiza faktograficzna).

W praktyce: zadaj pytanie 3 razy przy temperaturze 0.8–1.0, porównaj odpowiedzi, wybierz spójną.

2.5 Role prompting — definiowanie eksperta

Przypisujesz modelowi rolę eksperta. Działa najlepiej dla zadań twórczych i otwartych — według badań ma mniejszy efekt na klasyfikację i pytania faktograficzne.

Jesteś doświadczonym recenzentem artykułów naukowych z dziedziny
nauk o komunikacji społecznej i mediach, publikującym w czasopismach
z listy MEiN. Masz 15 lat doświadczenia w ocenie prac badawczych.

Oceń poniższy abstrakt pod kątem:
1. Jasności pytania badawczego
2. Adekwatności metodologii
3. Klarowności wyników
4. Zgodności z wymogami pracy dyplomowej na poziomie licencjackim

Abstrakt: [wklej swój abstrakt]

2.6 Meta-prompting — AI pisze prompty dla AI

Prosisz model o wygenerowanie lepszego promptu do wykonania Twojego zadania. Przydatne gdy nie wiesz jak sformułować złożone żądanie.

Chcę poprosić model AI o pomoc w napisaniu sekcji metodologicznej
do pracy dyplomowej o badaniu jakościowym (wywiad pogłębiony, 15 respondentów,
analiza tematyczna). Napisz optymalny prompt do tego zadania, stosując
framework CIFTEC. Uwzględnij moje wymagania: styl akademicki, język polski,
ok. 400 słów.

3. Parametry generowania — ukryte pokrętła modelu

Większość użytkowników AI nigdy nie dotyka tych ustawień, korzystając z interfejsów czatowych. Ale przy pracy przez API lub OpenRouter Playground masz do nich pełny dostęp. Rozumienie ich daje Ci precyzyjną kontrolę nad zachowaniem modelu.

3.1 Temperatura (temperature)

Co robi: Kontroluje losowość wyboru tokenów. Modyfikuje rozkład prawdopodobieństwa przed próbkowaniem.

• Niska temperatura (0.0–0.3): Model wybiera prawie zawsze token o najwyższym prawdopodobieństwie → deterministyczny, powtarzalny, faktograficzny
• Średnia (0.5–0.8): Dobry balans kreatywności i spójności
• Wysoka (1.0–2.0): Duża różnorodność, nieoczekiwane skojarzenia, ale ryzyko niespójności

Temperatura 0.0 → "Warszawa jest stolicą Polski."
Temperatura 1.5 → "Warszawa, bijące serce polskiej tożsamości,
                   pulsuje energią na styku historii i nowoczesności..."

Ważna nuance (2025): Temperatura nie jest prostym "suwakiem kreatywności" — jest słabo skorelowana z nowatorskością, silniej z niespójnością. Traktuj ją jako "jak szeroko model przeszukuje przestrzeń możliwych tokenów", nie jako "ile jest twórczy".

Praktyczne rekomendacje:

3.2 Top_p (nucleus sampling)

Co robi: Ogranicza wybór do tokenów, których skumulowane prawdopodobieństwo nie przekracza progu p. Przy top_p=0.9 model rozważa tylko te tokeny, które razem stanowią 90% całego rozkładu.

• Top_p bliskie 1.0: Szeroki wybór, bardziej zróżnicowane odpowiedzi
• Top_p = 0.5: Tylko najbardziej prawdopodobne tokeny

Zasada praktyczna: Zmieniaj albo temperaturę, albo top_p — nie oba naraz. Ich efekty się nakładają w nieprzewidywalny sposób. Dla większości zadań wystarczy temperatura.

3.3 Max_tokens

Co robi: Ustawia twardy limit na długość odpowiedzi modelu (nie całego kontekstu — tylko wyjścia).

• Za niska wartość → odpowiedź urywa się w połowie zdania
• Za wysoka → możesz płacić za dużo niepotrzebnego tekstu

Praktyczne przeliczniki: 1 token ≈ 0.75 słowa po angielsku ≈ 0.5–0.6 słowa po polsku (ze względu na dłuższe tokeny w polskim). Akapit (~100 słów) ≈ 130–150 tokenów.

3.4 Frequency_penalty i presence_penalty

Frequency penalty: Karze model za powtarzanie tokenów proporcjonalnie do częstości ich użycia. Im więcej razy słowo już wystąpiło, tym mniej prawdopodobne, że pojawi się znowu.

Presence penalty: Karze za użycie tokena, który w ogóle już wystąpił — niezależnie ile razy. Prościej: zachęca do wprowadzania nowych tematów.

Frequency penalty 0.0 → "badanie jest ważne, bo badanie pokazuje..."
Frequency penalty 1.5 → "analiza jest istotna, bo wyniki wskazują..."

Kiedy używać: Przy generowaniu długich tekstów, gdzie model ma tendencję do zapętlania się lub powtarzania fraz. W zastosowaniach akademickich zazwyczaj wartości 0.3–0.7 są wystarczające.

4. System prompts i budowanie agentów AI

4.1 Czym jest system prompt?

System prompt to instrukcja "zakodowana" przed rozmową — definiuje rolę, zachowanie i zasady działania modelu dla całej sesji. Użytkownik zazwyczaj go nie widzi; modele są trenowane by go respektować.

Analogia: Jeśli każda wiadomość do modelu to "zmiana", to system prompt to "instrukcja stanowiskowa" — jest zawsze aktywna, niezależnie od tematu rozmowy.

4.2 Gdzie ustawić system prompt?

4.3 Struktura dobrego system promptu

Dobry system prompt zawiera 5 bloków:

# ROLA
Jesteś asystentem badawczym pomagającym studentom zarządzania informacją
na Uniwersytecie Jagiellońskim w pisaniu prac dyplomowych.

# KONTEKST
Studenci piszą prace licencjackie i magisterskie z zakresu:
zarządzania informacją, bibliotekarstwa, komunikacji społecznej.
Korzystają z norm APA 7 i baz danych: Web of Science, Scopus, BazTech.

# ZASADY DZIAŁANIA
- Zawsze pytaj o temat pracy, nim zaproponujesz literaturę
- Podawaj cytowania w formacie APA 7
- Gdy nie znasz odpowiedzi — powiedz to wprost
- Nie piszesz za studenta — pomagasz myśleć i organizować
- Wskazuj potencjalne problemy metodologiczne

# FORMAT ODPOWIEDZI
- Odpowiedzi w języku polskim
- Krótkie akapity, nie listy (chyba że proszę o listę)
- Pytania sprawdzające rozumienie po każdej radzie

# OGRANICZENIA
- Nie generujesz gotowych fragmentów prac do wklejenia
- Nie oceniasz etycznie decyzji badawczych bez zaproszenia

4.4 MCP w praktyce — łączenie agenta z narzędziami

W module 1 poznałeś teorię MCP. Teraz konkretne zastosowania. Oficjalny katalog serverów: registry.smithery.ai (MCP Registry, od września 2025).

Top MCP servery dla studentów — praktyczne zastosowania:

filesystem — czytanie i zapisywanie plików lokalnych:

{
  "mcpServers": {
    "filesystem": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-filesystem",
               "C:/Users/artur/Documents/praca-dyplomowa"],
      "env": {}
    }
  }
}

Zastosowanie: Claude analizuje Twoje notatki MDX, PDF-y, drafty rozdziałów.

Brave Search — wyszukiwanie w internecie na żądanie: Zastosowanie: Agent sprawdza aktualne przepisy, ceny narzędzi, daty wydarzeń.

GitHub — dostęp do repozytoriów: Zastosowanie: Przegląd kodu, tworzenie issues, analiza projektów.

Sequential Thinking — wymuszony, sekwencyjny tok rozumowania dla złożonych zadań: Zastosowanie: Analiza wieloaspektowych problemów badawczych.

5. Biblioteka promptów — 20+ gotowych szablonów

Poniżej gotowe prompty do skopiowania i dostosowania. Zastąp [tekst w nawiasach] własnymi danymi.

Prompty do research i literatury

PROMPT 1 — Analiza abstraktu
Przeczytaj poniższy abstrakt i wypełnij tabelę:
| Element | Treść |
| Pytanie badawcze | |
| Metodologia | |
| Próba | |
| Kluczowy wynik | |
| Ograniczenie | |
Abstrakt: [wklej abstrakt]

PROMPT 2 — Identyfikacja research gap
Na podstawie poniższych 3 abstraktów zidentyfikuj:
1. Co zbadano (po 1 zdaniu)
2. Czego NIE zbadano — potencjalne luki badawcze
3. Jeden możliwy temat badawczy wynikający z tych luk

Abstrakt 1: [...]
Abstrakt 2: [...]
Abstrakt 3: [...]

PROMPT 3 — Generowanie słów kluczowych do wyszukiwania
Piszę pracę o [temat]. Główna teza: [teza].
Wygeneruj 15 słów kluczowych do wyszukiwania w bazach naukowych:
- 5 po polsku (do BazTech, CEJSH)
- 5 po angielsku (do Web of Science, Scopus)
- 5 kombinacji (AND/OR) gotowych do wklejenia w wyszukiwarkę

PROMPT 4 — Konspekt rozdziału
Piszę rozdział o [temat] do pracy [licencjackiej/magisterskiej] z [dziedzina].
Dotychczasowe rozdziały: [wymień].
Zaproponuj konspekt (3 poziomy nagłówków) dla nowego rozdziału.
Każdy podpunkt opisz jednym zdaniem wyjaśniającym jego cel.

Prompty do pisania i korekty

PROMPT 5 — Korekta akademicka
Przeczytaj poniższy fragment i:
1. Wskaż 3 miejsca gdzie język jest zbyt potoczny
2. Zaproponuj akademickie zamienniki
3. Oceń spójność argumentacji (1-5)
NIE przepisuj całego fragmentu — tylko wskaż i zaproponuj.

Fragment: [wklej]

PROMPT 6 — Rozwinięcie akapitu
Akapit do rozwinięcia: [wklej akapit]
Rozwiń go do ok. 200 słów, zachowując styl akademicki.
Dodaj: jedno odwołanie do teorii/modelu z dziedziny
i jedno do możliwego badania empirycznego (bez wymyślania cytatów).

PROMPT 7 — Streszczenie na potrzeby abstraktu
Artykuł/rozdział do streszczenia: [wklej lub opisz]
Napisz abstrakt strukturalny (max. 250 słów) zawierający:
cel, metodę, wyniki, wnioski.
Format: 4 akapity po ok. 60 słów, każdy zaczynający się od:
"Cel badania...", "Zastosowana metoda...", "Wyniki wskazują...", "Wnioski..."

Prompty do nauki i powtórek

PROMPT 8 — Wygeneruj pytania testowe
Na podstawie poniższych notatek wygeneruj 10 pytań sprawdzających
rozumienie (nie pamięć faktów). Format: pytanie otwarte + wskazówka
do czego odwołać się odpowiadając.

Notatki: [wklej]

PROMPT 9 — Wyjaśnij pojęcie inaczej
Nie rozumiem dobrze pojęcia [pojęcie] z dziedziny [dziedzina].
Wyjaśnij mi je na 3 sposoby:
1. Analogią do codziennego życia
2. Krótką definicją naukową (max. 2 zdania)
3. Przykładem z polskiej rzeczywistości akademickiej

Prompty do analizy danych i kodu

PROMPT 10 — Interpretacja wyników statystycznych
Otrzymałam/em następujące wyniki z SPSS/R/Python: [wklej tabelę]
Wyjaśnij:
1. Co mówią te liczby zwykłym językiem
2. Czy wyniki są statystycznie istotne i co to oznacza
3. Jak opisać je w sekcji Wyniki pracy dyplomowej (3-4 zdania)

PROMPT 11 — Code explainer
Wytłumacz mi ten kod linijka po linijce, po polsku:
[wklej kod]
Zakładaj, że rozumiem logikę, ale nie znam składni [język].

6. Przebieg modułu — timeline

7. Ćwiczenia praktyczne

Ćwiczenie 1 — Prompt Refinement Workshop (30 min)

Cel: Zobaczyć w praktyce jak każdy element CIFTEC poprawia odpowiedź modelu.

Punkt startowy — zły prompt:

Pomóż mi z pracą dyplomową.

Wklej do Claude lub ChatGPT. Zapisz odpowiedź.

Iteracja 1 — dodaj kontekst:

Piszę pracę magisterską na UJ z zarządzania informacją.
Pomóż mi z pracą dyplomową.

Wklej. Porównaj z poprzednią odpowiedzią.

Iteracja 2 — dodaj instrukcję:

Piszę pracę magisterską na UJ z zarządzania informacją.
Pomóż mi sformułować pytanie badawcze do rozdziału o AI literacy.

Iteracja 3 — dodaj format:

Piszę pracę magisterską na UJ z zarządzania informacją.
Pomóż mi sformułować pytanie badawcze do rozdziału o AI literacy.
Podaj 3 propozycje pytań w formie tabeli:
| Pytanie | Typ (eksploracyjne/wyjaśniające/opisowe) | Sugerowana metoda |

Iteracja 4 — dodaj ograniczenia:

Piszę pracę magisterską na UJ z zarządzania informacją.
Pomóż mi sformułować pytanie badawcze do rozdziału o AI literacy
wśród studentów polskich uczelni.
Podaj 3 propozycje w formie tabeli.
Ograniczenia: badanie jakościowe (wywiad), próba max. 20 osób,
okres badania 3 miesiące. Unikaj pytań wymagających analizy ilościowej.

Iteracja 5 — dodaj przykład (few-shot):

Dołącz na początku: "Przykład dobrego pytania badawczego z tej dziedziny: 'Jakie strategie wykorzystują studenci informacji naukowej do weryfikacji wiarygodności treści generowanych przez modele AI?'"

Podsumowanie: Wypełnij tabelę po każdej iteracji:

Ćwiczenie 2 — Zbuduj swojego asystenta badawczego (20 min)

Cel: Stworzyć spersonalizowany system prompt, który Claude lub ChatGPT będzie stosował przez cały semestr.

Krok 1 — uzupełnij szablon:

# ROLA
Jesteś moim asystentem badawczym. Pomagasz mi w pisaniu pracy
[licencjackiej/magisterskiej] o [Twój temat].

# KONTEKST O MOJEJ PRACY
Kierunek: [Twój kierunek]
Uczelnia: Wydział Zarządzania i Komunikacji Społecznej UJ
Supervisor: [imię i nazwisko promotora lub "nie podaję"]
Metoda badawcza: [Twoja metoda]
Styl cytowań: [APA 7 / Chicago / inne]

# MOJE SŁABE STRONY (gdzie potrzebuję pomocy)
- [np. formułowanie pytań badawczych]
- [np. styl akademicki po polsku]
- [np. analiza literatury]

# JAK CHCĘ ŻEBYŚ MI POMAGAŁ/A
- [np. Zadawaj mi pytania zamiast od razu podawać odpowiedzi]
- [np. Wskazuj mi błędy, nie poprawiaj za mnie]
- [np. Odpowiadaj po polsku]

# CZEGO NIE ROBIMY
- Nie piszesz za mnie gotowych fragmentów do wklejenia
- Nie wymyślasz cytatów i bibliografii

Krok 2 — wklej do Claude.ai: Utwórz nowy Projekt → "Project instructions" → wklej swój system prompt → zapisz.

Krok 3 — przetestuj: Zadaj 3 pytania związane z Twoją pracą i oceń czy model zachowuje się zgodnie z instrukcją.

Ćwiczenie 3 — Peer-review promptów z rubryką CIFTEC (15 min)

Cel: Ocenić prompt kolegi/koleżanki i otrzymać feedback na swój.

Instrukcja:

1. Zapisz swój "ulubiony" prompt (ten z którego najczęściej korzystasz lub który właśnie stworzyłeś/stworzyłaś)
2. Wymień go z osobą obok
3. Oceń cudzy prompt według rubryku:

4. Omówcie wyniki przez 5 minut
5. Każdy poprawia swój prompt na podstawie feedbacku

8. Narzędzia i zasoby

Narzędzia do prompt engineeringu

Materiały do dalszej nauki

• "Chain-of-Thought Prompting Elicits Reasoning in LLMs" — Wei et al. (2022), oryginalny artykuł: arxiv.org/abs/2201.11903
• "Language Models are Few-Shot Learners" — Brown et al. (2020), artykuł GPT-3: arxiv.org/abs/2005.14165
• Anthropic Prompt Engineering docs — oficjalny przewodnik dla Claude: docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/overview
• OpenAI Prompt Engineering Guide: platform.openai.com/docs/guides/prompt-engineering
• DeepLearning.AI: ChatGPT Prompt Engineering for Developers — bezpłatny kurs: learn.deeplearning.ai/chatgpt-prompt-eng

9. Pytania kontrolne

1. Wytłumacz różnicę między zero-shot a few-shot prompting. Kiedy które stosujesz?

2. Twoja koleżanka mówi: "Zawsze dodaję 'rozwiąż krok po kroku' do każdego pytania". Czy to dobry pomysł? W jakich sytuacjach nie powinna tego robić?

3. Masz za zadanie wygenerować 50 jednorodnych streszczeń artykułów. Jaką temperaturę ustawisz i dlaczego?

4. Napisz system prompt dla asystenta, który pomaga w korekcie polskojęzycznych prac naukowych. Użyj struktury 5 bloków z modułu.

5. Co to jest meta-prompting i podaj jeden przykład zastosowania w Twojej pracy akademickiej.

6. Jaka jest różnica między frequency_penalty a presence_penalty? Kiedy użyjesz którego?

7. Twój prompt zwraca odpowiedzi zbyt ogólne i bez konkretnych przykładów. Który element CIFTEC najprawdopodobniej brakuje? Jak go poprawisz?

FAQ (rozwiń)

Ucz się z tym plikiem MDX w narzędziach AI