Zapytaj LLM — i idź dalej, niż sięga artykuł
Czytasz artykuł. Temat cię wciąga. Ale za zakończeniem pojawia się pytanie, którego artykuł nie zadał — albo zadał, ale nie w tym kierunku, który ciebie interesuje.
Można zamknąć kartę. Można szukać kolejnego artykułu, którego może go nie być. Albo można zapytać model językowy — i wybrać własny kierunek eksploracji.
To nie jest poradnik o AI. To demonstracja jednej konkretnej techniki pracy z LLM, na podstawie dwóch artykułów z AI907. Używam Claude (Anthropic) jako przykładu — bo to model, po który aktualnie sięgam — ale opisywana technika działa tak samo z ChatGPT, Gemini, Grok czy innym modelem, który masz pod ręką.
Jedno zastrzeżenie na początku, zanim cokolwiek pokażę: LLM myli się pewnie. Podaje błędne liczby tonem eksperta. Cytuje źródła, których nie sprawdził. Generuje odpowiedzi, które brzmią wiarygodnie, bo tak został zbudowany. Wrócimy do tego.
Odpowiedzi, które cytuję dalej, pokazuję w surowej formie — bez iteracji i weryfikacji. To przykłady demonstracyjne, nie gotowy materiał. Obie wymagałyby kilku rund doprecyzowania, gdyby miały trafić do czegoś poważniejszego.
Temat pierwszy: osłona z regolitu
Artykuł o osłonie z regolitu kończy się obserwacją, że prawdziwe wyzwanie budowy bazy księżycowej to nie projekt habitatu, lecz przemieszczenie setek ton materiału. Fizyka jest opisana. Luka inżynierska — między wiedzą a działaniem — też.
Ale dla mnie za tym artykułem pojawiło się inne pytanie. Nie „ile ton?” — to byłoby pogłębienie tego samego wątku. Moje pytanie było systemowe: czy układ czterech habitatów ustawionych ścianami do siebie zmienia równanie — zarówno pod kątem masy regolitu, jak i utrzymania ciepła przez księżycową noc?
Model zaproponował mi trzy inne kierunki kontynuacji. Żaden z nich mnie nie interesował. Wybrałem swój.
Prompt:
„Czy umieszczenie habitatów sąsiadujących ścianami (np. 4 obok siebie w układzie 2×2) ma sens, żeby zminimalizować ilość potrzebnego regolitu i utrzymanie ciepła przez noc? Jak przygotować płaszczyzny styku, żeby połączyć moduły po nocy?”
Odpowiedź Claude (fragment):
„Tak, i to bardzo duży sens — ale z dokładnie określonymi zastrzeżeniami.
Każda wspólna ściana to jedna płaszczyzna, której nie trzeba obsypywać regolitem od zewnątrz. Przy 4 modułach w układzie 2×2 masz 4 wspólne ściany zamiast 16 wolnostojących. To realnie redukuje wymaganą masę regolitu o 20–35% w zależności od kształtu modułów i wymaganej grubości warstwy.
Efekt termiczny jest nawet większy niż radiacyjny. Wspólna ściana między dwoma ogrzewanymi modułami jest aktywnie izolowana z obu stron — zamiast kontaktować się z próżnią przy -170°C po ciemnej stronie. System grzewczy musi walczyć z mniejszą powierzchnią ucieczki ciepła.
Problem styku jest naprawdę trudny operacyjnie i jest prawie nieobecny w literaturze popularnej. Aluminium i stal tytanowa przy spadku o 200–300°C zmieniają wymiary liniowo o ok. 0,2–0,5% długości. Dla 8-metrowego modułu to 16–40 mm ruchu w każdym wymiarze. Trzy podejścia do styku: złącze kompensacyjne (expansion joint), styk suchy rozłączny, albo układ monolityczny z jednolitą osłoną obsypaną razem jedną kopą regolitu — wtedy cały układ zachowuje się jak jeden termicznie bezwładny obiekt.
Najpoważniejszy problem to pył regolitowy wcierany głębiej w uszczelnienie przy każdym ruchu cieplnym. Standardowe podejście: metalowe uszczelki z miękkiego złota lub indu, geometria styku z labiryntem, sprężyna dociskająca złącze stale.”
Kilka rzeczy w tej odpowiedzi warto zaznaczyć. Po pierwsze — LLM nie tylko odpowiedział na pytanie, ale zidentyfikował aspekt, który „jest prawie nieobecny w literaturze popularnej”. Mogę to zweryfikować. Po drugie — podał konkretne liczby (20–35% redukcji masy, 16–40 mm ruchu). To są punkty, które wymagają weryfikacji, zanim użyję ich w jakimkolwiek poważnym kontekście.
Temat drugi: przestrzeń życia człowieka
Artykuł o przestrzeni życia człowieka kończy się pytaniem filozoficznym: jeśli na Ziemi dostępne jest tylko 0,26% objętości planety, może ekspansja w kosmos jest logiczną konsekwencją? To dobry punkt wyjścia — ale mnie interesował inny kierunek.
Prompt:
„Gdybyśmy chcieli podwoić przestrzeń dostępną dla człowieka bez opuszczania Ziemi — co byłoby najprostsze technicznie: zagłębianie się, wynoszenie w górę, czy klimatyzacja Sahary?”
Odpowiedź Claude (fragment):
„Zagłębianie się to technicznie najtrudniejszy z trzech kierunków, wbrew pozorom. Poniżej -1 km temperatura wzrasta o ~25–30°C na kilometr głębokości. Przy 3 km masz ~80°C, przy 5 km przekraczasz 100°C. Na głębokości 3 km ciśnienie litostyczne wynosi ~80 MPa. Każdy tunel wymaga albo aktywnego podparcia, albo materiałów o wytrzymałości używanej tylko w specyficznych zastosowaniach przemysłowych.
Wynoszenie w górę jest technicznie najtańsze — i tu jest subtelna pułapka. Pionowe budowanie nie zwiększa dostępnej objętości w sensie artykułu, ono ją zagęszcza. Jeśli masz 8 miliardów ludzi w wieżowcach 2 km wysokich zamiast w domach jednorodzinnych, nic nie dodajesz do sumarycznej objętości biosfery.
Klimatyzacja Sahary — jeśli pytanie brzmi 'co jest najprostsze technicznie żeby dodać przestrzeń’ — to zagospodarowanie suchych pustyń jest jedyną opcją, która faktycznie poszerza biologicznie dostępną warstwę, a jednocześnie nie walczy z podstawową fizyką materiałów. Realna 'klimatyzacja Sahary’ to nie dosłowne chłodzenie 9 milionów km² — to zielona infrastruktura, zamknięcie obiegu wodnego. Sahara w optimum klimatycznym ~8 000 lat temu miała jeziora, rzeki i sawannę. To nie terraformacja, to powrót do warunków, które istniały niedawno w skali geologicznej.
Jest też czwarty kierunek, którego pytanie nie wymienia — a który artykuł sugeruje wprost jako wniosek: orbita i Księżyc są w pewnym sensie łatwiejsze niż 5 km pod powierzchnią Ziemi, bo przynajmniej nie walczysz z ciepłem wnętrza planety i nie rysujesz tuneli przez skałę pod ciśnieniem 80 MPa.”
Zwracam uwagę na ostatni akapit. Model sam połączył wątek pytania z tematem z artykułu — i zaproponował czwarty kierunek, którego nie było w pytaniu. Czy ten kierunek jest ciekawy? Tak. Czy go wybrałem? Nie. Zostałem przy Saharze i chciałem wiedzieć, czy ktoś takie koncepcje już próbował realizować. Kolejny prompt, kolejna iteracja.
Warto odnotować kontekst techniczny: do obu promptów dołączyłem treści źródłowych artykułów. Stąd przy pytaniu o zagłębianie się model operuje głębokościami 1 km i więcej, a przy budowaniu w górę — wysokościami rzędu 2 km, bo takie wartości pojawiały się w artykule. Gdybym iterował ten wątek dalej, użyłbym głębokości dziesiątek lub setek metrów, nie kilometra. Odpowiedź nie jest błędna — prompt był niedostatecznie sprecyzowany. To też praktyczna obserwacja z pracy z modelem: odpowiada na pytanie, które zadałeś, nie zawsze na to, które miałeś na myśli.
Jak weryfikować odpowiedzi LLM
Dwie metody, obie szybkie.
Metoda pierwsza: pytanie follow-up o pewność.
Gdy model poda konkretną liczbę lub twierdzenie, które chcesz dalej używać — zapytaj wprost:
„Podałeś, że redukcja masy regolitu w układzie 2×2 wynosi 20–35%. Czy masz pewność co do tej liczby? Skąd pochodzi?”
Model albo wskaże źródło (które możesz sprawdzić), albo powie, że to przybliżenie bez konkretnego oparcia. Oba wyniki są cenne. Drugi mówi ci, że liczby nie możesz cytować — tylko traktować jako orientację do dalszego poszukiwania.
Metoda druga: pytanie o definicję zamiast o źródło.
Silniejszy test od „skąd to masz?” to „jak to definiujesz?”. Model często operuje na zapamiętanych przybliżeniach, których definicje są niespójne między odpowiedziami. Pytanie „jak definiujesz 'przestrzeń biologicznie dostępną’?” szybciej ujawnia niespójności niż pytanie o źródło.
Obu metod używam regularnie. Żadna z nich nie zastępuje sprawdzenia pierwotnych źródeł, gdy liczby mają mieć znaczenie poza prywatną eksploracją.
Co z tego wynika
Artykuł ma jeden kierunek — ten, który autor zdecydował się opisać. Rozmowa z LLM ma tyle kierunków, ile masz pytań.
Kilka obserwacji z praktyki:
LLM zawsze zaproponuje kierunek. Nie zawsze będzie to twój kierunek. Warto mieć własne pytanie zanim otworzysz rozmowę — bo model chętnie wypełni pustkę swoją propozycją, a ona bywa interesująca, ale rzadko trafiona w to, co cię faktycznie interesuje.
Zacznij prosto, potem dokręcaj. Pierwszy prompt bez żargonu. Drugi z prośbą o liczby albo o aspekt, który cię interesuje. Nie musisz pisać długich instrukcji — model dobrze radzi sobie z prostymi pytaniami, jeśli kontekst jest jasny.
LLM nie zastępuje źródeł. Pomaga zrozumieć źródła, które sam znajdziesz. I pomaga zadać właściwe pytanie, zanim w ogóle zaczniesz szukać.
Artykuł to punkt wyjścia. Rozmowa z modelem to eksploracja. To, gdzie skończysz, zależy od tego, jakie pytanie przyniesiesz.
Ten artykuł jest częścią kategorii Human–AI Collaboration na AI907. Artykuły źródłowe: Osłona z regolitu: 500-tonowy słoń w pokoju oraz Umowna przestrzeń życia człowieka.
