ProfeClaw: Pedagogika zakodowana w plikach - nauczyciel języka jako architektura, nie prompt

Większość chatbotów do nauki języków obcych to zwykłe nakładki na ChatGPT z pojedynczą instrukcją systemową w stylu: „Jesteś cierpliwym nauczycielem języka hiszpańskiego, rozmawiaj ze mną i poprawiaj moje błędy”.

Taki bot sprawdza się przez pierwsze pięć minut. Potem pojawiają się twarde problemy dydaktyczne, których pojedynczy prompt nie jest w stanie rozwiązać.

Problem: Dlaczego prosty prompt to za mało na dobrego nauczyciela

W tradycyjnym podejściu szybko wychodzą na jaw cztery wady:

• Zasypywanie ucznia ścianą poprawek: Jeśli w jednym zdaniu zrobisz pięć drobnych błędów gramatycznych, model wypisze długą listę uwag. Uczeń czuje się przytłoczony i traci ochotę na swobodną rozmowę.
• Brak pamięci o postępach: Bot nie pamięta, z czym miałeś kłopot wczoraj. Nie potrafi zaplanować powtórki trudnego czasu przeszłego za trzy dni.
• Dosłowność idiomów: Zwroty potoczne tłumaczone są słowo w słowo, co brzmi sztucznie i nie oddaje ducha żywego języka.
• Zmyślanie etymologii (halucynacje): Zapytany o pochodzenie rzadkiego hiszpańskiego powiedzenia, model potrafi z pełnym przekonaniem wymyślić piękną, ale całkowicie zmyśloną historyjkę z czasów średniowiecza.

Co zrobiłem: Pedagogika zakodowana w strukturze plików

Budując bota ProfeClaw na silniku OpenClaw, podszedłem do tematu inaczej: skuteczna dydaktyka to architektura danych i reguł, a nie jeden ogólny prompt.

1. Pętla korekt: najpierw sens, potem maksymalnie dwie poprawki

Rozmowa z botem ma konkretny, rygorystyczny rytm:

1. Odpowiedź na treść: Bot najpierw reaguje na to, co uczeń chciał przekazać, podtrzymując naturalny dialog. Płynność i odwaga mówienia są ważniejsze niż perfekcja.
2. Limit korekt: Bot wskazuje maksymalnie 2 najważniejsze błędy w twardym, czytelnym formacie: ❌ błędne → ✅ poprawne z jednym zwięzłym zdaniem wyjaśnienia po polsku.
3. Pełny, szczegółowy rozbiór gramatyczny uruchamia się tylko na wyraźne życzenie ucznia po wpisaniu komendy corrígeme.

2. Inteligentny licznik błędów (Spaced Repetition w plikach)

Każde powtórzone potknięcie gramatyczne trafia do pliku bledy.md wraz z licznikiem wystąpień. System zarządza powtórkami jak priorytetową kolejką:

• 1 wystąpienie: Zwykła, delikatna korekta w toku dialogu.
• 2 wystąpienia: Wpis na listę obserwacyjną (watchlist).
• 3 wystąpienia: Priorytet najbliższej mini-lekcji. Bot sam wplata to zagadnienie w kolejną rozmowę.

Do tego dochodzi plik slangs.md ze zwrotami potocznymi z Hiszpanii, z wyraźnym oznaczeniem rejestru (język potoczny vs slang uliczny vs wulgaryzm).

3. Tłumaczenie idiomów: sens za sens

W bazie wiedzy zakodowałem regułę: idiomy tłumaczymy na ich najbliższy żywy polski odpowiednik kulturowy. Przykładowo zwrot „estar hasta las narices” tłumaczony jest jako „mieć czegoś po dziurki w nosie”, a nie dosłownie „być aż po nos”.

4. Egzamin dydaktyczny dla bota (Eval Suite)

Aby wyeliminować zmyślanie wiedzy, wdrożyłem Eval Suite (zestaw testów kontrolnych S01-S08). To zbiór podchwytliwych pytań uruchamianych automatycznie po każdej zmianie w plikach bota.

Gdy pytamy bota o idiom o spornym pochodzeniu, jedyną akceptowaną przez test odpowiedzią jest szczere: „Pochodzenie tego zwrotu jest niejednoznaczne i historycy języka nie są co do niego zgodni”.

Dlaczego to ważne (Use Case)

Dlaczego taka architektura daje zupełnie nową jakość nauki?

• Zero stresu przed mówieniem: Uczeń nie boi się pisać na Telegramie, bo wie, że nie dostanie czerwonego atramentu na całą stronę. Dwie zwięzłe uwagi pozwalają przyswajać wiedzę w naturalnym tempie.
• Trwałe eliminowanie nawyków językowych: Dzięki licznikowi błędów najczęstsze pomyłki wracają w rozmowie dokładnie wtedy, gdy uczeń zaczyna o nich zapominać.
• 100% rzetelności: Uczeń ma pewność, że slang i idiomy są autentyczne, a bot nie wymyśla faktów, gdy czegoś nie wie.

Czego się nauczyłem

1. Jakość agenta zależy od procedur, nie od długości promptu: Rozbicie zachowania na małe reguły i pliki stanu daje przewidywalność, której nie da się osiągnąć jednym poleceniem.
2. Separacja stanu to podstawa: Trwała baza wiedzy o uczniu musi być ściśle oddzielona od bieżącego okna czatu, by nie gubić kontekstu przy długich konwersacjach.
3. Testy behawioralne są koniecznością: Bez zestawu testów ewaluacyjnych każda próba "ulepszenia" zachowania bota po cichu psuje inne, wcześniej wypracowane nawyki.