Claude Code for Non-Coders (6 Hour Course)

O czym jest ten film

Sześciogodzinny kurs, który prowadzi kompletnego początkującego bez zaplecza technicznego do poziomu osoby „AI native”, potrafiącej zbudować dowolną automatyzację czy agenta wyłącznie w naturalnym języku.
Wyjaśnia, czym naprawdę jest Claude Code — „harness” (obudowa) nad modelem, który dodatkowo widzi Twoje lokalne pliki i potrafi sięgać do narzędzi online.
Buduje właściwe nastawienie: sześć umiejętności zabezpieczających karierę oraz zasadę „jesteś menedżerem agentów AI”.
Uczy fundamentów: promptowania, tokenów i modeli, pliku CLAUDE.md, folderu .claude, kluczy API i pliku .env, uprawnień oraz prywatności danych.
Pokazuje najważniejszą funkcję — skille (przepisy w markdownie) oraz sub-agenty i zespoły agentów.
Tłumaczy zarządzanie oknem kontekstu (context rot, session handoff) i pamięcią agenta.
Przechodzi przez budowę stron WWW z Claude Code i wdrażanie ich przez GitHub + Vercel.
Omawia zaufanie do wyników: różnicę deterministyczne vs. niedeterministyczne, warstwę uprawnień na poziomie narzędzi i ewaluacje.
Prezentuje budowę „drugiego mózgu” i AI OS (metoda LLM-wiki Karpathy’ego, pięć poziomów architektury wiedzy).
Kończy wdrożeniami automatyzacji (routines w chmurze, Modal, webhooki), pracą zdalną z telefonu oraz obszernym rozdziałem o oszczędzaniu tokenów i buforowaniu promptów.

Redakcyjne tłumaczenie

Wprowadzenie: od zera do „AI native”

Ten kurs zabiera Cię od kompletnego początkującego do osoby, która jest AI native i potrafi zbudować automatyzacje, agentów AI — dosłownie wszystko, co da się opisać słowami. Zakładam, że nie wiesz nic i nie masz zaplecza technicznego. Sam też go nie mam. Nazywam się Nate. Mimo to w ciągu ostatnich lat udało mi się zbudować kilka biznesów opartych na treściach, edukacji, certyfikacjach, wydarzeniach i konsultingu — a wszystko napędza niewielki zespół, który bardzo dobrze posługuje się AI. Główna idea jest taka, że jedna osoba może wykonać pracę, która kiedyś wymagała całych zespołów.

Czym jest Claude Code

Słowo „code” onieśmiela wielu ludzi, ale nie musisz programować. Anthropic — firma stojąca za tym ekosystemem — oferuje trzy produkty:

Claude Chat — rozmowa z modelem w przeglądarce lub na telefonie, jak z czatbotem.
Claude Co-work — kolejny szczebel, prostszy interfejs do prostych automatyzacji, kierowany raczej do pracowników wiedzy i menedżerów. (Informacja dodatkowa: cały produkt Co-work został zbudowany właśnie w Claude Code przez kilku inżynierów w około tydzień.)
Claude Code — najpotężniejszy z całej trójki.

Wszystkie trzy działają podobnie, więc jeśli dobrze opanujesz jeden, przeniesiesz umiejętności gdzie indziej. Dlatego wybieram najmocniejszy. Kluczowa różnica: Claude Code potrafi pracować wewnątrz Twoich lokalnych plików (pulpit, pobrane, foldery), a jednocześnie sięgać do Gmaila, Slacka, CRM-a — czegokolwiek online. Wszystkie modele (Opus, Sonnet, Haiku, Fable) działają tak samo jak w Chacie; „code” oznacza po prostu dodatkowe możliwości, jak wyszukiwanie w sieci, pobieranie stron i przeszukiwanie plików lokalnych. Ja praktycznie w ogóle nie używam już Chatu — wszystko robię w Claude Code, bo on wie o mnie i moim biznesie tak dużo, że przypomina raczej pracownika niż asystenta.

Harness, model i Ty

Będziesz słyszeć słowo „harness” (obudowa). To trzy warstwy koncentrycznych okręgów. W środku jest model AI (Opus 4.8, Fable, GPT — cokolwiek używasz). Wokół niego jest harness — Claude Code, który tym modelem steruje. A na zewnątrz jesteś Ty — Twój mózg, prompty, kontekst, dane, biznes. Analogia: model to silnik, harness to samochód, a Ty jesteś kierowcą. Bez człowieka samochód nigdzie nie pojedzie. Elementy są wymienne (możesz zmienić model albo przesiąść się do innego „samochodu”), ale najważniejszym elementem obrazu jesteś Ty. Jeśli nie podasz właściwego kontekstu, nic wartościowego nie powstanie.

Nastawienie: sześć umiejętności na przyszłość

Przestrzeń AI zmienia się tak szybko, że trzeba się uczyć w sposób, który nie zdezaktualizuje się za tydzień. Napisałem o tym książkę „Becoming AI Native” i wyróżniam dwanaście przesunięć w myśleniu. Zanim jednak do nich przejdziemy — sześć umiejętności, które według mnie każdy powinien opanować, by zabezpieczyć karierę.

1. Zostań „osobą od AI”. To pojęcie względne. Nie chodzi o bycie najlepszym inżynierem AI na świecie, tylko o to, byś w swoim otoczeniu wiedział więcej niż inni. Ludzie zaczynają traktować AI jak hobby, coś budują, pokazują to w pracy — i nagle stają się „osobą od AI”. A firmy będą miały mnóstwo „momentów AI”; ktoś powie: „potrzebujemy kogoś, kto to poprowadzi”. Chcesz być tą osobą. Badanie IBM (2026 CEO study) pokazało, że 85% CEO uważa, że wszyscy liderzy funkcyjni muszą stać się ekspertami technologicznymi we własnej domenie — nie tylko IT. Praktycznie: wybierz jedno główne narzędzie i naprawdę je opanuj (dla mnie to Claude), potem weź jeden powtarzalny proces w swojej pracy i uczyń go szybszym z pomocą AI. Bądź rozsądny — nie ujawniaj danych firmy i nie łam regulacji.

2. Smak i osąd (taste and judgment). Im lepsze AI, tym bardziej kusi, by ufać pierwszemu wynikowi. Na początku sprawdzasz każde słowo, później rozluźniasz czujność — i to jest pułapka. Sygnałem bywają myślniki (m-dashes), których AI wstawia mnóstwo. Problem nie w tym, że ktoś użył AI, tylko że w sekundzie, w której to widać, ludzie zaczynają się zastanawiać, czy ta osoba w ogóle to przeczytała — i tracą zaufanie. Jak budować smak: studiuj najlepsze prace w swojej branży, twórz bibliotekę przykładów, które brzmią jak Ty, i za każdym razem, gdy poprawiasz AI, wprowadzaj tę poprawkę z powrotem do systemu. AI potrafi wygenerować pracę; smak to decydowanie, co zasługuje na Twoje nazwisko.

3. Zostań inżynierem kontekstu (context engineer). Prompt engineering traci na znaczeniu, bo modele same są coraz lepsze. Andrej Karpathy — który właśnie dołączył do Anthropic — nazwał context engineering „delikatną sztuką wypełniania okna kontekstu dokładnie właściwymi informacjami”. Prompty to sposób, w jaki pytasz; kontekst to to, co Twoje AI faktycznie wie. Kontekst jest trwalszy niż prompty. Przestań otwierać puste czaty — zakładaj projekty i karm je realnym kontekstem (dokumenty, kalendarz marketingowy, copy które działało i które poległo). Analogia: nowy stażysta najpierw musi zostać wdrożony, zanim wniesie wartość. Twój kontekst — Twoja wiedza ekspercka, Twoje IP — to jedyne, co odróżni Twoje wyniki od cudzych. Garbage in, garbage out.

4. Szybkość iteracji. W erze AI wygrywają ci, którzy iterują najszybciej bez utraty jakości. Każda iteracja to więcej danych i szansa na ulepszenie skilli, agentów, promptów. Analogia: uczysz dziecko jeździć na rowerze — trzymasz, korygujesz, powoli puszczasz. Rzadko da się coś „one-shotować”. Praktycznie: opanuj skróty klawiszowe, używaj dyktowania głosowego zamiast pisania (Informacja dodatkowa: autor promuje własne narzędzie do dyktowania o nazwie Glido), buduj brzydkie prototypy szybko. Druga połowa tej umiejętności to wiedzieć, kiedy przestać — każdą automatyzację powiąż z jedną konkretną metryką biznesową i zdefiniuj „gotowe” jeszcze przed startem.

5. Zbuduj własnego Jarvisa. Tony Stark nie siedzi i nie wpisuje promptów — Jarvis działa w tle, zauważa rzeczy i sam startuje zadania. Zrób audyt tygodnia: co wyzwala się przewidywalnie (konkretny e-mail, poniedziałkowy poranek, nowy lead w CRM)? Uwaga: w chwili, gdy usuwasz się z pętli, rośnie ryzyko, więc system musi być dopracowany. Kluczowa umiejętność to rozpoznać, kiedy coś potrzebuje agenta AI, a kiedy wystarczy prosty workflow bez AI. Analogia: automat z napojami jest deterministyczny (ta sama moneta, ten sam efekt), a jednoręki bandyta niedeterministyczny. Agenci AI to jednoręki bandyta — potężny, gdy potrzeba wnioskowania i zmienności, ale droższy i bardziej zawodny. „Pobierz przychód ze Stripe i wrzuć na Slacka codziennie o 9:00” nie potrzebuje agenta. „Przeczytaj te e-maile i napisz spersonalizowaną odpowiedź” — już tak.

6. Ubezpieczenie od bezrobocia. Chodzi o budowanie wielu źródeł dochodu z pomocą AI, tak by żaden pracodawca ani klient nie mógł Cię wyeliminować — „job stacking”. Nie musisz mieć pięciu źródeł w różnych dziedzinach (to droga do wypalenia). Lepsza wersja to jedna pasja z wieloma gałęziami: kariera jako fundament, a wokół niej kurs, niszowy newsletter, mikro-SaaS, konsulting. Domyślny ruch: buduj publicznie (build in public). Skoro ludzie coraz częściej szukają w internecie przez interfejsy AI, jeśli nigdzie nie istniejesz, trudno Cię odnaleźć.

Kluczowe przesunięcia w myśleniu

AI native to nie to, co wiesz, tylko po co sięga Twoja ręka. Zanim zrobisz coś ręcznie, domyślnie zapytaj: czy zrobić to przez AI?
Nie rezygnuj w dołku — nagrodą jest wspinaczka. Ucząc się czegoś nowego, ponosisz krótkoterminowy koszt (przytłoczenie, spadek produktywności). Ludzie odpadają właśnie w tym dołku, tuż przed wykładniczymi korzyściami.
Jesteś menedżerem agentów AI. Wdrażasz je stopniowo, jasno mówisz, co jest dobre, a co złe, sprawdzasz wynik własnym osądem, dajesz informację zwrotną i każesz zaktualizować instrukcje. Wszystko to dzieje się w naturalnym języku.

Instalacja i logowanie

Wygoogluj „claude code install”, przejrzyj quick start. Potrzebujesz płatnej subskrypcji Claude. Możesz zainstalować przez komendy w terminalu, ale polecam aplikację desktopową Claude — pobierz dla swojego systemu, uruchom kreatora, zaloguj się. Zacznij od planu Pro; później możesz przejść na 100 lub 200 dolarów miesięcznie. Za 200 dolarów miesięcznie dostajesz de facto pełnego pracownika AI — najtańszego, jakiego kiedykolwiek zatrudnisz.

Gdzie uruchamiać Claude Code? Ja w kursie używam aplikacji desktopowej (ładny interfejs, zarządzanie projektami po lewej), ale często korzystam też z VS Code — darmowego IDE, gdzie mogę używać Claude w terminalu lub przez rozszerzenie. Pod maską wszystko robi to samo, więc nie stresuj się wyborem; możesz się przesiąść, a wszystkie pliki, projekty i sesje pozostaną.

Praca z plikami lokalnymi i tworzenie treści

Claude Code potrafi nawigować po Twoich folderach, edytować, przenosić i znajdować rzeczy. Przykład: „znajdź logo AIS Live w czarnej wersji w moich pobranych”. Agent przeszukuje pliki, używa swojego „wzroku” (vision), by zweryfikować, że to właściwe logo, i podaje ścieżkę. Potrafi też tworzyć arkusze Excel, dokumenty Google, HTML, strony, aplikacje. Przykład: „przygotuj ocenę kanału YouTube za drugi kwartał” — agent pobrał dane z YouTube, robił zrzuty ekranu, by je zweryfikować, i w około 10 minut zbudował dopracowany arkusz z pulpitem, statystykami per wideo, trendami i filarami treści — wszystko w naturalnym języku.

Promptowanie

Cztery dźwignie, o których zawsze myślę:

Rola — kim jest agent i co ma robić.
Kontekst i tło — kim jesteś, co jest ważne, oraz konkretny kontekst danego zadania. Zamiast „napisz e-mail do szefa” powiedz, że prosisz o wolne, czujesz się nieswojo, a szef jest wyrozumiały.
Negatywne promptowanie — czego nie robić. Tak jak dziecku mówisz „nie dotykaj patelni, jest gorąca”, tak agentowi ustawiasz bariery.
Weryfikacja — KAŻ AI UDOWODNIĆ SWOJĄ PRACĘ. Zamiast wielu ręcznych iteracji, pozwól, by na pierwszym podejściu samo sprawdziło wynik (np. przetestowało formularz sto razy pod kątem błędnych e-maili, znalazło buga, naprawiło i testowało dalej). Zapytaj siebie: co ja bym zrobił, by zaakceptować tę pracę od człowieka? Prawdopodobnie to samo można kazać zrobić Claude’owi.

Tokeny i modele

Token to najmniejsza jednostka tekstu, za którą płacisz — z grubsza ¾ słowa. Modele różnią się ceną: Haiku jest szybki i tani, Sonnet 5 zbalansowany, Opus 4.8 najzdolniejszy (Fable jeszcze droższy). Tokeny wyjściowe są droższe od wejściowych — Opus 4.8 to około 5 dolarów za milion tokenów wejściowych i 25 za milion wyjściowych. (Informacja dodatkowa: to orientacyjne stawki API z lipca 2026; kolejność wartości może się zmieniać.) Na subskrypcji nie płacisz jednak per token — masz limity: bieżącej sesji (okno przesuwne 5-godzinne), tygodniowy dla wszystkich modeli i osobny dla Fable. Na planie 200 dolarów, gdyby wypełnić wszystkie limity, dostajesz około 8000 dolarów wnioskowania — czyli ogromny rabat względem płacenia za tokeny przez API.

CLAUDE.md — prompt systemowy projektu

CLAUDE.md to plik markdown, który agent czyta przed każdą Twoją wiadomością, żeby się zorientować. Dlatego gdy mówię „cześć”, od razu wie o nadchodzących wydarzeniach i otwartych wątkach. W moim projekcie Herk 2 ten plik działa jak router: definiuje rolę, a potem mapę, gdzie co leży (informacje o zespole, struktura korporacyjna, głos i styl, projekty). Zmienia się cały czas — gdy dostanę zły research, mówię: „użyłeś za mało źródeł i za dużo myślników, zaktualizuj instrukcje w CLAUDE.md” — i Claude sam dopisuje reguły.

Ważne rozróżnienie: globalny CLAUDE.md (czytany zawsze, w każdym projekcie na tej maszynie) vs. projektowy (tylko w danym projekcie). Mój globalny to głównie „lista zakazanych fraz AI” oraz rzeczy, które lubię i których nie lubię. Ćwiczenie do wykonania razem: utwórz folder (np. „knowledge work”), otwórz go jako nowy projekt w Claude, zaufaj przestrzeni roboczej i poproś o inicjalizację z CLAUDE.md oraz folderem .claude.

Folder `.claude`

To swoisty folder konfiguracji. Trzy elementy warte uwagi:

settings.json — uprawnienia i preferencje (co wolno, czego nie).
agents — Twoje własne sub-agenty.
skills — spakowane skille, które Claude wywołuje automatycznie.

Wszystkie skille i sub-agenty to zwykłe pliki markdown w naturalnym języku. .claude istnieje na poziomie projektu i globalnym.

Klucze API i plik `.env`

API (application programming interface) to metoda, dzięki której jedno oprogramowanie rozmawia z drugim. Klucz API to w praktyce hasło — dlatego mój agent mógł pobrać moje prywatne statystyki YouTube (miał mój klucz), ale nie ściągnie prywatnych danych Mr. Beasta. Demonstracja z Tavly (narzędzie do lepszego wyszukiwania w sieci; przy rejestracji dostajesz darmowe kredyty): tworzysz plik .env na sekrety (nigdy nie trafia do GitHuba, bo Claude dodaje go do .gitignore), wklejasz klucz, prosisz o test. Sam agent zbadał dokumentację, znalazł endpoint i wykonał żądanie — tego nie musiałem robić ręcznie.

Ważna lekcja: gdy wyczyściłem sesję (/clear), Claude „zapomniał”, że przed chwilą użyliśmy Tavly, i zaczął badać wszystko od nowa (marnując tokeny). Rozwiązanie: zapisz to na stałe. Kazałem zapisać w CLAUDE.md, że domyślnie używamy Tavly, gdzie leży klucz i jaki jest endpoint. Tak właśnie iteruje się system. Pojawił się też termin MCP (model context protocol) — podobny do API, ale zamiast endpointów ma narzędzia. API, MCP i CLI to różne metody łączenia się z narzędziami; nie warto na tym etapie wchodzić w szczegóły.

Uprawnienia i ustawienia

Tryby uprawnień: auto (domyślny), ręczny, akceptacja edycji, tryb planu (plan mode) oraz bypass (dangerously skip permissions — Claude robi wszystko bez pytania). Auto zwykle wystarcza. Prawdziwe niebezpieczeństwo nie bierze się jednak z trybu, lecz z liczby narzędzi, do których agent ma dostęp. U nas wewnętrznie agent przypadkiem wysłał kod rabatowy do ~150 tysięcy osób — nie dlatego, że mu kazano, tylko dlatego, że miał takie narzędzie. Zasada: jeśli podłączasz agenta do CRM tylko do odczytu, nie dawaj mu narzędzia do usuwania rekordów. Używaj kluczy z zawężonymi uprawnieniami (scoped) — np. w ElevenLabs możesz ograniczyć klucz do samych efektów dźwiękowych i do konkretnego limitu kredytów. Czy dałbyś nowemu pracownikowi kartę kredytową bez limitu? Właśnie. W moim głównym projekcie ustawiłem w settings.json czarną listę operacji ryzykownych (usuwanie, zmiana katalogów), więc mogę spokojnie działać na bypassie.

W ustawieniach modelu jest też suwak effort (wysiłek) — od low do max i „ultra code”. Ja niemal zawsze trzymam modele na „high” i zamiast bawić się wysiłkiem, przełączam model. Warto jednak rozumieć ekonomikę: różne modele mają różny stosunek jakości do kosztu na zadanie. (Informacja dodatkowa: autor pokazuje wykres, gdzie dla jednego modelu wzrost wysiłku podnosi tylko koszt, a dla Fable — także jakość; przy tym Fable na „high” bywa lepszy niż na „max”, bo na najwyższych ustawieniach „przemyśliwuje” zadanie.)

Prywatność i dane

Modele zamknięte (OpenAI, Anthropic, Google) przetwarzają Twoje wiadomości na swoich serwerach — nie masz wag i nie uruchomisz ich lokalnie. Modele otwarte możesz mieć u siebie (dane nie opuszczają komputera), ale są słabsze. Nie wysyłaj wrażliwych, prywatnych danych firmowych, jeśli Twoja branża lub organizacja tego zabrania — niektórzy klienci wymagają wdrożeń on-premise i innego podejścia do szyfrowania. Sprawdź w ustawieniach prywatności przełącznik „help improve Claude”; nawet jeśli trening jest wyłączony, firma nadal ma te dane, więc zweryfikuj zasady u siebie. (Informacja dodatkowa: autor wspomina zmianę polityki obowiązującą od 8 października, po której trening stał się wyborem opt-in.)

Podłączanie własnych narzędzi (cztery C)

Fundament AI OS to cztery C: kontekst, połączenia, możliwości i kadencja. Zacznij od połączeń „tier one”: przychód, klienci, kalendarz, komunikacja, zadania, spotkania i wiedza. Nie wiesz, co podłączyć? Spójrz na otwarte karty i zakładki. Aby coś podłączyć: wygoogluj „[narzędzie] API documentation”, weź klucz, wrzuć do .env. Wyzwanie polega na zmianie nawyku — zamiast przełączać się między dwudziestoma zakładkami, po prostu rozmawiaj z Claude Code, a on korzysta z tych narzędzi za Ciebie.

Google Workspace CLI (GWS) — jeśli żyjesz w ekosystemie Google, to zmienia grę. Jedno CLI daje dostęp do Gmaila, Kalendarza, Dysku, Docs, Sheets, Slides oraz ponad stu gotowych „przepisów” (multi-step recipes). CLI (command line interface) to sterowanie tekstem i komendami zamiast klikania w GUI. Zaletą jest jeden lekki interfejs (mniej kontekstu niż mnóstwo konfiguracji MCP), format JSON, auto-aktualizacje i niemal zerowe utrzymanie. Instalacja: dajesz Claude’owi link do repozytorium GitHub, on czyta dokumentację i instaluje; następnie zakładasz projekt w Google Cloud Console, konfigurujesz ekran zgody OAuth, tworzysz Client ID (aplikacja desktopowa), pobierasz JSON do globalnego folderu konfiguracji, uruchamiasz logowanie OAuth i włączasz odpowiednie API. Przykłady zastosowań: „oceń moje nieprzeczytane maile względem priorytetów biznesu i te poniżej piątki oznacz jako przeczytane”, generowanie slajdów z brandingiem (z dołączonym ChromeDev tools do wizualnej weryfikacji zrzutów).

Uwaga o connectorach: w aplikacji desktopowej są bardzo łatwe (klikasz, logujesz się OAuth). Ale jeśli na nich polegasz i przesiądziesz się na inny harness (Codex, Hermes, VS Code), tracisz wszystkie połączenia i musisz je odtwarzać. Dlatego uczę robić to trochę ręcznie — przez klucze w .env. To czyni Cię niezależnym od narzędzi (tool agnostic), co jest najważniejsze przy tempie zmian. Wszystko sprowadza się do folderów i plików, na których może usiąść dowolne AI.

Skille — moja ulubiona funkcja

Skille to przepisy — pliki skill.md. Robisz coś raz dobrze, chcesz, by za tydzień zrobił to samo równie dobrze. Analogia: przepis na naleśniki z czekoladą — otwierasz, wykonujesz krok po kroku, oceniasz, poprawiasz („więcej czekolady”), aż zawsze wychodzi. Na górze pliku jest YAML front matter (nazwa + opis) i dzięki procesowi zwanemu progressive disclosure agent skanuje same opisy wszystkich skilli (nawet gdy masz ich 40+) i wciąga w całości tylko ten właściwy — oszczędzając tokeny.

Dwie ścieżki tworzenia skilla: proaktywnie („pomóż mi zbudować skill do porannego briefu, krok 1..4”) albo po fakcie (wykonaj proces ręcznie, a potem powiedz „zamień to w skill”). Skille wywołasz naturalnym językiem („grill me”) lub komendą ukośnikową (/grill-me). Anthropic ma nawet skill skill-creator. Skille bywają proste (prompt na pięć zdań, jak grilling Matta PoCo) albo złożone (mój skill do „packaging” odsyła do playbooków, danych kanału, kluczy API i wywołuje sub-agenty). Skille mogą wywoływać inne skille i sub-agenty. Ponieważ to markdown, możesz brać cudze skille z otwartych repozytoriów (np. plugin „superpowers”). Zbudowany na żywo skill inbox-triage pokazuje pętlę iteracji: uruchom, oceń, dodaj regułę („tego nadawcę zawsze ignoruj”), a Claude sam dopisuje linijki do skill.md. Po zmianie modelu (np. z 4.7 na 4.8) uruchom skille ponownie i sprawdź, czy nadal je lubisz.

Okno kontekstu i context rot

Okno kontekstu to (w chwili nagrania) około miliona tokenów. W miarę zapełniania jakość dryfuje — model wchodzi w „dumb zone” (context rot): myli się, zapomina. Jak kierowcy ciężarówek muszą odpoczywać, tak model potrzebuje resetu. Ja robię reset około 250–300 tys. tokenów. Nie używam do tego zwykłego /clear (który kasuje wiedzę) ani /compact (uruchamia się za późno, około 95%, i bywa wolny), tylko własnego skilla session handoff: podsumowuje decyzje, otwarte pytania, edytowane pliki i „gdzie kontynuować”. Kopiuję to podsumowanie, robię /clear, wklejam je z powrotem i podejmuję pracę w miejscu, gdzie ją zostawiłem — jak przekazanie zmiany między inżynierami. Pusta świeża sesja i tak startuje z ~30–40 tys. tokenów, bo załadowane są skille (front matter), narzędzia i prompty systemowe.

Pamięć

Pamięć to kilka rzeczy: sam czat (co mówimy w jednej sesji), automemory oraz wiedza w „drugim mózgu”. Automemory w Claude Code po pewnym czasie samo zapisuje fakty do folderu memory — jeden fakt na plik (np. feedback-...md), z front matterem (user, feedback, project, reference) i plikiem indeksu memory.md. Model mentalny: CLAUDE.md to reguły (i router), a pamięć to wyuczone fakty. Automemory jest domyślnie włączone; sprawdzisz i przełączysz je komendą /memory — dostępną w terminalu (aplikacja desktopowa ma kilka niszowych braków komend, choć w 99% przypadków wystarcza). Traktuj Claude’a jak mentora, nie tylko wykonawcę — pytaj „dlaczego to zrobiłeś?”, „po co ten tool call?”. Ciekawość daje najwięcej.

AI slop

„AI slop” definiuję jako sytuację, w której wyraźnie widać, że coś wygenerowało AImimo że sam piszę posty na LinkedIn z pomocą AI. To nie jest zero-jedynkowe, tylko spektrum: czasem AI może wysłać automatycznie, częściej ma tylko przygotować szkic do mojej recenzji. Problem nie w tym, że widać AI, lecz w tym, że rodzi się pytanie: czy on to w ogóle przeczytał? Nasza rola zmieniła się z autora na recenzenta. „Możesz oddelegować myślenie, ale nigdy nie oddelegujesz zrozumienia”. Gdy Twoje nazwisko jest pod treścią, bierzesz zasługi, ale i odpowiedzialność. Dlatego mam „listę zakazanych fraz AI” i skille dopasowane do mojego głosu — chcę, by komunikacja brzmiała jak ja, bo zaufanie to najcenniejsza waluta.

Co budować

Przesunięcia myślowe: „ograniczenie (constraint) to jedyne miejsce, gdzie praca się kumuluje — wszędzie indziej jesteś tylko zajęty”; „zautomatyzowany zepsuty proces nie naprawia się, tylko skaluje”; „nie zautomatyzujesz tego, czego nie zmapujesz”; „każdy build potrzebuje gwiazdy polarnej — jednej liczby wybranej przed startem”.

Analogia rury: woda wpływa (klienci), wypływa (zysk); szukasz zatorów. Pytanie do właściciela biznesu: „gdyby jutro wpłynęło pięć razy więcej klientów, co pękłoby pierwsze?”. Atakujesz pierwsze ograniczenie, a po jego udrożnieniu pojawia się kolejne — to teoria ograniczeń. Zanim zbudujesz, ustal metrykę i kierunek (np. z 5 do 15 leadów tygodniowo) i uzyskaj zgodę wszystkich, że to będzie sukces — bo produktywność nie jest tak jednoznacznie mierzalna jak reklamy. Na start, gdy nie masz jeszcze budżetu i pewności: wypisz na kartce narzędzia, powtarzalne procesy i wyzwalacze (co uruchamia Twoją reakcję), wybierz to, co dzieje się najczęściej. Abraham Lincoln: „gdybym miał sześć godzin na ścięcie drzewa, cztery spędziłbym na ostrzeniu siekiery” — planowanie i jasne opisanie procesu przed automatyzacją jest kluczowe.

Sub-agenty

Sub-agent to świeże okno kontekstu z osobnym modelem. Główna sesja (orkiestrator) na Opusie może delegować pracę do wielu tańszych sub-agentów (Sonnet, Haiku), utrzymując swój kontekst czysty. Sub-agenty nie rozmawiają ze sobą — raportują tylko do głównego agenta (relacja jeden-do-jednego). Są wbudowane (general purpose) i własne (plik markdown w folderze agents, z YAML front matter: name, description, model, color). Opis jest de facto wyzwalaczem — im precyzyjniejszy, tym rzadsze „misfire” (odpalenie, gdy nie trzeba, lub brak, gdy trzeba). W dokumentacji można ustawić disallowed tools (np. sub-agent tylko do odczytu), dozwolone serwery MCP i skille.

Różnica skill vs. sub-agent: oba definiują „zrób X, Y, Z”, ale sub-agent ma czyste okno kontekstu, można go uruchamiać równolegle i na innym modelu. Kiedy używać sub-agentów? Gdy zaraz zrzucisz do czatu stertę, której już nie przeczytasz; gdy czytasz dużo plików; gdy chcesz niezależnego, bezstronnego recenzenta; gdy zadania są niezależne i można je zrównoleglić. Kiedy nie? Przy szybkiej edycji, gdy kroki zależą od siebie lub agent musi zadawać Ci pytania. Można też ustawić max turns. Ryzyko cudzych sub-agentów (markdown z sieci) — uważaj na prompt injection; można mieć read-only sub-agenta weryfikującego repozytoria. Nowsza funkcja to dynamiczne workflow (Opus 4.8) — potrafi zrównoleglić np. 41 (a w testach nawet 210) sub-agentów, ale zjada limit sesji błyskawicznie. Słowo wyzwalające zmieniono z „workflow” na „ultra code”. Sub-agenty zużywają ~7–10 razy więcej tokenów niż pojedyncza sesja, bo każdy startuje z pełnym kontekstem.

Budowa stron WWW + GitHub/Vercel

Claude Code świetnie buduje strony (to kod). Efektem bywa „local host” — URL, który otworzysz tylko Ty. Pięć hacków na profesjonalny, brandowany wygląd:

0. CLAUDE.md — prompt systemowy projektu; zwięzły, iterowany po drodze.
1. Skill „front-end design” — instalujesz raz globalnie; ogromnie podnosi jakość designu przy minimalnym prompcie („zbuduj nowoczesny landing dla AI Automation Society” + logo i brand guidelines w folderze brand_assets).
2. Pętla zrzutów ekranu — przez Puppeteer agent robi screeny, ogląda przeglądarkę i sam poprawia, domykając lukę bez Twoich ręcznych iteracji.
3. Inne strony jako inspiracja — dajesz screen całej strony (F12 → console → pełny zrzut) i skopiowany CSS, prosisz o „klon”, a agent porównuje swoje dzieło z referencją. Potem wprowadzasz swój branding.
4. Pojedyncze komponenty — z serwisów typu 21st.dev bierzesz gotowy kod komponentu (tło, przyciski) i prosisz o wpięcie. Przy animacjach czasem wyłącz pętlę zrzutów, bo dynamiczne tła bywają źle uchwycone i agent wpada w pętlę „przeróbek”.

Wdrożenie: kod trzymasz lokalnie, synchronizujesz z GitHub (kontrola wersji), a Vercel auto-deployuje z GitHuba. Pipeline: „to wygląda dobrze, wypchnij na GitHub” → GitHub bierze zmiany → Vercel aktualizuje stronę na żywo. W CLAUDE.md zaznacz: „testujemy na local host, dopóki jawnie nie każę commitować” — dzięki temu masz podgląd lokalny i osobno wersję produkcyjną. Domenę podpina się w ustawieniach Vercela. (Informacja dodatkowa: do samego projektowania istnieje osobne narzędzie „Claude Design”.)

Zaufanie do wyników

Deterministyczne (automat z napojami — przewidywalne wejście i wyjście) vs. niedeterministyczne (nie znasz dokładnie wyjścia). AI jest z natury niedeterministyczne — i to jego zaleta (elastyczność), ale rodzi ryzyko. Piramida systemów AI (od dołu): chatbot (wyzwalasz go Ty — np. Twoje skille), workflow (deterministyczny, bez AI, wyzwalany zdarzeniem/harmonogramem), AI workflow (kroki po kolei, ale gdzieś w środku krok AI) i agent (nie znasz kolejności ani wyboru narzędzi — pełna autonomia). W górę rośnie autonomia, ale też koszt, ryzyko i nieprzewidywalność. Zasada Anthropic: buduj najprostsze rozwiązanie dla zadania.

Warstwa uprawnień: prompt to nie twarda bariera — agent może wykonać instrukcję sto razy, a za sto pierwszym ją zignorować, bo ma narzędzie. Jeśli chcesz, żeby tylko szkicował maile, a nie wysyłał — nie dawaj mu narzędzia „wyślij”. Załóż, że jeśli agent może coś odczytać lub dotknąć, to to zrobi (najgorszy scenariusz). Przykład z życia: automatyzacja miała wysyłać mi cotygodniowy raport w prywatnej wiadomości ClickUp; po pięciu tygodniach zaczęła „dryfować” i wrzucać go do publicznych kanałów — bo miała dostęp do wszystkich kanałów, a ja polegałem tylko na prompcie. Inny przykład: agent do triażu inboxa przebudowany z „agenta” (masa reguł w prompcie, mało niezawodny) na prosty workflow z regułami routingu — kroki obiektywne (niebieskie) niemal nigdy nie zawodzą, a AI (zielone) tylko tam, gdzie naprawdę potrzeba (ekstrakcja, generowanie). Analogia roweru: nie zdejmuj dziecku kasku i nie idź spać po pierwszej udanej jeździe. Ewaluacje (evals): złoty zbiór danych (setki par wejście–oczekiwane wyjście), uruchamiasz przed wdrożeniem, liczysz, ile razy zdało, i iterujesz — QA systemu przed produkcją i przed zmianą modelu czy promptu. Gdy się niepewnie czujesz, po prostu opisz to Claude’owi i wspólnie zaprojektujcie testy (dziwne faktury, padnięte API), a potem wbuduj bariery „bezpiecznego upadku” (powiadomienie, wyłączenie, logi).

Drugi mózg (metoda LLM-wiki Karpathy’ego)

Karpathy opisał budowę osobistych baz wiedzy z LLM. Etapy: ingest (wrzucasz PDF/artykuł do folderu raw), a Claude sam organizuje wszystko do wiki z indeksem, logiem i relacjami (backlinkami). Obsidian to tylko wizualizacja plików markdown — nie jest konieczny. Twój mól: Twoje dane i IP; trudność to wydobyć wiedzę z głowy, nie samo jej wyszukanie. Setup zajmuje kilka minut: wklejasz prompt Karpathy’ego, a Claude tworzy CLAUDE.md, schemat, raw i wiki. Dorzuca się źródła (np. przez rozszerzenie Obsidian Web Clipper, kierując do raw), mówi „ingest” — agent chunkuje po swojemu, tworzy np. 25 stron wiki z relacjami. To nie zabija RAG-a, ale często go zastępuje przy setkach dokumentów: znajduje przez indeksy i linki (nie podobieństwo), infrastruktura to zwykły markdown, koszt praktycznie zero, utrzymanie to okresowy „lint” (health check, uzupełnianie luk). Przy milionach dokumentów wracasz do klasycznego RAG-a. Można też trzymać hot cache (krótki plik z najświeższym kontekstem) tam, gdzie się przydaje (asystent), a pomijać tam, gdzie nie (wiki YouTube).

Pięć poziomów drugiego mózgu (niżej ≠ lepiej; wybierz najniższy, który rozwiązuje Twój ból):

Poziom 1 — CLAUDE.md jako router + foldery i pliki (context, projects, decisions/log). Wyszukiwanie po dokładnym słowie. Uwaga: jeśli agent nie wie, że coś gdzieś jest, nie znajdzie tego.
Poziom 2 — dodajesz LLM-wiki (indeksy, relacje-backlinki) i pamięć (automemory). Tu autor trzyma niemal cały swój projekt Herk 2. (Informacja dodatkowa: przenosząc się na Codex, kopiujesz CLAUDE.md do AGENTS.md — to bliźniacze pliki.)
Poziom 3 — wyszukiwanie semantyczne (znaczenie, nie słowo) przez bazy wektorowe. Uwaga: wektory zwracają chunki, więc do „podsumuj spotkanie z 5 marca” lepiej nadaje się jeden plik markdown do przeczytania w całości; do „przypomnij regułę 17” z tysiąca reguł — wektory. Nie cały folder musi być jednym stylem.
Poziom 4 — grafy wiedzy/relacji (encje i relacje: „Jordan pracuje w Acme”, „Acme to konkurent Cadently”). Najbardziej złożone i drogie; autor bawił się nimi (LightRAG), ale na co dzień nie używa — jego praca jest projektowa i „treściowa”. Dane do grafu często już masz; wyzwanie to je zebrać (świetnie służy do tego skill grill me).
Poziom 5 — zawsze włączony OS, np. Gbrain (Gary Tan) z ciągłą synchronizacją i odświeżaniem pamięci. Autor tu nie siedzi, bo woli kontrolować, co system wchłania. Rozróżnia kontekst (dane wieczne, decyzje kwartalne — wchłaniasz) i połączenia (dane zmienne: Slack, maile, dane klientów — nie wchłaniasz, tylko dajesz dostęp, by nie robić szumu).

(Informacja dodatkowa: autor przypomina, że wrzucając dane do modeli Claude, wysyłasz je do Anthropic; przy danych klientów rozważ modele otwarte/lokalne.) Pytanie kontrolne: czy system rozumie, gdzie leżą moje dane i w jakiej kolejności szukać, by dać trafną odpowiedź? Problem zespołowy (wspólny drugi mózg) to bardziej kwestia zarządzania zmianą i nawyków niż wyboru narzędzia — najpierw opanuj własny.

Skill „grill me”

Najtrudniejsze w budowie dobrego OS-a jest wydobycie wiedzy z głowy. Skoro wszyscy używają tego samego modelu, różnicę robi Twój kontekst, głos i decyzje. „Grill me” (pierwotnie Matta PoCo — prompt na kilka zdań: „przesłuchuj mnie bezlitośnie, po jednym pytaniu naraz, do wspólnego zrozumienia”) relentlessly zadaje pytania, aż nie ma luk. Ja dodałem checkpointowanie po każdym pytaniu do pliku w folderze brainstorms (log Q&A, decyzje, flagi „idź dopytaj tę osobę”), bo przy długim przesłuchaniu bałem się, że model zapomni wcześniejsze odpowiedzi. Efekt: na pierwszej iteracji skilla lądujesz od razu na ~90% zamiast 70% — znowu „ostrzenie siekiery”.

Zespoły agentów (agent teams)

Różnica względem sub-agentów: sub-agenty raportują tylko do głównego i nie gadają ze sobą; zespół dzieli wspólną listę zadań, członkowie komunikują się i przejmują zadania. To droższe (tokenowo), więc używam rzadko — głównie do „rad”, „war roomów” i „roastów”, gdzie różne persony debatują, aż dojdą do konsensusu, i dają mi różne perspektywy. To eksperymentalna funkcja wyłączona domyślnie — włączasz zmienną środowiskową CLAUDE_CODE_EXPERIMENTAL_AGENT_TEAMS=1 w settings.json projektu i resetujesz sesję. Ważne: proś jawnie o „team create”, bo inaczej agent może zamiast tego odpalić zwykłe sub-agenty (co widać — i wtedy przerywasz i korygujesz; potem zapisz to jako regułę/skill). Zespoły nie zapełniają głównego okna kontekstu, ale zjadają limit 5-godzinny. (Informacja dodatkowa: Stanford dowiódł skuteczności takiego podejścia w metodzie „STORM”, gdzie różne persony atakują temat z różnych stron i znajdują luki.)

Artefakty

Claude potrafi spakować efekt pracy w ładny HTML i hostować go na żywym URL-u (bez konieczności deploya). Zaletą jest to, że gdy zaktualizujesz artefakt po swojej stronie, aktualizuje się on u każdego, kto go ogląda — świetne do dzielenia się z zespołem. Zarządzasz nimi w aplikacji (przełączanie, wersje, kopiowanie promptu do edycji).

Routines (rutyny)

Rutyny wstrzykują prompt do Claude Code, ale działają na infrastrukturze webowej Anthropic — laptop nie musi być otwarty. Trzy typy wyzwalaczy: harmonogram, wywołanie API i zdarzenie GitHub (nowy PR, push, issue, release). Rutyna klonuje Twoje repozytorium GitHub (czyta CLAUDE.md, skille, skrypty) i po zadaniu je niszczy. Ponieważ .env jest w .gitignore, klucze API podajesz w zmiennych środowiskowych cloud environment (nie w repo). Dostęp sieciowy: „trusted” (tylko zweryfikowane usługi) lub „full” (potrzebne np. do ClickUp — ale większe ryzyko, że przy złośliwej treści dane wyciekną na zewnątrz). Prompt musi być na tyle konkretny, by zadziałał za pierwszym razem (one-shot) — czasem trzeba jawnie napisać „użyj klucza ze zmiennej środowiskowej, nie szukaj w .env”. Rzeczy stanowe (ciasteczka logowania sesji przeglądarki) nie zadziałają, bo każdy run jest bezstanowy. Limity: Pro ~5, Max ~15, Team/Enterprise ~25 rutyn dziennie; minimalny interwał to godzina; zasoby na run: 4 vCPU, 16 GB RAM, 30 GB dysku. Nie musisz znać składni cron — planujesz naturalnym językiem. Przewaga nad zwykłą automatyzacją: zachowujesz pełną pętlę agentową (framework WAT — workflow, agent, tools), więc system sam się koryguje w trakcie. Testuj wielokrotnie przez „Run now”, zanim puścisz na harmonogram.

Nie wszystko potrzebuje pełnej pętli agentowej. Dla procesów liniowych i przewidywalnych (np. poranny brief: research → napisz → wyślij) lepszy jest prosty skrypt Python hostowany na Modal lub trigger.dev — taniej, prościej, bez limitu rutyn. Modal nalicza grosze za run. Zbudowano na żywo brief AI: prompt w naturalnym języku, agent zapytał o potrzebne klucze (Anthropic/Open Router, ClickUp, Tavly, token Modal), przetestował output przed deployem, a kluczowy krok (wysyłka do ClickUp) zahardkodował deterministycznie, żeby nigdy nie trafił do złego kanału — „boring is beautiful”. (Informacja dodatkowa: autor woli Open Router — jeden klucz do wielu modeli i jeden pulpit rozliczeń.) Modal daje obserwowalność: runy, logi, błędy, sekrety, uruchamianie na żądanie.

Webhook to jak dzwonek u drzwi: zamiast co kilka minut sprawdzać, czy jest gość (polling), pozwalasz, by zdarzenie samo dało znać. Przykład: formularz HTML → po „submit” żądanie do webhooka Modal → skrypt czyta zgłoszenie i wysyła powiadomienie do ClickUp. W tym przykładzie zero AI — skrypt tylko wypełnia szablon danymi (AI poprawiłoby literówkę, ale to zbędne ryzyko i koszt). Buduj najprostsze rozwiązanie dla problemu.

Praca zdalna (remote control)

Chcesz pracować z dala od biurka? /remote-control „wystawia” lokalną sesję, byś sterował nią z telefonu (będąc zalogowanym na to samo konto w aplikacji Claude). Wysyłasz prompty z siłowni, spaceru czy lunchu i widzisz odpowiedzi po obu stronach; działają też komendy ukośnikowe. (Informacja dodatkowa: autor natrafił na drobny błąd — /clear z telefonu przyszedł jako pusty; w terminalu VS Code działa. To kolejny przykład niszowych różnic funkcjonalności między interfejsami.)

Zarządzanie tokenami (18 hacków)

Kluczowa mechanika: przy każdej wiadomości Claude czyta całą rozmowę od początku, więc koszt rośnie wykładniczo (wiadomość 1 to np. 500 tokenów, wiadomość 30 — 15 000). Jeden deweloper policzył, że w czacie 100+ wiadomości 98,5% tokenów szło na ponowne czytanie historii. Do tego doładowywane są CLAUDE.md, serwery MCP, prompty systemowe, skille i pliki — niewidzialny narzut. Rozdęty kontekst nie tylko drożeje, ale i pogarsza wynik („lost in the middle” — model najlepiej uważa na początek i koniec).

Tier 1 (podstawy): (1) /clear między niepowiązanymi zadaniami. (2) Odłączaj nieużywane serwery MCP (jeden potrafi zjadać ~18 tys. tokenów na wiadomość) — preferuj CLI zamiast MCP. (3) Łącz prompty w jeden zamiast kilku; poprawiaj oryginalną wiadomość zamiast dopisywać korekty. (4) Używaj plan mode; dodaj do CLAUDE.md regułę „nie wprowadzaj zmian, dopóki nie masz 95% pewności — dopytuj”. (5) /context i /cost uwidaczniają, co zjada tokeny (świeża sesja startuje z ~51 tys. tokenów). (6) Ustaw status line (w terminalu). (7) Trzymaj pulpit zużycia otwarty. (8) Wklejaj precyzyjnie — jeśli bug jest w jednej funkcji, wklej tylko ją. (9) Obserwuj pracę agenta — jeśli schodzi na złą ścieżkę, przerwij.

Tier 2: (1) CLAUDE.md lean (< 200 linii; czytany przy każdej wiadomości; traktuj jak indeks-router). (2) Chirurgiczne referencje do plików (@nazwa zamiast „przeszukaj całe repo”). (3) Compact przy ~60% (nie czekaj na auto-compact ~95%); po 3–4 compactach zrób podsumowanie i /clear. (4) Uwaga na przerwy — cache ma timeout 5 minut, po którym płacisz za wszystko od nowa (stąd nagłe skoki zużycia). (5) Wyjście komend (np. 200 commitów) wchodzi do kontekstu — świadomie ograniczaj, co agent uruchamia.

Tier 3: (1) Właściwy model (Sonnet domyślnie, Haiku do sub-agentów i prostych zadań, Opus do głębokiego planowania architektury — trzymaj poniżej ~20% użycia; do dużych review dołącz Codex, by oszczędzić tokeny Claude). (2) Sub-agenty kosztują 7–10× więcej — deleguj jednorazowe zadania do Haiku. (3) Godziny szczytu (8:00–14:00 czasu wschodniego, dni robocze) drenują sesję szybciej — duże refaktory rób poza szczytem; blisko resetu z zapasem — „idź na całość”. (4) CLAUDE.md jako „konstytucja systemu” — zapisuj decyzje, nie rozmowy; można dodać sekcję „applied learning” (jednolinijkowe wnioski), ale pilnuj, by nie spuchła.

Ważne przesunięcie mentalne o limitach: hitowanie limitu nie jest złe — oznacza, że jesteś power userem i wyciskasz wartość. Większości ludzi nie brakuje planu, tylko „higieny kontekstu”.

Buforowanie promptów (prompt caching)

Buforowane tokeny kosztują tylko 10% normalnego wejścia. Autor w jeden dzień „zaoszczędził” 91 mln tokenów dzięki cache read — dzieje się to automatycznie. Warstwy cache: systemowa (instrukcje, definicje narzędzi — cache globalny), projektowa (CLAUDE.md, pamięć — cache per projekt) i konwersacja (rośnie co turę). Cache create to jednorazowy zapis, cache read to tani ponowny odczyt. TTL na subskrypcji to godzina (na API domyślnie 5 minut, można wydłużyć za dopłatą; sub-agenty zawsze 5 minut). Co łamie cache: przekroczenie TTL, zmiana modelu (dopasowanie po prefiksie — dlatego model opus plan, który przełącza Opus↔Sonnet, resetuje cache), zmiana promptu systemowego. Edycja CLAUDE.md w trakcie sesji jest bezpieczna, bo stosuje się dopiero po restarcie. Trzy nawyki pokrywające 95% przypadków: nie pauzuj dłużej niż godzinę, zaczynaj świeżo przy zmianie zadania (/compact, /clear lub session handoff), a w Claude Chat duże dokumenty wrzucaj do projektów, nie do czatu. (Informacja dodatkowa: cytat Thorica z Anthropic — monitorują wskaźnik trafień cache i traktują niski poziom jak incydent.)

Zakończenie: budowa AI OS

Przeszliśmy fundamenty, skille, sub-agenty, kontekst, drugi mózg, zaufanie do wyników, wdrożenia i tokeny. Teraz czas na AI operating system, oparty na czterech C: kontekst i połączenia (drugi mózg) oraz możliwości i kadencja (skille, agenci, rutyny i wdrożenia, które pracują, gdy śpisz). To nigdy nie będzie „skończony produkt” — po prostu sposób, w jaki się pracuje. (Informacja dodatkowa: autor odsyła do swojego bezpłatnego, dwugodzinnego kursu „Build your own AIOS” oraz społeczności, gdzie udostępnia skille, repozytoria i szablony wymienione w kursie — m.in. session handoff, grill me, token dashboard.)

10 najważniejszych takeaways — z kontekstem zastosowania

1.Buduj system z folderów i plików, żeby być niezależnym od narzędzi

Na czym polega: Wszystko — CLAUDE.md, skille, sub-agenty, pamięć, drugi mózg — to zwykłe pliki markdown i skrypty. Dowolny harness AI może na nich „usiąść”.

Jak stosować: Klucze API trzymaj w .env i łącz narzędzia ręcznie, zamiast polegać wyłącznie na wygodnych connectorach jednej aplikacji. Buduj wiedzę jako pliki, a nie jako stan zamknięty w jednym produkcie.

Na co uważać: Connectory są kuszące, bo szybsze, ale przesiadka (np. na Codex, VS Code, inny harness) zmusi Cię do odtwarzania 20–40 połączeń. Za wygodę dziś zapłacisz bólem migracji jutro.

2.Traktuj `CLAUDE.md` jak zwięzły router, nie magazyn wiedzy

Na czym polega: Ten plik jest czytany przed każdą wiadomością. Ma mówić, kim jest agent i gdzie co leży, a nie mieścić całą wiedzę.

Jak stosować: Trzymaj go poniżej ~200 linii, dodaj reguły (np. „95% pewności przed zmianą”), a duże treści trzymaj w osobnych plikach, do których CLAUDE.md tylko odsyła. Aktualizuj go, mówiąc agentowi „zapisz to, żebyś nie musiał tego szukać następnym razem”.

Na co uważać: Rozdęty CLAUDE.md (tysiąc linii) jest doczytywany przy każdej, nawet trywialnej wiadomości — to ukryty, stały koszt tokenów i gorsza jakość.

3.Zawsze każ AI udowodnić swoją pracę

Na czym polega: Wbudowana weryfikacja (testy, zrzuty ekranu, ponowne sprawdzenia) przesuwa jakość pierwszego podejścia z ~60% na ~80% i zamyka lukę bez wielu ręcznych iteracji.

Jak stosować: Zapytaj siebie: co zrobiłbym, by zaakceptować tę pracę od człowieka? — i to samo zleć agentowi (przetestuj formularz sto razy, otwórz i przejrzyj stronę, sprawdź spójność danych).

Na co uważać: Weryfikacja to nie licencja na ślepe zaufanie — Twoje nazwisko jest pod wynikiem, więc smak i finalny przegląd nadal należą do Ciebie. Uważaj też na pętle „przeróbek” (np. przy animacjach zrzut może źle uchwycić dynamikę).

4.Wybieraj najprostsze rozwiązanie na piramidzie systemów AI

Na czym polega: Chatbot → workflow → AI workflow → agent. W górę rośnie autonomia, ale też koszt, ryzyko i nieprzewidywalność.

Jak stosować: Zadawaj dwa pytania: czy muszę to wyzwalać osobiście, czy system może sam? Oraz: czy ten krok naprawdę potrzebuje AI, czy wystarczy skrypt/no-code? Domyślaj się prostoty (np. formularz → ClickUp bez AI).

Na co uważać: Wpychanie AI wszędzie („agent do każdej funkcji”) to droga do zawodnych, drogich systemów. Elitarną wersją „osoby od AI” jest umieć powiedzieć: „tu AI nie jest potrzebne”.

5.Bezpieczeństwo egzekwuj na poziomie narzędzi, nie promptu

Na czym polega: Prompt to sugestia — agent może go zignorować, jeśli ma dane narzędzie. Twarda bariera to brak narzędzia.

Jak stosować: Jeśli agent ma tylko szkicować maile — nie dawaj mu narzędzia „wyślij”. Używaj kluczy z zawężonymi uprawnieniami i limitami wydatków; w settings.json blokuj operacje ryzykowne (usuwanie, zmiana katalogów).

Na co uważać: Zakładaj najgorszy scenariusz: jeśli agent może coś odczytać lub dotknąć — zrobi to. Historie o skasowanych bazach i masowo wysłanych mailach wzięły się z posiadania narzędzia, nie z polecenia.

6.Zarządzaj oknem kontekstu, zanim wejdzie w „dumb zone”

Na czym polega: Powyżej pewnego zapełnienia jakość dryfuje (context rot) — model myli się i zapomina.

Jak stosować: Około 250–300 tys. tokenów (lub ~60% przy compact) rób reset. Zamiast czekać na auto-compact (~95%, za późno), użyj skilla session handoff: podsumuj decyzje i pliki, /clear, wklej podsumowanie i kontynuuj. Ustaw status line i sprawdzaj /context.

Na co uważać: Samo /clear kasuje wiedzę — dlatego potrzebny jest handoff. Po 3–4 compactach z rzędu jakość i tak spada; wtedy podsumuj i zacznij świeżo.

7.Rozumiej ekonomię tokenów i buforowania

Na czym polega: Przy każdej wiadomości model czyta całą rozmowę — koszt rośnie wykładniczo. Buforowane tokeny kosztują 10% normalnego wejścia, ale cache ma TTL (godzina na subskrypcji, 5 minut na API/sub-agentach).

Jak stosować: /clear między niepowiązanymi zadaniami, łącz prompty w jeden, odłączaj nieużywane MCP (preferuj CLI), nie pauzuj dłużej niż godzinę, duże zadania rób poza szczytem (8:00–14:00 ET).

Na co uważać: Zmiana modelu w trakcie (także model opus plan) i zmiana promptu systemowego resetują cache — nawet gdy treść jest identyczna. Nie każdy szczegół API musisz znać; opanuj zasadę 80/20.

8.Dobierz poziom „drugiego mózgu” do realnego bólu, nie do mody

Na czym polega: Pięć poziomów (router+pliki → LLM-wiki → wyszukiwanie semantyczne → graf wiedzy → zawsze włączony OS). Niżej ≠ lepiej.

Jak stosować: Zdiagnozuj ból: nie znajdujesz po słowie → poziom 1–2; szukasz po znaczeniu → wektory; potrzebujesz łańcuchów relacji → graf. Jeden projekt może mieszać poziomy (np. transkrypty jako wektory, decyzje jako markdown).

Na co uważać: Wektory zwracają fragmenty, więc do podsumowań i pełnych zestawień lepszy jest cały plik markdown. Grafy wiedzy są najdroższe i najbardziej złożone — wchodź w nie tylko przy realnej potrzebie. Największym wyzwaniem bywa nie wyszukiwanie, lecz wydobycie wiedzy z głowy (skill grill me).

9.Deleguj do sub-agentów świadomie — i tanio

Na czym polega: Sub-agent ma świeże okno kontekstu i może działać na tańszym modelu; główny (Opus) orkiestruje, sub-agenty (Haiku/Sonnet) wykonują i raportują.

Jak stosować: Deleguj, gdy zaraz zrzucisz stertę, której nie przeczytasz, gdy czytasz dużo plików, gdy chcesz bezstronnego recenzenta lub gdy zadania są niezależne (równoległość). Tanie modele do lektury i podsumowań.

Na co uważać: Sub-agenty zużywają 7–10× więcej tokenów (każdy startuje z pełnym kontekstem), nie rozmawiają ze sobą i nie zadają Ci pytań. Nie wymuszaj ich przy prostych, zależnych krokach. Dynamiczne workflow potrafią odpalić dziesiątki–setki agentów i błyskawicznie zjeść limit sesji.

10.Wygrywa nastawienie: iteruj, bądź menedżerem i nie odpadaj w dołku

Na czym polega: Większość tej pracy jest nietechniczna — to jasne myślenie w naturalnym języku. Jesteś menedżerem agentów: wdrażasz, oceniasz osądem, dajesz feedback, każesz aktualizować instrukcje.

Jak stosować: Traktuj każdy wynik jak okazję do ulepszenia systemu; wiąż automatyzacje z jedną metryką i definiuj „gotowe” przed startem; przed budową „ostrz siekierę” (grill me, mapowanie procesu). Gdy AI zawiedzie, najpierw sprawdź, czy dałeś dość kontekstu.

Na co uważać: Ludzie rezygnują w „dołku” tuż przed wykładniczymi korzyściami. Nie oczekuj liniowego postępu ani strzału za pierwszym razem — i nie automatyzuj zepsutego procesu, bo tylko go przeskalujesz.