The Bigger Your Folder Gets, The Dumber Claude Gets

O czym jest ten film

1. Im więcej plików podajesz modelowi AI naraz, tym gorzej sobie radzi — to skutek ograniczonego okna kontekstu.
2. Jakość odpowiedzi gwałtownie spada, gdy „głowa” modelu zapełni się mniej więcej powyżej 50%.
3. Rozwiązaniem jest system trzech warstw abstrakcji między pytaniem a surowymi danymi.
4. Warstwa pierwsza to plik-mapa (map.md) — minimalny spis treści całego archiwum.
5. Warstwa druga to krótkie streszczenia każdego pliku, trzymane w osobnym folderze.
6. Warstwa trzecia to dopiero pliki źródłowe, do których AI sięga wybiórczo.
7. Cały system AI buduje samo — autor podaje gotowe prompty do skopiowania.
8. Budowa mapy i streszczeń jest kosztowna tokenowo, ale to jednorazowy nakład; potem jest taniej.
9. Sub-agenci (równoległe „mini-AI”) przyspieszają i uściślają przetwarzanie plików.
10. Instrukcje systemowe (CLAUDE.md/AGENTS.md) wymuszają cytowania, zakaz zmyślania i samoaktualizację mapy.

Redakcyjne tłumaczenie

Problem: więcej danych to gorszy wynik

Masz folder — a najpewniej kilka — pełen lat pracy. Wydaje ci się, że skierowanie do niego sztucznej inteligencji pomoże. Tymczasem prawda jest odwrotna: im więcej danych podasz AI, tym gorzej sobie radzi.

Jestem Dylan, prowadzę firmę doradczą w obszarze AI i jest to problem, który regularnie pomagam ludziom rozwiązać. Po obejrzeniu tego materiału będziesz mieć AI, które przeszukuje tysiące plików i wyciąga te właściwe — bez pomijania rzeczy istotnych i bez zmyślania. Najlepsze jest to, że cały ten system AI zbuduje za ciebie.

To jedna z tych walk, które nieustannie toczymy z AI. Model ma ograniczoną przestrzeń w „głowie”, a im bardziej ją zapełniamy, tym głupszy się staje. Technicznie ta „głowa” nazywa się oknem kontekstu.

(Informacja dodatkowa: okno kontekstu to maksymalna liczba tokenów — fragmentów tekstu — którą model może jednocześnie „widzieć” podczas jednej odpowiedzi.)

Nie ma znaczenia, którego modelu używasz — GPT, Claude czy Gemini — wszystkie są ograniczone tym, ile są w stanie utrzymać naraz. Dobrze obrazuje to prosty wykres: na osi pionowej mamy jakość odpowiedzi, na osi poziomej liczbę plików podanych AI. Gdy zapełnimy głowę modelu powyżej mniej więcej 50%, jego inteligencja spada jak kamień. W naszym przypadku tym obciążeniem jest właśnie liczba plików, które podajemy.

Musimy więc zbudować wokół tej słabości system i rusztowanie, żeby wyciągać z AI maksimum — nawet gdy chcemy, by przeczytało setki, a wręcz tysiące plików.

Rozwiązanie: spis treści, czyli plik-mapa

System jest bardzo prosty i przypomina to, jak z problemem poradziłby sobie człowiek. To spis treści — albo, jak go nazywam, plik-mapa.

Wyobraź sobie, że daję ci raport na 500 stron. Bez spisu treści nie wiesz, gdzie szukać potrzebnej informacji — musisz przeczytać całość od deski do deski. Ze spisem treści rzucasz okiem, widzisz, że interesuje cię budżet, przechodzisz od razu na stronę 23 i masz to, czego potrzebujesz. Dokładnie to zamierzamy dać sztucznej inteligencji.

Dziś, gdy podajesz AI setki czy tysiące plików, po prostu liczysz, że znajdzie to, co trzeba. Czasem znajduje. Ale to podejście powolne i mniej dokładne.

Zakładam, że korzystasz z narzędzia agentowego na komputerze — Claude, Codex czy podobnego — które dobrze radzi sobie z przemierzaniem plików. Ale nawet te narzędzia, z topowymi modelami, po przekroczeniu pewnego progu zaczynają się gubić. Dlatego potrzebujemy mapy.

Trzy warstwy abstrakcji

Zanim AI dotrze do surowych informacji, przejdzie przez trzy warstwy. Masz zapewne folder lub wiele podfolderów z setkami czy tysiącami plików — to surowe dane, pliki źródłowe. Przed nimi ustawiamy dwie warstwy abstrakcji, żeby AI łatwo znajdowało to, czego potrzebuje, i nie było przytłoczone.

Warstwa pierwsza — plik-mapa. To plik map.md, który AI stworzy za ciebie. To nasz spis treści i musi być maksymalnie oszczędny, bo AI zagląda do niego przy każdej interakcji. Zwykle znajdą się w nim nazwy folderów, nazwy plików w podfolderach i po jednym–pięciu słowach opisujących zawartość każdego pliku. Gdy zadajesz pytanie, AI na podstawie mapy szybko określa, które pliki są istotne.

Warstwa druga — streszczenia. Po ustaleniu, które pliki są istotne, AI schodzi o poziom głębiej — nie od razu do źródeł, bo te mogą liczyć setki czy tysiące stron, co znów przytłacza model. Dlatego dla każdego pliku tworzymy streszczenie na jedną lub pół strony, a czasem zaledwie trzy–pięć zdań. Długość zależy od źródła: dla dokumentu na tysiąc stron lepiej sprawdzi się streszczenie jednostronicowe. Wszystkie streszczenia trzymamy w osobnym folderze. Gdy AI uzna plik za istotny, najpierw czyta jego streszczenie.

Warstwa trzecia — pliki źródłowe. Dopiero jeśli streszczenie potwierdzi, że to właściwy plik, AI sięga do źródła. I nie musi czytać całości — może przejść do konkretnego fragmentu, znaleźć informację i ją zwrócić.

W całym procesie stopniowo odsłaniamy AI coraz więcej informacji, ale w sposób ukierunkowany — tak, by zwracało tylko to, co niezbędne, i nie zapełniało okna kontekstu zbyt szybko.

Jak to zbudować — pierwszy prompt: rozpoznanie potrzeb

Cały system buduje za nas AI. Podam ci serię promptów do skopiowania — najpewniej będziesz je dostosowywać do swojego przypadku, ale są dobrym punktem wyjścia.

Pierwszy prompt pozwala AI zbadać dostępne pliki oraz twoje intencje, żeby ustalić strukturę mapy i ewentualnie poprzenosić pliki i foldery. Na początku wyjaśniamy modelowi kontekst: „Pomagasz mi zbudować system, który ma przeszukiwać wiele plików w wielu folderach, bez konieczności czytania wszystkiego, by uzyskać odpowiedź”.

Następnie prosimy, by zanim cokolwiek zbuduje, najpierw obejrzał pięć–siedem plików i powiązane podfoldery, żeby zrozumieć strukturę danych oraz rodzaj pytań, które będziemy zadawać. Potem prosimy o krótkie rozeznanie w sieci — jakie są aktualne dobre praktyki przeszukiwania dużych zbiorów danych lokalnie na komputerze albo na dysku współdzielonym.

Kolejny krok to wywiad: AI zadaje nam pytania po jednym naraz, tak by każda odpowiedź kształtowała następne pytanie. Ograniczamy liczbę pytań, żeby nas nie zasypać, ale musi ich być dość, by model zebrał potrzebne informacje. Dobry punkt równowagi to około siedem–dziesięć pytań. Podpowiadamy też, na czym ma się skupić w wywiadzie: czego najczęściej potrzebuję z tych plików, jak logicznie je pogrupować oraz wszystko inne, co uzna za przydatne.

Na końcu wywiadu prosimy AI o stworzenie prostej struktury — mapy — na podstawie rozmowy i kontekstu. I zanim zbuduje całość, ma poprosić mnie o akceptację, żebym potwierdził, że struktura odpowiada moim intencjom.

Drugi prompt: budowa mapy i streszczeń

Gdy zaakceptujemy strukturę, przechodzimy do faktycznego zbudowania mapy i przejrzenia wszystkich plików. Ten krok jest bardzo kosztowny tokenowo — trwa długo i zużywa dużo tokenów. Upewnij się więc, że masz odpowiedni plan płatny. Firma na planie enterprise płaci za tokeny, więc poradzi sobie bez problemu. Konto osobiste powinno być powyżej planu za 20 dolarów — najlepiej co najmniej plan za 100 dolarów.

(Informacja dodatkowa: chodzi o plany subskrypcyjne dostawców narzędzi AI, np. Claude czy ChatGPT — droższy plan daje wyższe limity zużycia.)

W tym prompcie prosimy AI, by zbudowało uzgodniony system i przetworzyło każdy plik z osobna. Czas zależy od liczby plików — 100 plików zajmie mniej niż 1000. Dodatkowo prosimy, by pracowało równolegle z użyciem sub-agentów. Sub-agent to, w uproszczeniu, „mini-AI”. Główne AI, z którym rozmawiasz w wątku, na twoją prośbę powołuje wiele mini-AI, które przetwarzają pliki równolegle. Dzięki temu jest nie tylko szybciej, ale i dokładniej — każdy sub-agent ma własne okno kontekstu, więc nie zapełnia się od razu. To ważne: musisz jawnie zażądać sub-agentów, żeby AI ich użyło. Claude i Codex radzą sobie z tym doskonale.

Następnie instruujemy: dla każdego pliku dopisz do mapy jedną krótką linię z nazwą pliku, opisem, czym jest, oraz dwoma–czterema słowami łatwej do wyszukania kategorii. Po utworzeniu linii w mapie AI tworzy plik streszczenia w folderze streszczeń. Jego długość znów zależy od źródła — dla dokumentu na tysiąc stron chcesz raczej jednej strony niż trzech–pięciu zdań.

Dla bezpieczeństwa dodajemy zabezpieczenie: „Korzystaj wyłącznie z informacji zawartych w pliku, znikąd indziej. Nie zmyślaj. Jeśli informacji nie ma, zostaw puste pole zamiast wypełniać luki”. Na koniec prosimy: „Gdy skończysz, pokaż mi losowo pięć plików, żebym mógł sprawdzić i plik źródłowy, i streszczenie, i wpis w mapie — czy wszystko się zgadza”.

Piękne w tym jest to, że gdy raz zbudujesz mapę i strukturę, każde kolejne pytanie AI obsłuży efektywniej — nie musi znów przeglądać wszystkiego. Z czasem jest więc taniej tokenowo. Kosztowna jest tylko pierwsza budowa.

Trzeci element: instrukcje systemowe

Żeby korzystać z systemu, musimy dać AI stałe instrukcje, dzięki którym za każdym pytaniem sprawnie przemierzy zbiór, nie dając się przytłoczyć. Trafią one w różne miejsca zależnie od narzędzia: w Claude to plik CLAUDE.md w folderze nadrzędnym, w Codeksie plik AGENTS.md w folderze nadrzędnym. To instrukcje systemowe — AI zagląda do nich przy każdej interakcji, zanim zrobi cokolwiek innego.

(Informacja dodatkowa: w oryginale autor mówi „agent side MD” — chodzi o plik AGENTS.md, standardowy plik instrukcji dla agentów Codex.)

Na wstępie mówimy AI, jak korzystać z folderu. Pierwsza zasada: przy każdej interakcji najpierw zajrzyj do mapy, a nie od razu do surowych danych. Druga: zawężaj w kolejności — najpierw mapa, potem streszczenia, a dopiero potem pełne pliki. Celowo każemy AI zawężać zakres na podstawie pytania, żeby nie musiało przeglądać wszystkiego.

Dalej mówimy, jak odpowiadać na pytania. Bardzo ważny element, który polecam zachować, to cytowania: dla każdego punktu w odpowiedzi AI ma podać źródło — nazwę pliku oraz sekcję lub stronę, żebyś mógł szybko zweryfikować odpowiedź. Kolejna rzecz warta zachowania: jeśli AI nie znajdzie odpowiedzi w plikach, ma to wprost powiedzieć, a nie wypełniać luk i zmyślać.

Na samym dole jest część kluczowa: AI ma utrzymywać mapę aktualną. Za każdym razem, gdy dodasz lub usuniesz pliki z podfolderów, AI aktualizuje mapę, by odzwierciedlała rzeczywistą zawartość. Robi to samo, o ile umieścisz tę instrukcję. To jedna z najciekawszych cech tej struktury — system sam się utrzymuje w czasie.

Jak to wygląda w codziennym użyciu

Gdy wszystko jest gotowe — system, podfoldery, instrukcje — korzystanie jest bardzo proste. Pytanie do AI nie musi być rozbudowane.

Załóżmy, że prowadzisz firmę budowlaną i dużo remontujesz. Otwierasz w Claude lub Codeksie odpowiedni folder i zadajesz proste pytanie: „Mam nowego klienta, który chce remont kuchni przy napiętym budżecie. Znajdź trzy dawne zlecenia najbardziej podobne do tego i powiedz dokładnie, ile policzyliśmy, co się sprawdziło, co idealnie nie zadziałało i co przekroczyło budżet”. AI może przejrzeć 500, 600 czy 1000 wykonanych zleceń, wskazać najtrafniejsze i dać ci najbardziej adekwatną odpowiedź — coś, co wcześniej było praktycznie niewykonalne.

Wracając do wykresu z początku: zamiast degradacji inteligencji przy większej ilości danych, teraz inteligencja rośnie, a jakość odpowiedzi się poprawia. Mamy efekt kumulacji.

Podsumowanie

Po pierwsze, musisz dać AI mapę — czyli spis treści. Bez niej im więcej plików, tym głupsze AI. Nie dawaj więc całego folderu naraz; daj najpierw mapę. Po drugie, mapę i streszczenia AI zbuduje za ciebie, a przy odpowiednich instrukcjach będzie utrzymywać je aktualne. I wreszcie — dzięki efektowi kumulacji im więcej plików dodasz do folderów, tym większą dźwignię z AI uzyskujesz, i z czasem ta korzyść narasta dzięki zbudowanemu systemowi.

10 najważniejszych takeaways — z kontekstem zastosowania

1.Nie karm AI całym folderem naraz

Na czym polega: Wydajność modeli spada, gdy okno kontekstu zapełni się powyżej ~50% — przy tysiącach plików AI zaczyna pomijać istotne rzeczy i zmyślać.

Jak stosować: Zanim skierujesz AI do dużego archiwum, zbuduj warstwę pośrednią (mapę i streszczenia). Pytaj przez tę warstwę, a nie bezpośrednio „przeczytaj wszystko”.

Na co uważać: Próg 50% to uproszczenie z filmu, nie sztywna reguła — różne modele degradują się w różnym tempie. Traktuj to jako zasadę kierunkową, nie dokładną granicę.

2.Zbuduj trójwarstwową strukturę: mapa → streszczenia → źródła

Na czym polega: Dwie warstwy abstrakcji (mapa i streszczenia) stoją przed surowymi plikami, dzięki czemu AI odsłania sobie informacje stopniowo i celowo.

Jak stosować: Utrzymuj trzy poziomy: minimalny map.md, folder krótkich streszczeń oraz nietknięte pliki źródłowe. AI schodzi głębiej tylko wtedy, gdy poprzednia warstwa potwierdzi trafność.

Na co uważać: Streszczenia muszą wiernie oddawać źródło — słabe streszczenie sprawi, że AI odrzuci właściwy plik albo wybierze zły. Dopasuj ich długość do rozmiaru źródeł.

3.Mapa ma być skrajnie oszczędna

Na czym polega: AI czyta mapę przy każdej interakcji, więc każdy zbędny znak to zmarnowany kontekst.

Jak stosować: W mapie trzymaj tylko nazwę pliku, jedno–pięć słów opisu i dwu–czterowyrazową, łatwą do wyszukania kategorię.

Na co uważać: Pokusa, by wsadzić do mapy więcej detali, niszczy jej sens — jeśli spis treści urośnie do rozmiaru dokumentu, wracasz do punktu wyjścia.

4.Wymuś cytowania w każdej odpowiedzi

Na czym polega: Instrukcja systemowa każe AI przy każdym punkcie podać nazwę pliku oraz sekcję lub stronę źródła.

Jak stosować: Wpisz wymóg cytowań na stałe do CLAUDE.md/AGENTS.md. Dzięki temu każdą odpowiedź weryfikujesz w kilka sekund.

Na co uważać: Cytowanie nie gwarantuje poprawności — model może wskazać właściwy plik, a źle zinterpretować treść. Wyrywkowo sprawdzaj same źródła, nie tylko obecność cytatu.

5.Zablokuj zmyślanie regułą „puste zamiast wymyślonego”

Na czym polega: Prompty i instrukcje systemowe jawnie każą AI zostawić puste pole albo powiedzieć „nie znalazłem”, gdy informacji nie ma w plikach.

Jak stosować: Dodaj tę zasadę zarówno przy budowie streszczeń, jak i w instrukcjach użycia. Wolisz brak odpowiedzi niż odpowiedź zmyśloną.

Na co uważać: To ogranicza halucynacje, ale ich nie eliminuje. Przy decyzjach o wysokiej stawce nadal weryfikuj kluczowe fakty ręcznie.

6.Każ AI pracować równolegle na sub-agentach

Na czym polega: Sub-agenci to osobne instancje modelu z własnym oknem kontekstu, przetwarzające pliki równolegle — szybciej i dokładniej.

Jak stosować: Przy budowie mapy jawnie napisz w prompcie, że AI ma użyć sub-agentów. Claude i Codex obsługują to dobrze.

Na co uważać: Bez wyraźnego polecenia model często ich nie użyje. Równoległość zwiększa też chwilowe zużycie tokenów — pilnuj limitów planu.

7.Policz się z jednorazowym, wysokim kosztem budowy

Na czym polega: Pierwsze przejście przez wszystkie pliki jest długie i tokenożerne; potem korzystanie jest znacznie tańsze.

Jak stosować: Zaplanuj budowę na plan z odpowiednim limitem (autor sugeruje min. plan „100 dolarów” dla kont osobistych) lub rozliczenie za tokeny w firmie.

Na co uważać: Kwoty planów z filmu to orientacja na 2026 rok i mogą się różnić od twojego dostawcy. Oszacuj koszt na próbce plików, zanim puścisz całe archiwum.

8.Wpisz instrukcje w plik, który AI czyta zawsze

Na czym polega: Reguły użycia trafiają do CLAUDE.md (Claude) lub AGENTS.md (Codex) w folderze nadrzędnym — model zagląda tam przed każdą akcją.

Jak stosować: Umieść tam kolejność zawężania (mapa → streszczenia → pliki), wymóg cytowań, zakaz zmyślania i regułę aktualizacji mapy.

Na co uważać: Nazwa i lokalizacja pliku zależą od narzędzia — sprawdź konwencję swojego agenta, bo źle nazwany plik zostanie zignorowany.

9.Zadbaj o samoaktualizację mapy

Na czym polega: Instrukcja każe AI aktualizować mapę przy każdym dodaniu lub usunięciu plików, więc struktura pozostaje spójna z zawartością folderu.

Jak stosować: Zachowaj tę regułę w instrukcjach systemowych — dzięki temu system utrzymuje się sam, bez ręcznego pielęgnowania spisu treści.

Na co uważać: Automatyczna aktualizacja działa tylko, gdy operujesz na plikach przez tego agenta. Zmiany wprowadzone poza nim (np. wgranie plików ręcznie) mogą wymagać jawnego polecenia odświeżenia mapy.

10.Wykorzystaj efekt kumulacji

Na czym polega: Przy właściwej strukturze więcej plików oznacza większą dźwignię — AI trafniej dobiera najbardziej pasujące przypadki z setek zleceń czy dokumentów.

Jak stosować: Buduj system tam, gdzie masz duże, historyczne archiwum (np. dawne wyceny, projekty, sprawy) i formułuj pytania proste, ale konkretne — o porównanie kilku najbardziej podobnych przypadków.

Na co uważać: Kumulacja działa tylko dopóki mapa i streszczenia nadążają za rzeczywistością. Zaniedbana warstwa pośrednia zamienia dźwignię z powrotem w chaos.