Claude Fable 5 + Higgsfield = UNLIMITED ADS

O czym jest ten film

1. Autor pokazuje eksperyment, w którym model Claude Fable 5 samodzielnie przeszedł całą drogę od researchu produktów do gotowych reklam.
2. Model wyszukał trzy dobrze sprzedające się produkty na TikTok Shopie, stworzył ich własne odpowiedniki i zbudował dla nich kampanie.
3. Efekt końcowy to 45 gotowych kreacji — statyków i wideo — w trzech kampaniach dla trzech różnych marek.
4. Kluczowy element pipeline’u: „podbieranie” zwycięskich reklam z Meta Ads Library i wyciąganie z nich struktury (hooka, sekwencji ujęć, momentów pojawiania się tekstu, zakończenia).
5. Do oglądania reklam klatka po klatce służy autorska, darmowa umiejętność „watch skill”.
6. Generowanie obrazów i wideo odbywa się przez platformę Higgsfield, podłączoną do Claude Code przez MCP (Higgsfield jest sponsorem materiału).
7. Dane o produktach i reklamach dostarcza API Scrape Creators, obsługujące zarówno Meta Ads Library, jak i TikTok Shop.
8. Autor omawia budowę promptu: opis etapów pipeline’u, wymuszenie autonomii, komenda /goal i praca na równoległych subagentach.
9. Uczciwie przyznaje, że wyniki nie są idealne — głosy w wideo bywają nienaturalne, a spójność marki czasem się rozjeżdża.
10. Cały workflow działa u autora wewnątrz jego „AI OS”, czyli środowiska z gotowym kontekstem o ofercie, klientach i stylu pisania.

Redakcyjne tłumaczenie

Wracamy do Fable 5 — i od razu z konkretnym zastosowaniem

Najmocniejszy model AI, jaki dotąd powstał — Claude Fable 5 — znowu jest dostępny. Zanim znów go stracimy przez ceny API, chcę pokazać prosty sposób na to, żeby generować nim nieograniczoną liczbę skutecznych reklam. Całkowicie autonomicznie.

(Informacja dodatkowa: autor nawiązuje do sytuacji, w której najmocniejsze modele bywają okresowo ograniczane lub przenoszone na droższe plany API — stąd ton „zdążmy, póki jest”.)

Przeprowadziłem eksperyment. Kazałem Fable 5 znaleźć dobrze sprzedające się produkty direct-to-consumer na TikTok Shopie, stworzyć moje własne wersje tych produktów i zbudować pełną strategię reklamową opartą na tym, co aktualnie działa w Meta Ads.

(Informacja dodatkowa: direct-to-consumer, D2C, to model sprzedaży bezpośrednio do klienta końcowego, z pominięciem pośredników i sieci handlowych.)

Model znalazł trzy produkty na TikTok Shopie, które teraz dosłownie drukują pieniądze. Poszedł do Meta Ads, znalazł kreacje reklamowe, wyekstrahował ich DNA, a następnie odtworzył je dla naszych własnych produktów. Efekt końcowy jest, szczerze mówiąc, niesamowity.

Trzy produkty, trzy kompletne kampanie

Produkt pierwszy: Gator Works. Fable ustalił, że obrotowe tarki do sera sprzedają się obecnie na TikTok Shopie w liczbie ponad 500 tysięcy sztuk. Wymyślił więc własną markę — obrotową tarkę klasy restauracyjnej za 25 dolarów — i zbudował dla niej pełną kampanię. Dziewięć reklam statycznych i sześć wideo. Spójrzcie na te hasła: „Już nigdy nie dotkniesz zwykłej tarki”, „Przestań kupować ser starty w torebce”. To dokładnie te kąty komunikacyjne, na których jadą teraz zwycięskie reklamy w tej kategorii.

Drugi to Forge Fuel. Tym razem model poszedł w fitness: białko w wersji deserowej, „loaded protein”, za 39 dolarów, skierowane do bywalców siłowni, którzy kupują przede wszystkim smakiem. I znów to samo — pełny zestaw statyków i wideo, gotowy do użycia.

Produkt numer trzy to Lumen Glow, tym razem z górnej półki: system do pielęgnacji skóry za 89 dolarów. Ten akurat jest wzorowany na realnym produkcie, który sprzedał się w ponad 540 tysiącach sztuk. Zupełnie inne persony klienta, zupełnie inna estetyka.

Razem daje to 45 gotowych reklam w trzech kampaniach. A najciekawsze jest to, że w ogóle nie mówiłem Fable, jak ma to zrobić. Sam przeprowadził research produktów i ich wybór, sam zescrapował zwycięskie reklamy i sam wygenerował te świetnie wyglądające kreacje. Niczego nie musiałem tu ręcznie zaprojektować. Dałem mu tylko odpowiednie narzędzia — i właśnie te narzędzia pokażę wam w tym materiale, razem z workflow, którego naprawdę potrzebujecie, żeby generować skuteczne reklamy własnych produktów.

Jak wygląda pipeline tworzenia reklam

Krok pierwszy: znajdowanie zwycięzców. Claude scrapuje Meta Ads Library i TikTok Shop, żeby znaleźć i śledzić reklamy o wysokiej skuteczności.

(Informacja dodatkowa: Meta Ads Library to publiczne, jawne archiwum wszystkich reklam emitowanych na Facebooku i Instagramie — długość emisji i częstotliwość wyświetlania są tam popularnym wskaźnikiem tego, że reklama zarabia.)

Krok drugi: podbieranie. Model pobiera zwycięskie kreacje prosto z Meta Ads Library i wyciąga z nich DNA. I nie chodzi tylko o transkrypcję — Fable ogląda je klatka po klatce, korzystając z jednej z moich ulubionych obecnie umiejętności.

Krok trzeci: pisanie skryptów. Na podstawie zwycięskich wideo powstają nowe scenariusze, dopasowane do moich person klienta.

Krok czwarty: storyboardy. Na bazie skryptu model buduje kompletne rozpiski scena po scenie — dosłownie ujęcie po ujęciu odtwarza sprawdzone zwycięskie reklamy, tyle że z naszym produktem i naszymi tekstami.

Krok piąty: generowanie. Automatyczne tworzenie obrazów statycznych i pełnych wideo przy użyciu GPT Image 2 oraz najlepszych obecnie modeli wideo, takich jak Kling i Seedance.

Jakie narzędzia trzeba dać modelowi

Claude Code. To tutaj wszystko się dzieje. Ja uruchamiam Claude Code wewnątrz mojego AI OS, który ma już pełen kontekst moich klientów i produktów. Jeśli nie macie takiego środowiska, trzeba będzie poświęcić trochę więcej czasu na wgranie plików kontekstowych do swojego workspace’u.

Watch skill. To moja darmowa umiejętność, która ma dziś ponad 8 tysięcy gwiazdek na GitHubie. Pozwala Claude’owi oglądać wideo klatka po klatce — bez tego nie da się sensownie podbierać reklam wideo.

Higgsfield. Tutaj podłączamy Claude Code bezpośrednio do najlepszych modeli wideo przez ich nowe MCP. Higgsfield to platforma dająca dostęp do wszystkich czołowych modeli obrazu i wideo w jednym miejscu, a ich MCP pozwala Claude Code sterować całością autonomicznie.

(Informacja dodatkowa: MCP — Model Context Protocol — to standard, dzięki któremu model może wywoływać zewnętrzne usługi jak własne narzędzia.)

Scrape Creators. To API pozwala scrapować Meta Ads Library i bibliotekę TikTok Shopa, żebyśmy widzieli, co faktycznie działa w produktach D2C i w reklamach.

Sporo tego, ale spokojnie — za chwilę pokażę, jak ustawić każdy element.

Prompt: cztery rzeczy, które naprawdę mają znaczenie

Jak mówiłem, nie dałem Fable ani bardzo długiego, ani bardzo dyrektywnego promptu. Podałem dosłownie tylko intencję wysokiego poziomu i narzędzia. W samym prompcie liczą się cztery elementy.

Po pierwsze, podałem pipeline, który chcę uzyskać — czyli dokładnie te kroki, które przed chwilą omówiliśmy. Nie mówię modelowi, jak ma wykonać którykolwiek z nich. Mówię tylko, co dany etap ma wyprodukować. Resztę Fable dopowiada sobie sam.

Po drugie, każę mu działać autonomicznie. Na samej górze promptu piszę, żeby przeszedł całą drogę od początku do końca, o nic mnie po drodze nie pytając. Potem powtarzam to na dole, informując Fable, że człowiek jest po prostu zajęty. Dzięki temu model nie zatrzymuje się, żeby prosić o zgodę albo doprecyzowanie.

Po trzecie, zrobiłem z tego cel — komendą /goal na końcu promptu. To oznacza, że model będzie pracował dalej, sprawdzał własne wyniki i sam się korygował, dopóki wszystkie trzy kampanie nie zostaną naprawdę zbudowane.

Po czwarte, każę mu wszędzie, gdzie to możliwe, używać równoległych subagentów, na Fable 5 z średnim poziomem wysiłku. Jeśli ktoś liczy się z tokenami bardziej niż ja, warto rozważyć zejście na Sonnet do researchu, a Fable zostawić wyłącznie do generowania. Praca na subagentach sprawia jednak, że całość kończy się dużo szybciej.

(Informacja dodatkowa: „poziom wysiłku” to ustawienie decydujące, jak długo model rozumuje nad zadaniem — wyższy oznacza lepsze wyniki i wyższy koszt.)

Przebieg na żywo

Wklejam prompt do Claude Code i ruszamy. Od razu widać, że powstała cała grupa subagentów pracujących równolegle — każdy przeszukuje inne produkty na TikTok Shopie. Pierwszą rzeczą, jaką model zwraca, są te trzy produkty, które widzieliśmy wcześniej.

Potem zaczyna się podbieranie. Model wyciągnął z każdej kategorii reklamy emitowane najdłużej i z najwyższą częstotliwością. Następnie ogląda je przez watch skill, klatka po klatce, i spisuje DNA każdej z nich: hook, ujęcie, sekwencję, moment pojawienia się tekstu i sposób zamknięcia. Z tego powstają nowe skrypty i storyboardy pod nasze produkty.

Kiedy to gotowe, zaczyna generować w Higgsfieldzie. Widać, jak materiały spływają jeden po drugim. Co ciekawe, Claude sam dobiera różne modele do różnych typów generowania — jeden materiał powstaje na Kling 3.0 Turbo, inne niżej na Seedance 2.0.

Na końcu w folderze demo mam wszystkie stworzone produkty, przykładowe reklamy, z których model podbierał, fotografie statyczne oraz gotowe wideo — gotowe do zamiany w kampanie i publikacji na Mecie.

Jak wyszły efekty

Nie są idealne. Widać drobne usterki: niektóre głosy brzmią nieco sztucznie, czasem marka nie wygląda dokładnie tak, jak powinna. Ale nie ma tam nic, czego nie dałoby się poprawić przy drugim przejściu. Sama koncepcja jest natomiast rewelacyjna, bo każda z tych reklam to ujęcie po ujęciu odtworzenie czegoś, co naprawdę działa w tej chwili w Meta Ads Library.

Statyki są wręcz szalone — wyniki naprawdę dobre, zwłaszcza przy Lumen. Ten produkt jest wyjątkowo spójny we wszystkich kreacjach i naprawdę wygląda jak realna marka kosmetyczna.

Instalacja krok po kroku

Jeśli chcecie uruchomić dokładnie ten pipeline, razem z oglądaniem przez Claude’a każdej podebranej reklamy, trzeba to postawić w Claude Code — najlepiej w wersji terminalowej. Najprościej przejść do przewodnika quick start z opisu pod filmem i wykonać instrukcje. Po instalacji otwieracie terminal — na Macu albo PowerShell na PC — wpisujecie claude i to działa.

Ja jednak nie uruchamiam Claude Code w ten sposób. Robię to wewnątrz mojego AI OS, który zna moje oferty, moich klientów i sposób, w jaki piszę. Pozwala mi też zamieniać takie workflow w systemy działające na autopilocie. Za kilka tygodni prowadzę 90-minutowy warsztat, na którym pokażę, jak zainstalować u siebie dokładnie mój system pracy z Claude Code — link w opisie.

Claude domyślnie nie potrafi oglądać wideo. Żeby dać mu oczy, potrzebny jest watch skill, dostępny całkowicie za darmo pod linkiem w opisie. Umiejętność dostarcza Claude’owi transkrypcję plus klatki każdej reklamy, więc model faktycznie widzi, co się dzieje. Ma nawet inteligentne wykrywanie scen, dzięki czemu wie, czego szukać i co odtworzyć w storyboardach. Instalacja to dwie komendy z instrukcji, wklejane po kolei do Claude Code — zajmuje kilka sekund.

Claude potrzebuje też sposobu na połączenie się z TikTok Shopem i Meta Ads Library. Można zbudować własny scraper albo skorzystać z gotowego. Ja używam Scrape Creators, bo pozwala pobierać biblioteki reklam Mety i TikToka jednocześnie i jest dość tani.

Na końcu pipeline generowania obrazów. Do tego używamy Higgsfielda, który jest jednocześnie sponsorem tego materiału. Higgsfield zbiera pod jednym dachem najlepsze modele obrazu i wideo oraz pozwala budować rozbudowane sekwencje wideo. Wchodzicie w link z opisu i zakładacie konto. Można generować każde wideo ręcznie, ale my użyjemy ich nowego MCP i podłączymy to bezpośrednio do Claude Code. MCP Higgsfielda pozwala Fable 5 automatycznie sterować modelami, więc całość da się w pełni zautomatyzować.

Konfiguracja: wchodzicie na higgsfield.ai/mcp, kopiujecie link do serwera MCP i wracacie do Claude AI. Tam, w oknie konektorów, dodajecie go jako nowy własny konektor. System poprosi o zalogowanie, a po tym narzędzie będzie dostępne zarówno w Claude, jak i w Claude Code. Podłączenie MCP jest darmowe, a w opisie zostawiłem kod promocyjny i link.

Cały ten pipeline działa wewnątrz mojego AI OS — systemu operacyjnego, na którym stoi cały mój biznes. Zna już moje oferty, moich klientów i mój sposób pisania. Jeśli chcecie zobaczyć, jak dokładnie to działa, to jest kolejny film do obejrzenia.

10 najważniejszych takeaways — z kontekstem zastosowania

1.Publiczne biblioteki reklam to darmowe źródło sprawdzonych wzorców

Na czym polega: Meta Ads Library pokazuje jawnie wszystkie emitowane reklamy. Długość emisji i częstotliwość wyświetlania to praktyczny sygnał, że kreacja zarabia — nikt nie płaci miesiącami za reklamę, która nie zwraca.

Jak stosować: Zanim zaczniesz cokolwiek generować, zbierz z biblioteki reklamy z twojej kategorii, które chodzą najdłużej. To twój punkt wyjścia, nie twoja wyobraźnia.

Na co uważać: Długość emisji to proxy, nie dowód. Duże marki bywają na kroplówce budżetowej mimo słabych wyników, a niektóre reklamy chodzą długo z powodów wizerunkowych, nie sprzedażowych.

2.Rozłóż zwycięską reklamę na DNA, a nie na transkrypcję

Na czym polega: Autor nie kopiuje tekstu, tylko strukturę: hook, sekwencję ujęć, moment pojawienia się tekstu na ekranie, sposób zamknięcia. To ta struktura, a nie konkretne słowa, przenosi się między produktami.

Jak stosować: Dla każdej podebranej reklamy zapisz osobno te cztery elementy w ustalonym formacie. Dopiero na tak sformalizowanym opisie buduj własny scenariusz.

Na co uważać: Granica między inspiracją strukturą a plagiatem kreacji jest cienka. Odtwarzanie ujęcie po ujęciu cudzej reklamy — zwłaszcza z rozpoznawalną marką, aktorem czy muzyką — może być problemem prawnym.

3.Model musi widzieć wideo, żeby je zrozumieć

Na czym polega: Sama transkrypcja gubi wszystko, co decyduje o skuteczności reklamy wizualnej — tempo cięć, kompozycję, moment pokazania produktu. Stąd narzędzie podające modelowi klatki plus wykrywanie scen.

Jak stosować: Jeśli pracujesz z materiałem wideo, zadbaj o pipeline dostarczający modelowi klatki kluczowe, a nie tylko tekst. Bez tego storyboardy będą generyczne.

Na co uważać: Klatki to dużo tokenów. Ustal rozsądną gęstość próbkowania, bo analiza kilkunastu reklam potrafi zjeść budżet szybciej niż całe generowanie.

4.Prompt opisujący co, nie jak

Na czym polega: Autor podał wyłącznie etapy pipeline’u i to, co każdy etap ma wyprodukować. Sposobu realizacji nie narzucał wcale.

Jak stosować: Buduj prompt jako listę etapów z jasno zdefiniowanym artefaktem wyjściowym każdego z nich („na wyjściu tego kroku ma powstać plik z DNA pięciu reklam”). Resztę zostaw modelowi.

Na co uważać: To działa tylko wtedy, gdy artefakty są konkretne i sprawdzalne. Przy mglistym opisie wyjścia autonomia zamienia się w błądzenie.

5.Autonomię trzeba wymusić dwa razy

Na czym polega: Instrukcja „działaj do końca, o nic nie pytaj” pojawia się na początku promptu i jest powtórzona na końcu, wraz z informacją, że człowiek jest niedostępny.

Jak stosować: Powtórz kluczową instrukcję operacyjną na obu końcach długiego promptu. To prosta, tania technika przy długich zadaniach.

Na co uważać: Pełna autonomia to również pełna autonomia w wydawaniu twoich kredytów i wywoływaniu płatnych API. Uruchamiaj to na ograniczonym budżecie i z limitami po stronie dostawcy.

6.Komenda /goal zamiast jednorazowego przebiegu

Na czym polega: Ustawienie zadania jako celu sprawia, że model pracuje dalej, sprawdza własne wyniki i sam je koryguje, aż faktycznie powstaną wszystkie zaplanowane kampanie.

Jak stosować: Używaj przy zadaniach o mierzalnym warunku ukończenia — „trzy kampanie, każda z dziewięcioma statykami i sześcioma wideo”. Wtedy model wie, kiedy skończyć.

Na co uważać: Bez ostrego kryterium ukończenia pętla samokorekty potrafi się nie domykać i mielić w kółko.

7.Subagenty równolegle — kosztem tokenów, na rzecz czasu

Na czym polega: Research produktów rozbito na wiele równoległych subagentów, każdy przeszukujący inny wycinek. Efekt: znacząco szybsze zakończenie.

Jak stosować: Zrównoleglaj etapy niezależne od siebie — wyszukiwanie, analiza pojedynczych reklam, generowanie kreacji. Etapy zależne zostaw sekwencyjnie.

Na co uważać: Równoległość mnoży zużycie tokenów przez liczbę agentów. Autor sam sugeruje wariant oszczędny: słabszy model do researchu, najmocniejszy tylko do generowania.

8.Dobieraj model do zadania, nie jeden do wszystkiego

Na czym polega: W trakcie generowania Claude sam wybierał różne modele wideo — Kling do jednych ujęć, Seedance do innych. Sam autor rekomenduje też zejście na tańszy model w fazie researchu.

Jak stosować: Rozdziel pipeline na etapy o różnej trudności i przypisz im różne poziomy modelu. Research i porządkowanie danych rzadko wymagają najdroższego wariantu.

Na co uważać: Oszczędzanie na etapie ekstrakcji DNA psuje wszystko dalej — tam jakość analizy przekłada się bezpośrednio na jakość finalnych kreacji.

9.Wynik jest surowcem, nie produktem końcowym

Na czym polega: Autor otwarcie przyznaje: część głosów brzmi nienaturalnie, spójność marki bywa niedokładna. Materiał wymaga drugiego przejścia.

Jak stosować: Traktuj wygenerowane 45 kreacji jako pulę do selekcji i poprawek, nie jako komplet do wrzucenia na konto reklamowe. Wybierz najlepsze, dopracuj, dopiero potem publikuj.

Na co uważać: Publikowanie surowego outputu odbija się na marce. Najsłabsze ogniwo to zwykle audio i konsekwencja wizualna produktu między kreacjami.

10.Wartość leży w kontekście, nie w narzędziach

Na czym polega: Autor podkreśla, że u niego całość działa w środowisku, które zna jego oferty, klientów i styl pisania. Bez tego trzeba ręcznie wgrać pliki kontekstowe do workspace’u.

Jak stosować: Zanim zbudujesz pipeline, przygotuj trwałe pliki kontekstowe: persony klientów, opis oferty, ton komunikacji, ograniczenia marki. To one odróżniają wynik generyczny od twojego.

Na co uważać: Film jest sponsorowany przez Higgsfield i promuje płatny warsztat oraz autorskie środowisko autora. Sam pipeline jest odtwarzalny bez tych elementów — potrzeba tylko własnej dyscypliny w utrzymaniu kontekstu.