O czym jest ten film
- Dlaczego korzystanie z AI w trybie czatu nie daje realnych oszczędności czasu — i dlaczego to ty jesteś wąskim gardłem.
- Czym różni się czat od agenta: przejście od „rozmawiania” do „delegowania”.
- Jak działa pętla agenta: obserwacja środowiska → myślenie → działanie → powtórka aż do osiągnięcia celu.
- Czym jest harness (obudowa) i dlaczego sam model językowy nie potrafi działać w pętli.
- Dlaczego nie warto panikować przy każdym nowym narzędziu — fundamenty są wspólne dla wszystkich.
- Trzy luki, które ma świeżo uruchomiony agent, dokładnie jak nowy pracownik pierwszego dnia.
- Kontekst: jak zbudować
about.mdivoice.mdoraz dlaczego pliki markdown biją PDF-y i dokumenty Worda. - Pamięć agenta i zasada, by czytać każdą linijkę plików kontekstowych.
- Narzędzia i protokół MCP jako uniwersalny tłumacz między agentem a twoim stosem aplikacji — plus zasada najmniejszego dostępu.
- Skille jako sposób budowania dźwigni: zamiana jednorazowej rozmowy w wielokrotnie używalną procedurę.
Redakcyjne tłumaczenie
Podział, który właśnie się otwiera
Umiejętność pracy z AI to jedyna kompetencja, jakiej będziesz potrzebować w tej dekadzie — a ten materiał ma cię w niej zrobić obrzydliwie dobrym. Właśnie teraz otwiera się ogromna przepaść: po jednej stronie są ludzie, którzy dzięki AI pracują dziesięć razy wydajniej, po drugiej cała reszta, utknięta na używaniu AI jako lepszego Google’a. Nie ma znaczenia, czy jesteś założycielem firmy, czy pracownikiem — to, po której stronie tej granicy wylądujesz, zdecyduje o tym, czy złapiesz falę AI, czy zostaniesz w tyle.
Problem polega na tym, że jakość edukacji o AI w internecie jest w tej chwili fatalna. Każdy film to kolejna wersja „10 umiejętności, które zrobią z ciebie milionera”. To szum, który nie przybliża cię do tego, co naprawdę daje efekty. Dlatego chcę dziś całą sprawę uprościć i dać ci wszystko, czego potrzebujesz nie po to, żeby palić tokeny, ale żeby zacząć naprawdę skutecznie prowadzić pracę z AI.
Nie zamierzam podawać ci gotowych narzędzi. Zamierzam nauczyć cię, jak wbudować je w swój biznes — a kiedy zrobisz to dobrze, oznacza to oszczędność godzin każdego dnia i tempo pracy, jakiego wcześniej nie znałeś. Gdybym dziś uczył się AI od zera, obejrzałbym dokładnie taki materiał, żeby przejść od nowicjusza do operatora wspieranego przez AI.
Nazywam się Brad. Zarobiłem firmom SaaS miliony przy użyciu AI, a teraz pokazuję, jak to robić.
Dlaczego nie widzisz obiecywanych zysków
Prawdopodobnie już korzystasz z AI, ale gwarantuję, że nie widzisz żadnego z tych wzrostów produktywności, o których wszyscy piszą w sieci. Powód jest prosty: używasz drobnego ułamka tego, za co płacisz.
Są dziś dwa sposoby korzystania z AI i prawie wszyscy utknęli na pierwszym. To czat. Logujesz się na Claude.ai albo ChatGPT.com, zadajesz pytanie, dostajesz odpowiedź. Potem idziesz i wykonujesz tę pracę samodzielnie.
Tu jest problem. Przy czacie nigdy nie zaoszczędzisz realnego czasu, bo całą pracę i tak wykonujesz sam. Myślenie dzieje się w przeglądarce, ale nic się tam nie wykonuje. Wszystko po tym punkcie to ty, kopiujący i wklejający treść do narzędzia, którego akurat używasz. W tym momencie to ty jesteś wąskim gardłem.
Drugi sposób to agenci. I nawet jeśli już o nich słyszałeś — bo kto dziś nie słyszał — obstawiam, że i tak używasz ich źle.
Od rozmawiania do delegowania
Siła agentów polega na przejściu od rozmawiania do delegowania. Przy agentach praca dzieje się bez ciebie. Ty tylko wyznaczasz cel: mówisz, co ma powstać i jak ma wyglądać efekt końcowy. Potem agent idzie i wykonuje tę pracę za ciebie.
Czat nie jest w stanie zdjąć ci z barków sensownej pracy, bo jest uwięziony w przeglądarce. Agent jest.
A wykonuje tę pracę, działając w pętli, która zaczyna się od celu wyznaczonego przez ciebie na starcie. Najpierw obserwuje swoje środowisko: czyta kontekst, sprawdza, co ma do dyspozycji. Potem model AI — i naprawdę nie ma znaczenia, którego używasz — myśli. Decyduje, co zrobić dalej. Następnie działa. To może oznaczać zdobycie kolejnych informacji albo wykonanie jakiejś czynności. Wszystko to dzieje się przy użyciu narzędzi, do których ma dostęp. Pętla powtarza się aż do momentu, w którym wyznaczony na początku cel zamienia się w rezultat.
Silnik i samochód: czym jest harness
Problem w tym, że sam model AI, czyli LLM, nie potrafi działać w pętli. Wszystko, co robi, to przyjmowanie tekstu na wejściu i oddawanie tekstu na wyjściu.
Model sam w sobie jest jak silnik bez samochodu wokół niego. Jest potężny, ale bezużyteczny bez kół. A koła — razem z karoserią, kierownicą, pedałami i wszystkim, co składa się na samochód — nazywamy harnessem. To oprogramowanie, które pozwala modelowi działać w pętli. Harness jest tym, co zamienia potężny silnik w samochód.
(Informacja dodatkowa: „harness” to termin, który w polskim żargonie zwykle zostaje nieprzetłumaczony. Chodzi o warstwę oprogramowania „obudowującą” model — zarządzającą pętlą, narzędziami i kontekstem.)
Harness to zwykły, nieoparty na AI kawałek oprogramowania, który daje modelowi wszystko, czego potrzebuje, by stać się agentem. Już z takich korzystałeś: Claude Code, Codex, Manus — to wszystko są harnessy. Każdy z nich wykonuje tę samą robotę. Biorą model z pierwszej ligi — 5.6, Fable 5, dosłownie dowolny — i pozwalają mu wchodzić w interakcję ze światem wokół, wykonywać zadania rozciągnięte w czasie i budować niesamowite rzeczy.
W tym miejscu wszyscy zaczynają się stresować, bo co miesiąc pojawia się nowy taki harness i każdy film mówi ci, żebyś się przesiadł. Więc pozwól, że od razu to odczaruję. Nauka obsługi tych narzędzi jest dokładnie jak prowadzenie samochodu. Kiedy potrafisz prowadzić jeden, potrafisz prowadzić wszystkie. Wystarczy przyswoić fundamentalne pojęcia, o których zaraz porozmawiamy — i już nigdy nie będziesz uwiązany do jednego narzędzia.
Pierwszy dzień nowego pracownika
Kiedy zaczynasz używać harnessu pierwszego dnia, jest praktycznie bezużyteczny. Jest ku temu powód: on jeszcze nic nie wie.
To dokładnie jak wdrażanie nowo zatrudnionej osoby albo nowego członka zespołu. Na papierze wygląda świetnie. Jest szalenie zdolny. Ale pierwszego dnia nie zna twojego biznesu, nie może się nigdzie zalogować i nie ma pojęcia, jak lubisz załatwiać sprawy. Gdybyś komuś pierwszego dnia pracy rzucił bardzo ogólnikowe zadanie, dostałbyś z powrotem ogólnikową robotę. Powód jest taki, że nie poświęciłeś czasu na danie tej osobie tego, czego potrzebuje, żeby odnieść sukces. Nie wdrożyłeś jej.
Twój nowy harness ma pierwszego dnia trzy ogromne luki, tak samo jak nowy pracownik. Nie zna twojego biznesu. Nie ma dostępu do twoich aplikacji. Nie wie, jak pracujesz.
Zajmijmy się więc wdrożeniem — zaczynając od luki, która najmocniej zmienia jakość efektów.
Luka pierwsza: kontekst
Kontekst to wszystko, co agent powinien już wiedzieć, zanim w ogóle dasz mu jakiekolwiek zadanie.
Zaraz po wyjęciu z pudełka ani czat, ani agent nie wiedzą o tobie nic. Znają wyłącznie swoje dane treningowe i swój prompt systemowy — czyli to, czego nauczyło je laboratorium AI i co powiedziało im o nich samych. Musimy więc dać agentowi kontekst niezbędny do zrozumienia zadań, które zamierzasz mu powierzyć.
Prawdopodobnie już teraz podajesz agentom albo czatom kontekst, nawet o tym nie wiedząc. Za każdym razem, gdy przeciągasz PDF albo dokument Worda do okna czatu i mówisz „użyj tego”, dajesz kontekst. I to jest prawdopodobnie ten sam powód, dla którego tak często dobijasz do limitów użycia. Korzystanie z takich plików jako kontekstu jest kosztowne. Są ciężkie, rozdęte i wymagają od AI dużo wysiłku, żeby je przeanalizować i zinterpretować.
Ale jest lepszy sposób. Najlepszym sposobem podania agentowi kontekstu są pliki markdown. Markdown to po prostu pliki tekstowe, ale ich skrajnie lekkie formatowanie sprawia, że harness czyta je bez wysiłku.
(Informacja dodatkowa: markdown to prosty format zapisu tekstu z minimalnym oznaczeniem struktury — nagłówki poprzedzone znakami #, wypunktowania myślnikami. Pliki mają rozszerzenie .md.)
Zbudujmy więc twój kontekst. Powinieneś zacząć od trzech podstawowych plików i rozbudowywać go dalej.
Pierwszy to about.md. To podsumowanie tego, kim jesteś, czym się zajmujesz, co sprzedajesz i komu sprzedajesz. To fundamentalny kontekst. Możesz go zbudować, nagrywając notatkę głosową i wyrzucając z siebie tyle informacji o sobie, ile zdołasz. Potem każesz agentowi zbudować z tego plik about.md.
Następnie zbuduj voice.md, który mówi agentowi, jak pisać twoim własnym, osobistym stylem. To będzie się różnić w zależności od tego, co piszesz, więc podziel ten plik na części. Maile piszesz prawdopodobnie inaczej niż treści publikowane w sieci. Możesz wykorzystać tę samą notatkę głosową, ale zamiast prosić agenta, żeby zwrócił uwagę na to, co mówisz, poproś, żeby zwrócił uwagę na to, jak to mówisz.
Każdy z tych plików to dokument żywy. Będą się zmieniać razem z tobą i poprawiać w miarę, jak stajesz się lepszy w pracy z agentem. Możesz — i powinieneś — rozbudowywać je z czasem, tworząc kolejne pliki .md: o twojej strategii handlowej czy o profilu idealnego klienta.
To wszystko dotyka dopiero powierzchni tematu kontekstu. Jest tego znacznie więcej: drugi mózg, wiki dla LLM-ów, firmowe bazy wiedzy.
Pamięć: żeby agent uczył się z czasem
Z kontekstem powiązana jest idea pamięci — dbania o to, by harness uczył się z czasem i stale się poprawiał. Niektóre harnessy, jak Claude Code, automatycznie zapisują i tworzą pamięć dla każdego projektu. Jeśli twój tego nie robi, możesz zbudować plik memory.md, w którym będziesz zapisywać swoje preferencje.
Jedna uwaga do plików kontekstowych: korzystaj z agenta przy ich pisaniu, ale przeczytaj w nich każdą pojedynczą linijkę, bo one wpływają na każdy przyszły efekt pracy. Jedna błędna albo sprzeczna linijka może skazić wszystkie kolejne odpowiedzi.
Luka druga: narzędzia i MCP
Nauczyliśmy właśnie agenta wszystkiego o nas samych, dając mu kontekst. Ale pierwszego dnia twój nowy pracownik wciąż nie może się nigdzie zalogować. Nie ma maila i nie wejdzie do CRM-u. Jeśli chcemy, żeby przejął realną pracę, musimy dać mu narzędzia do jej wykonania.
Być może słyszałeś o MCP, o narzędziach, konektorach albo wtyczkach — a może nie. W zależności od tego, do jakiego harnessu jesteś przyzwyczajony, wszystko to nazywa się inaczej, ale to ta sama koncepcja. Dają one agentowi zdolność rozmawiania z narzędziami, których używasz na co dzień, i korzystania z nich — poprzez coś, co nazywa się model context protocol, w skrócie MCP.
Problem polega na tym, że każda aplikacja w twoim stosie mówi własnym językiem. Poczta działa w jeden sposób, kalendarz w inny, CRM w jeszcze inny. Przed MCP podłączenie AI do twoich narzędzi oznaczało pisanie osobnej, dedykowanej integracji dla każdego z nich.
MCP to uniwersalny tłumacz. To jeden protokół, którym mówi twój agent i do którego może się podłączyć bezpośrednio dowolna inna aplikacja udostępniająca narzędzia.
Są tysiące gotowych narzędzi. Wystarczy wyszukać nazwę oprogramowania, którego używasz, plus „MCP”. Podłączasz je, wchodząc w menu MCP w swoim harnessie i dodając wybrane pozycje. Logujesz się na swoje konto i od tej chwili twój agent ma taki sam poziom dostępu do twoich narzędzi jak ty.
I kiedy chcesz sprawdzić kalendarz i przygotować się do jutrzejszego spotkania, agent naprawdę otwiera twój prawdziwy kalendarz. Czyta twoje prawdziwe maile i wraca z prawdziwym przygotowaniem. Pętla, o której mówiliśmy wcześniej, wreszcie sięga do twojego rzeczywistego świata.
Dawanie agentowi dostępu do narzędzi jest niezbędne, żeby był skuteczny, ale trzeba to zrobić bezpiecznie — bo konektory działają jako ty. To znaczy, że twój agent ma twoją pocztę i może też wysyłać z niej maile jako ty. Zasada, którą stosuję, to w gruncie rzeczy najmniejszy niezbędny dostęp: podłączaj tylko to narzędzie, którego dane zadanie faktycznie wymaga.
Luka trzecia: skille, czyli budowanie dźwigni
Nasz agent zna już nasz biznes i sięga do naszych narzędzi, ale została jeszcze jedna luka. Uważam, że to jedna z najważniejszych rzeczy do opanowania w AI, bo to właśnie tak buduje się dźwignię.
Twój agent jest niesamowicie inteligentny, ale zaraz po wyjęciu z pudełka nie ma wiedzy dziedzinowej ani eksperckiej wymaganej do wykonywania zadań w realnym świecie — a już zwłaszcza do wykonywania ich tak, jak ty tego chcesz. Mówiąc wprost: potrafi wykonać pracę, ale nie wie, jak ty lubisz mieć ją zrobioną.
Dokładnie do tego służą skille. Wyjaśniają precyzyjnie, jak wykonać zadanie po twojemu.
I tak jak przy kontekście, nie ma tu żadnej magicznej różdżki. Skill to folder, a w tym folderze leży plik skill.md z zestawem instrukcji napisanych zwykłym językiem, dotyczących konkretnego zadania.
Oto kilka skilli, z których korzystam bez przerwy. Mój skill do oglądania pozwala Claude’owi oglądać filmy. Skill do researchu sprzedażowego przygotowuje mnie do każdego spotkania, na które wchodzę. Do tego cała grupa skilli pomagających mi przy tworzeniu treści. Wszystkie są dostępne dla mojego agenta i może po nie sięgnąć w dowolnej chwili. Nie są automatycznie czytane przez agenta, dopóki nie pojawi się potrzeba ich użycia.
Powiedzmy, że chcę użyć swojego skillu do oglądania. Proszę agenta, żeby obejrzał film. Agent przewija wtedy swój katalog skilli — dostępnych w projekcie albo globalnie — i znajduje ten najbardziej pasujący. Potem czyta go w całości i wykonuje zadanie, korzystając z nowo pozyskanego kontekstu.
Dlaczego skill to więcej niż plik tekstowy
Pewnie zauważyłeś, że skill.md to po prostu plik markdown. To instrukcje mówiące agentowi, jak wykonać konkretne zadanie. Ale to nie tylko plik markdown — skill pakuje w sobie także materiały referencyjne i skrypty. I oto dlaczego to ma aż takie znaczenie.
Powiedzmy, że chcesz, żeby agent zbudował ci prezentację na nadchodzące wystąpienie. Wraca pierwszy szkic — jest w porządku, ale po prostu nie jest idealny. Więc idziesz w kilka rund poprawek przez może dwadzieścia, trzydzieści minut, aż masz idealną prezentację. A następnym razem, gdy budujesz taką prezentację, musisz uczyć agenta wszystkiego od nowa, od zera.
Zamiast tego weź całą tamtą rozmowę i zamień ją w skill. Nazwijmy go „deck builder”. Skill zawiera wszystkie instrukcje, przykłady i preferencje, których właśnie się w tej rozmowie nauczyliśmy. Następnym razem, gdy chcę zbudować prezentację, wystarczy, że użyję skillu — a agent od razu wie dokładnie, czego chcę. Buduje treść, uruchamia skrypt i tworzy prezentację. Jesteś gotowy w mniej więcej o połowę krótszym czasie, zużyłeś znacznie mniej tokenów, a nowy skill wbudował w twoich agentów prawdziwą dźwignię.
Skille nie są tym samym co procedury operacyjne, bo kiedy wrzucasz procedurę do Notion, prawdopodobnie nigdy więcej do niej nie zaglądasz ani z niej nie korzystasz. Skille żyją. Za każdym razem, gdy używasz skillu i zauważasz problem, możesz go podkręcić i poprawić, żeby działał lepiej za każdym kolejnym razem.
A najlepsze jest to, że tak naprawdę nie musisz budować skilli samodzielnie, bo każdy poważny harness ma wbudowany skill do budowania skilli — czyli metaskill. Po prostu kończysz jakiś przepływ pracy, a kiedy jesteś z niego zadowolony, mówisz: „Zamień to, co przed chwilą zrobiliśmy, w skill”. Od tej pory jest twój i możesz go wywołać, kiedy chcesz. Możesz też instalować skille innych ludzi. Weźmy mój skill do oglądania, który pozwala Claude’owi oglądać filmy: po prostu prosisz agenta, żeby zainstalował skill, podajesz mu link albo adres URL i agent instaluje go bezpośrednio w twoim harnessie.
Zakończenie
Jeśli dotarłeś do końca, rozumiesz teraz AI lepiej niż zdecydowana większość ludzi, którzy za nie płacą. Żeby pomóc ci to faktycznie u siebie ustawić, przygotowałem darmowy przewodnik startowy, który przechodzi przez wszystko, co tu omówiliśmy — link znajdziesz poniżej. Zasubskrybuj, jeśli to było przydatne. A skoro rozumiesz już agentów, kolejnym krokiem jest zobaczenie pełnej konfiguracji, która prowadzi realny biznes z poziomu jednego folderu. To mój Founder OS — pokażę na żywo, jak go zbudować, w ciągu 90 minut, 26 sierpnia.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Czat nie oszczędza czasu, bo wykonanie zostaje przy tobie
Na czym polega: W trybie czatu myślenie dzieje się w przeglądarce, ale nic się tam nie wykonuje. Wszystko po odpowiedzi to twoje kopiowanie i wklejanie — a to znaczy, że wąskim gardłem jesteś ty, nie model.
Jak stosować: Przejrzyj swoje ostatnie rozmowy z AI i policz, ile razy efekt wymagał od ciebie ręcznego przeniesienia go gdzie indziej. To dokładnie te zadania, które nadają się do przekazania agentowi.
Na co uważać: Czat nie jest zły — jest właściwy do eksploracji, zadawania pytań i jednorazowego myślenia. Błąd polega na oczekiwaniu oszczędności godzin od narzędzia, które z założenia niczego nie wykonuje.
2.Agent to pętla, a nie mądrzejsza odpowiedź
Na czym polega: Agent działa w cyklu: obserwuje środowisko i czyta kontekst, decyduje, co dalej, wykonuje działanie za pomocą dostępnych narzędzi — i powtarza, aż cel stanie się rezultatem.
Jak stosować: Formułuj zlecenia jako cel i opis efektu końcowego, a nie jako pojedyncze polecenie. Zamiast „napisz akapit o X” — „przygotuj gotowy dokument Y, który spełnia warunki A, B, C”.
Na co uważać: Pętla ma sens tylko wtedy, gdy agent widzi, czy zbliża się do celu. Jeśli nie potrafisz opisać, jak wygląda dobry wynik, agent będzie kręcił się w kółko i palił tokeny.
3.Model to silnik, harness to samochód
Na czym polega: Sam LLM przyjmuje tekst i oddaje tekst — nie potrafi działać w pętli. Dopiero harness, zwykłe oprogramowanie bez AI, daje mu koła: dostęp do narzędzi, zarządzanie kontekstem, wykonywanie długich zadań.
Jak stosować: Rozdzielaj dwie decyzje: wybór modelu i wybór harnessu. Gdy wynik jest słaby, najpierw sprawdź, czy problem leży w obudowie — w kontekście, dostępach, instrukcjach — a nie w „za słabym modelu”.
Na co uważać: Zmiana modelu na mocniejszy nie naprawi źle skonfigurowanego harnessu. To najczęstsza droga do wydawania więcej pieniędzy bez poprawy efektów.
4.Kiedy umiesz prowadzić jeden harness, umiesz prowadzić wszystkie
Na czym polega: Co miesiąc pojawia się nowe narzędzie i każdy film namawia do przesiadki. Ale fundamenty — pętla, kontekst, narzędzia, skille — są wspólne, więc kompetencja jest przenośna.
Jak stosować: Wybierz jeden harness i zostań w nim wystarczająco długo, by opanować całą czwórkę fundamentów. Dopiero wtedy oceniaj konkurencję, mając realny punkt odniesienia.
Na co uważać: Ciągłe przeskakiwanie między narzędziami sprawia, że nigdy nie zbudujesz warstwy kontekstu i skilli — a to właśnie ona daje przewagę, nie samo narzędzie.
5.Traktuj agenta jak nowego pracownika pierwszego dnia
Na czym polega: Świeży harness ma trzy luki: nie zna twojego biznesu, nie ma dostępu do twoich aplikacji i nie wie, jak pracujesz. Ogólnikowe zadanie daje ogólnikowy efekt dokładnie z tego powodu, z którego dałby go nowo zatrudniony człowiek.
Jak stosować: Zanim uznasz narzędzie za nieprzydatne, przejdź świadomie przez wdrożenie: kontekst, dostępy, sposób pracy. To jednorazowa inwestycja, która procentuje przy każdym kolejnym zadaniu.
Na co uważać: Analogia ma granice — agent nie zapamiętuje niczego samoczynnie między sesjami, jeśli nie zbudujesz mu do tego mechanizmu. Człowiek uczy się mimochodem, agent tylko z tego, co zapiszesz.
6.Kontekst zapisuj w markdownie, nie w PDF-ach i Wordzie
Na czym polega: Ciężkie, sformatowane pliki są kosztowne w analizie i szybko wyczerpują limity użycia. Pliki markdown są lekkie i harness czyta je bez wysiłku.
Jak stosować: Zacznij od about.md (kim jesteś, co robisz, co sprzedajesz, komu) i voice.md (jak piszesz — osobno dla maili, osobno dla treści publicznych). Najszybsza droga: nagraj notatkę głosową i każ agentowi przerobić ją na plik.
Na co uważać: Przy voice.md musisz wyraźnie poprosić agenta, żeby zwrócił uwagę na sposób mówienia, a nie na treść — inaczej dostaniesz kolejne streszczenie zamiast opisu stylu.
7.Przeczytaj każdą linijkę plików kontekstowych
Na czym polega: Pliki kontekstowe wpływają na każdy przyszły efekt pracy. Jedna błędna albo wewnętrznie sprzeczna linijka skazi wszystkie kolejne odpowiedzi.
Jak stosować: Pozwól agentowi napisać pierwszą wersję, ale zrób pełny przegląd ręcznie. Szczególnie tropi twierdzenia, które agent „dopowiedział” od siebie na podstawie ogólnej wiedzy o twojej branży.
Na co uważać: Błędy w kontekście są podstępne, bo nie objawiają się jako awaria — objawiają się jako odpowiedzi, które wyglądają rozsądnie, ale są konsekwentnie nie na temat. Traktuj te pliki jako dokumenty żywe i wracaj do nich po każdej większej zmianie w firmie.
8.MCP to uniwersalny tłumacz między agentem a twoim stosem
Na czym polega: Każda aplikacja mówi własnym językiem; przed MCP każde połączenie wymagało dedykowanej integracji. MCP to jeden protokół, do którego podpina się dowolna aplikacja udostępniająca narzędzia.
Jak stosować: Wyszukaj nazwę swojego oprogramowania plus „MCP”, dodaj je w menu MCP swojego harnessu i zaloguj się na konto. Od tej chwili agent działa na twoich prawdziwych danych — otwiera realny kalendarz, czyta realne maile.
Na co uważać: Dopiero podłączenie narzędzi zamyka pętlę i pozwala agentowi sięgnąć do rzeczywistego świata — bez tego wciąż masz tylko szybsze myślenie w przeglądarce.
9.Stosuj zasadę najmniejszego niezbędnego dostępu
Na czym polega: Konektory działają jako ty. Skoro agent ma twoją pocztę, może też wysyłać z niej wiadomości w twoim imieniu.
Jak stosować: Podłączaj wyłącznie to narzędzie, którego dane zadanie faktycznie wymaga, zamiast włączać wszystko „na zapas”. Do researchu wystarczy odczyt — nie dawaj przy okazji uprawnień do wysyłki.
Na co uważać: Największe ryzyko dotyczy narzędzi działających na zewnątrz: poczty, komunikatorów, CRM-u. Zanim dasz agentowi możliwość wysyłania w twoim imieniu, upewnij się, że rozumiesz, co dokładnie może zrobić bez pytania cię o zdanie.
10.Zamieniaj dopracowane rozmowy w skille — to jest dźwignia
Na czym polega: Skill to folder z plikiem skill.md — instrukcją w zwykłym języku, do której dochodzą materiały referencyjne i skrypty. Agent przegląda dostępne skille, wybiera pasujący, czyta go w całości i wykonuje zadanie po twojemu.
Jak stosować: Kiedy po trzydziestu minutach dopracowywania dostaniesz wreszcie idealny efekt, powiedz agentowi: „Zamień to, co przed chwilą zrobiliśmy, w skill”. Każdy poważny harness ma wbudowany metaskill do budowania skilli. Cudze skille instalujesz, podając agentowi link.
Na co uważać: Skill przestaje działać, jeśli traktujesz go jak procedurę wrzuconą do Notion i nigdy do niej nie wracasz. Za każdym użyciem, gdy zauważysz usterkę, popraw plik od razu — inaczej ta sama niedoskonałość będzie się powtarzać przy każdym wywołaniu.