O czym jest ten film
- Autor przedstawia trzy zmiany w sposobie myślenia, które według niego decydują o skutecznej współpracy z agentami AI.
- Punkt wyjścia: modele językowe są bezstanowe — same z siebie nie pamiętają niczego między sesjami i nie posługują się narzędziami.
- Pierwsza zasada — „zbieractwo”: systematyczne wyciąganie i zapisywanie wniosków po każdej udanej rozmowie z agentem.
- Konkretne miejsca zapisu: pliki tekstowe typu
CLAUDE.mdlubAGENTS.md, z rozdzielaniem treści na pliki podrzędne, gdy główny rośnie. - Powtarzalne procesy krok po kroku warto zamieniać nie w notatkę, lecz w skill — polecenie brzmi po prostu: „zrób mi z tego skill”.
- Druga zasada — „łowiectwo”: wypuszczanie agentów na ciągły research poza własną bańkę, w poszukiwaniu nowszych i lepszych rozwiązań.
- Praktyka łowiectwa: dziesiątki małych agentów na tańszych modelach, przeczesujących internet w tle 24/7.
- Trzecia zasada — „jesteś dyrygentem”: człowiek pracuje o poziom wyżej, weryfikuje jakość pracy agentów i nadaje kierunek.
- Teza o barierze wejścia: wszyscy mają te same modele i te same uprzęże, więc różnicuje smak i własna ekspertyza.
- Zamknięcie praktyczne: umiejętność stawiania jasnych i mierzalnych celów, plus refleksja, dlaczego praca z AI bywa tak męcząca.
Redakcyjne tłumaczenie
Zamiast siedzenia przed komputerem
Dzień jest bardzo ładny, więc pomyślałem, że bez sensu jest siedzieć przed komputerem. A ponieważ wszyscy jesteśmy tu dorośli, to spotkajmy się, żeby sobie porysować na tablicy.
Przygotowałem dla was trochę inny format — odcinek o trzech najważniejszych zmianach w myśleniu, które przydają się wtedy, gdy dopiero zaczynamy współpracę z agentami, oraz wtedy, gdy już coś z nimi próbujemy robić, ale do końca nam to nie wychodzi.
Zasada pierwsza: zbieractwo
Pierwszy punkt to ten koszyczek, który być może widzieliście i który być może wam się spodobał. To zbieractwo — a już pozwólcie, że wytłumaczę, o co z tym chodzi.
Współpracując z AI, a szczególnie z agentami AI, musimy się jakoś uodpornić na pewien fakt. Same modele AI — czyli, jeśli wam to przypomina mózg, niech będzie: ten mózg — takie jak Opus, GPT czy Gemini, są bezstanowe. To ważne, żeby zapamiętać. Nie potrafią zapamiętać między sesjami niczego na temat ciebie jako użytkownika. Same z siebie nie potrafią też posługiwać się narzędziami: nie wejdą do internetu ani niczego nie zrobią. Ty dajesz im tekst, a one oddają ci jakiś tekst. I tyle. W najprostszej postaci modele AI są bezstanowe i są maszynką do produkowania większej ilości tekstu.
(Informacja dodatkowa: bezstanowość dotyczy samego modelu. Funkcje pamięci w ChatGPT czy w Claude Code to warstwa dobudowana wokół modelu — z reguły pliki lub baza, których treść jest dołączana do promptu przy kolejnej sesji. Dokładnie o tę warstwę toczy się cały ten odcinek.)
Jeśli więc podczas jakiejś rozmowy agent zrobi dokładnie to, co miał zrobić — powiedzmy, wygeneruje idealną stronę, idealnego maila, idealny PDF — a my zaraz potem otworzymy drugą rozmowę, to on po prostu nie będzie miał pojęcia, jak zrobić to ponownie. Będziemy musieli przejść przez cały ten proces od nowa, o ile w ogóle uda nam się dotrzeć do tego samego miejsca.
Jedna rzecz, którą chciałbym, żebyście zapamiętali z tego pierwszego punktu, z tej pierwszej zmiany myślenia, czyli ze zbieractwa, jest właśnie taka: wyrobienie sobie nawyku zbierania i kolekcjonowania.
Nie mówię tu już o samym zbieraniu kontekstu — to oczywiście jest bardzo ważne i jak najbardziej polecam, żeby to robić. Zbierajcie idealne przykłady maili, najlepszy kontekst o dziale w waszej firmie, o tym, jak co działa. To wszystko jest dalej aktualne. Ale tutaj chciałbym was uczulić na coś innego.
Mianowicie: jeśli podczas rozmowy z agentem uda nam się opracować idealny raport, idealną analizę, idealną stronę internetową, to musimy jakoś sprawić, żeby ten agent w następnej sesji o tym pamiętał — i pamiętał, jak dojść do tego samego punktu, w którym jesteśmy teraz.
I to są te dwa słowa, które chciałbym, żebyście zapamiętali: wyciągnij wnioski.
Na koniec takiej udanej rozmowy, udanego procesu, powiedzcie agentowi: „Wyciągnij wnioski z tego, jak dotarliśmy do tego miejsca. Jakie błędy popełniliśmy, co odkryliśmy ważnego, co ty odkryłeś ważnego — i zapisz to sobie”. Jeśli pracujemy z Claude Code, to trafia to do CLAUDE.md, czyli po prostu do pliku tekstowego. Jeśli pracujemy z Codeksem albo z innym agentem, niech zapisuje to w AGENTS.md.
(Informacja dodatkowa: CLAUDE.md i AGENTS.md to zwykłe pliki Markdown w katalogu projektu, które agent wczytuje automatycznie na starcie sesji. AGENTS.md jest formatem wspólnym dla kilku narzędzi, CLAUDE.md — specyficznym dla Claude Code.)
To są zwykłe pliki tekstowe, więc polecam wam mieć lekkiego fioła na punkcie zapamiętywania, wyciągania wniosków i pielęgnowania tego pliku. Jeśli coś fajnego wam się uda osiągnąć — kolekcjonujcie to, zbierajcie tutaj. A później, kiedy będzie tam już za dużo rzeczy, bo te pliki też nie mogą być za długie, po prostu przenoście część do innych plików tekstowych. Tak, żeby w tym głównym pliku było tylko to, co najważniejsze, a w pomniejszych — kwestie też ważne, ale drugorzędne. Żeby to zawsze było gdzieś dla was pod ręką.
Dodałem tu jeszcze wzmiankę o skillach, czyli umiejętnościach. Polecam wyciągać wnioski stricte na temat działania poszczególnych narzędzi i na temat przepływów pracy. Jeśli coś dałoby się ująć w checklistę kroków do wykonania, to niech agent zapamięta te wnioski właśnie w skillach. Powiedzcie mu wtedy po prostu: „Zrób mi z tego skill”. Zrób mi skill z przepływu budowania tego idealnego raportu, żebym za każdym razem miał taki idealny raport.
(Informacja dodatkowa: skill to spakowany zestaw instrukcji dla konkretnego zadania, który agent uruchamia wtedy, gdy zadanie pasuje do jego opisu. W odróżnieniu od CLAUDE.md, który jest wczytywany zawsze, skill ładuje się na żądanie — dlatego nie zaśmieca kontekstu.)
Podsumowując: wyróbcie sobie nawyk kolekcjonowania i zbierania najważniejszych wniosków. Jeśli wnioski są bardziej ogólne — zbierajcie je do plików tekstowych w rodzaju CLAUDE.md czy AGENTS.md. A jeśli są to checklisty zadań i procesy krok po kroku — zbierajcie te wnioski w formie skilli.
W tym miejscu chciałbym was jeszcze bardzo szybko zaprosić do swojego projektu cloudmaster.pl, gdzie możecie dołączyć do kursu i warsztatów z Claude Code dla nieprogramistów — szczególnie dla przedsiębiorców, freelancerów, marketerów i twórców. Jeśli to jesteście wy, zapraszam; link jest w opisie. Jest tam pełen kurs teoretyczny, zadania praktyczne, spotkania na żywo i społeczność, więc myślę, że powinno się spodobać.
Zasada druga: łowiectwo
Druga najważniejsza zmiana myślenia to ten łuk, który narysowałem na początku — czyli łowiectwo. Najpierw mieliśmy zbieractwo, a teraz mamy łowiectwo.
Jeśli mamy już naszą kolekcję najważniejszego kontekstu — o naszej firmie, o tym, jak działają poszczególne narzędzia, jak przygotować idealny raport PDF, całe to kolekcjonowanie z pierwszego punktu — to drugą zmianą, będącą trochę przeciwstawieniem tej pierwszej, jest wyjście poza własną bańkę i próba znalezienia ciekawszych, nowszych, bardziej optymalnych rozwiązań. To właśnie jest łowiectwo.
Chciałbym podkreślić fakt, że agenci AI mogą działać 24 godziny na dobę, 7 dni w tygodniu. Jeśli damy im jasny cel, mogą po prostu ciągle lecieć, ciągle próbować i ciągle znajdować ciekawsze rozwiązania danych problemów. A my dzięki temu możemy wracać i kolekcjonować te ciekawsze rozwiązania.
Zapamiętajcie więc raz a dobrze, że agenci AI mogą działać 24/7 — i po prostu korzystajmy z tego. Możemy ich wysyłać, żeby znajdowali nowe narzędzia, nowe sposoby, jakieś wiadomości, jakieś dane. Mogą stale wykonywać za nas research, a potem wyciągać z niego wnioski i wracać z nimi do naszej bańki, do tego kolekcjonowania.
Polecam wypuszczać dziesiątki małych agencików, które korzystają z tych słabszych modeli — jak na przykład Haiku — i niech oni po prostu przeczesują internet, szukają nowych, nietypowych zastosowań, nowych danych, nowych narzędzi, nowych sposobów na to, żeby zoptymalizować wasz proces.
(Informacja dodatkowa: sens tego doboru jest kosztowy. Szerokie przeszukiwanie to zadanie masowe i płytkie, więc tańszy model wykonuje je za ułamek ceny — mocniejszy model zostaje do oceny tego, co agenci przynieśli.)
Nie wymienię wam teraz wszystkiego, co ci agenci mogliby robić, ale chciałbym, żebyście zapamiętali to łowiectwo i możliwość ciągłego przeszukiwania oraz ciągłej pracy 24/7.
Zasada trzecia: jesteś dyrygentem
I trzeci punkt, chyba najważniejszy z nich wszystkich: jesteś dyrygentem.
Już tłumaczę. Masz swoich agentów, którzy kolekcjonują. Masz swoich agentów, którzy łowią, poszukując nowych sposobów i nowych informacji. Ale ty tego nie robisz. Ty tylko im napiszesz: „wyciągnij wnioski”. Ty tylko im napiszesz: „zrób research”. Na koniec dnia musisz pamiętać, że ty jako człowiek jesteś tutaj z boku, jesteś ponad to, jesteś poziom wyżej.
To ty musisz sprawdzać, czy robią dobrą robotę. Czy wyciągają dobre wnioski, czy robią dobry research. Musisz nadawać im kierunek i mówić im, w którą stronę mają zmierzać. Jesteś tą instancją wyżej. Jesteś dyrygentem, którego główną rolą jest posiadanie pojęcia o jakości. Musisz wiedzieć, czym jakość jest, jak się objawia i jak możesz weryfikować, czy ci agenci robią dobrą pracę.
Warto zapamiętać jedno zdanie: smak — i dodałbym tu jeszcze: ekspertyza — są jedyną barierą wejścia. Skoro te rzeczy są dwie, to już nie „jedyną”, ale chyba rozumiecie, o co chodzi. Twój smak i twoja własna ekspertyza, pojęcie o tym, co jest dobrą robotą, co złą i kiedy agenci wymyślają absolutne bzdury — to jest to, co wyróżnia cię spośród innych.
Bo wszyscy mają dostęp do tych samych modeli: do Opusa, GPT i Gemini. Większość osób ma dostęp do tak samo dobrych promptów i tak samo dobrych uprzęży — czyli na przykład do Claude Code czy Codeksa. Ale twoja własna ekspertyza i twój własny smak, twoje pojęcie o tym, czym jest jakość, są barierą wejścia, której po prostu nie da się odsprzedać. Nawet gdybyś spisał wszystkie swoje myśli i przekazał je jako podręcznik, to i tak nie byłoby to samo. Jesteś sobą — i musisz to pielęgnować, i musisz być świadomy, że twoja ekspertyza i twój smak są czymś niezastąpionym.
(Informacja dodatkowa: „uprząż” to spolszczone harness — warstwa, która opakowuje model w narzędzia, pętlę wykonania i dostęp do plików. Claude Code i Codex to właśnie takie uprzęże, a nie osobne modele.)
Dlaczego to męczy
To operowanie na najwyższej instancji, czyli bycie dyrygentem, jest też powodem, dla którego praca z AI bywa tak męcząca. Nie zawsze, ale jednak.
To już nie jest tak, że możesz sobie usiąść — tak jak ja kiedyś robiłem strony internetowe — i po prostu wykonać tę stronę: poklikać, poprzeciągać, pozmieniać kolor przycisku. To było relaksujące i nie wymagało ode mnie ciągłej pracy na najwyższych obrotach.
Teraz, kiedy więcej współpracuję z agentami, oni przejęli tę nudną, powtarzalną, po prostu niewymagającą pracę. Oni wykonują. To są moi wykonawcy — a ja muszę myśleć i pracować dużo bardziej strategicznie, dużo bardziej dalekosiężnie. Cały czas jestem tym dyrygentem, który operuje pomniejszymi agentami, przez co nie mam już momentów odmóżdżającej pracy, przy której nie trzeba za bardzo myśleć, tylko wykonywać.
Jesteśmy cały czas dyrygentami i dlatego ta praca może się wydawać taka męcząca. Bo kiedy nie mamy już przestrzeni mentalnej, wychodzą z nas te najgorsze polecenia do AI — po prostu piszemy: „zrób fajną stronę”. A wtedy AI głupieje i robi stronę, która jest fajna według niego, a nie według nas. I jest to strona po prostu bez smaku.
Jasne i mierzalne cele
Na koniec chciałem zostawić was z jedną kwestią, która moim zdaniem pomoże wam być dobrym dyrygentem. To umiejętność, którą chciałbym, żebyście sobie wyrobili: umiejętność wyznaczania jasnych i mierzalnych celów.
Jeśli powiemy agentowi „zrób ładną stronę”, to nie jest mierzalny cel. Ale jeśli na przykład załączymy zrzut ekranu strony, która jest według nas ładna, i powiemy: „wykonuj pracę, dopóki nasza strona nie będzie wyglądała tak jak ten załączony przykład” — to już jest coś. To już jest jakiś jasny, mierzalny cel.
Jeśli powiemy mu: „optymalizuj tę stronę, póki nie będzie miała takiego a takiego wyniku w SEO” — to też jest mierzalny cel. Agent może lecieć i zapętlać się, dopóki nie osiągnie takiego wskaźnika: w SEO, w szybkości strony, gdziekolwiek.
Mam nadzieję, że rozumiecie, o co mi chodzi, i że taki nowy format wam się podobał. Zachęcam do zostawienia komentarza i powiedzenia, co o tym formacie myślicie — czasami mam po prostu trochę dosyć siedzenia przed komputerem. Zapraszam do newslettera i na cloudmaster.pl. Dzięki za dziś i do zobaczenia.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Model jest bezstanowy — pamięć musisz zbudować sam
Na czym polega: Sam model językowy nie pamięta niczego między sesjami i nie ma z siebie dostępu do narzędzi. Dostaje tekst, oddaje tekst. Wszystko, co wygląda na „pamiętanie”, jest warstwą, którą ktoś dobudował wokół modelu.
Jak stosować: Traktuj każdą udaną sesję jak coś, co przepadnie, jeśli sam tego nie utrwalisz. Zanim zamkniesz rozmowę, zadaj sobie pytanie: co z tego musi przetrwać do następnego razu i gdzie to zapisuję.
Na co uważać: Łatwo pomylić „agent zna kontekst mojego projektu” z „agent mnie zapamiętał”. Jeśli świetny wynik osiągnąłeś w rozmowie, która nigdzie nie została utrwalona, to nie masz procesu — masz jednorazowy szczęśliwy przypadek.
2.„Wyciągnij wnioski” jako rytuał końca sesji
Na czym polega: Po udanym procesie prosisz agenta, żeby sam podsumował, jak doszliście do wyniku: jakie błędy popełniliście, co się okazało ważne, co on odkrył — i żeby to zapisał.
Jak stosować: Zrób z tego stały odruch, tak samo automatyczny jak zapisanie pliku. Sformułowanie z odcinka wystarcza: „wyciągnij wnioski z tego, jak dotarliśmy do tego miejsca, i zapisz je”. Warto poprosić osobno o błędy i osobno o odkrycia — to dwa różne rodzaje wiedzy.
Na co uważać: Agent podsumowuje chętnie i gładko, ale nie zawsze trafnie — potrafi opisać własną ścieżkę ładniej, niż wyglądała. Przeczytaj wnioski, zanim zostaną na stałe; to twoja rola dyrygenta z punktu 8.
3.CLAUDE.md i AGENTS.md to twoja baza wiedzy, nie plik konfiguracyjny
Na czym polega: Ogólne wnioski trafiają do zwykłych plików tekstowych, które agent wczytuje na starcie sesji: CLAUDE.md w Claude Code, AGENTS.md w narzędziach obsługujących ten format.
Jak stosować: Zacznij od jednego pliku i dopisuj do niego to, co się sprawdziło. Trzymaj tam rzeczy trwałe — konwencje, kontekst firmy, decyzje, których nie chcesz powtarzać — a nie zapiski z jednego zadania.
Na co uważać: To nie jest archiwum, tylko coś, co trafia do kontekstu za każdym razem. Wszystko, co tam wpiszesz, kosztuje uwagę modelu w każdej sesji, więc treść nieaktualna szkodzi bardziej niż jej brak.
4.Rozdzielaj plik, zanim urośnie
Na czym polega: Pliki z wnioskami nie mogą być za długie. Kiedy główny plik puchnie, część treści przenosisz do plików pomniejszych, zostawiając w głównym tylko to, co najważniejsze.
Jak stosować: Ustal sobie próg — na przykład: gdy nie jesteś w stanie przeczytać całego pliku za jednym razem, czas dzielić. Rzeczy ważne, ale rzadko potrzebne, wynieś do osobnego pliku i zostaw w głównym odsyłacz.
Na co uważać: Podział bez odsyłaczy sprawia, że agent po prostu nie sięgnie po wyniesioną treść i będzie działał tak, jakby jej nie było. Rozbijanie plików to nie sprzątanie — to decyzja o tym, co jest zawsze widoczne.
5.Powtarzalny proces zamień w skill, nie w notatkę
Na czym polega: Kiedy wniosek daje się zapisać jako checklista kroków do wykonania, jego miejscem nie jest plik z kontekstem, tylko skill. Polecenie jest banalne: „zrób mi z tego skill”.
Jak stosować: Kryterium rozstrzygające to forma wiedzy. Wiedza opisowa — do pliku z kontekstem. Procedura, którą dałoby się wykonać punkt po punkcie — do skilla. Rób to od razu po pierwszym udanym przejściu procesu, kiedy jeszcze pamiętasz, co zadecydowało o sukcesie.
Na co uważać: Skill zbudowany z jednego przypadku zapisuje też przypadkowe szczegóły tamtego zadania. Przejrzyj go i usuń to, co było specyficzne dla tamtego raportu, a nie dla raportów w ogóle.
6.Wykorzystuj to, że agenci pracują 24/7
Na czym polega: Agent z jasno postawionym celem może działać ciągle: szukać, próbować, wracać z lepszymi rozwiązaniami. Nie musi czekać na to, aż będziesz przy komputerze.
Jak stosować: Wypisz pytania, na które chciałbyś znać odpowiedź, ale nigdy nie masz na nie czasu — nowe narzędzia w twojej niszy, nietypowe zastosowania, dane, sposoby optymalizacji twojego procesu. To są zadania dla agentów działających w tle.
Na co uważać: Ciągła praca bez zdefiniowanego warunku stopu to ciągły koszt bez rezultatu. Każde takie zadanie musi mieć jasny cel — patrz punkt 10 — i moment, w którym agent oddaje wynik.
7.Do przeszukiwania wysyłaj wiele tanich agentów
Na czym polega: Autor zaleca wypuszczać dziesiątki małych agencików na słabszych modelach (wymienia Haiku), żeby przeczesywały internet w poszukiwaniu nowych narzędzi, danych i zastosowań.
Jak stosować: Rozbij szeroki research na wiele wąskich, równoległych pytań i każde oddaj osobnemu agentowi na tańszym modelu. Mocniejszy model zostaw sobie do oceny i syntezy tego, co przynieśli.
Na co uważać: Słabszy model gorzej odsiewa źródła i chętniej przynosi rzeczy nieistotne albo nieprawdziwe. Traktuj ich wyniki jako surowiec do weryfikacji, a nie jako gotowe ustalenia — inaczej zaśmiecisz własną kolekcję z punktu 3.
8.Twoja rola to weryfikacja i kierunek, nie wykonanie
Na czym polega: Jedni agenci kolekcjonują, drudzy łowią — ale ty nie robisz ani jednego, ani drugiego. Pracujesz o poziom wyżej: sprawdzasz, czy robią dobrą robotę, i mówisz im, w którą stronę mają iść.
Jak stosować: Zanim zlecisz zadanie, ustal, po czym poznasz, że wynik jest dobry. Jeśli nie potrafisz tego określić, nie jesteś jeszcze gotowy zlecać — to sygnał, że sam nie masz zdania w tej sprawie.
Na co uważać: Zejście do poziomu wykonawcy — poprawianie ręcznie tego, co agent zrobił źle — jest kuszące i daje ulgę, ale odbiera ci przewagę. Twoim zadaniem jest poprawić instrukcję, nie wynik.
9.Smak i ekspertyza to jedyne, czego nie da się skopiować
Na czym polega: Wszyscy mają te same modele i te same uprzęże, jak Claude Code czy Codex, i porównywalne prompty. Różnicuje wyłącznie twoje pojęcie o tym, co jest dobrą robotą, co złą i kiedy agent produkuje bzdury. Autor podkreśla, że tego nie da się odsprzedać — nawet spisane w podręcznik nie będzie tym samym.
Jak stosować: Inwestuj w tę część świadomie: oglądaj dobre przykłady w swojej dziedzinie, nazywaj sobie, dlaczego coś jest dobre, i buduj własne wzorce odniesienia. To one później stają się kryterium oceny pracy agentów.
Na co uważać: Ryzyko jest odwrotne do intuicyjnego — im więcej pracy oddajesz agentom, tym mniej sam ćwiczysz rzemiosło, na którym opiera się twój osąd. Warto pilnować, żeby delegowanie nie zjadło podstawy, z której korzystasz przy ocenie.
10.Cel musi być mierzalny, inaczej agent zgaduje
Na czym polega: „Zrób ładną stronę” nie jest celem. „Pracuj, dopóki strona nie będzie wyglądała jak ten załączony zrzut ekranu” albo „optymalizuj, póki nie osiągnie takiego wyniku w SEO” — jest, bo agent może się zapętlać aż do osiągnięcia wskaźnika.
Jak stosować: Zamiast przymiotnika daj punkt odniesienia: załączony przykład, próg liczbowy, konkretny wskaźnik szybkości albo SEO. Wtedy agent ma warunek stopu i sam wie, kiedy skończył.
Na co uważać: Autor sam zwraca uwagę, że najgorsze polecenia piszemy wtedy, gdy brakuje nam przestrzeni mentalnej. Jeśli łapiesz się na promptach typu „zrób to fajnie”, to sygnał, żeby nie pisać kolejnego promptu, tylko najpierw ustalić kryterium.