O czym jest ten film
- Kontekst to wszystko, co AI wie o tobie, zanim wpiszesz pierwszy prompt — im wyżej w hierarchii, tym mniej musisz się tłumaczyć.
- Poziom 1: historia czatów — wystarczy poprosić model, żeby doczytał wcześniejsze rozmowy, zamiast w nieskończoność wracać do jednego wątku.
- Poziom 2: wgrywanie dokumentów — daje kontrolę nad źródłem, ale pliki są martwe (nie da się ich aktualizować) i drogie w odczycie.
- Poziom 3: projekty w Claude i ChatGPT — porządek i praca zespołowa, ale kontekst zostaje uwięziony w cudzym produkcie.
- Poziom 4: pliki kontekstowe w Markdown — przenośne między narzędziami, tanie w odczycie, a w połączeniu z lokalnym „harnessem” stają się żywym dokumentem.
- Minimalny zestaw startowy:
about.md,voice.md,memory.md— do zrobienia w pięć minut. - Poziom 5: drugi mózg — folder z całą biblioteką kontekstu, podzielony na domeny; prostota bije rozbudowane grafy tysięcy plików.
- Lintowanie: cykliczny subagent, który raz w tygodniu porządkuje i konsoliduje drugi mózg, żeby kontekst nie zaczął się rozjeżdżać.
- Poziom 6: farmowanie kontekstu — agenci sami zbierają nowe źródła i wkładają je do drugiego mózgu, według harmonogramu lub na powiadomienie.
- Poziom 7: firmowy mózg — baza Postgres z jedną tabelą (treść, embedding, metadane), udostępniana AI przez MCP, z prawdziwymi uprawnieniami dostępu.
Redakcyjne tłumaczenie
Wszystko sprowadza się do kontekstu
Jeśli wciąż prosisz swoją sztuczną inteligencję, żeby wróciła do starych rozmów i sobie ciebie przypomniała, ledwie dotykasz powierzchni. Da się bowiem ustawić AI tak, żeby od razu wiedziała o tobie wszystko: czym się zajmujesz, co budujesz i dokładnie w jaki sposób chcesz, żeby robiła rzeczy. Wiem to, bo przez ostatni rok sam coś takiego budowałem — i całość mieści się w jednym folderze, którego mogę używać z dowolnym modelem.
Wszystko sprowadza się do kontekstu, czyli do tego, co twoja AI wie o tobie, zanim jeszcze wpiszesz pierwszy prompt. Poziomów kontekstu jest siedem, a im wyżej się wspinasz, tym mniej musisz się tłumaczyć. Przejdziemy dziś przez wszystkie — zaczynając od tego, na którym jesteś w tej chwili.
Poziom 1: historia czatów
Poziom pierwszy to korzystanie z historii rozmów. Claude i ChatGPT potrafią już czytać każdą rozmowę, jaką z nimi odbyłeś. Wystarczy o to poprosić. Otwórz nowy czat i powiedz, że chcesz kontynuować to, nad czym pracowałeś wczoraj — model sam się doczyta.
Jeśli więc uparcie wracasz do tego samego wątku sprzed miesięcy, bo „on już wie, nad czym pracuję”, możesz wreszcie z tym skończyć. Z takim podejściem wiąże się bowiem realny problem: modele mieszczą naraz tylko określoną ilość informacji. Nazywa się to oknem kontekstowym, a jego rozmiar różni się między modelami. Istotne jest to, że każda wysłana i otrzymana wiadomość zjada kolejny kawałek tego okna. Im dłuższa staje się jedna rozmowa, tym gorsza jest jakość odpowiedzi.
Start od czystej kartki i poproszenie modelu, żeby przeczytał stare rozmowy, omija cały ten problem — wciągasz tylko to, czego potrzebujesz, zamiast ciągnąć AI przez każdą rozmowę, jaką kiedykolwiek odbyliście. To jednak wciąż poziom pierwszy, bo nie ty decydujesz, co zostanie wyłowione. Dlatego następnym krokiem jest zwykle odebranie tej decyzji modelowi i podanie mu dokładnie tych informacji, których się od niego oczekuje.
Poziom 2: wgrywanie dokumentów
Poziom drugi to wgrywanie dokumentów — pierwszy moment, w którym sam wybierasz, na czym twoja AI pracuje. Ludzie zaczynają przeciągać do czatu pliki Worda, prezentacje i PDF-y ze słowami: „korzystaj z tego”. Są z tym dwa problemy, o których nikt nie mówi.
Pierwszy: model może taki plik przeczytać, ale nie może go zapisać ani zaktualizować. To zdjęcie stanu z dnia, w którym plik wgrałeś. I musisz go wgrywać od nowa w każdej rozmowie, w której ma ten kontekst obowiązywać.
Drugi to koszt. Dokumenty Worda, prezentacje i PDF-y to pliki binarne — tekst nie leży w nich gotowy do odczytu. Model musi najpierw przeprowadzić cały etap ekstrakcji, żeby w ogóle wydobyć z pliku słowa. To wolniejsze i spala więcej tokenów. Dlatego kolejnym ruchem jest zwykle uwolnienie się od wgrywania w kółko tych samych plików.
Poziom 3: projekty
To poziom trzeci, czyli projekty. Wchodzisz do Claude’a albo ChatGPT, tworzysz projekt, nadajesz mu nazwę, ładujesz dokumenty — i od tej pory wszystko, co robisz w tym projekcie, ma już kontekst tego, co w nim siedzi. To prawdziwa konfiguracja: twój kontekst przestaje być jedną kruchą nitką, staje się uporządkowany, a projektem możesz podzielić się z całym zespołem, żeby wszyscy pracowali na tym samym.
Jest jednak drugie dno. Co zrobisz, kiedy zechcesz odejść? Cały ten kontekst mieszka teraz w cudzym produkcie. Załóżmy, że wychodzi lepszy model albo tańszy, albo firma zmienia dostawcę. Twój kontekst zostaje w narzędziu, w którym zbudowałeś projekt. Pytanie brzmi więc: jak zachować cały ten kontekst i mimo to móc w każdej chwili zmienić narzędzie? Odpowiedź to poziom, na którym prawdziwe zarządzanie kontekstem dopiero się zaczyna.
Poziom 4: pliki kontekstowe
Poziom czwarty to pliki kontekstowe. To pliki w formacie Markdown, które mówią twojej AI wszystko, co musi wiedzieć, żeby dawać świetne odpowiedzi bez tłumaczenia.
Jeśli nie miałeś wcześniej do czynienia z Markdownem — to po prostu plik tekstowy z odrobiną wbudowanego formatowania, dzięki któremu AI czyta go łatwiej. Każdy model radzi sobie z Markdownem znacznie lepiej niż z czymkolwiek innym, bo jest natywnie nastawiony na czytanie i wypisywanie właśnie tego formatu. Już samo to czyni go lepszym od PDF-ów i dokumentów Worda z poziomu drugiego, bo znika etap ekstrakcji.
(Informacja dodatkowa: Markdown to zwykły tekst z prostymi znacznikami — # oznacza nagłówek, - element listy, gwiazdki pogrubienie. Plik otworzysz i zmienisz w dowolnym edytorze tekstu.)
Ale jeśli po prostu przeciągniesz plik Markdown do czatu, praktycznie nic nie zyskujesz. Czyta się szybciej i kosztuje mniej, tyle że wciąż się nie zmienia — i to ty musisz go ręcznie utrzymywać. Te pliki stają się naprawdę użyteczne dopiero wtedy, gdy przestają mieszkać w czacie, a zaczynają mieszkać na twoim komputerze.
Tyle że nic, o czym dotąd mówiliśmy, nie sięgnie do pliku na twoim dysku — bo wszystko to dzieje się w karcie przeglądarki na claude.ai albo chat.openai.com. Większość ludzi jest przekonana, że tu właśnie AI się kończy. Jest jednak inny sposób korzystania z niej: taki, który działa bezpośrednio na twojej maszynie. Znasz te narzędzia jako Claude Code, Codex, Co-work czy ChatGPT Work. Wszystkie opierają się w gruncie rzeczy na tym samym pomyśle: to „obudowy” (ang. harness) pozwalające modelowi operować na plikach na twoim laptopie.
Skieruj taką obudowę na swoje pliki kontekstowe, a będzie mogła je czytać, przeszukiwać i faktycznie przepisywać. To wielka zmiana, bo twój kontekst przestaje być zdjęciem stanu z przeszłości i staje się żywym dokumentem. Im więcej kontekstu podajesz w rozmowach, tym bardziej te pliki aktualizują się same, a wyniki z czasem się poprawiają, zamiast pogarszać.
Trzy pliki na start
Najprostsza konfiguracja to dosłownie trzy pliki Markdown, które zrobisz w pięć minut. Możesz poprosić swoją codzienną AI, żeby stworzyła je z historii rozmów, albo nagrać notatkę głosową, w której wyrzucasz z siebie absolutnie wszystko, i kazać jej zbudować pliki na tej podstawie.
Najpierw powstaje about.md. To streszczenie tego, kim jesteś, czym się zajmujesz, co sprzedajesz i komu. To kontekst fundamentalny.
Następnie voice.md, który mówi AI, jak pisać twoim własnym stylem. Ten styl będzie się różnił w zależności od tego, co piszesz — więc podziel plik na części.
Na końcu memory.md. Ten plik śledzi wszystkie twoje preferencje na przestrzeni czasu.
A ponieważ to zwykłe pliki na twoim komputerze, możesz jutro zmienić AI i zadziała dokładnie tak samo. Nie ma znaczenia, czy używasz ChatGPT Work, czy Claude Code — wszystkie potrafią automatycznie czytać twoje pliki kontekstowe.
Poziom 5: drugi mózg
Kiedy masz już trzy pliki kontekstowe, zaczniesz budować trzydzieści. I to jest kolejny poziom. Poziom piąty to drugi mózg — po prostu folder, w którym mieści się cała twoja biblioteka kontekstu. Ta koncepcja funkcjonuje pod różnymi nazwami: drugie mózgi, wiki dla LLM-ów, warstwy kontekstu — ale chodzi o to samo. To miejsce, do którego twoja AI może pójść po kontekst i w którym może zapisać nowy.
Nie ma jednego słusznego sposobu budowania drugiego mózgu. W sieci zobaczysz naprawdę skomplikowane wersje z rozłożystymi mapami węzłów i tysiącami plików. Warto jednak wiedzieć, że w najprostszej postaci to po prostu pliki Markdown w folderach, z kilkoma linijkami metadanych na górze każdego pliku (żeby dało się rozpoznać, co to za plik) i zwykłymi linkami między nimi. Nie jesteś w tyle, jeśli trzymasz się prostoty — mniej naprawdę dobrego kontekstu bije tysiące plików ze sprzecznymi informacjami, przez które AI musi się przekopywać.
(Informacja dodatkowa: te „kilka linijek metadanych na górze” to zwykle frontmatter — blok między liniami --- z polami w rodzaju nazwy, opisu czy typu pliku.)
Drugi mózg możesz podzielić na podfoldery według dziedzin: osobno sprzedaż, marketing, treści i realizacja. W każdym z nich możesz dodawać kolejne podfoldery albo od razu pliki Markdown. Drugi mózg powinien rosnąć z czasem, w miarę jak korzystacie z niego ty i twoja AI. Równie ważne jest jednak, żeby regularnie go przeglądać i pilnować, by pliki kontekstowe nie zaczęły się rozjeżdżać. Tu wchodzi pojęcie lintowania: to zasadniczo zaplanowany subagent, który raz w tygodniu porządkuje i konsoliduje twój drugi mózg, żeby wszystko dalej chodziło gładko.
(Informacja dodatkowa: „linting” to termin z programowania — automatyczne sprawdzanie kodu pod kątem błędów i niespójności. Tutaj przeniesiony na pliki z wiedzą.)
Ja prowadzę przez swój drugi mózg cały biznes — w ramach czegoś, co nazywam Founder OS. To jeden folder na mojej maszynie, który śledzi każdą rozmowę i każdy materiał, a przy okazji daje mi interfejs do równoległej pracy z Claude Code i Codeksem. Praktycznie z niego nie wychodzę. Mam tam wszystko, czego potrzebuję, żeby prowadzić firmę jako founder wspierany przez AI. Jeśli chcesz zbudować coś takiego u siebie, dokładnie tego uczę na żywo na Founder OS Build Shop 26 sierpnia — link w opisie.
Poziom 6: farmowanie kontekstu
Haczyk polega na tym, że twój drugi mózg jest zawsze tylko tak dobry, jak ostatni moment, w którym pamiętałeś, żeby coś do niego dorzucić. A pamiętanie to akurat ta część, której naprawdę nie powinieneś mieć na głowie. Stąd poziom szósty: farmowanie kontekstu. To moment, w którym drugi mózg przestaje być aktualizowany, a zaczyna aktualizować się sam.
Zamiast samodzielnie wrzucać źródła, planujesz agentów, którzy wychodzą po nie sami i przynoszą wszystko z powrotem do drugiego mózgu. Mam agentów przypisanych do konkretnych twórców, którzy ściągają wszystko, co nowego opublikują. Mam takiego, który zgarnia transkrypty moich rozmów sprzedażowych w chwili, gdy się kończą — i to wszystko ląduje na miejscu, a ja nie muszę niczego otwierać.
Ci agenci działają według harmonogramu albo są wyzwalani powiadomieniami z innych narzędzi. Wychodzą, znajdują nowy kontekst i schludnie wpasowują go w drugi mózg, żeby zawsze miał najświeższe informacje. A jeśli martwisz się, że drugi mózg spuchnie — nie ma potrzeby. To ty wybierasz źródła, ty decydujesz, co jest monitorowane, a agenci tylko sprawdzają, czy pojawiło się coś nowego, i to wciągają. Skoro źródło jest wyselekcjonowane, samo pobieranie można zautomatyzować. W parze z lintowaniem zaczyna to bardzo szybko procentować.
Dzielenie się drugim mózgiem — i granica skali
Co się dzieje, kiedy chcesz podzielić się drugim mózgiem z zespołem, żeby ich AI miała ten sam kontekst co twoja? Drugi mózg w stylu wiki dla LLM-ów można udostępnić na trzy sposoby.
Możesz umieścić go na GitHubie — dostajesz przy okazji kontrolę wersji swojego kontekstu za darmo. Drugi mózg staje się prywatnym repozytorium, a zespół sięga po niego przez GitHuba. Możesz go synchronizować z Google Drive albo OneDrive, żeby żył jednocześnie lokalnie i w chmurze. Albo — jeśli wszyscy siedzą w biurze — możesz położyć go na dysku sieciowym (NAS) i stamtąd z niego korzystać.
Każde z tych rozwiązań działa mniej więcej do piętnastu osób. Powyżej zaczyna się sypać. I nie jest to problem z pamięcią, tylko z wyszukiwaniem. Im większy mózg i im więcej osób z niego korzysta, tym więcej plików bez realnej struktury — agent po prostu przestaje wiedzieć, gdzie szukać. Jeśli chcesz skalować kontekst na całą firmę, potrzebujesz kolejnego poziomu.
Poziom 7: firmowy mózg
Poziom siódmy to firmowy mózg: warstwa wiedzy, która wie wszystko o twoim biznesie, może być współdzielona między członkami zespołu i ma wszystkie uprawnienia dostępu, jakich wymaga prawdziwa organizacja. Taka konfiguracja pozwala pracownikom zadawać tysiące zapytań dziennie, a dobrze postawiona staje się jednym z najużyteczniejszych narzędzi, jakie możesz mieć.
Jest tu jednak ogromna różnica w stosunku do wszystkiego, o czym mówiliśmy dotąd. Do tej pory źródłem kontekstu były stosunkowo nieustrukturyzowane pliki Markdown. W skali firmy potrzeba czegoś więcej: bazy danych, zwykle Postgresa.
Ta baza jest w istocie bardzo prosta. To jedna tabela, a każdy jej wiersz to jeden kawałek wiedzy: wątek na Slacku, baza kodu, fragment dokumentu. Każdy wiersz zawiera te same trzy rzeczy: samą treść, embedding — czyli tę treść zamienioną na liczby, żeby AI mogła ją przeszukiwać po znaczeniu, a nie po dokładnych słowach — oraz metadane, dzięki którym system wie, skąd dana rzecz pochodzi i kto ma prawo ją zobaczyć.
Nie ma znaczenia, jakie jest źródło kontekstu, bo wszystko normalizuje się do wiersza w bazie. Oznacza to, że w chwili podłączenia nowego źródła wszystko, co z niego pochodzi, staje się natychmiast przeszukiwalne przez jeden interfejs. Baza jest następnie udostępniana AI przez MCP albo konektor, dzięki czemu model może przeszukać całość i wyciągnąć potrzebny kontekst.
(Informacja dodatkowa: MCP — Model Context Protocol — to otwarty standard podłączania modeli AI do zewnętrznych źródeł danych i narzędzi.)
Ten poziom daje jedną rzecz, z którą drugi mózg sobie nie radzi: uprawnienia. Drugie mózgi to AI osobista — z założenia twój model ma dostęp do wszystkiego. W organizacji istnieją jednak informacje, których nie każdy powinien widzieć. Firmowy mózg pozwala dołożyć warstwy uprawnień, tak by treść mogli wydobyć wyłącznie ci, którzy mają do niej dostęp.
To wszystkie siedem poziomów kontekstu.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Przestań mieszkać w jednym nieskończonym wątku
Na czym polega: Każda wiadomość — twoja i modelu — zjada okno kontekstowe. Im dłuższa rozmowa, tym gorsze odpowiedzi. Zamiast wracać do wątku sprzed miesięcy, otwórz nowy czat i poproś model, żeby doczytał, nad czym pracowaliście.
Jak stosować: Zaczynaj od czystej kartki dla każdego nowego zadania i jednym zdaniem odsyłaj do konkretnej wcześniejszej rozmowy („wróć do tego, co robiliśmy wczoraj przy X”).
Na co uważać: Przy takim doczytywaniu to model decyduje, co wyłowi z historii — nie ty. Jeśli coś jest krytyczne, wklej to wprost, zamiast liczyć, że samo się znajdzie.
2.Wgrany dokument to zdjęcie z przeszłości, nie źródło prawdy
Na czym polega: Plik przeciągnięty do czatu model przeczyta, ale go nie zapisze ani nie zaktualizuje. Zostaje stan z dnia wgrania, a w każdej nowej rozmowie musisz wgrywać go od nowa.
Jak stosować: Traktuj wgrywanie dokumentów jako rozwiązanie jednorazowe — do materiałów, które faktycznie się nie zmieniają. Wszystko, co ewoluuje, przenoś wyżej, do plików kontekstowych.
Na co uważać: Łatwo pracować na nieaktualnej wersji, nie zdając sobie z tego sprawy — model nie powie ci, że dokument się zdezaktualizował.
3.Markdown zamiast PDF-a i Worda
Na czym polega: Word, PowerPoint i PDF to pliki binarne — model musi najpierw uruchomić etap ekstrakcji tekstu. To wolniej i drożej w tokenach. Markdown modele czytają i wypisują natywnie.
Jak stosować: Wszystko, co ma być stałym kontekstem, trzymaj jako .md. Jednorazowo poproś AI o przekonwertowanie istniejących dokumentów.
Na co uważać: Sam format to jeszcze nie przewaga. Markdown wrzucony do czatu jest tylko tańszy i szybszy — wciąż martwy. Zysk pojawia się dopiero, gdy plik leży na dysku.
4.Projekty porządkują, ale zamykają cię u dostawcy
Na czym polega: Projekty w Claude i ChatGPT dają realną strukturę i wspólną bazę dla zespołu, ale cały kontekst mieszka w cudzym produkcie. Zmiana dostawcy oznacza jego utratę.
Jak stosować: Używaj projektów do współdzielenia i porządku, ale źródłem prawdy niech będą pliki na twoim dysku, z których projekt jest tylko zasilany.
Na co uważać: Migracja robi się bolesna dokładnie wtedy, gdy naprawdę chcesz ją zrobić — gdy wychodzi lepszy albo tańszy model.
5.Trzy pliki kontekstowe do zrobienia w pięć minut
Na czym polega: Minimalny zestaw to about.md (kim jesteś, czym się zajmujesz, co i komu sprzedajesz), voice.md (jak pisać twoim stylem) i memory.md (twoje preferencje gromadzone w czasie).
Jak stosować: Nagraj notatkę głosową, w której wyrzucasz z siebie wszystko, albo każ AI zbudować pliki z historii rozmów. Nie pisz ich od zera ręcznie.
Na co uważać: voice.md nie jest jeden dla wszystkiego — styl e-maila to nie styl posta. Podziel plik na sekcje według typu tekstu, inaczej dostaniesz uśrednioną papkę.
6.Dopiero lokalny „harness” ożywia kontekst
Na czym polega: Claude Code, Codex czy ChatGPT Work to obudowy pozwalające modelowi operować na plikach na twoim komputerze — czytać je, przeszukiwać i przepisywać. Pliki kontekstowe przestają być statyczne i aktualizują się w trakcie pracy.
Jak stosować: Trzymaj drugi mózg w jednym folderze i uruchamiaj narzędzie z jego poziomu, żeby model widział całość i mógł dopisywać nowe ustalenia.
Na co uważać: Model, który może zapisywać pliki, może też je popsuć. Trzymaj folder pod kontrolą wersji, żeby zawsze dało się cofnąć zmianę.
7.Prostota bije rozbudowaną architekturę
Na czym polega: Drugi mózg w najprostszej postaci to pliki Markdown w folderach, z kilkoma linijkami metadanych na górze i zwykłymi linkami między nimi. Mniej naprawdę dobrego kontekstu jest lepsze niż tysiące plików ze sprzecznymi treściami.
Jak stosować: Podziel folder na dziedziny — sprzedaż, marketing, treści, realizacja — i zacznij dodawać pliki. Rozbudowuj strukturę dopiero, gdy zaczyna cię uwierać.
Na co uważać: Rozłożyste mapy węzłów widziane w sieci wyglądają imponująco, ale sprzeczne informacje realnie pogarszają odpowiedzi AI. Rozrost struktury to nie postęp.
8.Zaplanuj lintowanie, zanim kontekst się rozjedzie
Na czym polega: Lintowanie to cykliczny subagent, który raz w tygodniu porządkuje i konsoliduje drugi mózg, pilnując, by pliki kontekstowe nie zaczęły sobie przeczyć.
Jak stosować: Ustaw stałe, tygodniowe uruchomienie — scalanie duplikatów, wyłapywanie sprzeczności, porządkowanie metadanych.
Na co uważać: Bez tego drugi mózg cicho degraduje się wraz ze wzrostem, a objawem będą pogarszające się odpowiedzi, których przyczyny nie skojarzysz ze źródłem.
9.Farmowanie kontekstu: kuratela źródeł, automatyzacja zbierania
Na czym polega: Zamiast pamiętać o wrzucaniu materiałów, planujesz agentów, którzy sami monitorują wybrane źródła — nowe publikacje twórców, transkrypty rozmów sprzedażowych — i wkładają je do drugiego mózgu. Działają według harmonogramu lub na powiadomienie z innych narzędzi.
Jak stosować: Najpierw wybierz wąską, przemyślaną listę źródeł, potem dopiero automatyzuj pobieranie. Klucz brzmi: skoro źródło jest wyselekcjonowane, ingestię można zautomatyzować.
Na co uważać: Automatyzacja szerokiego, niewyselekcjonowanego strumienia to prosta droga do zapchania mózgu. Kontrolę zachowujesz na etapie doboru źródeł, nie później.
10.Powyżej piętnastu osób to już problem wyszukiwania, nie przechowywania
Na czym polega: Drugi mózg da się dzielić przez prywatne repozytorium na GitHubie (z kontrolą wersji w gratisie), synchronizację z Google Drive albo OneDrive, lub dysk sieciowy w biurze. Do mniej więcej piętnastu osób to wystarcza; wyżej agent przestaje wiedzieć, gdzie szukać. Rozwiązaniem jest baza Postgres — jedna tabela, w której każdy wiersz to treść, embedding i metadane — udostępniana modelowi przez MCP.
Jak stosować: Nie buduj firmowego mózgu przedwcześnie. Zacznij od plików, a do bazy przejdź, gdy realnie odczujesz problem z odnajdywaniem informacji.
Na co uważać: Drugi mózg z założenia daje twojej AI dostęp do wszystkiego. W organizacji to niedopuszczalne — warstwy uprawnień, oparte na metadanych każdego wiersza, muszą być częścią projektu od początku, a nie doklejką.