O czym jest ten film
- Plan kodowania GLM od Z.ai kosztuje od 18 USD miesięcznie i oficjalnie działa wewnątrz Claude Code oraz Codex — czego większość użytkowników nie wie.
- Nie chodzi o zastąpienie subskrypcji za 200 USD, tylko o to, by przestać płacić najdroższemu modelowi za każde zadanie tylko dlatego, że przyszedł w pakiecie z narzędziem.
- Autor rozdziela cztery mylone ze sobą pojęcia: model, harness (narzędzie), kontekst projektu w plikach i tymczasową konwersację.
- Zmiana modelu w połowie długiej sesji bywa wolniejsza i droższa, niż się ludzie spodziewają — przez utratę cache’u promptów i ponowne wczytanie historii.
- Praktyczna metoda dla Claude Code: osobne polecenie startowe (np.
claude-glm) ze zmiennymi środowiskowymi Z.ai, uruchamiane obok zwykłego Claude’a. - Praktyczna metoda dla Codex: dodanie Z.ai jako dostawcy modeli i utworzenie profilu GLM, wywoływanego jednym przełącznikiem przy starcie.
- Przenoszenie pracy między modelami wymaga pliku przekazania (handoff) z celem, stanem, plikami, ograniczeniami i definicją ukończenia — nie wklejania całej rozmowy.
- Sub-agenci w Claude Code nie rozwiązują problemu: zwykły sub-agent startuje z czystym kontekstem, a fork wymaga tego samego modelu co rodzic.
- Reguła podziału pracy: GLM dostaje zadania ograniczone, z jasnym celem i testami; silniejszy model zostaje przy diagnozie, ukrytym stanie i ryzykownych decyzjach.
- Ostateczna odpowiedź, czy się opłaca, wymaga testów na własnym kodzie — łącznie z kosztem poprawek, ponowień i przeglądu.
Redakcyjne tłumaczenie
Wszyscy jesteśmy tu winni
Wszyscy jesteśmy winni tego samego. Pięć różnych subskrypcji AI, z czego dwie potrafią kosztować 400 dolarów miesięcznie. I w środku tego wszystkiego, powiedzmy o drugiej po południu, zwykłego dnia, wyczerpujesz limit na jednym z tych narzędzi.
Jeśli wykupisz Codex Pro albo najwyższy plan Max od Claude’a, zapłacisz 200 dolarów miesięcznie. Tymczasem plan kodowania GLM od Z.ai zaczyna się od 18 dolarów miesięcznie i oficjalnie działa wewnątrz obu tych narzędzi — czego większość ludzi w ogóle nie zauważa. GLM 5.3 potrafi zdjąć część pracy programistycznej z barków Codeksa czy Claude’a. Oszczędności bywają ogromne. Jeśli korzystałeś z API, wiesz, że koszty API rosną naprawdę bardzo szybko. Ten model za 18 dolarów może działać wewnątrz narzędzia, które już znasz. Konfiguracja to dosłownie kilka linijek — i przeprowadzę cię przez nią w tym materiale.
Więc jeśli to twoja sytuacja, jeśli chcesz spróbować GLM 5.3 i nie chcesz wymieniać swojego harnessu, ten film jest dla ciebie. Pokażę, jak to zrobić w każdym z tych narzędzi, jakie są kompromisy po stronie Claude’a i po stronie Codeksa. Opieram się wyłącznie na dokumentacji Claude’a i Codeksa oraz na dokumentacji Z.ai, firmy stojącej za GLM 5.3.
(Informacja dodatkowa: „harness” to w tym kontekście środowisko wokół modelu — program, który daje modelowi dostęp do plików, komend i uprawnień. Nate używa metafory uprzęży, w którą wprzęga się konia ciągnącego wóz.)
Co realnie się zmienia, gdy zmieniasz model
Możesz zachować nienaruszone swoje pliki, instrukcje, narzędzia, uprawnienia, hooki i przyzwyczajenia — wszystko, co już zbudowałeś. Zmieniasz tylko to, która firma dostarcza model do danego kawałka pracy.
Postaw się w oczywistej sytuacji. Druga po południu, jesteś w połowie prawdziwego projektu i wyczerpujesz limit Claude’a albo Codeksa. Cześć, to ja, też mi się to zdarzało. Robota nadal musi wyjść, ale nie chcesz płacić więcej, nie chcesz płacić cen API — które są znacznie wyższe niż twój miesięczny rachunek — ani spędzić reszty popołudnia na odbudowywaniu wszystkiego w jakimś obcym narzędziu. Jesteś więc trochę w potrzasku.
Prawdziwe pytanie brzmi: którą pracę przenosisz, jaki kontekst idzie razem z nią i czy uruchomienie tańszego modelu naprawdę oszczędzi ci pieniądze, kiedy doliczysz ponowienia, przegląd wyników — cały w pełni obciążony koszt.
Ten materiał daje odpowiedź dla Claude Code i dla Codeksa. Pokażę konfigurację, to, co idzie za tobą przy zmianie modelu, i to, co nie idzie, a także różne sposoby użycia GLM jako pracownika w każdym z tych dwóch narzędzi. Potem przejdziemy przez cztery realne rodzaje pracy programistycznej i ustalimy, co trafia do kolejki tańszego modelu, a co zostawiasz dla mocniejszego i dlaczego. Na koniec — jak mierzyć, ile faktycznie kosztuje każdy rezultat, gdy zaczniesz mądrze mieszać tańszy model.
Plan za 18 dolarów ma mniejsze limity niż plan za 200. Nie twierdzę więc, że jedna subskrypcja Z.ai magicznie zastępuje subskrypcję Codeksa czy Claude’a. Nie o to chodzi i nie tak używa tego większość ludzi. Szansa polega na tym, żeby przestać płacić najdroższemu modelowi za wykonywanie każdej roboty tylko dlatego, że przyszedł w pakiecie z twoim narzędziem do kodowania.
Cztery rzeczy, które ludzie ze sobą mylą
Są cztery pojęcia, które nieustannie się zlewają, a chcę je rozdzielić, bo bywają źle rozumiane.
Pierwsze to model. To może być Claude, może być model OpenAI, a w tym przypadku może być GLM 5.3. To ta część, która rozumuje i produkuje odpowiedź w tokenach.
Drugie to narzędzie do kodowania, często nazywane harnessem. Claude Code i Codex to programy, które obsługujesz — i to one są harnessami. Pozwalają modelowi czytać pliki w określony sposób, uruchamiać komendy, używać narzędzi, prosić o zgodę, wprowadzać zmiany i pokazywać ci rezultat.
Trzecie to kontekst projektu. To rzeczy, które masz zapisane: plik CLAUDE.md albo AGENTS.md, twoje zadania, dokumentacja, skille, skrypty, hooki, reguły projektu. Inna sesja może to wszystko odczytać po prostu dlatego, że żyje w plikach. Może to przeczytać cokolwiek i gdziekolwiek. Jest bardzo przenośne.
Czwarte to konwersacja. Najłatwiejsza do zrozumienia — tymczasowa historia twojej konkretnej sesji: o co pytałeś, co model przeczytał, jakie decyzje podjęliście razem, jakie poprawki mu dawałeś po drodze.
Zmiana modelu nie oznacza, że wszystkie cztery rzeczy zmieniają się w ten sam sposób. Chcę to podkreślić trzykrotnie, bo bywa to źle rozumiane. To rozróżnienie jest też powodem, dla którego ostrzegam ludzi, że tańsze modele bywają droższe. Musisz patrzeć na w pełni obciążony koszt we wszystkich czterech wymiarach, żeby ustalić, co naprawdę działa.
Zespół Flo Crivello w Lindy odszedł od Claude’a — i skończyło się na przebudowaniu harnessu wokół pracy, którą faktycznie wykonywali, żeby móc wykorzystać model open source. Lekcja jest taka, że wprowadzając zmiany, trzeba patrzeć na cały system.
(Informacja dodatkowa: Lindy to firma budująca asystentów AI dla firm; Flo Crivello jest jej założycielem.)
Claude Code: dlaczego nie przełączać modelu w środku rozmowy
Jeśli w Claude Code użyjesz komendy /model, by wybrać inny model u tego samego dostawcy, Claude Code zachowa konwersację. Nie musisz wklejać jej od nowa. Ale Anthropic ostrzega, że kolejna odpowiedź przeczyta całą historię rozmowy ponownie, już bez starych cache’ów promptów — w tle ładuje się od zera. To potrafi sprawić, że późna zmiana modelu jest wolniejsza i znacznie droższa, niż ludzie się spodziewają, nawet jeśli sam model jest tańszy.
(Informacja dodatkowa: cache promptów obniża koszt powtarzanego kontekstu; zmiana modelu lub dostawcy unieważnia go, więc cała historia jest rozliczana jak nowe wejście.)
Przejście z Anthropic na Z.ai jest zmianą jeszcze większą, bo zmieniasz również adres internetowy i klucz, których Claude Code używa do zapytań o model. Pod powierzchnią dzieje się tam sporo.
Powiedziałbym więc, że praktyczny sposób zmiany modelu w Claude Code to po prostu uruchomienie osobnej sesji dedykowanej GLM. Może otworzyć ten sam projekt, może przeładować instrukcje zapisane w plikach — to wszystko działa. Nie odziedziczy natomiast automatycznie dojrzałej konwersacji z sesji Anthropic, którą już masz otwartą.
I stąd pierwsza użyteczna reguła kciuka: zaczynaj poważne zadanie na tym modelu, na którym spodziewasz się je skończyć. Nie buduj czterdziestu tur roboczej historii z jednym dostawcą, a potem na ostatniej prostej beztrosko przenoś zadanie do innego. To nie znaczy, że nigdy nie możesz użyć dwóch modeli w jednym projekcie. Jeśli utknąłeś, bo wyczerpałeś limit, może warto przeskoczyć. To znaczy tylko tyle, że granica między nimi powinna być wyraźnie zdefiniowanym kawałkiem pracy, a nie nadzieją, że drugi model magicznie wejdzie w rozmowę, wiedząc wszystko, czego nauczył się pierwszy.
Dlaczego higiena kontekstu ma sens ekonomiczny
Praca, którą wykonałem przy token saverze, uczyniła to rozróżnienie bardzo namacalnym. Miałem tracker, miałem dni, w których przekraczałem 3–4 miliardy tokenów w wątkach Codeksa i Claude’a. I prawie 96% wolumenu — jak wtedy pokazywałem — stanowiło powtórnie użyte wejście. W takim świecie musisz założyć, że wywołania niosą instrukcje projektu, definicje narzędzi, kontekst plików, historię i inny powtarzalny materiał.
Jeśli ważne wnioski z twoich projektów istnieją wyłącznie w jednym długim wątku rozmowy, będzie je trudno przenieść do nowego modelu. Jeśli natomiast standardy kodowania, komendy testowe, uprawnienia i definicja ukończenia żyją w plikach — inny model podniesie je bardzo łatwo. Innymi słowy: dobra higiena kontekstu ma tu spory sens ekonomiczny.
Konfiguracja w Claude Code
Zostając przy Claude Code: swoją normalną konfigurację Claude’a zostawiłbym dokładnie taką, jaka jest. Utworzyłbym drugie, prywatne polecenie startowe o oczywistej nazwie, na przykład claude-glm. To polecenie dostarcza trzy rzeczy, zanim Claude Code się otworzy: klucz API Z.ai, adres Z.ai dla zapytań zgodnych z Anthropic oraz nazwy mapujące wybory modeli w Claudzie na GLM 5.3.
Klucz API oczywiście trzymaj we własnym środowisku albo w menedżerze sekretów. Nie wkładaj go do projektu — powtarzam to bez końca. I nie ruszaj normalnych ustawień Claude’a. Zwykły Claude nadal będzie otwierał sesję Anthropic, a claude-glm otworzy sesję Z.ai. Jeśli połączenie z GLM zacznie się źle zachowywać, po prostu je zamknij i wróć do normalnej komendy.
Jeśli brzmi to dla ciebie jak chińszczyzna: gotowe polecenia do skopiowania umieściłem w przewodniku towarzyszącym temu materiałowi na Substacku — bo nie powinniśmy przepisywać zmiennych środowiskowych ze słuchu i nie powinniśmy grać w takie gry. Jeśli masz jakiekolwiek wątpliwości, czy dasz radę, trzymaj się bezpiecznego, gotowego polecenia i nie próbuj obsługiwać sekretów API na własną rękę.
Co wraca po uruchomieniu, a co przepada
Co dzieje się po odpaleniu komendy? Otwierasz to samo repozytorium, a Claude Code zobaczy te same pliki, przeczyta ten sam CLAUDE.md i zachowa hooki, serwery MCP, narzędzia i doświadczenie uprawnień, które już skonfigurowałeś — całą maszynerię twojego harnessu Claude’a. Modelem odpowiadającym pod spodem będzie teraz GLM 5.3. Wraca więc kontekst projektu zapisany w plikach.
Nie wróci natomiast żadna stara konwersacja z Anthropic, żaden stary cache promptów ani decyzja, której nigdzie poza czatem nie zapisałeś. To po prostu przepada.
Załóżmy, że twoja sesja z Anthropic spędziła godzinę na badaniu buga. Wykluczyła trzy przyczyny, dowiedziała się, że jedna linia logu wprowadza w błąd, ustaliliście, że nie ruszacie middleware’u uwierzytelniania. To wszystko są decyzje. Jeśli nic z tego nie trafiło do pliku, świeża sesja z nowym modelem takim jak GLM 5.3 po prostu o tym nie będzie wiedziała. Zaczniesz od zera.
Zanim więc przeniesiesz zadanie — jeśli musisz przenieść je w połowie — stwórz plik przekazania. Nakaż obecnemu modelowi udokumentować: cel, obecny stan, istotne pliki, ograniczenia, co oznacza „gotowe” i jakie sprawdzenia uruchomić. Tak, szablon też jest w przewodniku na Substacku.
Na przykład: cel — zaktualizuj te 38 wywołań API do nowej nazwy pola. Stan obecny — bieżąca gałąź jest czysta, a dotknięte wywołania są w tych dwóch katalogach. Ograniczenie — nie zmieniaj publicznego API. Definicja ukończenia — stare pole nie występuje już nigdzie, a wszystkie istniejące testy przechodzą. Na końcu: uruchom te komendy, zanim wrócisz do pracy.
Tyle wystarczy, żeby ruszyć z nowym modelem. To też znacznie lepsze niż wklejanie całej historii rozmowy i proszenie GLM 5.3 czy jakiegokolwiek nowego modelu, żeby po drodze sam odkrył, które fragmenty mają znaczenie.
Kwestia wieloagentowości w Claude Code
Teraz dochodzimy do pytania o wielu agentów. Claude Code ma już sub-agentów. Zwykły sub-agent startuje jednak ze świeżym kontekstem: dostaje zadanie, które deleguje mu Claude, oraz stosowne instrukcje projektu — nie całą konwersację rodzica ani każdy plik, który rodzic przeczytał. I to jest celowe. Daje agentowi ograniczony kontekst. To jeden z powodów, dla których sub-agenci są naprawdę dobrzy w wąskiej, konkretnej pracy: mogą trzymać swoje logi, research i poboczne dochodzenia poza główną konwersacją.
Claude Code ma też koncepcję sub-agentów forkowanych, a to coś innego. Fork otrzymuje pełną konwersację i może wykorzystać cache promptów rodzica. Kompromis polega na tym, że fork musi używać tego samego modelu co rodzic. To zostawia realne ograniczenie dla naszego scenariusza.
Claude Code dokumentuje, jak sub-agent wybiera model, ale nie dokumentuje osobnego adresu dostawcy dla pojedynczego sub-agenta. Jeśli główny proces Claude Code korzysta z Anthropic, nie ma prostego, natywnego ustawienia mówiącego: „zostaw Anthropic za sterami, ale to jedno dziecko wyślij tam”. Dałoby się to zrobić bramką albo własną integracją, ale nie polecałbym tego początkującym.
Zamiast tego otworzyłbym dwie sesje Claude Code: zwykły Claude jako prowadzący i claude-glm jako pracownik. Daj sesji GLM to sześciolinijkowe przekazanie, o którym mówiłem. Jeśli obie sesje mają edytować jednocześnie, umieść pracownika w worktree Gita — to po prostu osobna kopia repozytorium, która zapobiega temu, by obaj agenci zmieniali te same pliki jeden pod drugim. Sesja GLM zwraca zmienione pliki, sprawdzenia, które uruchomiła, i wszystko, czego nie umie rozwiązać. Sesja Anthropic przegląda wynik, kiedy zadanie jest istotne.
Nadal jeden projekt, nadal jedno znajome narzędzie. Po prostu dwie sesje z bardzo jawnym przekazaniem między nimi.
Codex: profil zamiast osobnej komendy
Teraz Codex, bo Codex daje nam inną możliwość. Pierwsza konfiguracja Codeksa wygląda bardzo podobnie do Claude Code. Dodajesz Z.ai jako dostawcę modeli w swojej osobistej konfiguracji Codeksa. Mówiąc po ludzku: podajesz Codeksowi adres Z.ai i wskazujesz, która zmienna środowiskowa zawiera klucz. Z.ai udostępnia adres zgodny z interfejsem responses, przeznaczony specjalnie dla Codeksa. Tworzysz profil GLM, który mówi dwie rzeczy: używaj GLM 5.3 i wysyłaj zapytania przez tego dostawcę.
Kiedy chcesz, żeby całe zadanie w Codeksie poszło na GLM, uruchamiasz Codeksa z profilem GLM. Zwykły Codex nadal będzie korzystał z twojej normalnej konfiguracji OpenAI, więc możesz mieć oba naraz. To analogiczne do tego, jak skonfigurowaliśmy Anthropic.
Profil GLM otwiera ten sam projekt, ładuje te same stosowne pliki AGENTS.md, skille, narzędzia i reguły projektu — wszystko, co znasz. I tak jak w Claude Code, traktuj to jako nowe zadanie albo zadanie starannie przekazane. Kontekst projektu się przeładuje. Osobna konwersacja nie pojawi się magicznie.
Który rodzaj pracy oddać taniemu modelowi
Dlaczego to wszystko ma znaczenie? Wyobraźmy sobie małą firmę software’ową. Techniczny założyciel, starszy inżynier, backlog rosnący szybciej niż zespół, bo mają klientów z bugami, i miesiące spędzone na tym, żeby Claude Code albo Codex zrozumiał ich repozytorium. Mają stos zadań do zrobienia i mają rachunki za tokeny. To jest ten startup, który miałem na myśli, dając przykłady w tym materiale.
Mówiliśmy o agencie aktualizującym 38 wywołań pod zmienioną nazwę pola API — bardzo prawdopodobne startupowe zadanie. Mówiliśmy też o przerywanej awarii uwierzytelniania. Zespoły techniczne startupów muszą się mierzyć z mnóstwem takiej roboty. To nie są rzeczy efektowne.
Kiedy szukasz, co oddać na zewnątrz, myśl w kategoriach: gdzie mam jasną definicję ukończenia, gdzie repozytorium zawiera przykłady i gdzie mam naprawdę dobre testy, które powiedzą mi, czy praca jest akceptowalna. W takich sytuacjach zacząłbym — w dowolnym harnessie, Claudzie czy Codeksie — przydzielać tę robotę GLM-owi, bo to praca, w której czuję się dobrze z tym, że GLM ją zaatakuje i zrobi poprawnie. Nie jest zbyt mglista, nie jest zbyt ogólna. GLM da radę, a ty sporo zaoszczędzisz na tokenach.
Jeśli robisz coś bardziej złożonego, jak dochodzenie do przyczyny źródłowej tej awarii uwierzytelniania, sprawa wygląda inaczej: jest tam ukryty stan, mogą pojawić się sprzeczne dowody, kiedy kopiesz głębiej. Tani pracownik może nadal pomóc zebrać logi albo prześledzić ścieżki w kodzie, ale główne dochodzenie zostawiłbym najsilniejszemu modelowi, jakiemu ufam. Widzisz, jak potrzebny jest tu ludzki osąd.
Reguły kciuka
Użyjesz GLM, kiedy zadanie ma jasny cel, jasne uprawnienia i cel testowy, który potrafisz bardzo konkretnie zdefiniować. Zostawisz mądrzejszy model za sterami wtedy, gdy trudną częścią jest w ogóle zdecydowanie, na czym zadanie ma polegać, rozplątanie ukrytego stanu, prowadzenie dochodzenia albo ważenie ryzykownego kompromisu.
Dobrym wskaźnikiem jest to, jak trudno przekazać pracę w połowie. Jeśli musiałbyś wyciągnąć całą transkrypcję rozmowy rodzica, zadanie jest prawdopodobnie zbyt nieograniczone, żeby dawać je modelowi takiemu jak GLM.
To także powód, dla którego nie przełączałbym modeli wielokrotnie wewnątrz jednej konwersacji. Bądź intencjonalny. Narzędzie może pokazywać ci widoczną historię, ale musisz doliczyć rzeczy, których nie widzisz: zmianę zachowania modelu w toku rozmowy, cache promptów i tak dalej. Nowy dostawca musi to wszystko rozgryźć od nowa, a to dokłada koszt, dokłada niepewność, dokłada kolejne tury.
Czy to naprawdę wychodzi taniej
Druga rzecz do ustalenia to, czy praca faktycznie jest tańsza na alternatywnym modelu. Plany nie są równoważne. Jak zaznaczałem, Z.ai ma limity pięciogodzinne i tygodniowe, a poziom za 18 dolarów to nie ta sama liczba tokenów ani ta sama zdolność rozwiązywania problemów co plan za 200 dolarów. Musisz więc myśleć o swoim konkretnym przypadku: o swojej bazie kodu, o swoich zadaniach — czy ten model ma sens?
Chciałbym móc usiąść obok ciebie i powiedzieć: „to ma sens, a to nie”. Rzeczywistość jest taka, że dziś to ty musisz to rozstrzygnąć dla swoich zadań, plików i kodu — i nie ma substytutu dla realnego przetestowania. Najlepsze, co mogę zrobić, to dać ci regułę kciuka, dać bardzo jasne instrukcje konfiguracji i przypomnieć: zawsze testuj na własnym kodzie, bo twój kod ma własny poziom złożoności i musisz go dopasować do możliwości modelu.
I nie bądź nieambitny. Nie chcę, żebyś po tym materiale stwierdził: „aha, to nie będę mu dawał trudnych zadań”. Bądź naprawdę intencjonalny. Popatrz i powiedz: dajmy mu kilka ambitnych zadań w mojej bazie kodu, zobaczmy, jak sobie poradzi, i wycofujmy się w miarę, jak widzimy porażki — aż znajdziemy właściwy poziom dla tego konkretnego modelu.
Nawiasem mówiąc, tej samej zasady możesz użyć przy mniej frontierowych wersjach istniejących modeli od OpenAI i Anthropic. Jeśli chcesz użyć modelu Sonnet, jeśli chcesz użyć modeli Terra albo Luna, zasada jest identyczna: dawaj im rzeczy, które są w stanie ugryźć, sprawdzaj, jak daleko w złożoność potrafią pójść, i cofaj się, gdy trzeba. To ostatecznie da ci maksymalne oszczędności na tokenach bez utraty na inteligencji.
Odpakowywanie pakietów
Kiedy się cofnę: spędziłem naprawdę długie lata na budowaniu produktów, od skali stu milionów użytkowników i większej po malutkie startupy. Ciekawe w tym momencie jest to, że przez bardzo długi czas firmy software’owe sprawiały, że pakiety wydawały się nieuchronne. Interfejs, workflow i usługa pod spodem przychodzą razem, zapakowane, i nie da się ich rozdzielić. Z czasem przestajesz pytać, czy muszą pochodzić od tej samej firmy — jesteś po prostu wytresowany.
Jedną z rzeczy, które naprawdę doceniam u zespołu Claude’a i u zespołu Codeksa, jest to, że obie strony wyglądają na gotowe do odpakowania tego zestawu. To mocny punkt na korzyść obu zespołów.
Claude Code czuję dziś jak kokpit — muszę być blisko pracy, sterować, zmieniać kierunek, gdy problem się wyjaśnia. Codex bardziej przypomina biurko dyspozytorskie: mogę wysyłać zadania, pozwolić im się wykonać, obejrzeć, co wróciło, i zorientować się, gdzie jestem. Te style pracy nie znikają, gdy inna firma dostarcza część inteligencji, bo są endogeniczne wobec harnessu — pasują do niego. Mogę zostać przy Claude Code i pracować tak, jak zawsze, tylko po drodze sterując sesją GLM. Odpakowanie pozwala nam dostrzec, jak ważny w naszym sposobie pracy jest sam harness.
Na koniec
Podsumowując: launcher do Claude’a, profil do Codeksa, szablony przekazania i karty porównawcze umieściłem w przewodniku towarzyszącym na Substacku. Łatwiej je skopiować ze strony niż z filmu.
Zacznij od kawałka pracy, na którym ci zależy. Ustal, czym możesz wyzwać model, którego wcześniej nie próbowałeś — pomocniczy albo nowy model open source — i daj mu szansę. Pokazałem ci, jak to rozgryźć. Teraz potrzeba śmiałości, żeby naprawdę spróbować czegoś ciekawego. A kiedy zobaczysz porażkę, po prostu odrobinę się wycofaj. Moja reguła kciuka jest taka, że zadania ograniczone, z jasnym opisem ukończenia, wychodzą lepiej. U ciebie może być inaczej, bo złożoność twojego kodu może być inna. Musisz to sprawdzić sam.
Powodzenia. Dajcie znać, co budujecie ze swoimi wieloagentowymi układami. Co budujecie na GLM 5.3? Który harness wybieracie — natywny harness Z.ai, Codex, a może Claude Code? Ciekaw jestem, gdzie ludzie lądują z tym wyborem i ile pieniędzy oszczędzają. Bo jeśli korzystałeś z API, wiesz, że koszty API rosną naprawdę, naprawdę szybko. Jeśli to ma ci oszczędzić kosztów API, oszczędzi ci dużych pieniędzy.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Tani model wchodzi do twojego narzędzia, nie zamiast niego
Na czym polega: Plan GLM od Z.ai zaczyna się od 18 USD miesięcznie i oficjalnie działa wewnątrz Claude Code oraz Codeksa. Nie zmieniasz harnessu, nawyków ani plików — zmieniasz tylko dostawcę modelu dla wybranego kawałka pracy.
Jak stosować: Zostaw dotychczasową konfigurację nietkniętą i dołóż obok drugi sposób startu (osobne polecenie w Claude Code, osobny profil w Codeksie). Traktuj to jako dodatkowy pas ruchu, nie jako migrację.
Na co uważać: Plan za 18 dolarów ma mniejsze limity i słabszą zdolność rozwiązywania problemów niż plan za 200. To nie jest zamiennik subskrypcji, tylko sposób na zdjęcie z niej części obciążenia.
2.Rozdziel model, harness, kontekst w plikach i konwersację
Na czym polega: Cztery warstwy zachowują się przy zmianie modelu zupełnie inaczej. Harness i kontekst zapisany w plikach zostają z tobą. Konwersacja i cache promptów — nie.
Jak stosować: Zanim cokolwiek przeniesiesz, zapytaj: która z tych czterech rzeczy faktycznie zmienia się w moim scenariuszu? Jeśli tylko model, przenosiny są tanie. Jeśli tracisz konwersację, policz koszt jej odtworzenia.
Na co uważać: Najczęstszy błąd to założenie, że skoro narzędzie zostaje to samo, to wszystko zostaje. Decyzje z rozmowy przepadają bezgłośnie — nikt cię nie ostrzeże, że nowy model ich nie zna.
3.Nie przełączaj modelu na ostatniej prostej
Na czym polega: Zmiana modelu w połowie sesji unieważnia cache promptów i wymusza ponowne przeczytanie całej historii. Późna zmiana bywa wolniejsza i droższa, niż wskazywałaby sama cena tańszego modelu.
Jak stosować: Zaczynaj poważne zadanie na modelu, na którym zamierzasz je skończyć. Jeśli musisz przeskoczyć, zrób to na wyraźnej granicy — po zamkniętym etapie, nie w środku analizy.
Na co uważać: Nie przełączaj modeli wielokrotnie w jednej rozmowie. Poza widoczną historią doliczasz sobie zmiany zachowania modelu, utratę cache’u i dodatkowe tury, których nie widzisz na fakturze wprost.
4.Osobne polecenie startowe zamiast grzebania w ustawieniach
Na czym polega: Praktyczna metoda dla Claude Code to drugie polecenie (np. claude-glm), które przed startem podaje trzy rzeczy: klucz API Z.ai, adres kompatybilny z Anthropic i mapowanie nazw modeli na GLM 5.3.
Jak stosować: Trzymaj to jako oddzielny alias obok zwykłego Claude’a. Gdy połączenie z GLM zaczyna się źle zachowywać, zamykasz sesję i wracasz do normalnej komendy — bez żadnego sprzątania konfiguracji.
Na co uważać: Klucz API trzymaj w środowisku albo w menedżerze sekretów, nigdy w projekcie. Autor wprost odradza przepisywanie zmiennych środowiskowych ze słuchu — użyj gotowej, sprawdzonej komendy.
5.W Codeksie to profil, nie osobny launcher
Na czym polega: W Codeksie dodajesz Z.ai jako dostawcę modeli w osobistej konfiguracji (adres plus wskazanie zmiennej środowiskowej z kluczem) i tworzysz profil GLM. Z.ai udostępnia adres zgodny z interfejsem responses specjalnie dla Codeksa.
Jak stosować: Uruchamiasz Codeksa z profilem GLM, gdy chcesz, żeby całe zadanie poszło na tani model. Zwykły Codex nadal używa OpenAI, więc oba tryby działają równolegle.
Na co uważać: Tak samo jak w Claudzie — przeładuje się kontekst z plików, ale nie konwersacja. Traktuj każdy start profilu GLM jak nowe zadanie albo zadanie starannie przekazane.
6.Plik przekazania zamiast wklejania rozmowy
Na czym polega: Przed przeniesieniem pracy każ obecnemu modelowi napisać handoff: cel, obecny stan, istotne pliki, ograniczenia, definicja ukończenia i komendy do uruchomienia.
Jak stosować: Trzymaj to w sześciu linijkach. Przykład autora: „zaktualizuj 38 wywołań pod nową nazwę pola; gałąź czysta, pliki w tych dwóch katalogach; nie zmieniaj publicznego API; gotowe, gdy stare pole nie występuje i testy przechodzą”.
Na co uważać: Wklejenie całej historii rozmowy jest gorsze niż handoff — nowy model musi sam zgadywać, które fragmenty mają znaczenie, i płacisz za każdy token tego zgadywania.
7.Higiena kontekstu to nie estetyka, tylko pieniądze
Na czym polega: Przy własnym pomiarze autora prawie 96% wolumenu tokenów w wątkach Claude’a i Codeksa stanowiło powtórnie użyte wejście: instrukcje projektu, definicje narzędzi, kontekst plików, historia.
Jak stosować: Przenieś standardy kodowania, komendy testowe, uprawnienia i definicję ukończenia do plików (CLAUDE.md, AGENTS.md, skille, reguły). Wtedy dowolny model — także tani — podnosi je natychmiast.
Na co uważać: Wiedza, która żyje tylko w jednym długim wątku, jest praktycznie nieprzenośna. Godzina dochodzenia, które nigdzie nie trafiło, zostaje utracona w chwili otwarcia nowej sesji.
8.Sub-agenci nie rozwiążą tego za ciebie
Na czym polega: Zwykły sub-agent w Claude Code startuje ze świeżym kontekstem, a forkowany sub-agent dostaje pełną rozmowę i cache rodzica, ale musi używać tego samego modelu. Claude Code nie dokumentuje osobnego adresu dostawcy dla pojedynczego sub-agenta.
Jak stosować: Zamiast kombinować, otwórz dwie sesje: zwykły Claude jako prowadzący, claude-glm jako pracownik. Pracownik dostaje handoff, zwraca zmienione pliki, uruchomione sprawdzenia i to, czego nie umiał rozwiązać.
Na co uważać: Jeśli obie sesje mają pisać jednocześnie, umieść pracownika w worktree Gita — inaczej dwaj agenci będą nadpisywać sobie te same pliki. Wyniki istotnych zadań niech przegląda mocniejszy model.
9.Kryterium podziału pracy: ograniczoność i testowalność
Na czym polega: Do taniego modelu idą zadania z jasnym celem, jasnymi uprawnieniami, przykładami w repozytorium i testami, które jednoznacznie orzekają o akceptacji. Silniejszy model zostaje przy decydowaniu, na czym zadanie w ogóle polega, ukrytym stanie i ryzykownych kompromisach.
Jak stosować: Użyj testu przekazywalności: jeśli, żeby oddać zadanie, musiałbyś wyciągnąć całą transkrypcję rozmowy, jest ono zbyt nieograniczone dla taniego modelu. Przy trudnym debugowaniu tani pracownik może zbierać logi i śledzić ścieżki kodu, ale dochodzenie prowadzi mocniejszy model.
Na co uważać: Praca z ukrytym stanem i sprzecznymi dowodami — jak przerywana awaria uwierzytelniania — pochłania tury i niweczy oszczędności. Tam tani model kosztuje więcej, niż oszczędza.
10.Wykalibruj model na własnym kodzie, zaczynając od góry
Na czym polega: Nie da się z zewnątrz orzec, czy tańszy model wystarczy dla twojej bazy kodu. Trzeba to zmierzyć — łącznie z kosztem ponowień i przeglądu, a nie samą ceną planu.
Jak stosować: Daj mu kilka ambitnych zadań, obserwuj, gdzie zaczyna zawodzić, i cofaj się do poziomu, który stabilnie utrzymuje. Ta sama procedura działa dla tańszych modeli OpenAI i Anthropic, nie tylko dla GLM.
Na co uważać: Nie zaczynaj asekurancko od najłatwiejszych zadań — nigdy nie poznasz realnego sufitu modelu. Pamiętaj też o limitach pięciogodzinnych i tygodniowych Z.ai: taniego planu nie da się nasycić dowolną ilością pracy.