Przestałem wybierać między ChatGPT a Claude — oto moja konfiguracja

O czym jest ten film

1. Przejście z ChatGPT do Claude’a (albo odwrotnie) zwykle oznacza utratę własnych GPT-ów, projektów, pamięci i instrukcji — dlatego większość osób w ogóle nie zmienia narzędzia.
2. Rozwiązaniem jest folder na komputerze, do którego oba desktopowe agenty mają pełny dostęp; przeniesienie zadania między nimi zajmuje kilka minut.
3. Kontekstem są świeże premiery: Claude Fable 5.1 i GPT-6 Astra. Zamiast debatować, „który model najlepszy”, lepiej zbudować infrastrukturę niezależną od dostawcy.
4. Cennik za tokeny jest u obu identyczny (10 dol. wejście, 50 dol. wyjście), ale w przeliczeniu na całe zadanie GPT-6 Astra bywa 8–9 razy tańszy — a mimo to Claude wygrywa w wielu typach zadań.
5. Anatomia folderu: pliki claude.md i agents.md (krótkie instrukcje), przenośne umiejętności, plik lessons.md jako zewnętrzna pamięć oraz podfoldery inputs/outputs/archive i miejsce na wzorce.
6. Projekty warto opierać na folderach, nie na funkcjach aplikacji — takie struktury da się synchronizować i współdzielić przez OneDrive, Google Drive czy SharePoint.
7. Import ustawień jest asymetryczny: ChatGPT przenosi z Claude’a rozmowy, instrukcje, umiejętności, wtyczki i serwery MCP, natomiast Claude — wyłącznie pamięć, i to okrężną drogą.
8. Wybór modelu do zadania to kolejność: jakość wyniku, potem zużycie tokenów, na końcu czas; przy zadaniach, w których dużo jest na szali, jakość przeważa nad kosztem.
9. Przy ważnych zadaniach modele można zestawić przeciwko sobie: jeden wykonuje pracę, drugi ją recenzuje na tych samych plikach — bo model oceniający własny dorobek jest stronniczy.
10. Są trzy naturalne momenty przełączenia modelu (wyczerpany limit, powtarzające się błędy, premiera nowego modelu) oraz jedna żelazna zasada testów: model nie może widzieć gotowego, wzorcowego wyniku.

Redakcyjne tłumaczenie

Dlaczego w ogóle nie zmieniamy narzędzia

Jeśli kiedykolwiek próbowaliście przejść z ChatGPT do Claude’a — albo w drugą stronę — na pewno zauważyliście, że część rzeczy się przenosi, a część przepada. Własne GPT-y, projekty, pamięć, instrukcje: wszystko to zostaje w starej aplikacji. I to jeden z głównych powodów, dla których ludzie w ogóle nie zmieniają narzędzia. Ja przez cały rok budowałem wszystko w jednej aplikacji, zanim to zrozumiałem. Dziś korzystam z obu i przeniesienie zadania z jednej do drugiej zajmuje mi kilka minut. Haczyk nie tkwi w żadnej z nich. To po prostu folder na komputerze, do którego obie mają dostęp — mogą z niego czytać i mogą do niego zapisywać.

Dlaczego właśnie teraz: nowe modele i niewiele warte debaty

Tydzień temu i Claude, i ChatGPT wydali nowe modele: odpowiednio Claude Fable 5.1 i GPT-6 Astra. Każdy jest bardzo dobry w innego rodzaju zadaniach. Za każdym razem, gdy pojawia się nowa wersja, internet zalewają dyskusje: który jest najlepszy, czy warto się przenieść, czy sprawdzi się w tym, czym się zajmujesz. Szczerze mówiąc, uważam to za stratę czasu. Czyta się to ciekawie, ale jeśli chcecie, żeby AI realnie pomagało waszemu biznesowi i zespołowi, nie musicie śledzić każdej debaty. Wystarczy tak poustawiać infrastrukturę, żeby pytanie o to, który model jest najlepszy, przestało mieć znaczenie — bo przejście na inny zajmuje chwilę.

Warunek konieczny: agent na komputerze

Jest jednak jeden istotny zastrzeżenie: całość zadziała tylko wtedy, gdy korzystacie z ChatGPT Work albo Claude Cowork, czyli z desktopowych wersji obu narzędzi, działających jak agenty z dostępem do plików na waszym komputerze. (Informacja dodatkowa: mowa o aplikacjach instalowanych lokalnie, które mogą czytać i zapisywać pliki na dysku — inaczej niż czat w przeglądarce; bez takiego agenta reszta schematu nie ma zastosowania.)

Gdy agent już jest, sednem całego rozwiązania staje się folder na komputerze. Po zakończeniu konfiguracji można kierować ChatGPT Work lub Claude Cowork na ten folder i podmieniać jedno drugim przy danym zadaniu, bez obawy, że utkniecie w jednym produkcie. Bo właśnie tak to zwykle wygląda: pamięć, instrukcje, kontekst — wszystko siedzi wewnątrz jednej aplikacji i bardzo trudno wynieść to gdzie indziej.

Tokeny kontra koszt zadania

Przy ocenie tych modeli warto znać pewien niuans. Claude Fable 5.1 i GPT-6 Astra mają identyczny cennik w przeliczeniu na tokeny: 10 dolarów za tokeny wejściowe i 50 za wyjściowe. Dostawcy tradycyjnie wyceniają modele za token, czyli w praktyce za fragment słowa. (Informacja dodatkowa: w branży ceny podaje się zwykle za milion tokenów.) Ostatnio jednak i OpenAI, i Anthropic — firmy stojące odpowiednio za ChatGPT i Claude — zaczęły mówić o koszcie całego zadania, a nie pojedynczych tokenów. I słusznie, bo choć cennik jest ten sam, GPT-6 Astra wychodzi w praktyce 8–9 razy taniej niż Claude Fable 5.1 przy tym samym zadaniu.

Czy to znaczy, że zawsze należy sięgać po GPT-6 Astrę? Nie — Claude Fable 5.1 radzi sobie znacznie lepiej z całym zestawem zadań, w których GPT sobie nie poradzi. A za miesiąc, gdy pojawi się GPT-7 albo Fable 6, rozkład sił znowu się zmieni. Dlatego warto orientować się, który model jest w czym dobry, ale fundament — możliwość przełączania się między dostawcami bez uzależnienia od któregokolwiek — trzeba zbudować raz i porządnie.

Co przenosi się między produktami, a co zostaje

Gdy próbuje się przejść z ChatGPT do Claude’a albo odwrotnie, część rzeczy przejdzie, a część definitywnie zostaje w tyle. Zostają:

• własne GPT-y — przy przejściu z ChatGPT do Claude’a;
• podpięte konta zewnętrzne — w obu kierunkach;
• otoczka wokół samego modelu.

O tym ostatnim mówi się rzadko, a jest ważne. Zarówno w ChatGPT Work, jak i w Claude Cowork model nie pracuje „goły” — otacza go coś w rodzaju rusztowania: zestaw instrukcji, narzędzi i pamięci działający w tle, niewidoczny dla użytkownika. Właśnie ono pozwala modelowi brać się za długie, wieloetapowe zadania. I właśnie tego nie da się przenieść do innego dostawcy.

Kłopotliwe, choć możliwe do przeniesienia, są projekty. W obu ekosystemach projekt to w istocie instrukcje plus powiązane z nimi pliki kontekstowe — teoretycznie można je przekopiować z jednej usługi i wkleić do drugiej. Odradzam jednak i kopiowanie, i samo trzymanie projektów w aplikacji. Jeśli macie agenta desktopowego, każdy projekt powinien mieć swój odpowiednik w postaci folderu na komputerze — to dokładnie to samo, tylko pod waszą kontrolą: instrukcje plus pliki z kontekstem w podfolderach. Taką strukturę można zbudować na dowolnej maszynie, a synchronizując folder przez OneDrive, Google Drive czy SharePoint — też współdzielić z innymi osobami.

Na koniec tego wątku: oba narzędzia mają w ustawieniach opcje importu od konkurencji. ChatGPT robi to zdecydowanie lepiej i przenosi z Claude’a znacznie więcej niż Claude z ChatGPT-a.

Anatomia folderu na zadanie

Kluczem jest folder na komputerze — i to jeden folder na jedno zadanie, nie katalog „na klienta” czy „na cały projekt”. Jeśli folder ma pokrywać szeroki obszar tematyczny, zwykle wychodzi z tego chaos. To rozdzielenie jest osią całości: zrobione porządnie, pozwala przenosić zadania między ChatGPT i Claude bez tarcia. Co powinno się w takim folderze znaleźć?

Instrukcje: claude.md i agents.md. Dwa pliki — Claude czyta pierwszy, ChatGPT drugi. Można po prostu kazać AI napisać je za was. Są odczytywane przy każdym otwarciu folderu i każdym wykonaniu zadania, dlatego muszą być krótkie: najlepiej poniżej stu linii. Dla jasności: „md” to markdown, zwykły format pliku, odpowiednik docx czy xlsx. Te dwa pliki są obowiązkowe w każdym folderze.

Umiejętności (skills). Opcjonalne, ale wyjątkowo użyteczne, bo umiejętności są otwartym standardem: można stworzyć umiejętność w Claude, pobrać ją i wgrać do ChatGPT — zadziała równie dobrze. Przerzucanie ich między dostawcami działa w obie strony. Jeśli zestaw umiejętności dotyczy konkretnego folderu, wystarczy poprosić agenta, żeby zadbał o ich dostępność w obu produktach — zapisze je w obu miejscach.

Plik lessons.md. Również opcjonalny, a nazwa nie ma znaczenia — może się nazywać „preferences”, „corrections” czy po prostu „pamięć”. Chodzi o to, żeby AI wynosiło swoją pamięć na zewnątrz: każdą waszą korektę i preferencję dotyczącą tego zadania dopisuje jako nową linijkę do pliku. W instrukcjach warto dodać zapis, że przy każdej interakcji plik ten jest odczytywany, żeby model znał upodobania wyuczone z czasem. Znowu rządzi zasada zwięzłości: jedna lekcja to jedna linijka z datą, przy tym maksymalnie treściwa — plik jest przecież czytany za każdym razem. Gdy jakaś lekcja zaczyna powtarzać się w kółko, należy ją „wypiec” na stałe w instrukcjach albo w umiejętności i usunąć z listy. To dotyczy wyłącznie powtarzających się wpisów.

Podfoldery inputs, outputs i archive. W wielu zadaniach schemat wygląda tak: agent dostaje plik wejściowy, przetwarza go, oddaje wynik, a wejście archiwizuje — typowa pętla dla raportów i codziennych czy tygodniowych procesów. To standardowa struktura, którą buduję osobom, z którymi pracuję. Agent nieustannie obserwuje folder inputs; użytkownik wrzuca tam pliki, agent je analizuje i oddaje wynik — aktualizację arkusza, panelu, raportu. Gdy zaakceptujecie efekt, agent przenosi przetworzone pliki z inputs do archive, dzięki czemu inputs jest zawsze czysty i gotowy na kolejną turę. Agent sprząta po sobie w trakcie pracy.

Wzorce i przykłady. Osobne miejsce na materiał porównawczy: na przykład fragmenty napisane dokładnie tak, jak ma pisać model, albo wzorcowe streszczenia, do których zajrzy, żeby dopasować ton i strukturę. Pamiętajcie, by w instrukcjach wprost zarządzić korzystanie z tych podfolderów — zarówno z obiegu wejście–wyjście–archiwum, jak i z przykładów.

Sedno: wszystko poza aplikacją

Popatrzmy na to z lotu ptaka. Daliśmy AI instrukcje, umiejętności, pamięć i całą architekturę procesu wokół konkretnego zadania — i wszystko to zostało wyniesione poza produkt. Nie siedzi w Claude Cowork ani w ChatGPT Work, leży na waszym komputerze. A skoro tak, można przenosić zadanie między narzędziami i modelami, a ono i tak zostanie wykonane, bo wszystko, czego potrzeba, mieści się w folderze. To jest klucz do całego materiału.

Import ustawień między produktami

Od strony ChatGPT, która przenosi najwięcej: w profilu wejdźcie w ustawienia, a potem w zakładkę import. Znajdziecie tam opcje sprowadzenia danych z Claude Code, z Cursora, zwykle również z Claude Cowork. Klikacie import, zaznaczacie, co ma przejść, i zatwierdzacie. Po imporcie można włączyć synchronizację — wtedy wszystko, co dodacie w Claude, a czego nie ma w ChatGPT, będzie przenoszone automatycznie: rozmowy, instrukcje, historia. W opcji dostosowania widać dokładnie zakres: rozmowy, instrukcje, ustawienia, umiejętności, wtyczki, serwery MCP i polecenia. Przy włączonych wszystkich pozycjach import pociągnie całość.

Od strony Claude sprawa wygląda inaczej. W ustawieniach wejdźcie w sekcję pamięć i kliknijcie „rozpocznij import”. Dostaniecie gotową podpowiedź (prompt) do skopiowania. Wklejacie ją do ChatGPT, w odpowiedzi otrzymujecie pliki pamięci, kopiujecie ten tekst z powrotem do Claude, klikacie „dodaj do pamięci” — i Claude zapisuje wszystko u siebie. Różnica jest wyraźna: Claude przenosi wyłącznie pamięć, ChatGPT — rozmowy, instrukcje i całą resztę.

Jaki model do jakiego zadania

Załóżmy, że foldery są gotowe i chcecie przenosić zadania między narzędziami. Kiedy sięgać po który model? Zadaję sobie dwa pytania. Weźmy przykład: cykliczny raport dla zarządu, który chcę przetestować na najnowszych modelach obu dostawców. Najpierw: który robi to lepiej? Porównuję jakość wyników dla tego konkretnego zadania. Potem: który spala mniej tokenów? Jeśli Claude kosztuje przy tym samym efekcie dziesięciokrotnie więcej niż ChatGPT, a koszt ma dla was znaczenie, może warto poprawić prompt i kontekst po stronie tańszego modelu. Dochodzi jeszcze czas: Claude potrzebuje dziesięciu minut, ChatGPT dwóch — to również waży na decyzji. Ale wszystko zależy od zadania. Gdy sprawa jest naprawdę poważna, wybiorę narzędzie droższe i wolniejsze, jeśli robi wyraźnie lepszą robotę.

Wysokie stawki? Jeden model robi, drugi sprawdza

Przy zadaniach, w których dużo można stracić — finansowo, prawnie, wizerunkowo — najchętniej wystawiam modele przeciwko sobie: jeden wykonuje pracę, drugi ją recenzuje. Wygląda to tak. Załóżmy, że pracę zrobił Claude. Wklejam do niego prostą podpowiedź, a on oddaje mi tekst w bloku kodu, czyli w formie łatwej do przenoszenia między narzędziami. Tekst zawiera trzy rzeczy: jaki był pierwotny cel, dla kogo wynik jest przeznaczony i jakimi regułami model się kierował w trakcie pracy. Następnie otwieram ChatGPT w tym samym folderze, z tym samym kontekstem i plikami, i wklejam podpowiedź wraz z podsumowaniem. Polecenie brzmi: przeczytaj wszystkie pliki, na których pracował drugi model, i powiedz, co mógł przeoczyć, gdzie się pomylił i co byś zmienił, żeby poprawić wynik.

Dlaczego kontrola musi iść przez drugi model? Bo model oceniający własną pracę jest wobec niej stronniczy. To jak z mailami: gdy czytasz szkicz własnego listu przed wysłaniem, widzisz to, co zamierzałeś napisać, a nie to, co faktycznie napisałeś. Świeże spojrzenie innego modelu radykalnie podnosi jakość recenzji.

Trzy sytuacje, w których warto przełączyć model

A co z zadaniami już działającymi — skąd wiedzieć, że czas przenieść je z Claude’a do ChatGPT albo odwrotnie? Wyróżniam trzy scenariusze.

Pierwszy: skończył się limit. Każdy z nas ma tygodniowy przydział użycia — czy płaci przez kredyty API, czy korzysta z abonamentu. Jeśli limit padł, a praca musi iść dalej, po prostu przestawiacie zadanie do drugiego narzędzia.

Drugi: model regularnie zawodzi. Próbowaliście poprawiać prompt i kontekst, a błąd wraca w tej samej postaci raz za razem. Wtedy kierujecie folder na model innego dostawcy i patrzycie, jak sobie poradzi.

Trzeci: wyszedł nowy model. GPT-7, Claude 6 — kierujecie go na folder i sprawdzacie w praktyce, co potrafi.

Jak testować uczciwie

Przy testach porównawczych jedna przestroga: róbcie to tak, żeby model nie miał jak oszukać. Najczęstszy błąd, jaki widzę, to wrzucanie do folderu testowego plików wejściowych razem z poprzednim, gotowym już wynikiem. Model wtedy po prostu oddaje wam wasz własny wynik z powrotem, a wy uznajecie, że świetnie wykonał zadanie.

Żeby to wykluczyć, stwórzcie dwa osobne foldery testowe — jeden dla Claude, drugi dla ChatGPT — o identycznej strukturze, dla tego samego zadania. W środku mają znaleźć się wyłącznie pliki wejściowe. Wzorcowy wynik też jest potrzebny, ale trzymajcie go osobno, poza zasięgiem modeli — najlepiej taki, który wykonaliście ręcznie, jeśli chcecie, żeby AI przejęło lub wspomogło ten proces. Osobne foldery mają dodatkowo zapobiec mieszaniu się pracy obu modeli w trakcie testu. Po teście porównujecie wyniki obu modeli między sobą i z waszym ręcznym wzorcem, wybieracie zwycięzcę, zapisujecie tę decyzję i od tej pory używacie tego modelu do tego zadania.

Podsumowanie czterech filarów

Cztery rzeczy warto zapamiętać. Po pierwsze, fundamentem swobody przenoszenia zadań jest folder na komputerze — w razie potrzeby synchronizowany z chmurą — bo to do niego oba agenty mogą się odwołać, a jego wewnętrzna struktura im to ułatwia. Po drugie, w każdym folderze muszą leżeć dwa pliki: claude.md dla Claude’a i agents.md dla ChatGPT. Po trzecie, skoro oba agenty sięgają do tych samych folderów, przy zadaniach o wysokiej stawce można je zestawić przeciwko sobie: jeden pracuje, drugi kontroluje. Po czwarte, są trzy scenariusze aktywnej zmiany narzędzia: wyczerpany limit, powtarzające się błędy mimo poprawek oraz premiera nowego modelu, który chce się wypróbować.

Na koniec dwa ogłoszenia autora: prowadzi bezpłatną, trzydziestodniową serię e-mailową ze wskazówkami o zastosowaniach AI w pracy i biznesie oraz zaprasza zainteresowanych do bezpośredniej współpracy.

10 najważniejszych takeaways — z kontekstem zastosowania

1.Jeden folder na jedno zadanie

Na czym polega: Niezależność od dostawcy zaczyna się od struktury plików, nie od wyboru aplikacji. Folder ma odpowiadać konkretnemu, powtarzalnemu zadaniu — a nie klientowi czy całemu projektowi — i mieścić w sobie instrukcje, umiejętności, pamięć oraz pliki robocze.

Jak stosować: Dla każdego cyklicznego zadania (np. cotygodniowego raportu) zakładajcie osobny katalog; jeśli pracujecie w zespole, synchronizujcie go przez OneDrive, Google Drive czy SharePoint i kierujcie na niego agenta desktopowego zależnie od potrzeby.

Na co uważać: Foldery „tematyczne”, zbierające wszystko o jednym kliencie, szybko zamieniają się w śmietnik, w którym agent gubi się w nadmiarze materiału. Granicę wyznaczajcie zadaniem, nie tematem.

2. Dwa pliki instrukcji: claude.md i agents.md

Na czym polega: Claude i ChatGPT czytają różne pliki z instrukcjami, a oba są odczytywane przy każdym uruchomieniu zadania w folderze — dlatego muszą być krótkie, najlepiej do około stu linii.

Jak stosować: Poproście agenta, żeby wygenerował obie wersje na podstawie opisu zadania, i trzymajcie je zsynchronizowane merytorycznie — każda zmiana w jednym pliku powinna trafiać też do drugiego.

Na co uważać: Rozrośnięte instrukcje podnoszą koszt i zaśmiecają kontekst przy każdym uruchomieniu; wszystko, co wykracza poza niezbędne minimum, lepiej przenieść do umiejętności albo pliku lekcji.

3.Umiejętności jako waluta wymienialna

Na czym polega: Umiejętności (skills) to otwarty standard — tę stworzoną w Claude można pobrać i wgrać do ChatGPT, gdzie zadziała równie dobrze, i odwrotnie.

Jak stosować: Przy każdej nowej umiejętności poproście agenta o zadbaniu, by była dostępna w obu produktach — zapisze ją w obu miejscach naraz.

Na co uważać: Wersja istniejąca tylko w jednym narzędziu oznacza, że po przełączeniu agent ubożeje o część kompetencji; zmiany w umiejętności muszą trafiać do obu lokalizacji.

4. Pamięć poza aplikacją: lessons.md

Na czym polega: Zamiast polegać na pamięci wbudowanej w produkt, agent dopisuje wasze korekty i preferencje do pliku w folderze — po jednym wpisie na linię, z datą.

Jak stosować: Do instrukcji dodajcie zapis, że plik lekcji jest odczytywany przed każdą interakcją, a każda nowa lekcja zapisywana jest jednowierszowo i maksymalnie treściwie.

Na co uważać: Plik czytany przy każdym zadaniu nie może rosnąć w nieskończoność — lekcje powtarzające się w kółko „wypiekajcie” na stałe w instrukcjach lub umiejętnościach i usuwajcie z listy.

5. Obieg inputs → outputs → archive

Na czym polega: Agent obserwuje folder inputs, przetwarza wrzucone pliki, oddaje wynik, a po waszej akceptacji sam przenosi przetworzone wejścia do archive — i tak utrzymuje porządek w swoim miejscu pracy.

Jak stosować: W instrukcjach wprost opiszcie ten obieg oraz warunek: archiwizacja dopiero po zatwierdzeniu wyniku przez człowieka. W tym samym folderze trzymajcie wzorce (przykładowe teksty, streszczenia) i każcie modelowi sięgać po nie dla dopasowania tonu i struktury.

Na co uważać: Jeśli agent przenosi pliki do archiwum przed akceptacją, tracicie szansę na korektę; pilnujcie kolejności: przetworzenie → akceptacja → archiwizacja.

6.Import danych: asymetria na korzyść ChatGPT

Na czym polega: ChatGPT (ustawienia → import) przenosi z Claude’a rozmowy, instrukcje, ustawienia, umiejętności, wtyczki, serwery MCP i polecenia, z opcją ciągłej synchronizacji. Claude przenosi tylko pamięć — przez wygenerowanie podpowiedzi, wklejenie jej do ChatGPT i przeniesienie wyniku z powrotem.

Jak stosować: Przejście w kierunku Claude → ChatGPT zróbcie importerem z włączoną synchronizacją; w kierunku odwrotnym skorzystajcie z procedury importu pamięci w Claude.

Na co uważać: Żaden importer nie przeniesie rusztowania agenta ani własnych GPT-ów — elementy zakorzenione w produkcie zostaną na miejscu, więc równolegle budujcie strukturę folderową, która jest od nich niezależna.

7.Kolejność pytań przy wyborze modelu

Na czym polega: Decyzja powinna przebiegać etapami: najpierw jakość wyniku dla konkretnego zadania, potem zużycie tokenów, na końcu czas wykonania. Przy zadaniach, w których dużo jest na szali, jakość przeważa nad kosztem.

Jak stosować: Przy cyklicznym zadaniu przetestujcie oba modele na tych samych wejściach, porównajcie efekty, a dopiero potem liczcie tokeny i minuty; jeśli tańszy model prawie dorównuje jakościowo, poprawcie jego prompt i kontekst zamiast dopłacać.

Na co uważać: Identyczny cennik za tokeny u dwóch dostawców nie oznacza identycznego kosztu — realny rozstrzał bywa wielokrotny, więc zawsze liczcie koszt całego zadania, nie cenę tokena.

8.Krzyżowa recenzja przy zadaniach o wysokiej stawce

Na czym polega: Model, który zrobił pracę, nie jest bezstronnym recenzentem — jak autor listu czytający własny szkic, widzi to, co zamierzał napisać. Dlatego jeden model wykonuje zadanie, a drugi je kontroluje na tych samych plikach.

Jak stosować: Poproście wykonawcę o podsumowanie w bloku kodu: pierwotny cel, odbiorca wyniku, reguły zastosowane w trakcie pracy. Wklejcie je drugiemu modelowi w tym samym folderze i każcie mu przejrzeć pliki oraz wskazać błędy, przeoczenia i możliwe ulepszenia.

Na co uważać: Recenzent musi działać na tym samym folderze i tych samych plikach — bez tego ocenia wyobrażenie o pracy, a nie samą pracę.

9.Trzy momenty na przełączenie modelu

Na czym polega: Warto zmienić narzędzie w trakcie zadania, gdy padnie tygodniowy limit użycia, gdy model popełnia ten sam błąd mimo poprawianych promptów oraz gdy debiutuje nowy model, który chce się wypróbować.

Jak stosować: Przy każdym z tych sygnałów po prostu kierujcie folder innemu agentowi — dzięki strukturze zewnętrznej niczego nie trzeba przenosić ani odtwarzać od zera.

Na co uważać: Zmiana modelu nie zastępuje diagnozy: jeśli błędy wynikają z kiepskich danych lub nieprecyzyjnych instrukcji, drugi model powtórzy te same potknięcia.

10.Testy bez wycieku odpowiedzi

Na czym polega: Jeśli w folderze testowym zostanie wcześniejszy, gotowy wynik, model „podniesie” go i odda jako własny — a test niczego nie wykaże.

Jak stosować: Stwórzcie dwa osobne foldery testowe, po jednym na dostawcę, wyłącznie z plikami wejściowymi; własny, ręcznie wykonany wynik trzymajcie poza zasięgiem modeli i dopiero po teście porównujcie wszystkie trzy wersje. Zwycięzcę zapiszcie na przyszłość.

Na co uważać: Osobne foldery mają też zapobiec mieszaniu się pracy modeli w trakcie testu; bez zapisanej decyzji przy kolejnym teście zabraknie punktu odniesienia.