O czym jest ten film
- Podłączasz AI do folderu z latami pracy — a ono traktuje każdy plik jak równie aktualny: odpowiada według szkicu sprzed dwóch lat i nigdy nie mówi, którego dokumentu użyło.
- Rozwiązaniem jest „mózg firmy”: folder posprzątany, streszczony i przetestowany przez AI, w którym każda odpowiedź zawiera cytowanie. Bez baz danych, bez programowania, w sześciu krokach.
- Na start zawęża się zakres, bo 20% plików odpowiada zwykle za 80% pytań; zakres wyznacza się po czasie (np. jeden rok) albo po temacie (klient, projekt).
- Oryginały zostają nietknięte — AI pracuje na kopii w osobnym katalogu; zamiast kasowania plików wprowadza się archiwum z dziennikiem: co przeniesiono i dlaczego.
- Plik instrukcji (CLAUDE.md albo AGENTS.md) musi być krótki, bo model odczytuje go przy każdym pytaniu, a miejsce w kontekście to ograniczony zasób.
- Fazę eksploracji prowadzi się na najmocniejszym dostępnym modelu: AI samo przegląda zbiór, tworzy tabelę plików do posprzątania i odczytuje konwencje nazewnictwa, które użytkownik zatwierdza lub prostuje.
- Budowa opiera się na stopniowym ujawnianiu danych: najpierw spis treści (MAP.md — drzewo katalogów z jednozdaniowym opisem każdego pliku), potem streszczenia (maksymalnie strona na plik), a surowe dokumenty dopiero na końcu.
- Jakość pracy kontroluje prosty audyt — AI musi policzyć, ile plików przetworzyło — oraz podagenty, które równolegle ogarniają duże zbiory zamiast jednego modelu.
- Testuje się wyłącznie pytaniami o jednoznacznej, znanej odpowiedzi („ile wyceniliśmy temu klientowi”, „kiedy kończy się umowa”), nigdy subiektywnymi.
- Całość utrzymuje się przy życiu regułą w instrukcjach: każda zmiana w plikach najpierw aktualizuje MAP.md i streszczenia, a decyzje i preferencje użytkownika trafiają do właściwych streszczeń.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Zacznij od zawężenia zakresu — 20% plików pokrywa 80% pytań
Na czym polega: W każdym zbiorze firmowych dokumentów mała wyciętka odpowiada za większość pytań, które realnie zadajesz. Budowa „mózgu firmy” zaczyna się od wybrania tego wycinka — po czasie albo po temacie.
Jak stosować: Zanim cokolwiek zautomatyzujesz, wypisz pytania, na których naprawdę Ci zależy, i dobierz do nich minimalny zestaw plików (np. jeden klient albo jeden rok). Resztę dołączaj później, stopniowo.
Na co uważać: Pokusa „podłączmy wszystko naraz” kończy się droższą eksploracją, dłuższą budową i zasypywaniem modelu dokumentami, których nigdy nie wykorzystasz.
2.AI pracuje na kopii — oryginały zostają poza zasięgiem
Na czym polega: Obawa, że model skasuje lub przerobi ważny plik, rzadko się sprawdza, ale nie jest bezpodstawna. Dlatego oryginały zostają w nienaruszonym katalogu, a AI dostaje duplikat jako swoją przestrzeń roboczą.
Jak stosować: Skopiuj wybrane pliki do nowego katalogu i otwórz go w aplikacji na komputer (Claude Cowork, ChatGPT w wersji desktopowej) — w przeglądarce ten proces się nie obroni, bo opiera się na zbyt dużej liczbie plików.
Na co uważać: Kopia musi być naprawdę odseparowana. Jeśli agent ma dostęp również do oryginałów, cała gwarancja bezpieczeństwa przepada.
3.Kontekst to ograniczony zasób — oszczędzaj go świadomie
Na czym polega: Model ma skończoną „pojemność głowy” (okno kontekstu). Im więcej zapełnisz danymi, tym mniej zostaje na rozumowanie; po przekroczeniu około 60–70% zapełnienia jakość pracy szybko traci na jakości.
Jak stosować: Plik instrukcji pisz maksymalnie zwięźle — model czyta go przy każdym zapytaniu, więc w tym zadaniu każdy zbędny akapit to koszt ponoszony wielokrotnie.
Na co uważać: Nie dokładaj do instrukcji opisów „na zapas”. Przy pracy na setkach plików to pierwszy budżet do cięcia.
4.Zamiast kasowania: archiwum z dziennikiem zmian
Na czym polega: Zamiast pozwalać AI usuwać pliki, każe się mu przenosić je do folderu archiwum i prowadzić log: co przeniesiono i dlaczego. Każdą decyzję można cofnąć.
Jak stosować: Wpisz do pliku instrukcji regułę „nigdy nie usuwaj plików; jeśli uznasz coś za zbędne, przenieś do archiwum i dopisz do logu z uzasadnieniem”. Regularnie przeglądaj dziennik i odzyskuj to, z czym się nie zgadzasz.
Na co uważać: Bez logu archiwum szybko zmienia się w czarną dziurę — po miesiącu nie będziesz pamiętać, co zniknęło i czemu.
5.Pozwól AI przyznać, że nie wie — to polisa na halucynacje
Na czym polega: Modele domyślnie wolą uzupełnić lukę niż przyznać się do niewiedzy. Instrukcja „twierdź tylko to, co da się poprzeć plikiem z tego folderu; jeśli nie jesteś pewien, powiedz to wprost; nie wymyślaj danych” przestawia system zachęt i realnie ogranicza zmyślenia.
Jak stosować: Dodaj taką regułę do pliku instrukcji i powtórz ją w promptach budujących oraz testowych; w odpowiedziach wymagaj frazy „nie znaleziono” zamiast cichego dopowiadania.
Na co uważać: Reguła nie eliminuje halucynacji w stu procentach — przy odpowiedzialnych decyzjach zawsze sprawdzaj cytowania.
6.Eksplorację i budowę zlecaj najmocniejszemu modelowi
Na czym polega: Przeglądanie setek plików, wnioskowanie o konwencjach nazewnictwa i pisanie streszczeń pochłania mnóstwo tokenów i wymaga silnego rozumowania. To wyższy, ale jednorazowy koszt, który obniża cenę każdej późniejszej odpowiedzi.
Jak stosować: Do eksploracji i budowy wybierz model najwyższej klasy; do codziennego odpytywania możesz zejść niżej, bo mapa i streszczenia mocno odciążają kontekst.
Na co uważać: Oszczędność na tej fazie wychodzi bokiem — źle rozpoznane wersje plików zepsują jakość całego „mózgu”.
7.Sprzątaj z tabelą problemów, nie w ciemno
Na czym polega: W pierwszym przebiegu AI niczego nie zmienia, tylko czyta i tworzy tabelę: po jednym problemie w wierszu (duplikat, stara wersja, szkic), z konkretnym plikiem i rekomendacją — zostawić, zarchiwizować albo zapytać. O decyzjach rozstrzyga człowiek.
Jak stosować: W prompcie eksploracyjnym zażądaj trybu samego odczytu i tabeli z rekomendacjami; każdy wiersz zatwierdź lub odrzuć, dopiero potem każ AI sprzątać.
Na co uważać: W typowym zbiorze 40–50% plików to duplikaty i martwe wersje (cennik_final, cennik_2023, cennik_final_2). Bez tabeli łatwo przeoczyć, który dokument jest faktycznie obowiązujący.
8.Trzy poziomy dostępu: MAP.md, streszczenia, dopiero potem surowe pliki
Na czym polega: Zamiast pokazywać modelowi wszystko naraz, buduje się drabinę: spis treści (drzewo katalogów z jednozdaniowym opisem każdego pliku), potem streszczenia (maksymalnie strona na plik), a pełne dokumenty dopiero, gdy dwa wcześniejsze poziomy nie odpowiedzą na pytanie.
Jak stosować: Po zbudowaniu struktury wpisz do instrukcji ścieżkę lektury: „najpierw MAP.md, potem streszczenia, pełne dokumenty tylko w ostateczności”. W każdym streszczeniu umieść fakty przydatne przy przyszłych pytaniach i na górze nazwę pliku źródłowego.
Na co uważać: Streszczenie dłuższe niż strona przestaje pełnić rolę filtra; spis treści też trzymaj krótko — to dźwignia całej metody.
9.Audyt liczby plików i podagenty — jak wyłapać niedokończoną pracę
Na czym polega: Na końcu promptu budującego każesz AI policzyć przetworzone pliki. Jeśli przy trzystu poda dwieście siedemnaście, wiadomo, że roboty nie dokończono. Nowe modele potrafią dodatkowo rozdzielić zadanie na podagentów pracujących równolegle.
Jak stosować: Dołącz do promptu budowy prośbę o raport „ile plików przetworzyłeś” oraz zachętę do użycia podagentów — główny model wystawi kilkanaście–kilkadziesiąt pomniejszych, które załatwią mapę i streszczenia równolegle, oszczędzając jego kontekst.
Na co uważać: Rozbieżność w liczbie plików to sygnał do powtórzenia budowy — brakujące streszczenia zafałszują odpowiedzi o tych dokumentach.
10.Testuj pytaniami o znanej odpowiedzi i pilnuj aktualności zbioru
Na czym polega: Testy robi się wyłącznie na pytaniach obiektywnych, zero-jedynkowych, których odpowiedź już znasz („ile wyceniliśmy temu klientowi jesienią”, „kiedy kończy się umowa”). Później reguła w instrukcji każe AI aktualizować MAP.md i streszczenia przy każdej Twojej zmianie w plikach — zanim odpowie na cokolwiek innego.
Jak stosować: Przygotuj listę pytań testowych z jednoznacznymi odpowiedziami; po każdej własnej edycji pliku zawiadom AI („zaktualizowałem X, odśwież jego streszczenie i mapę”), a decyzje i preferencje pozwól wpisywać do właściwych streszczeń.
Na co uważać: Pytania subiektywne nie nadają się do testu — nie rozstrzygniesz, czy AI trafiło. A zaniedbana aktualizacja mapy powoli cofa system do stanu „porzuconych szkiców”, z którego wyszliśmy.
Redakcyjne tłumaczenie
Problem: AI cytuje pliki, które porzuciłeś lata temu
Gdzieś na Twoim komputerie jest katalog z latami Twojej pracy. Podłączasz do niego AI, zadajesz pytanie — a system traktuje każdy plik jak równie wiarygodny. Aktualna umowa leży obok szkicu z 2023 roku i AI nie umie ich odróżnić. Cytuje ten, który akurat wyjmie, i nigdy nie przyznaje, którego użyło. Efekt? Odpowiedź wygląda poprawnie, brzmi pewnie — a stoi na liczbach, które wyrzuciłeś dwa lata temu.
Krótko o mnie: jestem Dylan, prowadzę doradztwo w obszarze AI, i z tym dokładnie problemem zderzam się niemal w każdej firmie, z którą pracuję. Rozwiązaniem nie jest inteligentniejszy model, tylko czystszy zbiór danych. Poniżej pokażę, jak zbudować to, co ludzie nazywają „mózgiem firmy”: folder, który AI posprzątało, streszczyło i przetestowało tak, że każda odpowiedź przychodzi z paragonem — z jednoznacznym wskazaniem, skąd pochodzi. Nie potrzebujesz baz danych ani wiedzy technicznej. Sześć kroków, narzędziami, za które najpewniej już płacisz.
Krok 1. Zawęź zakres: 20% plików odpowiada za 80% pytań
Wielu z nas ma klientów, projekty albo tematy, do których przypięte są setki, jeśli nie tysiące plików — i chciałoby zadawać im pytania przez AI. Pierwszy ruch przy budowie „mózgu firmy” to świadome zawężenie zakresu. Dlaczego? Bo gdy przyjrzysz się konkretnemu obszarowi, o który zamierzasz pytać, niemal zawsze okaże się, że 20% plików pokrywa 80% pytań. Tak jest w praktyce u każdego, z kim pracuję. To na tym fragmencie skupiamy się na starcie, a złożoność i kolejne dokumenty dokładamy z czasem.
Fundament budujemy mały — choć i tak będziemy operować na setkach plików. Zakres wyznacza się dwojako: po czasie albo po temacie. Chcesz objąć cały rok 2025 w danym obszarze — zawężasz po roku, o ile plików nie jest zbyt wiele; możesz też zawęzić po temacie, na przykład jednym kliencie czy projekcie. Raz ustalony zakres wskazuje materiały, nad którymi pracujemy dalej.
Krok 2. Oryginały pod kluczem, AI pracuje na kopii
Pierwsza czynność z wybranymi plikami: zabezpieczenie. Te dokumenty są dla nas ważne, więc oryginały mają pozostać nietknięte. Spora część osób boi się, że AI coś skasuje albo niepotrzebnie przerobi. W mojej praktyce zdarza się to rzadko — pracuję z bardzo różnymi ludźmi i zastosowaniami — ale jednak się zdarza, więc warto się zabezpieczyć.
Najoczywistsze rozwiązanie: skopiować oryginały i z kopii urządzić AI przestrzeń roboczą. Duplikat trafia do osobnego katalogu — i to właśnie jest nasz „mózg”, w tym wypadku budowany dla klienta. W tym katalogu AI pracuje; do oryginałów nie zagląda i niczego tam nie zmienia. Jeśli cokolwiek w przestrzeni roboczej zostanie usunięte bez potrzeby, oryginały i tak zostają całe. To pierwszy, podstawowy zabezpieczający krok. Za chwilę dołożę kilka reguł w promptach, które dodatkowo zbijają ryzyko.
Plik instrukcji: krótki, bo model czyta go przy każdym pytaniu
Cały proces prowadzisz w aplikacji na komputer — Claude Cowork albo ChatGPT w wersji desktopowej — a nie w przeglądarce, bo to zadanie opiera się na bardzo dużej liczbie plików. Po zainstalowaniu aplikacji otwierasz w niej świeżo utworzony katalog roboczy.
W jego wnętrzu powstaje plik instrukcji — przygotuje go dla nas samo AI. Każdy agent, z którym pracujesz na komputerze, ma taki plik: w Claude Cowork będzie to CLAUDE.md, w ChatGPT — AGENTS.md. To zestaw poleceń, które model odczytuje przy każdej interakcji, więc musi być możliwie zwięzły — dokładnie tyle, ile potrzeba do zadania, ani linijki więcej. A nasze zadanie mocno obciąża kontekst, czyli — mówiąc obrazowo — miejsce w głowie modelu, które trzeba oszczędzać.
(Informacja dodatkowa: „miejsce w głowie” to potoczny odpowiednik okna kontekstu — puli danych, które model może jednorazowo „trzymać przed oczami” podczas pracy. CLAUDE.md i AGENTS.md to z kolei pliki konfiguracyjne czytane automatycznie przez desktopowych agentów przy pracy z danym folderem.)
Wspominałem o tym wiele razy, ale przypomnę: model ma ograniczoną pojemność. Im bardziej zapełniamy ją danymi, tym mniej zostaje na rozumowanie i analizę postawionego problemu. Z moich obserwacji wynika, że po przekroczeniu około 60–70% zapełnienia jakość pracy szybko leci w dół. Miejsce oszczędzamy na rzecz zadania — stąd tak krótki plik instrukcji. Do oszczędzania wrócimy jeszcze przy budowie struktury.
W samych instrukcjach umieszczamy trzy reguły. Pierwsza: AI nigdy nie usuwa plików. Dajemy mu jednak wyjście awaryjne — jeśli uzna, że jakiś plik powinien zniknąć, nie kasuje go, tylko przenosi do utworzonego przez siebie folderu archiwum. Druga: każde przeniesienie trafia do dziennika — pliku z logiem, w którym AI zapisuje, co zarchiwizowało i dlaczego. W każdej chwili możemy zajrzeć, sprawdzić wpis, a jeśli się z nim nie zgadzamy — kazać zwrócić dokument z archiwum i uaktualnić log. Te dwa mechanizmy, dołożone do pracy na kopii, właśnie tamtemu ryzyku zapobiegają.
Trzecia reguła celuje w halucynacje. Ludzi przeraża myśl, że AI coś „dopowie” albo wymyśli dane, których nie ma. Najskuteczniejsze antidotum, jakie znalazłem, to przestawienie systemu zachęt: pozwól modelowi przyznać się do niepewności. Mówimy wprost: formułuj wyłącznie twierdzenia, które da się poprzeć konkretnymi plikami z tego folderu; jeśli czegoś nie jesteś pewien — powiedz „nie jestem pewien”; nie zmyślaj danych. Ten sam motyw powtórzymy później w innym prompcie.
Krok 3. Eksploracja: niech AI samo rozpozna zbiór
Zanim ruszą pytania, pozwalamy AI zbadać dane. Nie opisujemy mu ręcznie, co leży w środku. Przy zbiorze poniżej 50–100 plików możesz być w pełni szczegółowy: „to jest tamto, tak to zorganizowane, miej to na uwadze”. Większość ludzi tej opcji nie ma — ma 200, 300, 400, 500 plików i nie ona jedna je tworzyła, bo dokumenty dokładają też inne osoby w zespole. Skutek: nie wiadomo pewnie, jakie są formaty, co jest użyteczne, a co zbyteczne. Właśnie po to jest eksploracja. AI przemierza cały zbiór i wyłapuje duplikaty, mnogie wersje, zapomniane szkice — wszystko, co wymaga posprzątania. W praktyce 40–50% plików, o które ludzie chcą pytać, można po prostu zarchiwizować, bo to materiał redundantny.
Najczęstszy przypadek? Cennik w kilku wcieleniach: cennik_final, cennik_2023, cennik_final_2. AI nie ma zielonego pojęcia, który jest obowiązujący. W trakcie eksploracji model rozpoznaje nasze konwencje nazewnictwa, a my zatwierdzamy albo prostujemy jego odczyt, zanim zaczniemy zadawać pytania. To znowu oszczędność kontekstu: model patrzy na jedną wersję pliku, nie na trzy.
Jedno zastrzeżenie kosztowe: eksplorację i budowę prowadź na najmocniejszym modelu, jaki masz w zasięgu. To zadanie pochłania mnóstwo tokenów i czasu — jest więc trochę drogie, ale zwykle warte swojej ceny. Dzięki temu, jak ustrukturyzujemy całość, koszty późniejszego użytkowania wyraźnie spadną.
Prompt do eksploracji: tabela czyszczenia i konwencje nazewnictwa
Sam prompt jest prosty w założeniu. Mówimy AI: oto katalog pełen materiałów; uporządkuj go z myślą o tym, że w przyszłości będę zadawał ci pytania o te dane i oczekiwał odpowiedzi na ich podstawie. W pierwszym przebiegu niczego nie zmieniasz — tylko czytasz. Przeczytaj wszystkie pliki i zwróć dwie rzeczy.
Pierwsza: tabelę czyszczenia. Jeśli dostrzeżesz problemy — duplikaty, przestarzałe wersje, szkice — wypisz je po jednym w wierszu. Do każdego wiersza dopisz konkretny plik oraz swoją rekomendację: zostawić, zarchiwizować, czy może jest coś, co budzi Twoją niepewność — wtedy zapytaj mnie. To Ty, użytkownik, zatwierdzasz lub odrzucasz każdy wiersz i dopiero pod tym nadzorem AI sprząta.
Druga: rozumienie konwencji nazewnictwa. Ten element jest całkowicie opcjonalny. Jeśli nazewnictwo w całym zespole jest jednolite i bez rozjazdów, po prostu przekażesz je modelowi wprost. W praktyce różni ludzie nazywają pliki różnie, bo wszyscy dokładają do wspólnego zbioru. Jeśli więc masz wątpliwości, każ AI wywnioskować konwencje z samych dokumentów i przedstawić swoją interpretację. Ty ją zatwierdzasz lub korygujesz według tego, jak faktycznie pracuje zespół.
I przypomnienie: eksploracja i budowa kosztują — w czasie i w tokenach. Ale to wydatek jednorazowy. Po postawieniu struktury codzienne odpytywanie będzie znacznie sprawniejsze i tańsze, właśnie dzięki temu, co zbudujemy. Czas na budowę.
Krok 4. Budowa: dawkuj dane, zamiast zalewać kontekst
Sedno budowy: informacje docierają do AI stopniowo, nie wszystko naraz. Przy 300 plikach model nie musi czytać wszystkich trzystu, by odpowiedzieć — realnie przydatne są trzy, może cztery. Ten etap opisałem kiedyś w całości w osobnym materiale (link pod filmem i przy slajdzie); tutaj przejdę wersję skróconą. Jeśli chcesz metodykę rozpisaną dla dużych zbiorów, tam znajdziesz pełny opis.
W ujawnianiu danych są trzy poziomy: spis treści, streszczenia i dopiero na końcu surowe pliki.
Spis treści — plik MAP.md
Zasada jak w książce. Dostajesz książkę, zaglądasz do spisu treści; chcesz wiedzieć, co w rozdziale szóstym — sprawdzasz spis i skaczesz prosto do niego, zamiast czytać całość od deski do deski. Dokładnie to budujemy dla AI i jego katalogów. Spis ma być mikroskopijny — tak mały, jak tylko spełni zadanie. Zwykle przyjmie postać drzewa: folder nadrzędny, w nim podfoldery, a w podfolderach pliki. Kluczowy zabieg: każdemu plikowi towarzyszy jedna linijka wyjaśniająca, co się w nim znajduje. Wtedy model, dostawszy pytanie, przegłada spis i wnioskuje: „ten podfolder, a w nim najpewniej ten plik” — i sięga wyłącznie tam. Zamiast czytać wszystko, czyta to, czego potrzebuje. W tym leży cała siła tego mechanizmu. MAP.md będzie miał mniej więcej od strony do dziesięciu, może dwudziestu stron — zależnie od liczby plików źródłowych.
Streszczenia
Zanim AI w ogóle zobaczy surowe dane, pokazujemy mu streszczenia — po jednym dokumencie dla każdego pliku źródłowego. Z dziesięciostronicowego materiału zrobi się akapit; z pięćsetstronicowego — strona, i to jest sufit: nie więcej niż jedna strona na plik. Jak to gra w praktyce? Po lekturze spisu model stwierdza: „ten plik wygląda na właściwy” — więc najpierw czyta jego streszczenie. Nierzadko samo streszczenie odpowiada na pytanie i surowe dane w ogóle nie wchodzą do gry. Dopiero gdy nie odpowiada, model sięga po pełny dokument — i to wybiórczo, podpowiedziany spisem treści i streszczeniami. Cała ta architektura służy jednemu: zajmować jak najmniej miejsca w głowie modelu, żeby zostało mu więcej na samo myślenie — czyli u nas: na odpowiadanie.
Prompt budujący: trzy zadania naraz
Poniższy prompt jest przeznaczony do mniejszych zbiorów — powiedzmy 50–150 plików, zależnie od ich objętości. Sto pięćdziesiąt dokumentów po pięć stron? Spokojnie. Pięćdziesiąt po trzysta stron? To już inna liga. Uwaga: to prompt budujący, więc nie trafia do pliku instrukcji — to osobne, jednorazowe zlecenie. Wykonuje trzy rzeczy.
Pierwsza: tworzy plik MAP.md — drzewo wszystkich katalogów, podkatalogów i plików, z jedną linijką opisu na każdy plik. Dodatkowo prosimy o odnośniki do streszczeń, żeby spis wskazywał kolejny, bardziej szczegółowy poziom.
Druga: tworzy folder streszczeń. Mogą mieć różną objętość — byle nie ponad stronę. Podajemy przykład: krótszy dokument to kilka zdań, większy to strona, nigdy więcej. Prosimy, by w streszczeniach znalazły się fakty przydatne przy odpowiadaniu na przyszłe pytania. I wskazówka: jeśli sprecyzujesz, jakiego rodzaju pytania zamierzasz zadawać, jakość streszczeń wyraźnie wzrośnie. Na samej górze każdego streszczenia ma się znaleźć nazwa pliku źródłowego — żeby AI potrafiło później odszukać oryginał.
Trzecia: swoisty audyt. Mówimy: „Masz tu 300 plików — powiedz, ile przetworzyłeś”. Jeśli padnie 217, wiadomo, że roboty nie dokończono. Prosty rachunek, który wyłapuje niedoróbki.
Jeszcze jedna rzecz, żeby AI faktycznie zrobiło całość: przy nowszych modelach (np. GPT-5.6) możesz poprosić o użycie podagentów — często uruchamiają się same, ale zachęta nie zaszkodzi. Model macierzysty wystawia wtedy armię dwudziestu, trzydziestu pomniejszych agentów, które równolegle przetwarzają pliki i budują mapę oraz streszczenia. Ciężar rozkłada się na wielu, a w głowie głównego AI zostaje zapas miejsca.
Nowe zasady w pliku instrukcji: ścieżka lektury i cytowania
Gdy mapa i streszczenia są gotowe, raz jeszcze dopisujemy reguły do pliku instrukcji — CLAUDE.md albo AGENTS.md. Zasady poruszania się po katalogu: za każdym razem, gdy padnie pytanie, najpierw czytasz MAP.md, zanim sięgniesz po cokolwiek innego. Potem streszczenia — nie surowe dane. Dopiero po nich, i tylko gdy to konieczne, pełne dokumenty. W ten sposób model nie tonie w materiałach.
Na końcu dokładamy zabezpieczenie podnoszące trafność odpowiedzi. Po pierwsze: każda odpowiedź musi zawierać cytowania — nazwę pliku, z którego pochodzi, oraz konkretną sekcję albo stronę. Dzięki temu błyskawicznie ocenisz, czy AI ma rację. Po drugie: jeśli nie masz pewności, odpowiedz „nie znaleziono”. Po raz kolejny przestawiamy system zachęt — przyzwalamy na niewiedzę, żeby nie płacić zmyśleniami.
Krok 5. Test: pytaj tylko o to, co już wiesz
Po sprzątaniu, eksploracji i budowie czas na próby. Zalecenie: testuj na pytaniach, których odpowiedzi już znasz — wtedy od razu ocenisz, czy AI trafia. Budujemy dużą bazę wiedzy o kliencie i wiemy, że składaliśmy mu ofertę? Pytamy: „Ile wyceniliśmy temu klientowi jesienią?”. Znamy odpowiedź, więc błyskawicznie weryfikujemy. Albo: „Kiedy kończy się umowa?” — wskazujemy konkretny kontrakt, AI go znajduje i melduje. Zwróć uwagę: oba pytania są zero-jedynkowe i obiektywne, mają jednoznaczną odpowiedź. Do testów nie wybieraj pytań subiektywnych ani tak mglistych, że nie da się szybko rozstrzygnąć, czy odpowiedź jest właściwa. Test ma być łatwy do sprawdzenia — przez Ciebie.
Krok 6. Utrzymanie: trzymaj mapę i streszczenia przy życiu
Ostatni fragment instrukcji, do którego AI będzie stale wracać, dba o aktualność. Katalog żyje własnym życiem: pliki będziesz zmieniać, dodawać i usuwać, a mapa i streszczenia mają za tym nadążyć. Instruujemy więc: gdy użytkownik sam doda, usunie lub zmieni pliki, najpierw uaktualnij MAP.md i streszczenia stosownie do zmian — zanim zrobisz cokolwiek innego, przed odpowiedzią na jakiekolwiek pytanie. To priorytet.
Druga część reguły: jeśli od użytkownika dowiesz się czegoś o decyzjach, korektach czy preferencjach, wpisz to do streszczenia właściwego pliku. Zawsze bowiem zrobisz rzeczy, o których AI się nie dowie — wyedytujesz kilka dokumentów, a model tego nie wyłapie, chyba że przejrzałby całość od nowa, co byłoby zbyt kosztowne. Dlatego praktyczna rada: po każdej własnej zmianie po prostu zawiadom AI — „zaktualizowałem ten plik, odśwież jego streszczenie i MAP.md”. Ten nawyk utrzymuje zbiór w czystości i procentuje jakością odpowiedzi.
Podsumowanie: jak odpytywać AI o duże zbiory, żeby się nie zadławiło
- Znajdź swoje 80/20: 80% pytań pokrywa zwykle 20% plików. Zawęź zakres — po czasie albo po temacie — i dokładaj złożoność stopniowo.
- Zadbaj o bezpieczeństwo danych: oryginały osobno, kopia jako przestrzeń robocza AI; reguły w instrukcjach dodatkowo chronią pliki przed skasowaniem.
- Eksplorację prowadź na naprawdę inteligentnym modelu z silnym rozumowaniem. Faza eksploracji i budowy jest kosztowna w czasie i tokenach, ale zwróci się w przyszłości.
- Posprzątaj — po eksploracji w archiwum ląduje zwykle około połowy zbioru: duplikaty, stare wersje, szkice.
- Postaw MAP.md, folder streszczeń i katalog surowych danych. To najważniejszy element całej metody: stopniowe ujawnianie informacji zamiast zapełniania głowy modelu od razu.
- Przetestuj pytaniami, na które znasz odpowiedź — łatwymi do szybkiej weryfikacji, najlepiej zero-jedynkowymi.
- Dopisz do instrukcji regułę aktualizacji: mapa i streszczenia odświeżają się przy każdej zmianie w folderach.
I tyle — cały proces.
Na koniec
Dwie sprawy ode mnie: pod filmem zostawiam link do bezpłatnej, trzydziestodniowej serii wpisów o praktycznych zastosowaniach AI w biznesie i pracy oraz do mojej oferty współpracy, gdybyś chciał sprawdzić, czy dobrze się dopasujemy.
I szczere wyznanie na pożegnanie. Budowałem takie systemy miesiącami, zanim coś mi się nie spinało. Pliki były w porządku — ale liczby, które z nich wychodziły, nie zawsze. Okazało się, że AI radzi sobie z plikami i z matematyką w zupełnie różny sposób. Różnicę rozbieram w materiale, do którego prowadzi link obok.