O czym jest ten film
- ChatGPT i Claude potrafią pracować nad jednym zadaniem godzinami, ale po drodze dyskretnie gubią część wcześniejszych ustaleń — bez żadnego ostrzeżenia na ekranie.
- Za tym stoi kompakcja: gdy rozmowa robi się długa, model sam ściska jej starszą część do krótkiego streszczenia i pracuje dalej na tym skrócie.
- W skrócie zostaje „co” (że piszemy ofertę i dla kogo), a wypada „dlaczego”: powody odrzucenia rabatu, starych konspektów czy wcześniejszych poprawek — stąd powtórki dawnych błędów.
- Trzy sygnały degradacji: AI proponuje coś już odrzuconego, pyta o rzeczy wyjaśnione godziny wcześniej, a jego raporty robią się coraz bardziej ogólnikowe.
- Interfejs sam zdradza moment ściskania: ChatGPT pisze „compacting”, a Claude w fazie „myślenia” pokazuje „organizing my thoughts”.
- Ratunkiem jest plik decisions.md prowadzony przez samo AI: każda decyzja w jednej linijce, wraz z powodem oraz z informacją, co wykluczono.
- Instrukcje trzeba wynieść z rozmowy do pliku agents.md (poniżej 100 linii), bo polecenia wpisane w czacie znikają razem z kompakcją.
- Do tego potrzebna jest aplikacja desktopowa — czat w przeglądarce zatrzymuje zadania po wyczerpaniu limitu wywołań narzędzi i czeka na kliknięcie „kontynuuj”.
- Nowa logika folderów: katalog nadrzędny odpowiada czynności (np. oferty), podfoldery — tematom (klienci); podfoldery mogą mieć własne pliki decyzji, a wspólne standardy pakujemy w umiejętności.
- Kompakcja w ChatGPT jest wbudowana w sam model (w Claude to doklejona instrukcja), więc długie wątki lepiej trzymają jakość — ale szybciej zjadają limit subskrypcji; przy kontekście wyniesionym do plików świeże rozmowy niczym nie ryzykują.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Kompakcja pamięta „co”, ale gubi „dlaczego”
Na czym polega: Gdy rozmowa robi się bardzo długa, model sam ściska jej starszą część do krótkiego zarysu i pracuje dalej na skrócie. W tym zarysie zostaje to, nad czym pracujemy (np. że piszemy ofertę dla klienta X), a wypadają powody: czemu nie ma rabatu, dlaczego konspekty poszły do kosza, po co wprowadziliśmy poprawki. Bez „dlaczego” AI powiela dawne błędy.
Jak stosować: Przy wielogodzinnej pracy z modelem traktuj każdą kompakcję jako moment podwyższonego ryzyka — po niej koniecznie porównuj wynik z ustaleniami z początku sesji, zanim podejmiesz dalsze kroki.
Na co uważać: Na ekranie nie pojawi się żadne ostrzeżenie, że część kontekstu przepadła. Degradacja jest cicha i łatwo ją wziąć za „gorszy dzień” modelu.
2.Trzy sygnały, że rozmowa się „ściska”
Na czym polega: Model proponuje coś, co już wcześniej odrzuciłeś; pyta o rzeczy wyjaśnione godzinę temu; jego relacje z postępu robią się coraz ogólnikowe.
Jak stosować: Przy pierwszym z tych objawów zatrzymaj pracę i odśwież asystentowi kluczowe zasady — najlepiej sięgając do pliku decyzji — dopiero potem pozwól mu kontynuować.
Na co uważać: Powtórzone pytanie nie musi brzmieć identycznie. Wystarczy, że jest podobne w istocie, żeby uznać je za sygnał utraty kontekstu.
3.Interfejs sam zdradza moment kompakcji
Na czym polega: ChatGPT mówi wprost „compacting”, a Claude w fazie „myślenia” pokazuje „organizing my thoughts” („porządkuję myśli”). Oba komunikaty oznaczają, że właśnie doszło do ściskania rozmowy.
Jak stosować: Gdy zobaczysz któryś z tych napisów, każ modelowi odczytać plik decyzji i streścić obowiązujące zasady, zanim ruszy dalej.
Na co uważać: Komunikaty bywają ulotne i łatwe do przeoczenia, a pojawiają się tylko „często”, nie zawsze — sygnały merytoryczne z punktu 2 są niezawodniejsze.
4.decisions.md — zewnętrzna pamięć ustaleń
Na czym polega: Rozmowa jest ulotna, plik na dysku — nie. Model w trakcie pracy sam dopisuje do decisions.md, co postanowiono i dlaczego, co odrzucono i dlaczego, jakie poprawki wprowadzono. Gdy rozmowa zostanie ściśnięta, plik przywraca utracone „dlaczego”.
Jak stosować: Na starcie długiego zadania wklej prompt: utwórz w tym folderze plik decisions.md; przy każdym ustaleniu dopisuj jedną linijkę (decyzja + powód, odrzucenie + powód); przy każdej poprawce dopisuj ją wraz z powodem; czytaj plik na początku każdej sesji i zawsze, gdy nie ma pewności co do ustaleń.
Na co uważać: Układ działa w aplikacji desktopowej operującej na folderach (np. Claude Cowork) — w zwykłym czacie przeglądarkowym model nie ma gdzie trzymać pliku.
5.Jedna linijka na ustalenie
Na czym polega: Plik decyzji ma być maksymalnie treściwy, bo przy każdym sięgnięciu do niego zajmuje miejsce w kontekście modelu. Jedna linijka na decyzję to warunek, żeby plik pozostawał mały, ale znaczący.
Jak stosować: Pilnuj formatu: co zdecydowano i dlaczego; co wykluczono i dlaczego. Korekty również po jednej linijce, zawsze z podanym powodem.
Na co uważać: Jeśli model zaczyna zapisywać całe akapity albo dygresje, sens pliku się rozmywa — koszt kontekstu rośnie, a wartość nie. Wracaj do formatu jednowierszowego.
6.Instrukcje trzymaj w agents.md, nie w rozmowie
Na czym polega: Polecenie „prowadź decisions.md” wpisane w czacie zniknie razem z rozmową przy pierwszej kompakcji. Instrukcje wynosi się więc do pliku agents.md w folderze roboczym — AI czyta go przy każdym uruchomieniu w tym folderze, niezależnie od stanu rozmowy.
Jak stosować: W agents.md opisz zadanie folderu (np. „tu piszemy oferty”) oraz zasadę: po każdej kompakcji lub streszczeniu model zagląda do decisions.md. Plik może stworzyć samo AI na Twoje polecenie.
Na co uważać: Ten plik jest czytany przy każdej interakcji, więc każdy zbędny wiersz drogo kosztuje — trzymaj go poniżej stu linii i maksymalnie konkretnie.
7.Aplikacja desktopowa zamiast czatu w przeglądarce
Na czym polega: W interfejsie czatu zadanie z podłączonymi narzędziami (poczta, kalendarz — w Claude łączniki, w ChatGPT wtyczki) zatrzymuje się po wyczerpaniu limitu wywołań narzędzi i czeka, aż naciśniesz „kontynuuj”. W aplikacji desktopowej te limity nie zabijają pracy — zadania potrafią biec wiele godzin.
Jak stosować: Do długich, wieloetapowych zadań z integracjami używaj aplikacji pracującej na folderach, a nie samego czatu w przeglądarce.
Na co uważać: Objaw bywa zdradliwy: wracasz po 45 minutach pewny gotowego wyniku, a zadanie stanęło już po dziesięciu i przez resztę czasu czekało na kliknięcie. Dopóki nie sprawdzisz, jak zachowuje się Twoje środowisko, zaglądaj do zadania wcześniej.
8.Folder = czynność, podfolder = temat
Na czym polega: Zamiast folderów-wysypisk typu „wszystko o kliencie” struktura pod AI wygląda tak: katalog nadrzędny odpowiada czynności (np. oferty), a podfoldery — tematom (klient A, klient B). Model pobiera wtedy dokładnie ten kontekst, którego akurat potrzebuje.
Jak stosować: Zakładając nowe foldery, kieruj się zasadą „czynność w rodzicu, temat w dziecku”. Specyfikę danego klienta trzymaj w jego podfolderze — asystent sam ją podchwyci, pracując w nim.
Na co uważać: Stary nawyk jednego worka na wszystko utrudnia modelowi trafienie we właściwy kontekst — różne zadania i klienci mieszają się w jednym katalogu.
9.Lokalne decisions.md per klient i skille jako przenośny standard
Na czym polega: Podfoldery mogą mieć własne pliki decyzji — klient A przecież woli inną strukturę oferty niż klient C, a te preferencje i wyciągnięte lekcje lądują w lokalnym pliku. Z kolei standard wspólny dla wszystkich tematów (styl pisania ofert) można zwinąć w umiejętność (skill), uruchamianą w dowolnej rozmowie.
Jak stosować: Tam, gdzie tematy w ramach jednej czynności istotnie się różnią, dodawaj decisions.md w podfolderach. Wspólne standardy przenoś do skilla i odpalaj go gdziekolwiek — sam dopasuje pracę do normy, Ty dostarczasz tylko kontekst.
Na co uważać: Kluczowa jest granica: to, co wspólne — do skilla; to, co specyficzne dla tematu — do podfolderu. Pomylone miejsce oznacza brak specyfiki albo zasysanie wyjątków tam, gdzie nie obowiązują.
10.Świeże rozmowy niczym nie ryzykują — długie wątki kosztują
Na czym polega: Gdy kontekst żyje w plikach, reset rozmowy w tym samym folderze niczego nie traci — nowy czat od razu czyta agents.md i decisions.md. Długie wątki są z kolei droższe: zapełniają model i szybciej zjadają limit subskrypcji. Jeśli ciągłość licząca się w tygodniach lub miesiącach jest naprawdę potrzebna, lepiej sprawdza się ChatGPT, u którego kompakcja jest wbudowana w sam model; w Claude streszczanie to doklejona instrukcja.
Jak stosować: Domyślnie zaczynaj nową rozmowę dla każdego zadania w danym folderze. Wielomiesięczne wątki zostaw na sytuacje, gdy ciągłość jest istotna — i wtedy wybierz narzędzie z trwalszą kompakcją.
Na co uważać: Długa rozmowa oznacza szybsze wypalanie limitu planu; krótkie zadania w nowych czatach wychodzą taniej. Decyzję podejmuj świadomie, z uwzględnieniem tego, co masz w subskrypcji.
Redakcyjne tłumaczenie
Po cichu, w trakcie zadania
ChatGPT i Claude potrafią dziś pracować nad jednym zadaniem godzinami. Problem w tym, że po drodze mogą dyskretnie zapomnieć część tego, co im powiedzieliśmy — i nic na ekranie nie zasygnalizuje, że do tego doszło. Praktyczny przykład: wcześnie w rozmowie prosimy AI, żeby nie proponowało klientowi rabatu. Kilka godzin później w szkicu oferty, który wraca do nas, widzimy dokładnie ten rabat. Autor spotyka ten scenariusz u swoich klientów nieustannie — i zjawisko ma swoją nazwę: kompakcja. Naprawa jest banalnie prosta i sprowadza się do jednego pliku. Poniżej: jak rozpoznać moment, w którym model gubi wątek, i jak taki plik przygotować.
(Informacja dodatkowa: kompakcja to mechanizm, którym model sam skraca historię rozmowy, gdy robi się ona bardzo długa — OpenAI nazywa to „compacting”.)
Kiedyś: rozmowy rwane siłą
Przy starszych modelach i produktach próbowano prowadzić dłuższe rozmowy, ale te prędzej czy później urywały się. Wtedy kopiowało się streszczenie dyskusji do nowego czatu i kontynuowało w nim. Tak kiedyś wyglądał obieg pracy. Dziś to zbędne — jedna rozmowa może ciągnąć się tygodniami, a nawet miesiącami. Haczyk jest inny: nikt nas nie zatrzymuje, ale jakość odpowiedzi z czasem się osypuje. I właśnie warto wiedzieć, kiedy to następuje oraz jak temu przeciwdziałać.
„Co” zostaje, „dlaczego” ginie
Czym jest ta utrata jakości? Gdy rozmowa z AI robi się bardzo długa, nadchodzi moment, w którym model musi streścić wszystko, co dotąd się wydarzyło, upchnąć to w krótkim zarysie i pracować dalej właśnie na tym skrócie. Kiedy dokładnie to nastąpi, zależy od modelu i od produktu. Tak czy owac starsza część rozmowy zostaje ściągnięta do niewielkiego opisu, na którym AI kontynuuje pracę.
Wniosek nasuwa się sam: przy takim ściskaniu coś musi wypaść. I najgorzej, że wypadają zwykle informacje kluczowe dla kolejnych zadań w tej samej rozmowie.
Co model zachowuje? „Co”: że piszemy ofertę, że piszemy ją dla konkretnego klienta, gdzie leży bieżący szkic. To w skrócie zostanie. Co ginie? „Jak” i „dlaczego”: dlaczego w tej ofercie nie ma rabatu, dlaczego konspekty pierwszy i drugi poszły do kosza, jakie poprawki wprowadziliśmy w drugiej godzinie pracy i — przede wszystkim — po co je w ogóle wprowadzaliśmy. Bez tych „dlaczego” AI popełni te same błędy co poprzednio. Cały cel zabiegu, o którym zaraz mowa, sprowadza się do jednego: żeby przy streszczaniu przetrwało i „co”, i „dlaczego”.
Trzy sygnały ostrzegawcze
Zanim przejdziemy do naprawy — trzy znamiona, po których poznasz, że ściskanie właśnie nastąpiło.
Pierwsze, najczęstsze w praktyce doradczej autora: AI proponuje coś, co wcześniej odrzuciliśmy — rekomendację, zmianę, cokolwiek.
Drugie: model zadaje pytanie, na które odpowiedzieliśmy kilka godzin wcześniej. Może nie brzmieć identycznie, ale będzie podobne w istocie.
Trzecie: relacje o postępie stają się z upływem czasu coraz bardziej ogólnikowe.
Jest jednak wskaźnik jeszcze lepszy — w ChatGPT i Claude często zobaczymy dosłowny tekst, który zdradza, co się dzieje. W Claude, w fazie „myślenia”, może pojawić się zwrot „organizing my thoughts” („porządkuję myśli”); to mocna poszlaka, że model właśnie ściska wcześniejszą rozmowę. ChatGPT jest bardziej wprost: pisze „compacting” — i to jest właśnie oficjalna nazwa tego mechanizmu. Gdy widzimy ten napis, można być niemal pewnym, że rozmowa została skompresowana.
Naprawa: jeden plik
Rozwiązanie jest proste. Jeden plik, który AI stworzy za nas i będzie samo prowadziło. Nazwa może być dowolna; autor używa decisions.md. Zasada działania: przez całą długą rozmowę model zapisuje do tego pliku notatki o „dlaczego” — dlaczego coś po drodze się zmieniło. Gdy przychodzi kompakcja, asystent ma się gdzie odwołać: plik nie leży w rozmowie, tylko na naszym komputerze. Model sięga do niego i odzyskuje wszystkie „dlaczego” (a także „co”) z części, która została ściśnięta.
Prompt, który to uruchamia
Podstawowe polecenie wygląda następująco:
Zanim zaczniesz, utwórz w tym folderze plik o nazwie decisions.md.
Za każdym razem, gdy coś ustalimy, dopisz jedną linijkę: co postanowiliśmy i dlaczego — oraz co odrzuciliśmy i dlaczego.
Za każdym razem, gdy Cię poprawię, dopisz tę poprawkę wraz z powodem, który podałem.
Czytaj ten plik na początku każdej sesji, a także zawsze wtedy, gdy nie jesteś pewien naszych ustaleń.
Pierwsza część zakłada, że pracujemy w aplikacji biurkowej — Claude Cowork albo aplikacji ChatGPT — w konkretnym folderze.
(Informacja dodatkowa: Claude Cowork to desktopowa aplikacja Anthropic, która daje modelowi dostęp do plików i katalogów na dysku użytkownika.)
Najważniejszy wymóg: jedna linijka na ustalenie. Plik musi być wyjątkowo zwięzły i treściwy, żeby nie marnować kontekstu w „głowie” modelu — mały, ale każdy jego wiersz ma znaczyć.
Druga kluczowa sprawa: te instrukcje przetrwają kompakcję, bo nie zostaną w rozmowie — trafią do osobnego pliku. O nim za moment. Do całego układu potrzebna jest aplikacja desktopowa, a nie sam czat w przeglądarce.
Dlaczego aplikacja desktopowa: koniec z „naciśnij, aby kontynuować”
Największa zaleta pracy w aplikacji biurkowej: znika jeden z najbardziej irytujących problemów klientów autora uwięzionych w przeglądarce — czyli korzystających wyłącznie z czatu. Schemat jest znany: uruchamiamy zadanie, ono się toczy i toczy, aż nagle staje, a na końcu pojawia się prośba, żeby nacisnąć „kontynuuj” albo napisać to słowo. Frustracja polega na tym, że zakładamy, iż zadanie zajmie 35–40 minut; odchodzimy do innych spraw, wracamy po 45 minutach pewni gotowego wyniku — i okazuje się, że praca stanęła już po dziesięciu minutach i przez resztę czasu czekała na nasz klik.
Powodem są wywołania narzędzi. AI można podłączyć do innych systemów — poczty, kalendarza i tak dalej. W Claude taka integracja nazywa się łącznikiem (connector), w ChatGPT — wtyczką (plugin). Niezależnie od nazwy każde odwołanie modelu do takiego systemu liczy się jako jedno wywołanie narzędzia. Gdy narobi się ich zbyt dużo, model wyczerpuje limit i przestaje działać dalej. To jednak dotyczy wyłącznie interfejsu czatu. W aplikacji desktopowej zadania można puszczać i po 3, i po 6, i po 8 godzinach bez wpadania w te ograniczenia.
(Informacja dodatkowa: wywołanie narzędzia to pojedyncza czynność modelu w podłączonej usłudze — na przykład odczytanie kalendarza albo wysłanie wiadomości.)
Logika folderów: czynność i temat
Skoro wiemy, jak ominąć irytujący scenariusz z przeglądarką — jak ułożyć foldery? Rekomendacja autora brzmi: skoro w pracy asystuje nam AI, każdy nowy folder powinien być powiązany z tematem i czynnością. Kiedyś patrzyliśmy na katalogi jak na worki: „tu wrzucę całą dokumentację projektu albo klienta”. Tego podejścia chcemy się pozbyć.
Zamiast tego katalog nadrzędny odpowiada czynności, a podfoldery — tematom. Przykład: folder „Oferty”, w którym odbywa się całe pisanie ofert. W nim, na samym dole, podfoldery „Klient A” i „Klient B” — czyli tematy. Jeśli dla klienta A trzeba bardzo specyficznie dostosować treść, model otworzy folder ofert, wejdzie do podfolderu klienta A, pobierze stamtąd kontekst i napisze ofertę według wzorca stosowanego u pozostałych klientów.
agents.md — instrukcje odporne na kompakcję
W opisanej strukturze na samej górze jest jeszcze agents.md — model może stworzyć go za nas. I właśnie tam trafia pokazany wyżej prompt, czyli polecenie, by AI odwoływało się do decisions.md. Po co wynosić je poza rozmowę? Gdy przyjdzie kompakcja, nie możemy sobie pozwolić na utratę instrukcji. Asystent uruchamiany w danym folderze zawsze sięga do agents.md — niezależnie od wszystkiego, tak te narzędzia są zbudowane.
Plik powinien liczyć mniej niż sto linii, bo model czyta go przy każdej naszej interakcji — musi być maleńki. Jego zadanie sprowadza się do powiedzenia AI, co jest do zrobienia w tym folderze. Oprócz samego pisania ofert wpisujemy tam również zasadę: po każdej kompakcji albo streszczeniu model zawsze zagląda do decisions.md.
W strukturze może się też znaleźć odwołanie do umiejętności — autor poświęca konfiguracji folderów i skillów osobne materiały.
Własne pliki decyzji i umiejętności
Jeszcze jedna uwaga o strukturze: podfoldery klientów A, B i C mogą mieć własne pliki decisions.md. Klient A może bowiem preferować zupełnie inną strukturę oferty niż klient C — i właśnie te preferencje oraz wyciągnięte lekcje zapisujemy w lokalnych plikach decyzji. Gdy AI pisze ofertę w danym podfolderze, czyta ten plik i zna niuanse tej konkretnej sytuacji.
Ostatni element układanki to umiejętności (skills). Skill można uruchomić wszędzie — w dowolnej rozmowie, dowolnym czacie. W scenariuszu z ofertami mamy często bardzo konkretny standard i styl ich pisania, choć sam temat się zmienia (klient A, B, C). Cały ten proces i standard można zwinąć w umiejętność i odpalać ją gdziekolwiek — automatycznie dopasuje pracę do normy, a my musimy jedynie dostarczyć kontekst. Odpalamy taki skill w podfolderze klienta A, a on sam podchwyci wszystko, co trzeba.
Dwie różne kompakcje
Ciekawostka: oba narzędzia streszczają — czyli „ściskają” — rozmowy w odmienny sposób. W Claude to zwykłe streszczenie: model w istocie dostaje polecenie „streść poprzednią rozmowę”. Czyli dodatkowa instrukcja, doklejona do naszych poleceń. W ChatGPT kompakcja jest wbudowana w sam model — to nie dodatkowe polecenie, lecz element zakodowany w wagach i progach narzędzia. Dlatego działa znacznie sprawniej, przynajmniej na dziś.
Wielu użytkowników na X i gdzie indziej chwali się wątkami ciągnącymi się tygodniami, a nawet miesiącami, w których jakość trzymała się przez cały czas — właśnie dlatego, że model kompresuje je inaczej. Jeśli więc potrzebujesz naprawdę długiego wątku liczonego w tygodniach albo miesiącach — na przykład przy projekcie, którego kontekst ma przetrwać — to, o ile masz wybór, lepiej postawić na ChatGPT w wersji desktopowej, bo ten wariant udowodnił już, że potrafi utrzymać jakość w czasie.
Cena długich rozmów
Decydując się na wielogodzinne sesje, pamiętaj o koszcie. Przy nowych czatach, małych zadaniach i krótkich rozmowach całość wychodzi taniej: nie zapełniamy „głowy” AI i model nie musi od nowa odwoływać się do sterty informacji, więc limit subskrypcyjny zużywa się wolniej. Przy jednej bardzo długiej rozmowie limit zje się wyraźnie szybciej. Czasem to akceptowalne — zależy od zadania i od posiadanego planu.
Podsumowanie: jak to wszystko spina się w całość
Po pierwsze: ściskanie — zwane kompakcją albo streszczaniem — zachodzi w tle, a gdy już nastąpi, zwykle zachowuje „co”, tracąc „dlaczego”.
Po drugie: przeciwdziałamy temu jednym plikiem, np. decisions.md, który AI zakłada i prowadzi według podanych wyżej instrukcji.
Po trzecie: plik można umieścić w różnych miejscach — w katalogu nadrzędnym albo w podfolderach, zależnie od tego, czy decyzje różnią się między tematami w ramach jednej czynności.
Po czwarte: w miarę możliwości zaczynajmy świeże rozmowy dla każdego zadania. To bezpieczne, bo kontekst nie ginie — struktura folderów wynosi go poza rozmowę. AI trzyma instrukcje i ustalenia w plikach na zewnątrz, więc gdy w tym samym folderze zresetujemy rozmowę w aplikacji desktopowej Claude lub ChatGPT, model od razu dostanie dostęp do tych plików — tak jakby restart nigdy nie był potrzebny.