O czym jest ten film
- Claude Code z modelem Opus 4.8 dostał funkcję dynamicznych workflow — potrafi uruchomić dziesiątki, a nawet setki agentów, które pracują poza oknem kontekstowym bieżącej rozmowy.
- Pierwszy scenariusz: analiza wszystkich 1500 rozmów autora z Claude Code (lokalne pliki JSONL) i wygenerowanie spersonalizowanego raportu — jak korzystać z nowego modelu — wraz z dwuminutowym filmem instruktażowym.
- Słowo-klucz w prompcie to „workflow”: gdy w nim padnie, workflow dostaje wielokolorową nazwę, co oznacza, że działa natywna funkcja analizująca pliki JSONL.
- Historia rozmów leży lokalnie na dysku, w plikach JSONL; obejrzeć je można np. w Sublime Text albo Notepad++. Są bardzo obszerne, więc analiza przez agentów poza oknem kontekstowym to klucz do porządku.
- Prompt budowany jest z trzech kroków: analiza danych (wzorce użycia tokenów), porównanie modeli (natywny subagent Claude code guide, znający na bieżąco dokumentację Anthropic) i synteza (streszczenie, profil użycia, porównanie kompetencji, wzorce promptowania, rekomendacje narzędzi).
- Film wygenerowano otwartoźródłową biblioteką Hyperframes (autor: Hay Jin), a całą sprawdzoną ścieżkę zapisano jako skill „model migration” — do odpalenia ponownie przy każdej kolejnej premierze modelu.
- Drugi scenariusz: głęboki research z krzyżową weryfikacją. Raport o 170 twierdzeniach z X na temat dynamicznych workflow, sprawdzonych przez blisko 200 agentów; każde twierdzenie ma link do źródła i status: potwierdzone, niepotwierdzone albo odrzucone.
- Tweety ściągnięto przez Apify (tzw. actor, czyli gotowa aplikacja na tej platformie), a w trakcie działania workflow można interweniować i ograniczyć skalę — na przykład nie dopuścić do uruchomienia 60–70 agentów.
- Trzeci scenariusz: audyt katalogów .claude — wykrywanie zduplikowanych i porzuconych skilli oraz sprzecznych reguł. Autor znalazł m.in. 10 zdublowanych standardowych skilli Anthropic i nieużywany skill „designer designer”.
- Workflow nie służą do codziennej pracy — autor zaleca przeglądy co kilka tygodni lub raz w miesiącu, bo tylko garstka zadań uzasadnia tak duże zużycie tokenów.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Twórz własne tutoriale do nowych modeli na podstawie własnej historii
Na czym polega: Zamiast oglądać kolejne materiały w stylu „nowy model to szał”, można poprosić Claude Code o przejrzenie całej historii własnych rozmów i przygotowanie raportu dopasowanego do faktycznego sposobu pracy.
Jak stosować: Prompt zacznij od prośby o zbudowanie workflow, wskaż folder z plikami JSONL, określ cel (np. „wyciągnąć maksimum z nowego modelu”) i kryteria analizy. Raport powie, co zmienić w promptowaniu, a co zostawić.
Na co uważać: Pełna historia rozmów to ogromna ilość danych — analiza musi iść przez agentów poza oknem kontekstowym, inaczej przeładuje i zamuli bieżącą sesję.
2.Słowo „workflow” w prompcie uruchamia dedykowaną funkcję
Na czym polega: Gdy w poleceniu padnie słowo „workflow”, utworzony przepływ dostaje wielokolorową nazwę — to sygnał, że działa natywna funkcja analizująca pliki JSONL.
Jak stosować: Wystarczy napisać w stylu „chcę, żebyś zbudował workflow” i podać ścieżkę do folderu z historią rozmów. Jeśli ścieżki nie znasz — po prostu zapytaj Claude Code.
Na co uważać: Samo magiczne słowo nie wystarczy. Bez jasno określonego celu i kryteriów raport wyjdzie ogólny, czyli dokładnie to, czego chcieliśmy uniknąć.
3.Twoja historia rozmów jest lokalna — masz pełne źródło danych na własnym dysku
Na czym polega: Wszystkie sesje z Claude Code zapisują się lokalnie jako pliki JSONL, czyli ciąg par: twoje polecenie — odpowiedź asystenta, razem z wywołaniami narzędzi.
Jak stosować: Pliki podejrzysz w Sublime Text albo Notepad++ i możesz wskazać je jako materiał do dowolnej analizy — nie tylko dla modeli Claude, bo to samo podejście działa przy ocenie Codexa czy Geminiego.
Na co uważać: Nie wklejaj tych plików bezpośrednio do rozmowy — pochłaniają mnóstwo tokenów. Cała heavy lifting powinien zostać po stronie agentów.
4.Do porównań modeli wykorzystaj natywnego subagenta znającego dokumentację
Na czym polega: Claude Code ma wbudowanego subagenta (u autora: Claude code guide), którego zadaniem jest śledzenie najnowszych materiałów Anthropic — działa jak kompetentna infolinia sprawdzająca wszystko u źródła.
Jak stosować: W kroku porównywania modeli każ agentowi odpytać tego subagenta o nowości i zestawić je z wynikami analizy twoich plików JSONL. Dostajesz porównanie: co nowy model obiecuje na papierze, a jak wychodzi u ciebie.
Na co uważać: Subagent zna tylko oficjalną dokumentację — nie zastąpi wiedzy o tym, co realnie sprawdza się w twoich projektach.
5.Utrwalaj sprawdzone ścieżki jako skille
Na czym polega: Gdy agenty raz wykonają zadanie, całą wypracowaną drogę można zapisać jako skill i odpalać ponownie jednym poleceniem. Autor stworzył skill „model migration” na kolejne premiery modeli.
Jak stosować: Po udanym workflow poproś o zapisanie go jako skill z opisową nazwą. Przy premierze 4.9 czy 5 wystarczy jedno wywołanie, by dostać gotowy raport i film instruktażowy.
Na co uważać: Skille mają tendencję do mnożenia się — bez okresowych audytów (patrz wniosek 9) same staną się problemem.
6.Przy ważnych tematach sięgaj po research z krzyżową weryfikacją
Na czym polega: Pojedynczy agent chwalący się „sprawdzeniem 300 źródeł” zwykle nie weryfikuje sam siebie. Workflow może uruchomić armię agentów, które wzajemnie testują zebrane twierdzenia — jak recenzja naukowa, tylko szybsza.
Jak stosować: Prompt w duchu: zbierz wszystko, co ludzie faktycznie raportują na temat danej funkcji — realne wyniki, śmiałe deklaracje, oddziel to, co się broni, od czystego marketingu. Każde twierdzenie powinno dostać link do źródła i status weryfikacji.
Na co uważać: To godziny pracy agentów i poważne zużycie tokenów. Rezerwuj ten tryb dla pytań, przy których naprawdę zależy ci na pewności.
7.Do zbierania danych z X sprawdza się Apify
Na czym polega: Zamiast borykać się z natywnym API X, autor ściąga tweety przez Apify — konkretnie przez tzw. actor, czyli gotową aplikację dostępną na tej platformie.
Jak stosować: W prompcie wskaż skill z odpowiednim actorem do scrapowania X. Apify przydaje się też do innych rzeczy, np. analityki YouTube.
Na co uważać: Zebranie postów to dopiero połowa roboty — na X krąży mnóstwo śmiałych, niepotwierdzonych twierdzeń, które dopiero drugi etap weryfikacji odsiewa od faktów.
8.Interweniuj w trakcie workflow i pilnuj skali
Na czym polega: Podczas kalibracji zadania workflow pyta, jak głęboko ma zajść — i można na tym etapie realnie sterować kosztami, na przykład nie dopuścić do rozkręcenia się 60–70 agentów.
Jak stosować: Gdy Claude Code zapyta o głębokość, podaj limit agentów albo zawęź zakres źródeł do tego, co mieści się w twoim budżecie tokenowym.
Na co uważać: Zbyt ostre zawężenie osłabia weryfikację krzyżową, a to ona decyduje o wiarygodności raportu. Szukaj równowagi między kosztem a pewnością wyników.
9.Regularnie audytuj swój katalog .claude
Na czym polega: W folderach .claude, projektowych i globalnych, gromadzą się agenty, skille, reguły, hooki i komendy. Z czasem się dublują i dezaktualizują, a porzucone skille po cichu przeładują kontekst.
Jak stosować: Kazz workflow przejrzeć całą konfigurację i wypisać problemy według priorytetu: duplikaty, sprzeczne reguły, rzeczy użyte dwa razy i zapomniane. Autor w ten sposób wykrył 10 zdublowanych standardowych skilli Anthropic.
Na co uważać: Przed usunięciem czegokolwiek sprawdź, czy dany element nie służy innemu projektowi — część duplikatów powstaje przypadkowo, ale bywają i celowe kopie.
10.Workflow to narzędzie sporadyczne, nie codzienne
Na czym polega: Tylko garstka zadań uzasadnia spalenie tokenów na armię agentów; resztę dniami załatwia zwykła rozmowa.
Jak stosować: Rezerwuj workflow dla dużych, wymagających tematów: migracja na nowy model, ważny research, comiesięczny audyt konfiguracji, porównywanie ofert podróży.
Na co uważać: Koszt rośnie szczególnie gwałtownie przy obszernych zadaniach — śledź zużycie i kalibruj głębokość zanim agenty ruszą na całość.
Redakcyjne tłumaczenie
Raport szyty na miarę, zbudowany w niecałą godzinę
Spójrzcie na to. Ta strona internetowa powstała w niecałą godzinę — zbudowały ją dla mnie nowe dynamiczne workflow Claude. I od razu jedno zastrzeżenie: to nie cudze release notes ani streszczenie dokumentacji pisane z czyjejś perspektywy. Ten workflow uruchomił dziesiątki agentów, którzy przejrzeli wszystkie 1500 rozmów, jakie kiedykolwiek prowadziłem z Claude Code, i przygotowali pełny raport: jak dokładnie mam korzystać z nowego modelu i co powinienem zmienić w swoim podejściu. Do tego doszedł dwuminutowy film instruktażowy, przechodzący przez każdą funkcję istotną dla mnie i wyjaśniający, jak działa od środka — żebym już nigdy nie musiał oglądać generycznych tutoriali, które w gruncie rzeczy są streszczeniem dokumentacji.
To pierwszy z trzech przypadków użycia, które pokażę, żeby zobaczyć, gdzie dynamiczne workflow realnie coś zmieniają w codziennej pracy. Szczególnie trzeci — sądzę, że mocno wam się spodoba. Zostańcie do końca, a oszczędzę wam spalania własnych tokenów na te eksperymenty.
Czego dowiedziałem się o nowym modelu
Raport opisuje, jak mam przejść na nowy model, co zmienić w sposobie formułowania poleceń, a co zostawić bez zmian albo drobnie dopasować do jego zachowania. Jedna z kluczowych wskazówek: warto być bardziej dosłownym. Model lżej znosi wprost sformułowane polecenia i nie trzeba owijać w bawełnę. Gdybym natomiast chciał zbiorcze podsumowanie wszystkiego, co powinienem robić na co dzień — wyprowadzone z przeanalizowanych rozmów i wykrytych w nich wzorców — mam do tego gotową checklistę.
Dlaczego w ogóle to robić, czyli problem z YouTube
Zanim pokażę dokładny prompt, warto zrozumieć, jaki problem tu rozwiązujemy. Jeśli jesteście jak ja, przy każdej premierze modelu ogarnia was ciekawość: co się tym razem zmieniło? Wchodzicie na YouTube i nieuchronnie trafiacie na korowód miniatur z tytułami w stylu „ten nowy model to szał”. Tymczasem 90 procent premier to drobny krok naprzód — trochę plusów, trochę minusów, ale różnicy jak niebo od ziemi nie ma. Zamiast więc klikać w „Opus 4.8 is insane”, „Opus 7” czy „Opus 492”, można po prostu wygenerować własny materiał szkoleniowy, dopasowany do tego, co sami robicie i na czym wam zależy.
Jak to działa: pliki JSONL na twoim dysku
Cała mechanika opiera się na jednym poleceniu: każe Claude Code przejrzeć wszystkie pliki JSONL, w których zapisana jest historia twoich rozmów. Jeśli pracujesz na prywatnym laptopie, wszystkie leżą lokalnie na twoim komputerze. Następnie ruszają agenty, które kopią w sesjach i szukają wzorców. Gdy system rozumie, jak pracujesz i jak promptujesz, dostajesz porady szyte na miarę — dla 4.8, dla 5, a nawet dla Codexa czy Geminiego. Własną edukację i doszkalanie możesz po prostu dopasować do rzeczy, które realnie posuwają cię do przodu.
(Informacja dodatkowa: JSONL, czyli JSON Lines, to format tekstowy, w którym każdy wiersz pliku stanowi osobny, samodzielny obiekt JSON.)
Sam prompt może wyglądać tak: „chcę, żebyś zbudował workflow” — i to są słowa-klucz. Gdy napiszesz „workflow”, dostaje on wielokolorową nazwę, co oznacza, że pracuje natywna funkcja analizująca pliki JSONL. Dalej podajesz ścieżkę do folderu. Jeśli jej nie znasz — po prostu zapytaj Claude Code. W moim folderze projektu YouTube leży każda pojedyncza rozmowa z tamtym kanałem. Jak widać, to właśnie pliki JSONL; podejrzysz je w Sublime Text albo Notepad++. W skrócie: każdy plik to ciąg par asystent–użytkownik, asystent–użytkownik, obejmujący wszystkie wywołania narzędzi. Pochłaniają mnóstwo tokenów. I tu jest sedno: gdy agenty odpalają przez dynamiczne workflow poza twoim oknem kontekstowym, bieżąca rozmowa nie zaczyna się rozdymać.
Trzy kroki prompta: analiza, porównanie, synteza
Po wskazaniu danych podaję cel ogólny: pomóż mi zrozumieć, jak wyciągnąć maksimum z nowego modelu (można podstawić dowolny inny). Potem wchodzę w kryteria. Krok pierwszy to analiza danych — przejrzenie każdego pliku JSONL pod kątem wzorców mojego użycia tokenów.
Krok drugi, porównanie modeli. Tu lubię wzywać agenta Claude code guide — natywnego subagenta Claude Code, którego całą rolą jest być doktorem od najnowszych dokumentów Anthropic. Zapytany o cokolwiek, działa jak porządna infolinia: idzie i sprawdza wszystko u źródła, na stronie. Widzi więc release notes i może zestawić je z wynikiem kroku pierwszego, czyli analizą twojego sposobu pracy.
Krok trzeci to synteza i analiza tego, co chcę dostać na wyjściu: najpierw streszczenie zarządcze, potem profil mojego użycia, dalej bezpośrednie porównanie kompetencji obu modeli, wzorce promptowania, rekomendacje skillów i narzędzi, propozycje dynamicznych workflow, które mógłbym zbudować wokół nowej funkcji, i na koniec okazje dla zaawansowanych.
Z HTML-a do filmu: Hyperframes i skill „model migration”
A skąd film? Podpiąłem bibliotekę open source Hyperframes autorstwa Hay Jina, połączyłem ją z Claude Code i kazałem przekonwertować przygotowaną przez workflow stronę HTML na krótki, dwuminutowy materiał w podwójnej prędkości.
Najlepsze jest jednak to, że gdy rozproszone agenty raz wypracują drogę wykonania zadania, można ją utrwalić jako skill. (Informacja dodatkowa: skill w Claude Code to zestaw instrukcji i plików, który można wczytać, by powtarzać dany sposób pracy bez pisania wszystkiego od zera.) U mnie taki skill nazywa się „model migration”. Gdy wyjdzie 4.9, potem 5, 6 i kolejne — po prostu go odpalę i szybko dostanę wyjaśniającą stronę HTML oraz film, więc błyskawicznie nadrobię to, co dla mnie najważniejsze.
Przy okazji: jeśli chcecie dostęp do takich skilli wraz z całą zawartością naszego stale rozbudowywanego kursu Claude Code — pierwszy link w opisie. Te systemy agentowe będą dojrzewać i warto dojrzewać razem z nimi. A jeśli mieliście dość biernego oglądania i chcecie przejść na praktykę — do zobaczenia w środku. Wracamy do tematu.
Drugi scenariusz: głęboki research z kontrolą krzyżową
Drugi przypadek użycia: dynamiczne workflow do głębokiego researchu — tam, gdzie chcemy, żeby agenty wzajemnie sprawdzały swoją pracę, zamiast czekać 10, 15, 30 minut, aż pojedynczy agent przebiegnie po serii źródeł. Taki agent często melduje, że przejrzał 200 czy 300 źródeł, ale w praktyce nie weryfikuje sam siebie — poza tą jedną sesją nie ma nikogo w roli adwokata diabła. A głęboki research, zwłaszcza do badania samej funkcji dynamicznych workflow, sprawdza się wybornie.
Otrzymałem pełny raport o każdym twierdzeniu znalezionym na X na temat tego, co dynamiczne workflow potrafią, a czego nie. Każde twierdzenie ma link — do repozytorium na GitHubie, do posta na X albo do raportu. Przeskakując po wynikach, trafiam na słowo „survives”, czyli „przetrwało”: oznacza, że seria agentów dwukrotnie sprawdziła i potwierdziła dane twierdzenie, żeby w momencie dotarcia do mnie było przefiltrowane i zweryfikowane. Obok widzę śmiałe deklaracje — bo na X ludzie rzecz jasnie obiecują różne rzeczy — oraz posty oznaczone jako niepotwierdzone. Mogę więc podejść do nich krytycznie i sam sprawdzić, czy któremukolwiek warto zaufać. Widać też komplet twierdzeń, które padły. Do recenzowania przez agentów różnych badań, twierdzeń i informacji w ogóle — rewelacja.
Prompt, Apify i pytanie o głębokość
Prompt wyglądał tak: „zbadaj wszystkie ustalenia dotyczące dynamicznych workflow w kontekście Opus 4.8; zbierz wszystko, co ludzie faktycznie raportują — realne wyniki, twierdzenia, co się broni, a co jest wyłącznie hype’em”. Kazalem też sięgnąć po Apify X scraper. Tweetów można zbierać na różne sposoby — X ma już własne API — ale ja używam Apify do wielu rzeczy, w tym do wyciągania analityki YouTube. Wystarczy polecić skillowi znalezienie tzw. actora, czyli gotowej aplikacji dostępnej na Apify.
Gdy workflow kalibrował sposób wykonania zadania i kąty, z których poda, zapytał: „Jak głęboko chcesz zejść?”. I o czym mało kto mówi: w narzędziach tego typu można interweniować i powiedzieć wprost — nie chcę głębokości wymagającej 60 czy 70 agentów. Ta funkcja faktycznie pochłania tokeny, przy dużych zadaniach w zawrotnym tempie, ale można zmierzyć zadanie i zawęzić zakres, gdy trzeba.
Po 20 minutach wrócił z pełną odpowiedzią, linkującą do strony, którą pokazałem: przeszło 170 twierdzeń, prawie 200 agentów do agresywnej, wzajemnej weryfikacji — i rozdział tego, co w funkcjach wygląda na wiarygodne, od tego, co wygląda na chwyt marketingowy.
Trzeci scenariusz: audyt własnego ekosystemu Claude Code
Ostatni przypadek: workflow do audytu istniejącego ekosystemu Claude Code — wyszukiwania miejsc, gdzie można go wykorzystywać lepiej. Konkretnie można kazać mu przejrzeć i zaudytować katalog .claude, czyli foldery z kluczowymi zasobami na poziomie projektu i globalnym. Wchodzą w to agenty, skille, reguły, hooki i komendy. W miarę jak budujesz i dodajesz kolejne skille, rzeczy z czasem się dezaktualizują i nieuchronnie pojawiają się nieefektywności. Agenty mogą wtedy wskazać wprost, co konkretnie warto naprawić i dlaczego.
W wynikach widać nałożone na siebie skille, zdublowane skille i — co najlepsze — co idealnie byłoby z nimi zrobić. U mnie raport wykrył na przykład 10 standardowych skilli Anthropic, które wyglądają na zduplikowane. Prawdopodobnie przy jakimś demo dla klienta wkleiłem je więcej niż raz — i teraz po cichu przeładowują mi kontekst wbrew mojej woli. Zjeżdżając na dół listy: inny przypadek, gdzie najwyraźniej stworzyłem skill „designer designer” specjalnie na potrzeby filmu na YouTube jako demo — i nigdy więcej go nie użyłem. To właśnie te rzeczy, do których nigdy nie mamy czasu wrócić.
Jeśli budujesz coś w rodzaju systemu operacyjnego z agentów, możliwość przejrzenia problemów niskiego, średniego i wysokiego szczebla oraz powtarzających się, sprzecznych reguł to znakomity sposób na ciągłą optymalizację — powiedzmy raz w miesiącu. Bo, powtórzę, to nie jest narzędzie do codziennego użytku. To coś, po co sięga się sporadycznie: co kilka tygodni, może raz w miesiącu. I tylko garstka zadań naprawdę zasługuje na poziom spalania tokenów, jakie wiąże się z ruszaniem całej armii agentów.
(Informacja dodatkowa: CLAUDE.md to plik z wytycznymi projektu, które Claude Code wczytuje na początku każdej sesji.)
Chodzi o to, by móc stale audytować rzeczy takie jak CLAUDE.md, reguły czy skille i szukać sposobów podnoszenia poziomu — upewniając się przy okazji, że nie masz obszarów balastu ani odciętych folderów, w których coś odpaliłeś, użyłeś dwa razy i zupełnie o tym zapomniałeś.
Zakończenie: trzy zastosowania i szersza perspektywa
I to w zasadzie tyle — trzy z wielu sposobów, w jakie używam dynamicznych workflow, zwłaszcza prywatnie, do codziennych zadań. Mam nadzieję, że to inspiracja do własnych eksperymentów wykraczających poza biznesowe zastosowania. Próbowałem między innymi rezerwacji podróży: przeglądania bookingów, stron hotelowych i cen biletów lotniczych. Tego typu podejście da się przyłożyć do wszelkich dużych, poważnych problemów, które wymagają sporo researchu i walidacji.
Wszystkie prompty z tego materiału znajdziecie pod drugim linkiem w opisie. A jeśli chcesz pójść znacznie głębiej z Claude Code i opanować go w kilka tygodni — pierwszy link prowadzi do mojej społeczności dla wczesnych użytkowników. Dodaję tam co najmniej jeden nowy moduł tygodniowo i wyłącznie w nim przeprowadzę was przez budowę workflow i skilla z Hyperframes, o którym wspominałem. Jeśli film był pomocny i przydał ci się coś nowego — łapka i komentarz bardzo pomogą. Do zobaczenia w następnym materiale.