O czym jest ten film
- Autor przekonuje, że większość ludzi używa agenta Hermes jak chatbota, podczas gdy badawcze „systemy operacyjne” w stylu OpenAI czy Anthropic pozwalają odblokować możliwości nieznane 99 procentom użytkowników.
- Metafora wyjściowa: agent bez podłączeń to geniusz, którego nie wpuszczono do biblioteki — nie sięgnie po transkrypcje YouTube ani pełne strony LinkedIn, Reddita czy X.
- Gwiazdorem odcinka jest repozytorium Agent Reach: ponad 32 tysiące gwiazdek na GitHubie, nr 1 w trendach; daje agentowi dostęp do X, LinkedIn, RSS i GitHub, a przy tym samoaktualizuje się w tle.
- Kluczowa zaleta techniczna: narzędzie zwraca ustrukturyzowany tekst zamiast surowego HTML — przykładowo 86 tysięcy tokenów potrafi spaść do 30–40 tysięcy, czyli mniej więcej 2,5-krotna oszczędność i odciążone okno kontekstowe.
- Instalacja odbywa się zwykłą rozmową z agentem (klonowanie projektu na lokalną maszynę), a po niej warto kazać agentowi wypisać nowe umiejętności i od razu je przetestować.
- Autorska interpretacja: taka wtyczka nie czyni agenta inteligentniejszym — usprawnia jego routing. Agent wie, którego narzędzia użyć dla której platformy, ma ścieżki zapasowe i diagnostykę na żywo.
- Testy na żywo: znalezienie najnowszego długiego filmu na YouTube z cytatem pierwszego zdania oraz analiza samego repozytorium Agent Reach na GitHubie.
- Niuans: dostęp do LinkedIn, Reddita i X w tym projekcie opiera się na plikach cookie z zalogowanej przeglądarki — to rozwiązanie kruche, więc autor woli podłączyć Groka, który przeszukuje całe X (uwaga: repo jest po chińsku).
- Poziom drugi to Clay.com — platforma danych sprzedażowych z case studies m.in. OpenAI, Canvy i HubSpot (ta część filmu jest sponsorowana); z Hermes łączy się przez konektor MCP.
- Efekt końcowy: Hermes znajduje po trzech ludzi z OpenAI i Anthropic, pisze spersonalizowane wiadomości, dopina adresy e-mail i generuje raport HTML; Clay odpytuje kaskadowo ponad 150 dostawców danych, a płaci się wyłącznie za trafienia.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Traktuj agenta jak maszynę badawczą, nie jak chatbota
Na czym polega: Pytanie-po-odpowiedź to ułamek tego, co daje agent podłączony do zewnętrznych źródeł: YouTube, GitHub, RSS, media społecznościowe.
Jak stosować: Zanim znów zapytasz agenta o coś, rozpisz, których źródeł nie ma w zasięgu, i podłącz je systemowo — jedną wtyczką albo osobnymi integracjami.
Na co uważać: Samo podłączenie narzędzi nic nie daje bez testów; łatwo wtedy uwierzyć, że „wszystko działa”, podczas gdy połowa połączeń wymaga autoryzacji.
2.Żądaj czystych danych zamiast surowego HTML
Na czym polega: Kod HTML jednej strony potrafi zająć około 86 tysięcy tokenów; ekstrakcja samej treści zdejmuje to do 30–40 tysięcy, czyli jakieś 2,5 raza.
Jak stosować: Przy doborze narzędzi do pobierania stron wybieraj te, które zwracają gotowy tekst, a nie kod. Okno kontekstu zostanie wolne na właściwą analizę, a rachunek za tokeny mocno zejdzie.
Na co uważać: Oszczędność widać dopiero przy dłuższych sesjach badawczych — warto porównać zużycie tokenów przed i po zmianie, żeby mieć twardy dowód.
3.Instaluj przez rozmowę i każ agentowi zdać raport
Na czym polega: Autor klonuje nowe repozytorium prosto z czatu, a potem prosi o listę zdobytych umiejętności i o wyjaśnienie, czym są lepsze od poprzedniego stanu. Jeśli agent potrafi to opowiedzieć własnymi słowami, to znaczy, że zrozumiał.
Jak stosować: Wprowadź to jako stałą rutynę po każdej instalacji: „co teraz umiesz, czego nie umiałeś wcześniej, co poprawimy i jak to sprawdzimy?”. Odpowiedź zapisz jako punkt odniesienia.
Na co uważać: Płynny opis to wciąż nie dowód działania — traktuj go jako wstęp do testu, nigdy jako test.
4.Sprawdzaj nowe wtyczki na zadaniach ze znaną odpowiedzią
Na czym polega: Test z YouTube („podaj pierwsze zdanie mojego najnowszego długiego filmu”) i z GitHubem („o czym jest to repozytorium?”) dało się zweryfikować w kilka sekund.
Jak stosować: Przygotuj dwa–trzy zadania, na które znasz odpowiedź, i uruchamiaj je po każdej instalacji lub aktualizacji. To zajmuje minutę i od razu weryfikuje całą ścieżkę.
Na co uważać: Jednorazowy sukces nie oznacza stabilności — rozwiązania oparte na sesjach przeglądarki potrafią odpaść po kilku dniach bez ostrzeżenia.
5.Nowa wtyczka usprawnia routing, a nie inteligencję
Na czym polega: Umiejętność z repozytorium to gotowe procedury: agent nie wymyśla wszystkiego od nowa, tylko dostaje mapę „to zadanie — to narzędzie”, plus ścieżki zapasowe, gdy standardowe narzędzia zawiodą.
Jak stosować: Zmień sposób formułowania poleceń. Zamiast „streść to repo” mów: „zrób zwiad w tym repo i oceń, czy warto je dalej badać”. Procedury same wybiorą właściwe narzędzie.
Na co uważać: Nie przypisuj agentowi nagle większej mocy umysłowej — to wciąż ten sam model; cała różnica tkwi w dopasowaniu procesu do zadania.
6.Dostęp przez cookies jest kruchy — miej plan awaryjny
Na czym polega: W Agent Reach logowanie do LinkedIn, Reddita czy X opiera się na ciasteczkach z twojej przeglądarki. Dopóki nic się nie zmieni po stronie serwisu, działa; potem przestaje.
Jak stosować: Jeśli zależy ci na niezawodności, wybieraj drogi oficjalne: API, gotowe integracje, wyszukiwarki z pełnym dostępem. Reddit bez klucza API obejdziesz strategią cookie, ale traktuj ją jako tymczasową.
Na co uważać: Korzystanie z prywatnej sesji bywa sprzeczne z regulaminami serwisów i wymaga ciągłego utrzymywania aktywnego zalogowania.
7.Do badania X wykorzystaj Groka — sięga po całą platformę
Na czym polega: Podłączony do agenta Grok przeszukuje całość Twittera/X, także pod kątem dynamiki: liczby wyświetleń i zaangażowania w czasie.
Jak stosować: Formułuj polecenia z kryteriami jakości, np.: „znajdź pięć trendujących wątków wokół [tematu] z ostatniego tygodnia, z dobrą dynamiką wyświetleń i reakcji”.
Na co uważać: Samo repozytorium Agent Reach jest napisane po chińsku — komunikaty diagnostyczne będą niezrozumiałe, jeśli nie znasz tego języka.
8.Nie ufaj jednemu źródłu — każ agentowi weryfikować wyniki
Na czym polega: W jednym z testów Hermes wyszukał trendy przez Groka, a potem na własną rękę skonfrontował wyniki dodatkowym researchem i wyszukiwaniem na YouTube.
Jak stosować: Dopisuj do poleceń badawczych krok kontroli krzyżowej: „potwierdź to drugim narzędziem i wskaż, gdzie wyniki się zgadzają, a gdzie rozjeżdżają”.
Na co uważać: Podwójne wyszukiwanie podnosi zużycie tokenów — stosuj je przy decyzjach, nie przy błahych pytaniach.
9.Clay to baza danych, która sama się wypełnia
Na czym polega: Platforma wzbogaca dane o potencjalnych klientach z setek źródeł, odpytując kaskadowo ponad 150 dostawców. Płacisz tylko za trafienie — nietrafione wyszukiwanie nie kosztuje.
Jak stosować: Zamiast ręcznie łączyć dane z kilku serwisów, zdefiniuj kolumny (kto, rola, firma, e-mail) i pozwól platformie je uzupełniać; wyniki synchronizuj z CRM.
Na co uważać: Model rozliczeń „za trafienie” brzmi świetnie, ale przy dużej skali trafienia też się sumują — pilnuj budżetu od pierwszego dnia.
10.Zamknij pętlę: research → personalizowany kontakt → raport
Na czym polega: W finale Hermes znalazł po trzech kontaktów z OpenAI i Anthropic, zbadał ich przez Clay, napisał dopasowane wiadomości, dorzucił adresy e-mail i złożył wszystko w raport HTML.
Jak stosować: Pracuj na jednym poleceniu końcowym: lista kontaktów + research + szkice wiadomości + format podsumowania. Potem doprecyzowuj pojedynczo (np. „dopisz adresy e-mail”), zamiast sklejać wszystko z osobnych rozmów.
Na co uważać: Wygenerowane wiadomości wymagają korekty tonu przed wysłaniem, a dane osobowe traktuj ostrożnie — w materiale adresy zostały rozmyte właśnie ze względu na prywatność.
Redakcyjne tłumaczenie
Geniusz, którego nie wpuszczono do biblioteki
Większość ludzi używa agenta Hermes jak zwykłego chatbota: zadaje pytania i na tym koniec. Tymczasem firmy takie jak OpenAI czy Anthropic pracują na czymś w rodzaju badawczych systemów operacyjnych — i jeśli ustawisz to odpowiednio, odblokujesz możliwości, o których 99 procent użytkowników nie ma pojęcia. W tym materiale pokażę, jak złożyć taką konfigurację krok po kroku, żeby agent zyskał niemal nieograniczony dostęp do wiedzy, a ty przestał marnować czas i wyprzedzał innych o kilka długości.
Krótko o mnie: nazywam się Jack. Zbudowałem startup z ogromną bazą klientów, dziś zakładam firmy oparte na AI i publikuję tutaj wyłącznie to, co realnie działa.
Najlepszy obraz sytuacji większości użytkowników Hermes? Geniusz, którego nie wpuszczono do biblioteki. Kiedy zlecasz agentowi zadanie, potrafi wykonać podstawowe wyszukiwanie w internecie — ale wielu rzeczy po prostu nie dobierze. Nie pobierze transkryptów z YouTube. Nie sięgnie po pełne strony na LinkedIn, Reddicie czy X. A więc nie korzysta z najlepszej wiedzy, jaka w ogóle jest w sieci. Gdyby go jednak odpowiednio podłączyć, teoretycznie zyskałbyś wgląd we wszystko, co dzieje się na świecie na bieżąco.
W materiale pokażę dwa ulepszenia. Pierwsze dotyczy połączeń — tego, co agent potrafi z nich wyciągnąć. Drugie to „specjalista”, który drastycznie podnosi wydajność, wiedzę i możliwości badawcze twojego Hermes, niezależnie od tego, do czego go używasz.
Repozytorium, które daje agentowi oczy
Cała idea nowego projektu na GitHubie sprowadza się do jednego zdania: dajemy agentowi oczy. Repo nazywa się Agent Reach, ma ponad 32 tysiące gwiazdek i w tej chwili siedzi na szczycie trendów GitHuba. Robi furorę.
Co z tego masz? Wstęp do X, LinkedIn, kanałów RSS, GitHuba — w zasadzie do wszystkiego, czego zapragniesz. Ten „system operacyjny” potrafi nawet aktualizować się sam w tle. Dostajesz okno na wiele różnych narzędzi, a wyszukiwanie jest bardziej odporne dzięki wbudowanym ścieżkom zapasowym: gdy podstawowe narzędzie zawiedzie, wchodzi kolejne.
Jest jeszcze jedna rzecz, o której mało kto myśli: projekt zwraca ustrukturyzowany tekst, a nie surowy kod HTML. Czyli czyste dane i lepsze odpowiedzi — a przy tym ten sam research kosztuje ułamek tokenów. Paradoksalnie im więcej korzystasz, tym więcej oszczędzasz.
Oszczędność tokenów i ratunek dla okna kontekstu
Konkrety: jedna strona w surowym HTML to około 86 tysięcy tokenów — to w zasadzie „mowa” witryny w najgorszej postaci. Przy czystej ekstrakcji treści schodzi to do 30–40 tysięcy. Mniej więcej dwa i pół raza taniej.
Dlaczego to takie ważne? Hermes ma określone okno kontekstowe i jego ograniczenie to jeden z najczęstszych zarzutów użytkowników. To rozwiązanie adresuje problem wprost. A dobra wiadomość jest taka, że instalacja jest banalna — zrobimy ją razem.
Instalacja zwykłą rozmową
Wchodzimy na repozytorium, kopiujemy link, otwieramy system i po prostu rozmawiamy z agentem przez warstwę głosową:
— Hej Jack, o czym myślisz? — Mam repozytorium z GitHuba. Zainstaluj je u mnie, żebyśmy mogli korzystać z nowego silnika badawczego. — Jasne, pomogę. Podaj link do repo. — Wpisuję go właśnie w czacie, a niech Hermes robi swoje w tle. — Zaczynam od sklonowania. Uruchamiamy lokalnie czy na serwerze? — Lokalnie, proszę. — Dobra, pobieram dane i ruszam z instalacją.
Po chwili agent kończy pracę w tle. Wtedy proszę o jeszcze dwie rzeczy: listę nowych możliwości, które zyskał, i propozycję testu, który potwierdzi, że wszystko żyje. Hermes melduje: zaawansowane pobieranie stron, ekstrakcja danych w czasie rzeczywistym, dopracowane przetwarzanie języka naturalnego. Tak samo można to przeprowadzić na telefonie, przez Telegram.
Mam taką zasadę: po każdych nowych plikach z GitHuba każę agentowi opowiedzieć, co dokładnie dostał i czym to jest lepsze od poprzedniego stanu. Jeśli potrafi to wyjaśnić własnymi słowami — zrozumiał. A przy okazji dostaję mapę tego, co działa i co warto poprawić.
Routing, nie inteligencja
Po poleceniu „połącz wszystko” Hermes ściąga i konfiguruje projekt. I tu kluczowa obserwacja: ta wtyczka nie czyni agenta inteligentniejszym. Ona usprawnia jego routing. To po prostu inteligentny system sterowania: agent nie musi wszystkiego przemyślać od zera, bo dostał dokładne procedury zapisane w nowej umiejętności. Wie, którego narzędzia użyć dla której platformy. Potrafi odpalić diagnostykę na żywo i udowodnić, co działa. A gdy standardowe narzędzia sieciowe zawodzą, ma lepsze ścieżki zapasowe — co bywa bezcenne.
W praktyce zmienia to sposób formułowania poleceń. Zamiast „streść to repozytorium” mówisz: „zrób zwiad w tym repo i oceń, czy warto o nim nagrać film”. Reszta dzieje się sama.
(Informacja dodatkowa: autor w tym miejscu odsyła do swojego pełnego kursu Claude Code — obejmuje konfigurację, stronę, kwestie zgodności oraz cały opisywany system operacyjny z warstwą głosową i wizualną.)
Test pierwszy: YouTube. Test drugi: GitHub
Czas potwierdzić, co jest aktywne. Pierwsza próba: YouTube. Proszę agenta, żeby wszedł na mój kanał, znalazł najnowszy długi film i — korzystając z nowej umiejętności — podał jego pierwsze zdanie. Wysyłam i czekam. Wynik? Nie tylko trafił we właściwe nagranie, ale zacytował dokładne zdanie. Od tej chwili mam dostęp do YouTube.
Druga próba: GitHub. Wklejam link — ironia losu, do tego samego repo, o którym mówimy — i proszę o podsumowanie, o czym projekt jest i czy wart jest rozmowy. Odpowiedź przychodzi kompletna. Zasada ogólna: daj swojemu agentowi oczy na internet — YouTube, GitHub, RSS, Reddit, X i tak dalej.
To nie jest magiczny scraper
Jeden ważny niuans, o którym łatwo zapomnieć: Agent Reach to nie cudowna maszyna do skrobania stron. To raczej system sterowania, instalacji i diagnostyki. Odpowiada na pytania: którego narzędzia użyć? która ścieżka zapasowa działa w tej chwili? co wymaga autoryzacji? co się zepsuło?
A jak działa dostęp do LinkedIn, Reddita i X? Na ciasteczkach. Logujesz się do tych serwisów na swoim komputerze, a projekt wykorzystuje tę sesję. Dopóki nic się nie zmieni w tle — działa. Ale wystarczy drobna zmiana po stronie serwisu i wszystko może się wysypać. Ja osobiście nie lubię tej drogi i sięgam po inne rozwiązania, moim zdaniem znacznie pewniejsze.
Grok zamiast ciasteczek — pełen wgląd w X
Na przykład tak: do agenta bardzo łatwo podłączyć Groka — zrobisz to także z terminala. A Grok przeszukuje całość Twittera. Mogę więc poprosić: „użyj Groka i znajdź pięć ciekawych, trendujących wydarzeń wokół Claude Code z ostatniego tygodnia — interesują mnie te z dobrym tempem wyświetleń i zaangażowania”. Konfigurację przeprowadzisz przez Claude albo przez samego Hermesa.
Jedno zastrzeżenie: samo repozytorium jest napisane po chińsku. Jeśli zajrzysz do diagnostyki, nic z niej nie wyczytasz bez znajomości języka. Ja cookies nie używam wcale — X obsługuję przez Telegram podpięty do Groka. Ale gdybyś jednak chciał Reddita i nie chciał oddawać klucza API, strategia z ciasteczkami zadziała.
Wynik testu jest ciekawy podwójnie. Hermes użył Groka jako narzędzia wyszukiwania, a potem — na własną rękę — skonfrontował wyniki własnym researchem i wyszukiwaniem na YouTube, żeby upewnić się, że wszystko się zgadza. Krzyżowa weryfikacja bez proszenia.
Poziom drugi: Clay, baza danych, która sama się wypełnia
I tu przechodzimy na wyższy poziom. Mamy już „maszynę badawczą w kieszeni”: gadamy z Hermes kiedy chcemy, a on przynosi wiedzę. Ale można pójść dalej — i teraz posłużę się narzędziem, z którego korzystają same OpenAI i Anthropic. Mowa o clay.com. Firmy z case studies? Canva, OpenAI, HubSpot. Kiedy napisałem do zespołu, że chcę o tym nagrać materiał, zgodzili się sponsoringować tę część — i za to dziękuję.
Pomyśl o Clay jak o tabeli, która wypełnia się sama. To platforma danych dla sprzedaży i marketingu: wzbogaca informacje o potencjalnych klientach z setek źródeł i ma własnych agentów. Włączymy ją do Claude i do Hermes, żeby agent zyskał naprawdę mocne możliwości.
Sygnały, konektor, autoryzacja
Zaczynamy od zalogowania przez Google. Na start funkcja „sygnałów” (signals): jeśli chcesz celować na przykład w dentystów albo lekarzy, po prostu filtrujesz po kategoriach. W samej platformie da się zrobić dużo, ale my użyjemy konektora, żeby pracować z Clay bezpośrednio w Hermes — i w Claude. Klikasz plus, wybierasz konektory, dodajesz Clay. Możliwości w agencie są dokładnie te same.
Połączenie Hermes z Clay przygotowałem tak, żeby było dziecinnie proste — link znajdziesz w opisie. Kopiujesz, wklejasz do Hermes, pojawia się okno autoryzacji; jeśli nie, to samo odpalisz z terminala. To dostęp przez MCP: wybierasz obszar roboczy i klikasz „autoryzuj”. Jeśli pierwszy obszar odmawia współpracy, wybierz drugi — zadziała bez problemu. Na koniec walidacja: proszę agenta o potwierdzenie, że widzi Clay, a uzyskany dostęp zapisuję jako umiejętność do ponownego użycia.
(Informacja dodatkowa: MCP, czyli Model Context Protocol, to otwarty standard łączenia modeli i agentów AI z zewnętrznymi danymi i narzędziami.)
Sześć kontaktów, sześć wiadomości, jeden raport
Czas na poważne zadanie. Proszę tak: „Na podstawie wszystkiego, co o mnie wiesz, znajdź po trzech ludzi z Anthropic i OpenAI, z którymi mógłbym nawiązać kontakt. Zbadaj ich wszystkim, co masz w Clay, i napisz dla każdej osoby osobiście dopasowaną wiadomość — jestem youtuberem, założycielem firmy i przedsiębiorcą, szukam współpracy z tymi organizacjami. Potem złóż przegląd w HTML: wiadomości, tło, research — możesz najpierw opublikować w czacie”.
Nie jest to proste zlecenie, ale przy takich danych jak z Clay — spokojnie do wykonania. Hermes kończy i dostaję dokument HTML „Six AI partnerships for Jack”: sześć osób, po trzy z każdej firmy, plus rada, że najlepiej ustawić się jako kreatywny założyciel. Dla każdego kontaktu: dlaczego akurat ta osoba, pomysł na współpracę i gotowa wiadomość.
Czego brakuje? Adresów — bo o nie nie prosiłem. Więc wracam do Hermes: „poproś Clay o maile”. Platforma znajduje cztery z sześciu, dwie w toku — system odpytuje na bieżąco — i po chwili mamy komplet. W materiale rozmywam adresy ze względu na prywatność, ale sedno zostaje: jedno pytanie i masz kontakt. Wszystko siedzi w jednym miejscu i można o to prowadzić żywe rozmowy.
Co tak naprawdę daje Clay
Na koniec chrupko: zweryfikowane adresy e-mail, research wspomagany AI, wyszukiwanie sygnałów, synchronizacja z CRM i indywidualny outreach. Odpytywanie kaskadowe rozciągnięte na ponad 150 dostawców danych, przy czym płacisz wyłącznie za trafienia — nietrafione wyszukiwanie nic nie kosztuje. Znajdziesz decydentów i całe komitety zakupowe, skorzystasz z agenta badawczego Clay, a personalizowane sekwencje wiadomości zbudujesz w tym samym miejscu.
Puenta: badania potrzebują systemu operacyjnego
Sedno całej konstrukcji: budujemy agenta inteligencji badawczej tak, żeby — z którąkolwiek platformą rozmawialiśmy, Claude czy Hermes — dostawać właściwe informacje tak szybko, jak to możliwe. Oszczędność czasu, mniej porażek i niższe koszty, bo system po prostu nie wali się w trakcie pracy.
Ale taka maszyna bez porządnego systemu operacyjnego pod spodem nie zajedzie tam, gdzie chcemy. Następnym krokiem jest więc zbudowanie tego systemu — i tym autor zapowiada się zająć w kolejnym materiale.
(Informacja dodatkowa: nagranie urywa się w pół zdania — to zapowiedź następnego odcinka serii.)