O czym jest ten film
- Sposób sensownego używania Claude Code zmienił się w pół roku — nie dlatego, że modele zrobiły się mądrzejsze, tylko dlatego, że zmieniły się praktyki i narzędzia wokół nich.
- Fabryczna pamięć to wciąż głównie ręcznie prowadzony plik CLAUDE.md; działające w tle memory.md po miesiącach pracy zawiera kilka notatek i jest praktycznie bezużyteczne.
- Autor rozkłada pamięć na trzy funkcje: przechowywanie, dostarczanie kontekstu do rozmowy i długoterminowe przywoływanie — fabrycznie żadna nie jest domknięta.
- Społeczność open source zamyka te luki wtyczkami instalowanymi w dwie komendy (Mem Search, G Brain, Hermes).
- Polecenie /effort pozwala sterować, ile tokenów Claude przeznacza na myślenie przed działaniem; domyślnie działa tryb automatyczny, ale warto samodzielnie podnosić poziom przy złożonych zadaniach.
- Ultra code buduje dynamiczny przepływ pracy pod konkretne zadanie: sam planuje, zrzesza agentów, każdemu daje czysty kontekst i jedno zadanie, a wyniki są wzajemnie weryfikowane.
- W pokazanym przykładzie ultra code buduje w kilka minut skille, które codziennie przeszukują skrzynkę po newslettery AI i generują pomysły na treści.
- Największa zmiana to odejście od ręcznego uruchamiania każdego zadania: /goal ustawia weryfikowane warunki ukończenia, a /routines i /loop uruchamiają pracę cyklicznie.
- Autonomia opłaca się przy zadaniach powtarzalnych z jasną, sprawdzalną metą — nie przy wszystkim; człowiek zostaje na punktach decyzyjnych.
- Warstwę kontekstu — głos marki, odbiorcy, podjęte decyzje — nadal musi dostarczyć człowiek; bez niej reszta pracuje na pustych danych.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Fabryczna pamięć Claude Code jest praktycznie pusta
Na czym polega: Po instalacji opiera się głównie na pliku CLAUDE.md, który prowadzisz ręcznie. Zaplecze w postaci memory.md zapisuje znikome ilości informacji, a pełne transkrypty rozmów nie są przechowywane. Skutki są dwa: to ty za każdym razem wklejasz głos marki, dane o klientach i stare decyzje, a wyszukiwanie działa tylko wtedy, gdy pamiętasz dokładne sformułowania sprzed miesięcy.
Jak stosować: Potraktuj CLAUDE.md jako krótki zestaw bieżących ustaleń projektu, a pamięć długoterminową zbuduj na zewnętrznym systemie (punkty 3–4).
Na co uważać: Nie zakładaj, że skoro memory.md istnieje, to coś się tam samo zbiera — otwórz ten plik po kilku tygodniach pracy i zobacz, co realnie zostało zapisane.
2.Myśl o pamięci jako o trzech osobnych funkcjach
Na czym polega: Pamięć to trzy różne zadania: gdzie i co zapisujemy, co najważniejszego trafia do bieżącej rozmowy oraz jak odzyskać resztę po miesiącach. Fabrycznie żadna z tych funkcji nie działa porządnie, więc oceniaj każdy system właśnie przez ten pryzmat.
Jak stosować: Przy wyborze wtyczki zadaj trzy pytania: czy zapisuje transkrypty sama, czy podaje właściwy kontekst w trakcie rozmowy i czy pozwala znaleźć stare ustalenia bez znajomości dokładnych słów.
Na co uważać: System, który tylko archiwizuje, a nie umie przywołać, rozwiązuje połowę problemu — i to tę łatwiejszą.
3.Wtyczkę pamięci instalujesz w dwie komendy
Na czym polega: Mem Search montuje się dwoma poleceniami (dodanie źródła wtyczek i instalacja), po restarcie Claude Code dostajesz potwierdzenie, że pamięć działa. Narzędzia te budują na istniejących mechanizmach Claude, więc przyszłe aktualizacje od Anthropic nie powinny wywrócić całego układu.
Jak stosować: Pracujesz solo nad długofalowymi projektami — zacznij od Mem Search; przy większym zespole spójrz na G Brain. Do jednorazowych zadań taka pamięć jest zbędna.
Na co uważać: To rozwiązania trzeciej strony — przed wdrożeniem w projekcie komercyjnym sprawdź, gdzie lądują Twoje dane i czy nie kolidują z polityką firmy.
4.Przywoływanie ma działać po znaczeniu, nie po hasłach
Na czym polega: Dobry system zapisuje informacje tak, że można je wyszukać sensownym pytaniem: „Co ustaliliśmy w sprawie cen dla klientów agencji?” — i dostajesz odpowiedź, choć nie pamiętasz, jak nazywałeś temat pół roku temu.
Jak stosować: Po instalacji zrób test kontrolny: zadaj pytanie o decyzję sprzed kilku tygodni i zobacz, czy wraca. Jeśli nie — system szuka po słowach kluczowych i niewiele daje.
Na co uważać: Bez wyszukiwania semantycznego każde sięganie do historii oznacza ręczne przekopywanie sesji: gęste, powolne i drogie w tokeny.
5.Przy złożonych zadaniach sam podnoś poziom rozumowania
Na czym polega: Polecenie /effort ustawia, jak mocno Claude ma przemyśleć zadanie przed działaniem — od niskiego poziomu aż po tryb ultra code; domyślnie działa tryb automatyczny. Model nieźle rozpoznaje zadania proste i średnie, ale gorzej wyczuwa, kiedy naprawdę potrzeba najwyższych biegów.
Jak stosować: Przy trudnym planowaniu i wieloetapowych zadaniach przestaw poziom wyżej i powiedz wprost, że zadanie jest złożone; przy szybkich poprawkach zostaw automat.
Na co uważać: Wysoki poziom zużywa znacznie więcej tokenów — nie włączaj go do drobnych zleceń.
6.Ultra code: deleguj planowanie i podział pracy agentom
Na czym polega: Ultra code to ekstremalny poziom rozumowania: Claude sam pisze plan, tworzy dedykowany przepływ pracy, zrzesza zespół agentów, każdemu daje czysty, wąski kontekst i jedno zadanie, a potem agenci wzajemnie sprawdzają swoją pracę. W dokumentacji Anthropic jest sześć typowych wzorców takich przepływów — bez ciebie w roli architekta.
Jak stosować: Sięgaj po ten tryb przy zadaniach, w których zwykle sam musiałbyś wymyślać podział pracy (np. budowa zestawu nowych skilli). Zatwierdzaj plan na punktach decyzyjnych, wykonanie zostaw agentom.
Na co uważać: Nie znaczy to pełnego zdjęcia człowieka z pętli — przegląd planu przed ruszeniem wykonania nadal ma sens, bo poprawki po fakcie kosztują więcej.
7.Autonomizuj tylko to, co powtarzalne i mierzalne
Na czym polega: Z dala od biurka można odejść przy pracy z jasną, dającą się opisać metą: segregowanie skrzynki, pierwsze wersje postów, research, codzienne podsumowania, kontrole monitoringu. Największym nieporozumieniem jest przekonanie, że wszystko powinno działać całkowicie bez człowieka — według autora nie jesteśmy na tym etapie.
Jak stosować: Pozwól maszynie robić żmudną część, w której jesteśmy niekonsekwentni, a sobie zostaw punkty kontroli jakości i decyzje — np. przegląd posta przed publikacją, podczas gdy research toczy się sam.
Na co uważać: Nie deleguj zadań wymagających osądu, wyboru kierunku ani gustu — automatyzacja nie zastąpi tych decyzji, a jedynie je ukryje.
8./goal: pisz warunki ukończenia, które da się sprawdzić
Na czym polega: Ustawiasz metę, np. „każdy długi wpis przekształcony w trzy formy contentu”. Po każdej turze szybki model (Haiku) weryfikuje, czy warunki spełniono, i Claude Code leci dalej sam — aż osiągnie cel, naprawdę utknie albo zajdą warunki wyjścia.
Jak stosować: Formułuj kryteria konkretnie i mierzalnie: „wszystkie maile sprawdzone; lista pomysłów — lub pusta lista, jeśli nic się nie nadawało; nie zmyślaj”. Im precyzyjniejsza meta, tym mniej błądzenia.
Na co uważać: Mglisty cel wydłuża pracę i podbija zużycie tokenów; zadbaj też o warunek wyjścia, żeby pętla nie kręciła się w nieskończoność.
9.Łącz /goal z /routines albo /loop
Na czym polega: /routines (schedule) tworzy, aktualizuje i uruchamia zaplanowane agenty chmurowe; /loop to prostsza wersja — lokalne pętle krótsze niż trzy dni, z ustawionym interwałem i poleceniem. W duecie z /goal zadanie cykliczne dochodzi do końca, zamiast zatrzymywać się w połowie i czekać na człowieka.
Jak stosować: Najpierw dopracuj zadanie jednorazowo z /goal, potem zapętl je przez rutynę albo lokalne zadanie cron — tak budujesz codzienną infrastrukturę, której nie musisz dotykać.
Na co uważać: /loop ma limit czasowy (do trzech dni) — dłuższe cykle wymagają rutyn na agentach chmurowych, co wiąże się z osobnymi uprawnieniami i kosztami.
10.Kontekst to wciąż Twoja rola
Na czym polega: Głos marki, informacja o tym, komu służysz, podjęte decyzje — żadnej z tych rzeczy system nie wymyśli za Ciebie. To warstwa, na której autor i jego zespół kładą największy nacisk w swoim „agentowym systemie operacyjnym”.
Jak stosować: Zanim uruchomisz pamięć, wysokie poziomy rozumowania i autonomię, uporządkuj pliki kontekstowe. Bez nich cała automatyzacja pracuje na pustych albo nieaktualnych danych.
Na co uważać: Im sprawniejsza automatyzacja, tym droższy błąd w nieaktualnym kontekście — np. po zmianie pozycjonowania marki cykliczne skille będą jeszcze długo działać po staremu.
Redakcyjne tłumaczenie
Pół roku zmienia wszystko
Sześć miesięcy temu doradzałbym Ci używać Claude Code zupełnie inaczej niż dzisiaj. I nie dlatego, że modele nieustannie robią się mądrzejsze — dlatego, że po cichu zmienił się sposób, w jaki ludzie wyciągają z tego narzędzia najlepsze rezultaty. Jeśli więc trzymasz się poradników z początku roku, spora szansa, że pracujesz najtrudniejszą z możliwych dróg i nawet o tym nie wiesz. Chcę Cię przeprowadzić przez trzy największe zmiany, które odwróciły moją codzienną pracę z Claude Code — tak, żebyś na końcu spędzał mniej czasu na pilnowaniu Claude, a więcej na sensownej pracy.
Fabryczna pamięć wciąż jest słaba
Po instalacji pamięć Claude Code jest po prostu przeciętna. W gruncie rzeczy opiera się na jednym pliku CLAUDE.md, który piszesz i aktualizujesz ręcznie — i to się od dawna nie zmieniło. (Informacja dodatkowa: CLAUDE.md to plik z ustaleniami projektu — styl, zasady, kontekst — który Claude Code wczytuje przy każdym starcie.) Zmieniło się natomiast to, co da się wokół niego zbudować dzięki frameworkom i wtyczkom społeczności open source.
Pamięć warto rozbić na trzy funkcje. Pierwsza to przechowywanie: gdzie lądują informacje i kto decyduje, co w ogóle zostaje zapisane. Druga to krótkoterminowe dostarczanie kontekstu — podawanie modelowi tego, co aktualnie najważniejsze, na tyle często, żeby nie gubił wątku. Trzecia to długoterminowe przywoływanie: jak odzyskać wszystko, co nie trafiło do bieżącej rozmowy, i to zwykłą rozmową, bez przekopywania archiwów. Jest przy tym jeden zasadniczy szczegół: po ośmiu miesiącach pracy prawie na pewno nie pamiętasz dokładnych słów, jakimi mówiłeś wtedy do Claude. I właśnie na tym wywala się cała konstrukcja.
Bo gdy zestawisz te trzy funkcje z tym, co Claude Code daje od razu po instalacji, okaże się, że realizuje praktycznie żadną z nich. Nie zapisuje pełnych transkryptów rozmów, a jeśli już coś zostawi, to w trakcie jednej sesji transkrypt jest kompresowany. Do pamięci trafia wyłącznie CLAUDE.md. Co prawda istnieje plik memory.md, który niby zbiera informacje w tle i pełni rolę indeksu — ale jeśli kiedykolwiek go otworzysz, zobaczysz, że nie zapisuje praktycznie niczego. Po miesiącach u mnie mieści w sobie góra kilka notatek, co czyni go całkowicie bezużytecznym.
Skoro na starcie nie zapisuje się to, co trzeba, nietrudno się domyślić, jak wygląda przywoływanie: opiera się na przekopywaniu pełnej historii sesji i wyszukiwaniu po słowach kluczowych. Gęste, kosztowne w tokeny i — z całej trójki — najgorszy element fabrycznego Claude Code.
To ma dwie konsekwencje dla nas, użytkowników. Po pierwsze, cała pamięć wisi na Tobie. To Ty po raz setny wklejasz głos marki, szczegóły o klientach i decyzje sprzed trzech miesięcy, bo Claude nic z tego u siebie nie trzyma. Po drugie, przywoływanie jest kruche: jeśli nie pamiętasz dokładnych sformułowań z sesji sprzed kilku miesięcy, ta informacja w praktyce przepada. Nasuwa się wtedy pytanie: po co w ogóle pamięć, skoro niczego nie umie przywołać?
Czym jest dobra pamięć
Dobra wiadomość: społeczność open source już wymyśliła, jak domknąć większość tych braków, a konfiguracja jest o niebo prostsza, niż brzmi. Porządny system pamięci obsługuje każdą z trzech funkcji po kolei. W przechowywaniu — zamiast jednego ręcznie prowadzonego pliku — zapisuje faktyczne transkrypty w trakcie pracy i samodzielnie wybiera w tle, co warto zachować. W dostarczaniu kontekstu podciąga do rozmowy to, co istotne na bieżąco, więc model operuje na tym, co ważne teraz, a nie na statycznym pliku, o którego aktualizacji ciągle zapominasz — znam to uczucie. A w przywoływaniu zapisuje informacje ze względu na ich znaczenie, nie tylko na hasła. Możesz więc zapytać: „Co ustaliliśmy przed miesiącami w sprawie cen dla klientów agencji?” — i pół roku później, po ludzku, dostać odpowiedź, choćbyś nie pamiętał, jak wtedy nazwałeś temat. Wyszukiwanie działa po podobieństwie wątków i sensu.
A teraz rzecz, która zaskakuje większość osób: sporo z tego montujesz dziś jako wtyczkę albo mały framework na Claude Code. Nie musisz stawiać bazy danych od zera — bierzesz gotowe rozwiązanie społeczności, kierujesz je na swój projekt i reszta dzieje się sama. W wielu wypadkach instalacja to jedna lub dwie komendy. Przykład: Mem Search instaluje się dosłownie dwiema liniami — dodajesz repozytorium wtyczek, instalujesz, restartujesz Claude Code i dostajesz potwierdzenie, że pamięć jest zapisywana i działa. Dwie komendy, a zyskujesz pełen komplet: przechowywanie, dostarczanie kontekstu i przywoływanie. Co istotne, te narzędzia budują na istniejących mechanizmach pamięci Claude, więc przyszłe poprawki od Anthropic nie powinny niczego wywrócić — instalacja zabezpiecza się na przyszłość. Do wielu użytkowników albo większych zespołów warto z kolei spojrzeć na G Brain.
Kiedy to w ogóle potrzebne? Przy długofalowej pracy z Claude Code, w zespole albo przy projektach rozwijanych miesiącami. Przy jednorazowych zadaniach — naprawdę nie potrzebujesz tego wcale.
W naszym własnym „systemie operacyjnym” dla agentów łączymy najlepsze elementy z Mem Search, Hermes i G Brain: przywoływanie wielopoziomowe z G Brain — z trzema głębokościami wyszukiwania — lepsze podawanie plików zaadaptowane z Hermes oraz obsługę wielu użytkowników. Ale dla Twojego zrozumienia liczy się jedno: porządna pamięć zapisuje właściwe rzeczy, trzyma to, co aktualne, w miejscu gotowym do szybkiego podania — a później pozwala wszystko znaleźć, po prostu opisując, czego szukasz. Wszystkie wymienione frameworki — Mem Search, G Brain Garry’ego Tana, Hermes — są dostępne online, za darmo, jako open source.
Planowanie: od jednej długiej sesji do sterowania wysiłkiem modelu
Pamięć nie jest jedynym czynnikiem jakości wyników. Drugim jest poziom planowania — czyli ile wysiłku modelu dopuszczasz przy danym projekcie albo zadaniu.
Stara metoda sprowadzała się do dwojakiego wyjścia: albo jedna długa sesja wykonawcza, albo przełączenie w tryb planowania. Kto pracuje z Claude Code dłużej, szybko zauważa, że największym ograniczeniem jest zarządzanie kontekstem. Chodzi o to, gdzie zapisujemy plan i jak później — we właściwym momencie — podajemy plan albo jego właściwe fragmenty. Jeśli się zastanowić, problem jest bliźniaczo podobny do pamięci: znów zapisujemy właściwe informacje po to, by móc je przywołać, kiedy będą potrzebne.
Społeczność — ja w tym gronie — zaczęła to rozwiązywać architekturą struktury plików pod konkretne rodzaje kontekstu: głos marki, pozycjonowanie, bieżące projekty. Potem doszły dashboardy do wizualizacji tych plików, a całość zaczęto nazywać systemami operacyjnymi — konkretnie agentowymi systemami operacyjnymi (Agentic OS).
Anthropic podeszło do tego samego problemu z nieco innej strony, ale chodziło o to samo: przy bardziej złożonych zadaniach potrzebne jest po prostu lepsze przemyślenie sprawy na starcie. Trzeba przeznaczyć więcej tokenów na samo rozumowanie. I tak dostaлиśmy pokrętło: /effort, czyli ustawienie, jak mocno Claude ma myśleć, zanim zacznie działać. Skala biegnie od niskiego poziomu aż po maksimum i tryb ultra code, a domyślnie działa tryb automatyczny. Przy trudnym planowaniu i złożonych zadaniach podnosisz, przy szybkich drobiazgach zostawiasz nisko. Uwaga praktyczna: model z automatu nieźle rozpoznaje zadania proste i średnie, ale gorzej wyczuwa, kiedy naprawdę potrzeba najwyższych biegów — tę informację musisz podać Ty.
Czym więc jest ultra code? W istocie: budowaniem dynamicznego przepływu pracy pod konkretne polecenie. To ekstremalny poziom rozumowania. Bo nawet z bardzo dobrym planem Claude domyślnie brał się za realizację w jednej sesji, jednym agentem — tym, którego widzisz na ekranie. Gdybyś chciał zespołu agentów, musiałeś o niego wprosić. Wciąż więc prowadził człowiek, a przecież nie każdy problem da się załatwić jedną receptą dla wszystkich. To właśnie ma zmieniać ultra code.
Uruchamiasz go, wpisujesz polecenie — i to jest zadanie, które mu zlecasz. Claude sam pisze plan, w tym dedykowany przepływ pracy. Potem zbiera niewielki zespół agentów: każdemu daje czystą kartę, czyli bardzo wąski i konkretny kontekst, oraz jedno zadanie. Następnie agenci wzajemnie sprawdzają swoją pracę — może być ich kilku, skontrolują się nawzajem — a po przejściu wszystkich etapów dostajesz gotowy wynik. W dokumentacji Anthropic jest sześć typowych wzorców takich przepływów i z nich da się ułożyć podejście szyte na miarę Twojego problemu, bez Ciebie w roli architekta. Element ludzkiego planowania i projektowania przepływu znika całkowicie.
Demonstracja: skille przeglądające skrzynkę
Pokażę to na przykładzie. Cel: zestaw skilli, które codziennie rano przeglądają moją skrzynkę w poszukiwaniu newsów o AI. Wynik końcowy to skille — jeden albo kilka — które regularnie zbierają newslettery AI, syntetyzują je i produkują listę pomysłów na treści do mediów społecznościowych. Zdejmuje to z nas żmudny, ręczny research koncepcji. (Informacja dodatkowa: skille to w ekosystemie Claude Code wielokrotnego użytku zestawy instrukcji i procedur, które model uruchamia jak narzędzia, gdy pojawi się pasujące zadanie.)
Polecenie, które wpisuję, brzmi mniej więcej tak: „Zbuduj mi zestaw skilli, które co rano przeglądają moją skrzynkę w poszukiwaniu newsletterów o AI. Wyłuskują to, co naprawdę warto, żeby mój odbiorca wiedział — kontekst odbiorcy bierzesz z folderu mojej marki. Rozbij to na wielokrotnego użytku skille, według moich konwencji budowy skilli”. Ta ostatnia część jest kluczowa dla spójności: stworzyliśmy kiedyś meta-skill, swoisty „kreator skilli”, i chcę, żeby wszystkie nowe skille się do niego stosowały. Z polecenia świadomie wypadło pisanie postów — tym zajmują się u nas inne skille.
To dość złożone zadanie: trzeba zrozumieć, jak przeszukiwać skrzynkę po newslettery, jak syntetyzować wiedzę i jak przełożyć ją na skille trzymające się standardów kreatora. Wysyłam do wykonania i patrzymy, jak ultra code rozbija zadanie na etapy i dobiera zespół, który uważa za potrzebny. Ty zostajesz przy punktach decyzyjnych, a wykonanie toczy się bez Ciebie.
Claude najpierw wchodzi w konwencje budowy skilli, potem czyta kluczowe skille-referencje i sprawdza, co jest dostępne. Widać, że pobrał konwencje, zrozumiał mojego odbiorcę z profilu idealnego klienta (ICP) i sprawdził, jak podpiąć się do Gmaila przez MCP — czyli po prostu wykorzystuje istniejące zasoby. (Informacja dodatkowa: MCP, Model Context Protocol, to standard łączenia modeli z zewnętrznymi narzędziami i danymi — tutaj z pocztą Gmail.) Plan, który przedkłada: dwa wielokrotnego użytku skille i jedno zadanie cykliczne (cron). Od zadania cyklicznego rezygnujemy, bo to temat dalszej części. Do powstania: skill narzędziowy do Gmaila, zbierający pocztę, oraz tworzony od zera „strategiczny digest newsletterów” — mózg odpowiedzialny za selekcję. Ten drugi ma pobierać newslettery AI przez narzędzie pocztowe, rozbijać je na pojedyncze historie, oceniać każdą względem mojej grupy docelowej, porządkować ranking i pisać poranny przegląd — codziennie. Claude pyta jeszcze: „Jak dostarczać poranny digest?”. Odpowiadam: zapisać do pliku; cykliczność podepniemy później ręcznie; zbudować tylko dwa skille.
Po zatwierdzeniu powstaje plan, który można podejrzeć. Przez polecenie /workflows widać, jakie dynamiczne przepływy wpływają do sesji — na razie workflow jeszcze się nie uruchomił, mają powstać dwa skille. Daję znak do budowy. Claude, ponieważ wybrałem ultra code, prowadzi to jako przepływ: zaprojektuje reguły oceniania, zbuduje oba skille równolegle, zarejestruje je i przeprowadzi „przegląd przeciwnika” — weryfikację wykonanej pracy pod kątem zgodności z konwencjami. W podglądzie workflow widać etapy. Najpierw etap projektowy: jeden agent tworzy zestaw kryteriów oceny — do jego rozmowy można wejść i obejrzeć dokładną aktywność. Przy trudniejszych zadaniach może wystartować więcej agentów naraz. Po fazie projektowej puszczają się dwa agenty budujące: jeden wznosi skill narzędziowy do Gmaila, drugi skill digesta newsletterów. Potem następuje integracja i do mojego przeglądu trafia materiał. Złożone zadanie, zlecone jednym poleceniem, rozpada się na wielu agentów.
Podsumowując ten wątek: ustawiasz poziom rozumowania, czyli liczbę tokenów na przemyślenie problemu, a przy dużych zadaniach możesz pozwolić Claude zebrać własny zespół. Zarządzanie kontekstem — głos marki, informacja o tym, komu służysz — wciąż jest kluczowe, ale to daje rozbicie wykonania na pojedyncze etapy. Kontekst markowy plus głębokie rozumowanie to bardzo mocne połączenie — te dwie dźwignie warto nakładać na siebie.
Przestań naciskać „start”
Wszystko do tej pory dotyczyło wykonania pojedynczego zadania jak najlepiej: dobrego kontekstu, planu, który przeżywa sesję, zespołu budującego się samego. Ale to wciąż zakłada, że siedzisz, uruchamiasz zadanie i czekasz na koniec. Prawdziwa zmiana zaczyna się w chwili, gdy przestajesz być człowiekiem, który za każdym razem naciska „start”. Skoro mamy kontekst i szyte na miarę przepływy, Claude może pracować sam i wracać do Ciebie tylko w punktach, które naprawdę wymagają człowieka.
Pytanie nie brzmi „czy potrafi działać samodzielnie”, tylko: „od jakich zadań mogę odejść i ufać, że Claude Code je wykona”. Szczerze mówiąc: to określony typ pracy. Możesz odejść od tego, co powtarzalne i ma wyraźną metę, którą da się opisać — segregowanie skrzynki, pierwsze wersje postów, research tego typu, codzienne podsumowania, kontrole monitoringu. Wiele rzeczy da się zdefiniować jako cel.
Największym nieporozumieniem, jakie widzę, jest przekonanie, że wszystko da się — albo powinno — uruchamiać w pełni autonomicznie, bez jakichkolwiek punktów kontrolnych z udziałem człowieka. Nie jesteśmy, moim zdaniem, na tym etapie. Wciąż powinniśmy być przy ważnych decyzjach i dokładać własny osąd. Chodzi o to, żeby AI robiło żmudną pracę, w której jesteśmy słabi albo — częściej — niekonsekwentni, a na punktach kontrolnych, czyli punktach jakości, dokładać własną wartość. Sztuczka nie polega na pełnej autonomii, tylko na tym, żeby część powtarzalna biegła sama, a Ty został przy punktach decyzyjnych.
/goal i /routines — dwie dźwignie autonomii
Wewnątrz Claude Code sprawnie działają na tym polu dwa mechanizmy, najmocniejsze w duecie. Pierwszy to /goal: ustawiasz warunek zakończenia, metę, którą da się sprawdzić — na przykład „każdy długi wpis został przekształcony w trzy formy contentu”. Po każdej turze, którą odrobi agent, mały i szybki model sprawdza, czy warunki spełniono. (Informacja dodatkowa: mowa o Haiku — najmniejszym i najszybszym modelu w ofercie Anthropic, firmy stojącej za Claude.) Jeśli nie — Claude Code leci dalej sam, zamiast zatrzymywać się i oddawać Ci stery. To po prostu znany z wzorców przepływów warunek pętli: system sam dojeżdża do celu i wraca do człowieka dopiero wtedy, gdy spełni kryteria, naprawdę utknie albo zajdą warunki wyjścia.
Drugi to /routines (albo schedule): tworzenie, aktualizowanie i uruchamianie zaplanowanych agentów chmurowych, działających na własną rękę. Prostszy kuzyn to /loop — pętle na Twoim lokalnym komputrze, krótsze niż trzy dni, z ustawionym interwałem i poleceniem. Dlaczego razem działają najlepiej? Bo możesz ustawić zadanie cykliczne i jednocześnie warunki ukończenia, dzięki czemu praca nie zatrzymuje się w połowie. /goal pozwala jej dobiec do końca.
Przykład dokończony: digest newsletterów w praktyce
Wracamy do przykładu z sekcji o planowaniu. Mamy już skill „digest newsletterów”, który każdego ranka przegląda Gmaila, rozbiera newslettery na pojedyncze historie i ocenia je względem mojego pozycjonowania i grupy docelowej, a potem zapisuje przejrzystą listę kątów tematycznych do wykorzystania w treściach. Skille powstały według moich konwencji, więc wiemy, na jakie słowa reagują, na jakie nie i co ostatecznie robią. Współpracują przy tym ze skill narzędziowym Gmail, który przez Google MCP zagląda do poczty.
Teraz uruchamiam /goal z poleceniem i warunkami: „Uruchom digest newsletterów na wszystkich mailach z ostatnich 72 godzin i zwróć pomysły na treści. Kryteria zakończenia: wszystkie maile sprawdzone; lista pomysłów — lub pusta, jeśli nie znalazł się żaden odpowiedni newsletter; nie zmyślaj. Dla trzech najlepszych pozycji rozszerz zadanie: napisz krótki post na LinkedIn i wątek moim głosem, korzystając ze skilli copywriterskich i content-repurposing”. Bierzemy więc kąt tematyczny i od razu dostajemy szkic publikacji.
Gdybym chciał uruchamiać to codziennie, ustawiłbym rutynę z tym celem wpisanym w polecenie. Zauważ: nawet przy dość mglistym zleceniu Claude rozkłada zadanie na części — „cel przyjęty, mam już przeskanowane 48 godzin, rozszerzam na 72” (robiliśmy wcześniej próbny przebieg), „potem ocenię, wygeneruję pomysły i szkice dla trójki najlepszych”. Model rozumie warunki ukończenia i będzie działał, dopóki ich nie spełni. Ale im konkretniejsze i mierzalne kryteria, tym łatwiej. A rutyny z takim celem budują infrastrukturę codziennego uruchamiania — czy to przez agenta chmurowego, czy przez lokalne zadania cron.
Wynik: spośród ostatnich 72 godzin tylko jedna pozycja realnie przekracza poprzeczkę. Kilka maili zostało przeczytanych i rozważonych, ale to była korespondencja marketingowa, nie wchodząca w kryteria. Jedyny prawdziwy element digesta zdobył 16 punktów na 22,5 możliwych w przygotowanych metrykach. Ponieważ obiecałem trzy pomysły, Claude wyprowadził dwa dodatkowe kąty z tego jednego maila. Przed pisaniem szkiców doczytał głos marki oraz dwa skille, po których ma pisać, po czym zabrał się za posty. Po chwili wraca komunikat: cel osiągnięty — wraz z powtórzeniem kryteriów: skrzynka sprawdzona, pomysły zwrócone, trzy najlepsze pozycje (jedna główna i dwie pochodne) przygotowane jako posty LinkedIn i wątki moim głosem. Poniżej widać gotowe teksty. Co ciekawe, Claude podpowiada jeszcze, żeby dopisać te adresy do pliku YAML z nadawcami newsletterów — następnym razem nie będzie trzeba przeszukiwać całej skrzynki, tylko celować w konkretnych nadawców, i zużyje mniej tokenów. A w pliku markdown czeka gotowy post, zaczynający się od zdania: „ChatGPT nie szuka w internecie dokładnie tego, co wpisałeś. Najpierw przepisuje Twoje pytanie…” — i dalej rozwijający tę myśl.
To oczywiście prosty przykład, ale oddaje smak łączenia /goal z rutynami czy pętlami: uruchamiasz w cyklu zadania i przepływy, których nie musisz dotykać każdego dnia. A cała ta infrastruktura — oba skille i konwencje — powstała w zaledwie kilka minut dzięki meta-kreatorowi skilli: jeden skill to digest newsletterów zbudowany przez ultra code, drugi to narzędzie podpięte do Gmail MCP.
Co z tego wynika
Podsumujmy. Dodałeś sposób na przywoływanie informacji, które zasilają Twoje projekty — to była pamięć. Ustawiasz głębię rozumowania pod konkretne zadanie, a przy złożonych problemach sięgasz po ultra code. Wreszcie prace powtarzalne Claude odpala według rytmu i wciąga Cię tylko w punkty wymagające człowieka — na przykład przegląd posta przed publikacją, podczas gdy research toczy się całkowicie samodzielnie.
Ale ostatecznie to na Tobie wciąż spoczywa dostarczenie kontekstu, który czyni to wszystko dobrym: głos marki, ludzie, którym służysz, decyzje już podjęte. To warstwa zarządzania kontekstem, na której w naszym Agentic OS kładziemy największy nacisk — szczegóły znajdziesz w społeczności. A gdy ta warstwa działa, właśnie trzy opisane elementy pozwalają Ci realnie odejść od biurka. W następnym materiale rozłożę na czynniki pierwszy nasz system pamięci i wyjaśnię, dlaczego wybraliśmy właśnie te funkcje z Hermes, Mem Search i G Brain. Do zobaczenia.