O czym jest ten film
- Główna teza: problem z AI nie polega na tym, że robimy za mało — robimy za dużo: tutoriali, konfiguracji i nowych narzędzi, które niczym się nie spinają.
- Autor proponuje „minimalizm AI”: jeden folder na dysku zamiast systemu z tysiącami plików i ładnymi pulpitami, którego utrzymanie zjada czas potrzebny na zarabianie.
- System opiera się na czterech filarach — czterech „M”: Memory (pamięć), Methods (metody), Means (narzędzia i połączenia), Map (mapa). Brak któregokolwiek rozpada się całość.
- Pamięć to cztery pliki kontekstowe: about.md, customer.md, offer.md i voice.md — wiedza o tobie, klientach i ofercie wyniesiona poza rozmowy z chatbotem.
- Trik na start: eksportujesz całą historię rozmów z ChatGPT lub Claude i każesz AI napisać te pliki za ciebie; potem obowiązkowo czytasz i poprawiasz.
- Metody to tzw. skille — zapisane procedury, które agent zdejmuje z „półki” tylko wtedy, gdy są potrzebne; nowy skill tworzysz w chwili, gdy coś ci się właśnie udało.
- Prosta reguła rozdzielcza: powtarzalne zadanie trafia do skilla, zmienna informacja o firmie — do plików kontekstowych.
- Narzędzia to konektory oparte na MCP (Gmail, kalendarz, CRM, Perplexity); trzeba sprawdzać, czy dane połączenie daje tylko odczyt, czy także pisanie.
- Mapa to plik agents.md w głównym katalogu folderu — mówi agentowi, gdzie co leży, kiedy czego użyć i gdzie zapisywać nowe pliki; jeden plik obsługuje różnych agentów.
- Całość pracuje jak system operacyjny: projekty w podfolderach, osobny czat na każde zadanie, notatka handoff.md przy przerywaniu pracy — a cały system przenosisz do nowego modelu bez przebudowy.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Najpierw wytnij, potem dokładaj
Na czym polega: Autor zbudował rozbudowany system (tysiące plików, eleganckie pulpity) i zauważył, że więcej czasu poświęca na pielęgnowanie konfiguracji niż na pracę, która przynosi pieniądze. Wniosek: złożoność zawodzi, prostota rośnie.
Jak stosować: Zrób audyt swojego zestawu: czego realnie używasz? Odcinaj kolejne elementy, aż system zacznie wyraźnie cierpieć, a potem dodawaj je z powrotem dopiero wtedy, gdy pojawi się zadanie, które ich wymaga.
Na co uważać: Pokusa „jeszcze jednego narzędzia” po obejrzeniu tutoriala — to właśnie za każdym razem rozsadza system od nowa.
2.Diagnozuj brakujący filar, zamiast przebudowywać całość
Na czym polega: Użyteczny system to cztery współpracujące elementy: pamięć (co AI o tobie wie), metody (jak pracuje), narzędzia (do czego sięga) i mapa (gdzie co znajdzie). Gdy coś nie działa, zwykle brakuje jednego z nich.
Jak stosować: Gdy agent „głupieje”, przejdź checklistę: czy ma potrzebne dane (pamięć)? czy ma procedurę (skill)? czy ma dostęp do właściwego narzędzia? czy wie, gdzie szukać (mapa)? Napraw ten jeden element.
Na co uważać: Możesz mieć najlepszy model i sto skilli, ale bez pamięci i mapy dalej będziesz cały dzień tłumaczyć to samo i nic nie wskórać.
3.Wynieś kontekst poza czaty — do plików, które są twoje
Na czym polega: Wiedza o twojej firmie jest dziś rozproszona po setkach rozmów wewnątrz cudzego produktu. Pliki kontekstowe — zwykłe dokumenty na twoim dysku — zamieniają ją w twój majątek.
Jak stosować: Zacznij od czterech plików: about.md (kim jesteś i czym się zajmujesz), customer.md (komu pomagasz i jak sami nazywają swoje problemy), offer.md (co sprzedajesz, ceny, realne rezultaty) oraz voice.md (twój styl, ulubione zwroty, rzeczy, których nigdy byś nie napisał).
Na co uważać: Błąd w pliku kontekstowym psuje każdy przyszły wynik — dlatego trzeba je przeczytać przed pierwszym użyciem.
4.Nie pisz plików z pustej strony — wygeneruj je z historii rozmów
Na czym polega: ChatGPT (Ustawienia → Kontrola danych → Eksportuj) i Claude (Ustawienia → Prywatność → Eksportuj) pozwalają pobrać całą historię. AI może na jej podstawie napisać pliki kontekstowe za ciebie.
Jak stosować: Wgraj eksport do nowej rozmowy i każ przejrzeć wszystkie wcześniejsze: co tłumaczyłeś, co poprawiałeś, co ostatecznie zdecydowałeś. Niejasności ma wyłapywać i pytać. Dorzuć maile i transkrypcje rozmów — to najlepsze źródła naturalnego stylu.
Na co uważać: Profil stylu buduj wyłącznie z tekstów, które sam napisałeś i opublikowałeś. Jeśli AI wzoruje się na własnych szkicach, dostaniesz zły voice.md.
5.Pliki kontekstowe mają być żywe
Na czym polega: To nie dokumentacja archiwalna, tylko aktualna baza wiedzy: zmieniła się cena — aktualizacja offer.md; nowa obserwacja o klientach — dopisek do customer.md; poprawka stylu — korekta voice.md.
Jak stosować: Zapisz w mapie zasadę: agent czyta pliki na początku każdej nowej rozmowy i uzupełnia je w trakcie pracy. Wtedy kolejny czat startuje z aktualną wiedzą, bez tłumaczenia czegokolwiek od nowa.
Na co uważać: System opiera się na zasadzie „mniej objętości, wyższa jakość” — wrzucanie do plików wszystkiego o wszystkim rozmywa efekt.
6.Skill to procedura operacyjna — twórz go zaraz po sukcesie
Na czym polega: Model bez instrukcji sam wybiera sposób działania i stąd biorą się generyczne wyniki. Skill (folder z plikiem skill.md) narzuca konkretne kroki, daje przykłady i kryteria oceny wykonania.
Jak stosować: Gdy po kilku poprawkach AI zrobi dokładnie to, czego chciałeś, zostań w tej rozmowie i każ narzędziu Skill Creator zamienić tę sesję w skill do wielokrotnego użytku. Nowe skille lądują w folderze .agents, a reguła zapisu idzie do mapy.
Na co uważać: Nie twórz skilli „na zapas”, spekulacyjnie — tylko pod prace, które faktycznie się powtarzają.
7.Pytaj: zadanie się powtarza czy informacja się zmienia?
Na czym polega: To proste kryterium rozdzielające metody od pamięci. Powtarzalny proces (np. pisanie skryptu) to skill; zmienna wiedza o firmie, klientach i ofercie to pliki kontekstowe.
Jak stosować: W treści skilla zapisz, które pliki ma czytać po aktualne dane — np. skill pisarski sięga po voice.md, customer.md i offer.md. Zmiana oferty to wtedy jedna poprawka, a nie łatanie dziesięciu instrukcji.
Na co uważać: Nie dubluj danych. Cena wpisana na sztywno w skillu sprawi, że przy zmianie cennika będziesz szukać wszystkich miejsc do poprawienia.
8.Konektory MCP wprowadzają możliwości do rozmowy
Na czym polega: MCP (Model Context Protocol) to standard łączenia agenta z zewnętrznymi narzędziami. Dzięki niemu research w Perplexity czy szkic maila w Gmailu dzieje się w tej samej rozmowie, w której właśnie pracujesz.
Jak stosować: Wypisz aplikacje, z których dziś ręcznie kopiujesz dane, i podłącz konektory pod konkretne zadania. Listę aktywnych połączeń trzymaj w mapie.
Na co uważać: Przeczytanie maila i napisanie odpowiedzi to zupełnie różne uprawnienia — zawsze sprawdzaj, co dane połączenie faktycznie umożliwia.
9.Mapa (agents.md) — jedna instrukcja dla wszystkich agentów
Na czym polega: Folder przechowuje informacje, a mapa mówi AI, gdzie ich szukać i kiedy ich użyć. Zapisana jako agents.md w głównym katalogu działa zarówno w Claude Code, jak i w narzędziach OpenAI — agenci dzielą ten sam plik.
Jak stosować: Poproś AI: „Przeczytaj ten folder i stwórz agents.md, który wyjaśni, gdzie leżą konteksty, skille i projekty, kiedy ich używać i gdzie zapisywać nowe prace; pytaj mnie o wszystko, czego nie wyczytasz z plików”. Przy każdej zmianie systemu każ aktualizować mapę.
Na co uważać: Mapa ma zawierać wyłącznie zasady działania systemu, nie merytorykę. I trzeba sprawdzić, czy każdy agent naprawdę ją czyta.
10.Jeden folder jako źródło prawdy — plus notatka handoff.md
Na czym polega: Projekty zagnieździłeś w podfolderach (klienci → zlecenia), każde zadanie dostaje osobny czat, a wyniki wracają do folderu. Przerywasz w połowie? Krótki plik handoff.md z ustaleniami i zaległościami; przy kolejnym otwarciu AI czyta go automatycznie.
Jak stosować: Nie buduj struktury z góry — zakładaj folder pod aktualne zadanie, wrzucaj do niego istniejące notatki i każ dopisać go do mapy.
Na co uważać: Nie trzymaj wszystkiego w jednej niekończącej się rozmowie — kontekst puchnie i traci jakość. Przy zmianie modelu podpinasz tylko konta; system, pliki i praca zostają z tobą.
Redakcyjne tłumaczenie
Zajawka: marzenie o Jarvisie
— Jarvis, wstawać. — Uporządkowałem ci kalendarz. — Wystaw im fakturę na trzy i pół tysiąca. — Miesięcznie do 230 funtów. — Dzwonię do restauracji, sir. — Zrozumiałem, sir. — Kim są firmy warte miliard dolarów? — Czy mogę zostać Tony Starkiem?
(Informacja dodatkowa: zajawka to montaż popularnych w sieci filmów, w których twórcy budują asystenta głosowego à la Jarvis z serii o Iron Manie.)
Za dużo, nie za mało
Dlaczego AI nie może po prostu być łatwe? A jeśli powodem, dla którego nie widzisz wyników, nie jest to, że robisz za mało — tylko dokładnie odwrotnie? Robisz za dużo: oglądasz za dużo poradników, ustawiasz za dużo systemów, co tydzień nowy program. Masz całą kupę elementów, z których nic się nie składa w całość. A jednocześnie oglądasz kolesia, który zbudował sobie Jarvis… i zwraca się do niego „sir” z brytyjskim akcentem.
Dziś zamieniam tę obsesyjną listę rzeczy „do zrobienia z AI” w jeden prosty folder, który odmienił sposób, w jaki pracuję jako założyciel firmy. A najlepsze w tym systemie? Pozbędziemy się 95 procent rzeczy, które — jak ci się wydawało — musisz robić.
Jak wszyscy wpadamy w tę samą pułapkę
Gdy zaczynałem budować firmę wokół AI, wystartowałem od super skomplikowanej konfiguracji: tysiące plików, eleganckie pulpity, pełen zestaw. Wyglądało to świetnie, aż zobaczyłem, że więcej czasu poświęcam na pielęgnowanie tego systemu niż na pracę, która przynosi pieniądze. Gdybym mógł zerknąć na twój setup, obstawiam, że zobaczyłbym to samo: umiejętności, których nigdy nie użyłeś, porozrzucane projekty i godziny spędzone na tłumaczeniu tego samego w kółko. Potem wychodzi nowy model i całość stawiasz od nowa u innego dostawcy. A gdy szukasz pomocy, wracasz z kolejną rzeczą do zainstalowania.
Co z tym zrobić? Wyrzucić wszystko. Właśnie tak zrobiłem: ciąłem z systemu kolejne elementy, aż w końcu się posypał. Dopiero potem dodawałem je z powrotem — i to wyłącznie wtedy, gdy pojawiało się zadanie, które ich wymagało.
Złożoność zawodzi, prostota rośnie
Po przejściu tego wszystkiego wyniosłem jedną najważniejszą lekcję: złożone systemy padają, proste rosną. Cały środek spektrum zajęty jest dziś budowaniem jak najbardziej efektownego Jarvis… — ludzie mylą tam pokaz z rezultatami. A na samym skraju siedzi dwudziestoletni geniusz AI, który puszcza w ruch rój tysiąca agentów. Zła wiadomość: takich ludzi nigdy nie dogonisz. Dobra: nie musisz — bo droga do prostoty, która stoi przed tobą, to krok, w porównaniu z przepaścią dzielącą cię od tych geniuszy. Żeby tu dotrzeć, potrzebujesz czegoś znacznie prostszego: minimalizmu AI. U mnie to jeden folder. Pokażę ci, jak to działa.
Cztery filary minimalizmu AI
Na użyteczny system pracy z AI składają się cztery części. Nazywam je czterema „M” minimalizmu AI: Memory (pamięć), Methods (metody), Means (narzędzia i połączenia) i Map (mapa). To elementy konstrukcyjne — gdy jednego brakuje, system nie zadziała. Dlatego możesz mieć najlepszy model na rynku, sto umiejętności i folder pełen kontekstu, a i tak przegadać cały dzień z AI nic nie wskórawszy. Wszystkie cztery muszą współpracować. Pamięć to wszystko, co AI wie o tobie; metody to procesy, których się trzyma; narzędzia to twoje połączenia i programy; a mapa podpowiada, gdzie czego szukać i jak korzystać z folderu. Dzięki temu, gdy coś przestaje działać, rozpoznajesz, którego elementu brakuje, i naprawiasz właśnie go, zamiast stawiać cały system od zera.
Składnik 1: Pamięć (Memory)
Pierwszy składnik to pamięć. Najłatwiej pojąć, o co chodzi, wyobraziwszy sobie kogoś, kto pracuje z tobą od pięciu lat: zna twoją firmę, twoich klientów i wie, w jaki sposób lubisz załatwiać sprawy. Właśnie tę wiedzę z lat pracy przekażemy AI. Jeśli od jakiegoś czasu korzystasz z ChatGPT albo Claude, to pewnie już wszystko to przekazałeś — na pewno tłumaczyłeś, czym się zajmujesz, przerabiałeś oferty i w kółko poprawiałeś te same sformułowania, których nie znosisz. Cały ten kontekst leży teraz pogrzebany w tamtych rozmowach. Problem w tym, że jest rozsypany po dziesiątkach czatów wewnątrz cudzego produktu. Wyciągniemy go stamtąd i zamienimy w kilka plików, które należą do ciebie. Nazwałem je plikami kontekstowymi: to zwykłe dokumenty w markdown, które mówią AI, co musi o tobie wiedzieć. Na początek stworzymy cztery.
Pierwszy to about.md: kim jesteś, czym się zajmujesz i tło twojego biznesu. To podstawowe informacje, które inaczej musiałbyś powtarzać na początku każdej rozmowy. Drugi to customer.md: komu pomagasz, z czym się ci klienci zmagają i jakie pytania albo obiekcje powtarzają w kółko. Zapisz, jak sami nazywają swoje problemy — dzięki temu AI wie, dla kogo naprawdę pisze. Trzeci to offer.md: co sprzedajesz, co wchodzi w skład, ile to kosztuje i jakie rezultaty jesteś w stanie realnie zapewnić. Przygotowując ofertę czy landing page’a, agent ma wtedy pod ręką konkrety. Czwarty, voice.md, jest najważniejszy: pokazuje AI, jak pisać twoim stylem — zwroty, których używasz, rzeczy, których nigdy byś nie napisał, i przykłady twoich prawdziwych tekstów.
Nie pisz ich z pustej strony — AI zrobi to za ciebie
Dobra wiadomość: nie musisz siadać i klepać tych plików samodzielnie. Możesz wyeksportować całą historię rozmów i kazać AI zbudować je za ciebie. W ChatGPT wejdź w Ustawienia → Kontrola danych → Eksportuj dane. W Claude: Ustawienia → Prywatność → Eksportuj dane. Gdy archiwum będzie gotowe, wgraj je do nowej rozmowy i poproś, aby AI przejrzało każdą waszą dotychczasową konwersację i na jej podstawie stworzyło pliki kontekstowe. Powiedz, żeby zwracało uwagę na to, co tłumaczyłeś, co poprawiałeś i co ostatecznie zdecydowałeś. Jeśli czegoś brakuje albo dwie rozmowy się wykluczają, ma cię o to zapytać. Dopilnuj też, żeby uczyło się twojego głosu z rzeczy, które sam napisałeś i opublikowałeś — w przeciwnym razie będzie się wzorować na własnych szkicach i wyjdzie z tego zły profil stylu. Dorzuć maile i transkrypcje rozmów: to jedne z najlepszych źródeł, bo łapią, jak tłumaczysz rzeczy naturalnie.
A potem przeczytaj te pliki — to naprawdę ważne. Cały minimalistyczny system opiera się na zasadzie „mniej objętości, wyższa jakość”. Pliki musisz więc przejść oczami, bo każdy błąd w nich popsuje każdy kolejny wynik. Popraw, co AI mogło pokręcić, i zapisz pliki do folderu.
Żywe pliki zamiast pogrzebanego kontekstu
Od tej chwili są to twoje żywe pliki kontekstowe: leżą poza rozmowami, a mapa każe AI czytać je na początku każdego nowego czatu i uzupełniać w trakcie pracy. Zmieniła się cena? Agent aktualizuje offer.md. Dowiedziałeś się czegoś nowego o klientach? Trafia do pliku klienta. Poprawiłeś coś w jego stylu pisania? Zapisuje się to z powrotem do voice.md. I dzięki temu kolejna rozmowa startuje z aktualną wiedzą — bez tłumaczenia czegokolwiek od nowa.
Przerwa na zapowiedź: jeśli prowadzisz firmę i chcesz przenieść ten system na grunt biznesowy — zamienić go w konkretne wyniki przy sprawdzonych scenariuszach AI — właśnie tym zajmiemy się na najbliższym bootcampie Founder OS. Przekażę uczestnikom dokładnie swój setup i scenariusze, którymi prowadzę swoją firmę, a potem pokażę, jak dostosować je do własnych. Lista zainteresowanych w opisie.
Składnik 2: Metody (Methods) — skille
Drugi składnik to metody: procesy, których AI trzyma się podczas pracy. Przekazujemy je w postaci skilli, czyli zapisanych umiejętności. (Informacja dodatkowa: „skill” to funkcjonująca w ekosystemach Claude i ChatGPT nazwa procedury operacyjnej dla agenta — folderu z instrukcją, przykładami i kryteriami oceny wykonania.) Modele są niewiarygodnie sprytne, ale jeśli nie dasz im procesu, wybiorą go za ciebie — i tak powstają wyniki tak ogólne, że nadają się do niczego. W najprostszej postaci skill to folder z plikiem skill.md, w którym siedzą instrukcje. Obok możesz trzymać przykłady, szablony czy skrypty — wszystko to, co w danej pracy ma wyglądać tak samo przy każdym podejściu.
Regał z książkami
Skille działają jak regał z książkami. Agent widzi nazwę każdej pozycji i krótki opis, kiedy po nią sięgnąć. Gdy zlecasz zadanie, zdejmuje właściwy „tomik” z półki, czyta instrukcję i sięga po przykłady dopiero wtedy, gdy ich potrzebuje. Biblioteka skilli nie oznacza więc, że przy każdym zadaniu agent czyta po kolei wszystkie instrukcje — szczegóły czekają na półce, aż się przydadzą.
Skill Creator: złap sukces, póki gorący
Najlepszy moment na stworzenie skilla to chwila, w której właśnie osiągnąłeś dobry wynik. Przerzuciłeś się z modelem kilkoma zdaniami, zmieniłeś prompt, poprawiłeś detale i wreszcie robi dokładnie to, czego chciałeś. Jeśli ta sama praca może się powtórzyć, zostań w tej rozmowie i uruchom Skill Creator — to skill, który buduje inne skille. Poproś po prostu: „Zamień to, co właśnie zrobiliśmy, w skill do wielokrotnego użytku”. Każ mu zapisywać skille w folderze .agents wewnątrz folderu systemu. Claude Code zagląda wyłącznie do folderu .claude, więc każ AI utworzyć także ten katalog i podlinkować do niego każdego skilla osobno. Dowiązanie symboliczne (symlink) to tylko wskaźnik na pierwotny folder — dzięki temu oba agenci korzystają z tych samych plików, a ty utrzymujesz jedną kopię. Tę zasadę też wpisz do mapy: nowe skille trafiają do folderu .agents. Wtedy agent wie, gdzie zapisać kolejny.
Metody czy pamięć? Prosty test
Jeśli zastanawiasz się, czym metody różnią się od pamięci, oto moje kryterium. Sprowadza się do jednego pytania: czy powtarza się zadanie, czy zmienia się informacja? Jeśli powtarza się zadanie, proces należy do skilla. Jeśli to wiedza o firmie, klientach albo ofercie, jej miejsce jest w pamięci. A gdy agent uruchamia skilla, instrukcja sama podpowiada, które pliki kontekstowe przeczytać po aktualne dane. Skill pisarski sięga po voice.md, żeby wiedzieć, jak brzmisz, po customer.md — żeby wiedzieć, dla kogo pisze, i po offer.md — żeby wiedzieć, co sprzedajesz. Te szczegóły zostają w plikach, więc gdy zmieni się oferta, aktualizujesz ją raz, a wszystkie korzystające z niej skille czytają nową wersję. Metody to sposób, w jaki praca się wykonuje; pamięć to materiał, na którym pracujesz. Agent łączy jedno i drugie w trakcie zadania.
Składnik 3: Narzędzia (Means) — konektory
Trzeci składnik to narzędzia: konektory, które dają AI dostęp do programów, których już używasz — Gmaila, kalendarza, CRM-a. Wszystko, co potrzebne do wykonania pracy, powinno być podłączone jako narzędzie. Najlepiej myśleć o tym jak o dodawaniu AI nowej zdolności. Do researchu możesz na przykład podpiąć Perplexity — i nagle twoje AI może przeprowadzać wyszukiwania w tej samej rozmowie, w której właśnie pracujesz, z całym jej kontekstem. Nie otwierasz drugiej aplikacji, nie tłumaczysz zadania od nowa, nie przenosisz wyników tam i z powrotem. Zdolność wchodzi do twojego warsztatu.
To samo dotyczy narzędzi biznesowych. Piszesz odpowiedź? Konektor Gmaila pozwala agentowi znaleźć oryginalnego maila i przygotować szkic w twojej skrzynce. Przygotowujesz się do spotkania? Podpinasz kalendarz, żeby sprawdził, kiedy masz wolne, i CRM, żeby zebrał wszystkie informacje o kliencie.
Każdy konektor korzysta z MCP — Model Context Protocol, czyli standardu, w jaki agent AI komunikuje się z zewnętrznymi narzędziami. Nie musisz rozumieć, co siedzi pod maską, żeby z tego korzystać; musisz natomiast sprawdzić, co dane połączenie naprawdę pozwala robić. Bo przeczytanie maila i napisanie odpowiedzi to zupełnie różne uprawnienia. Konektory różnią się od plików, które przed chwilą zapisywaliśmy: włącza się je i podpina do kont w narzędziu AI, z którego korzystasz. Ja lubię trzymać w mapie listę używanych połączeń. Zaczynam od wszystkich aplikacji, z których dziś ręcznie kopiuję dane, a potem podpinam te, których potrzebuję przy konkretnej pracy. W efekcie w jednej rozmowie da się zrobić więcej.
Przed ostatnim krokiem: otwórz folder w agencie
Zanim przejdziemy do ostatniego składnika — tego, który mówi AI, jak korzystać z całości — musimy otworzyć folder w Claude Code albo Codexie. (Informacja dodatkowa: Claude Code i Codex to programy-agentów pracujące bezpośrednio na plikach z dysku, odpowiednio od Anthropic i OpenAI.) W aplikacji komputerowej zaznacz folder systemu jako projekt; w Codexie wskaż ten sam folder jako projekt lokalny i zacznij nową rozmowę. Od teraz agent pracuje na plikach w folderze — a my możemy kazać mu spisać instrukcję korzystania z nich.
Składnik 4: Mapa (Map) — plik agents.md
Czwarty składnik to mapa: plik z instrukcją, który AI czyta na początku pracy w twoim folderze. Najprościej ująć to tak: folder przechowuje informacje, a mapa mówi AI, gdzie ich szukać i kiedy ich użyć. Gdy piszę film, mapa podpowiada agentowi, gdzie trzymam scenariusze, który plik stylu przeczytać i gdzie zapisać szkic. Te wskazówki czekają na miejscu przy każdej nowej rozmowie.
W mapie powinny znaleźć się wyłącznie informacje o tym, jak działa twój system: gdzie leżą kontakty i projekty oraz zasady wspólne dla całości. U mnie to na przykład miejsce zapisu nowych skilli i tworzenia dowiązań, o których mówiliśmy przed chwilą. Zapisz mapę jako agents.md w głównym katalogu folderu systemu — wtedy zadziała zarówno z Claude, jak i z ChatGPT, bo Claude Code obsługuje teraz agents.md bezpośrednio i agenci mogą dzielić tę samą mapę. Jeśli przenosisz istniejący system, po prostu każ AI przenieść wspólne instrukcje z pliku CLAUDE.md do agents.md — wystarczy zmienić nazwę pliku. A potem upewnij się, że każdy agent naprawdę go czyta.
Mapę stworzysz tak samo jak pliki kontekstowe: każ AI przeczytać to, co już masz, i napisać ją za ciebie. Wystarczy poprosić: „Przeczytaj ten folder i stwórz agents.md, który wyjaśni, gdzie leżą moje konteksty, skille i projekty, kiedy ich używać i gdzie zapisywać nowe prace. Uwzględnij dowiązania skilli, które ustawiliśmy, i pytaj mnie o wszystko, czego nie wyczytasz z plików”. Agent umieści mapę w folderze systemu, a ty czytasz ją i sprawdzasz, czy wskazówki działają dokładnie tak, jak ustaliliśmy. Przy każdej zmianie w systemie każ mu też aktualizować mapę.
Jak pracować w tym systemie na co dzień
Ten folder jest teraz kompletnym systemem operacyjnym AI: kontekst, skille i bieżąca praca mają tu swoje miejsce. Pytanie brzmi, jak z tego korzystać. Jeśli znałeś projekty w Claude lub ChatGPT, będzie ci znajomo: dajesz AI miejsce do pracy i potrzebne informacje. Tu jednak pracujesz bezpośrednio na plikach na swoim komputerze, a projekty możesz zagnieżdżać w innych projektach. Możesz mieć folder „Klienci”, w nim folder na każdego klienta, a w tym — folder na każde zlecenie.
Nie musziesz budować całej struktury z góry. Wybierz coś, nad czym pracujesz właśnie teraz, i każ AI założyć dla tego folder. Wrzuć do niego notatki i pliki, które już masz, i każ zaktualizować mapę, żeby agent wiedział, gdzie ta praca należy. Gdy siadasz do roboty, otwierasz główny folder systemu i zaczynasz nowy czat dla danego zadania. Mówisz, przy którym projekcie pracujesz i co chcesz zrobić. Agent korzysta ze wspólnego kontekstu i skilli, wchodzi do folderu projektu po szczegóły i zapisuje tam również to, co stworzy. Każdy research, dokument czy zmiana, których dokonujecie razem, wraca do systemu. To jest teraz jedyne źródło prawdy o twojej pracy.
Jeśli przerywasz w połowie, poproś o krótki plik handoff.md — notatkę, co ustaliliście i co jeszcze zostało do zrobienia. Następnym razem, gdy otworzysz projekt, AI przeczyta ją automatycznie. W ten sposób pracuję z jednego folderu, nie trzymając wszystkiego w jednej niekończącej się rozmowie. Każde zadanie dostaje własny czat, a pożyteczna praca zostaje w plikach.
Ten folder jest twój
No i najważniejsze: ten folder należy do ciebie. Gdy pojawi się lepszy model, otwierasz go w innym, kompatybilnym agencie i zachowujesz kontekst, skille oraz wykonaną pracę. Podpinasz tylko konta do nowego narzędzia — bez stawiania systemu od zera i tłumaczenia firmy od początku.
To jest minimalizm AI: pamięć, metody, narzędzia i mapa. Jeden folder, na którym możesz dalej budować. A jeśli chcesz rozwinąć to w skali całej firmy, dołącz do Founder OS Bootcampu — lista zainteresowanych jest w opisie. Subskrybuj, jeśli materiał ci pomógł, i zajrzyj do mojego workflow montażu wideo z AI.