O czym jest ten film
- Alex Finn testował Fable 5.2 w przedpremierowym dostępie i uważa go — z pełnym przekonaniem — za najlepszy model AI w historii, wyraźnie wyprzedzający konkurencję.
- Model odpowiada zaskakująco zwięźle: krótko jak modele klasy Sonnet, ale przy inteligencji z najwyższej półki. To zdaniem autora pierwszy model, który „wyjaśnia skomplikowane rzeczy prosto”.
- Jest szybszy (tempem porównywalny z Opusem), tańszy i oszczędniejszy wobec tokenów — trzy zalety naraz.
- Największa różnica w codziennym użyciu: mniejsze obciążenie poznawcze. Ta sama lub lepsza praca wymaga mniej wysiłku umysłowego.
- Model czyta intencję, a nie tylko dosłowny tekst promptu — zachowuje się jak rozumny współpracownik, nie jak ślepy wykonawca.
- W praktycznej części autor buduje na żywo własny „agent harness”: agenta-kierownika o nazwie Chief, który uruchamia podagentów i działa na subskrypcjach Claude i OpenAI.
- Model sam podważa koncepcję użytkownika — wskazuje, że wąskim gardłem jest uwaga człowieka, nie liczba agentów — i zadaje szereg pytań zamkniętych.
- Fable 5.2 tworzy w Notion pełną tablicę zadań: kamienie milowe, statusy, kryteria akceptacji, rozmiary zadań — setki pozycji.
- Kluczowy trik oszczędnościowy: planowanie i rozpiska zadań najmocniejszym modelem, wykonanie tańszym (Opus 5.5, a nawet Sonnet, na średnim ustawieniu).
- Na koniec zapowiedź kontynuacji budowy, ewentualnego udostępnienia projektu jako open source oraz promocja Vibe Coding Academy.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Planuj najmocniejszym modelem, buduj tańszym
Na czym polega: Autor wyraźnie rozdziela fazy pracy: burzę mózgów i planowanie zostawia Fable 5.2, a samo kodowanie zleca Opusowi 5.5 — nawet bez podnoszenia ustawienia wysiłku. Dobrze rozpisane zadania nie wymagają najdroższej inteligencji do realizacji.
Jak stosować: Po domknięciu planu w Fable przełącz model w Claude Code (Opus albo Sonnet) i każ mu po kolei realizować zadania z tablicy. Koszt spada, jakość wynika z jakości planu.
Na co uważać: Jeśli zadania są ogólnikowe i bez kryteriów ukończenia, tańszy model będzie zgadywał — i cała oszczędność pójdzie w poprawki.
2.Zwięzłość odpowiedzi to realna oszczędność
Na czym polega: Fable 5.2 odpowiada krótko mimo inteligencji z czołówki. Krótsze odpowiedzi to mniej zużytych tokenów, ale też mniej czasu na czytanie i sprawdzanie długich elaboratów.
Jak stosować: Przy wyborze modelu do codziennej pracy patrz nie tylko na wyniki testów, ale na długość odpowiedzi i rachunek za tokeny — to często decyduje o realnym koszcie.
Na co uważać: Zwięzłość nie może iść w parze z pomijaniem istotnych szczegółów; przy złożonych tematach sprawdź, czy krótka odpowiedź nie jest zbyt płytka.
3.Pytania zamknięte zmniejszają zmęczenie decyzyjne
Na czym polega: Model w każdej fazie — planowania, budowy, researchu — zadaje pytania z gotowymi wariantami odpowiedzi. Prowadzi użytkownika wytyczoną ścieżką, zamiast zostawiać go z otwartym pytaniem wymagającym długiego namysłu.
Jak stosować: Korzystaj z podpowiadanych wariantów, gdy pasują — oszczędzasz energię umysłową na decyzje, które faktycznie wymagają Twojego osądu.
Na co uważać: Gotowe odpowiedzi bywają zamykaniem perspektywy. Jeśli masz własną wizję, wybierz opcję „inne” i opisz ją — nie daj się prowadzić za rękę tam, gdzie chcesz iść własną drogą.
4.Wystarczy ogólny zarys pomysłu
Na czym polega: Prompt startowy wcale nie musi być dopracowany. Model dociera do sednia intencji i sam proponuje najlepsze rozwiązanie — również takie, o którym użytkownik nie pomyślał.
Jak stosować: Zacznij od zwięzłego opisu celu (kilkanaście zdań wystarczy) i pozwól modelowi dopytać o szczegóły przez pytania zamknięte.
Na co uważać: „Ogólny” nie znaczy „niejasny”. Kluczowe ograniczenia — budżet, platforma, licencje, to, co ma korzystać z subskrypcji zamiast kluczy API — warto podać już na starcie.
5.Pozwól modelowi podważać Twój brief
Na czym polega: Fable 5.2 zakwestionował pomysł autora: wąskim gardłem nie jest liczba agentów, tylko uwaga człowieka; dziesięciu workerów to dziesięć rzeczy do sprawdzenia. Główną funkcją produktu powinna być krótka kolejka samych decyzji, a pełny widok agentów — narzędzie do debugowania.
Jak stosować: Zanim ruszy budowa, poproś model o krytykę koncepcji. Traktuj to jak konsultację z doświadczonym architektem, który pierwszy raz widzi Twój projekt.
Na co uważać: Model nie zna Twojego pełnego kontekstu. Zastrzeżenia, które nie pasują do Twojej sytuacji, po prostu odrzuć — ale zrób to świadomie, nie machnięciem ręki.
6.Wyprowadź plan do zewnętrznego narzędzia
Na czym polega: Szczegółowe zadania trafiły do Notion przez konektor: tablica kanban z kamieniami milowymi, statusami, obszarami, kryteriami akceptacji i rozmiarem zadań. Autor wybiera Notion, bo jest darmowe; Linear ocenia równie wysoko, ale na planie za 20 dolarów ogranicza liczbę tablic.
Jak stosować: Podłącz konektor Notion lub Linear do Claude Code i każ modelowi tworzyć zadania bezpośrednio na tablicy. Taka tablica jest mostem między modelem planującym a modelem wykonującym.
Na co uważać: Samo wygenerowanie pozycji nie wystarczy — bez kryteriów akceptacji tańszy model nie będzie wiedział, co dokładnie znaczy „gotowe”.
7.Przy złożonych zadaniach podnieś ustawienie wysiłku
Na czym polega: Mimo że zalecane jest średnie ustawienie, autor pracuje na wysokim — woli dać modelowi nieco więcej mocy niż trzeba. Dodatkowo Anthropic wprowadziło odnowienia limitów dla osób używających Claude Code od ponad roku, co pozwala swobodniej sięgać po wyższą inteligencję.
Jak stosować: Wysoki poziom „wysiłku” (effort) ustawiaj przy planowaniu i trudnych decyzjach; przy rutynowym wykonywaniu rozpisanych zadań wystarczy średni.
Na co uważać: Wyższe ustawienie zjada limity szybciej. Nie zostawiaj go domyślnie dla prostych zadań.
8.Oceniaj model po obciążeniu głowy, nie po benchmarkach
Na czym polega: Autor świadomie pomija wyniki testów i efektowne dema — miarą jakości modelu jest dla niego to, że ta sama (lub lepsza) praca wymaga mniej wysiłku umysłowego, a oszczędzoną energię można przeznaczyć na inne zajęcia.
Jak stosować: Testuj nowe modele na własnym, powtarzalnym projekcie i porównuj własne zmęczenie oraz liczbę korekt — nie tylko to, co pokazują wykresy.
Na co uważać: To ocena subiektywna. Entuzjazm recenzentów z przedpremierowego dostępu bywa przesadzony; zweryfikuj go na własnych zadaniach, zanim zmienisz narzędzia.
9.Jeden agent-kierownik zamiast sterty wątków
Na czym polega: Budowany projekt („Chief”) odwraca typowy układ: użytkownik rozmawia z jednym agentem, który zarządza podagentami. Workerzy to bezinterfejsowe przebiegi Claude Code i Codex CLI — dzięki temu całość jeździ na subskrypcjach, a nie na kluczach API.
Jak stosować: Jeśli prowadzisz wiele równoległych projektów, rozważ wzorzec pojedynczego punktu styku: Ty podejmujesz decyzje z krótkiej kolejki, agent rozdziela resztę.
Na co uważać: Taki układ wymaga dobrego monitorowania. Bez widoku pełnego stanu agentów trudno wychwycić, gdzie coś poszło nie tak.
10.Przed migracją policz ekonomikę
Na czym polega: Fable 5.2 ma być szybszy, tańszy i oszczędniejszy wobec tokenów jednocześnie — autor nazywa to kompletem trzech zalet. Zwykle trzeba whichś z nich poświęcić.
Jak stosować: Przenieś do nowego modelu najpierw jedno kosztowne, powtarzalne zadanie i porównaj czas, liczbę tokenów oraz jakość wyniku ze starym setupem.
Na co uważać: Ceny i limity zmieniają się szybko; przed decyzją zweryfikuj aktualne stawki i warunki subskrypcji u źródła.
Redakcyjne tłumaczenie
Od razu do rzeczy: najlepszy model, jaki powstał
Powiedzmy to od razu, bez owijania: Claude Fable 5.2 to najlepszy model AI w historii — i to nie jest wyrównana walka. Testowałem go w przedpremierowym dostępie od jakiegoś czasu i jestem pod ogromnym wrażeniem. W tym materiale pokażę nie tylko, co czyni go tak dobrym, ale też kompletny sposób pracy, dzięki któremu wyciśniesz z niego maksimum i przy okazji sporo zaoszczędzisz na tokenach. Całe moje życie kręci się wokół Fable 5.2 od kilku tygodni i nie mogę się doczekać, żeby podzielić się trikami.
Inteligencja to dopiero minimum
Zacznijmy od tego, co czyni nowość tak niezwykłą. Pierwsza rzecz nikogo nie zdziwi: model jest inteligentniejszy. Inteligentniejszy od wszystkiego, co jest na rynku — Opusa, Fable’a, Astro, od wszystkich. To w gruncie rzeczy podstawa, minimum, o które nikt nie musi prosić: premiera nowego modelu musi oznaczać wzrost inteligencji.
Prawdziwe zaskoczenia zaczynają się dalej.
Odpowiada krótko, działa szybko, kosztuje mniej
Po pierwsze — i to najbardziej mnie zaskoczyło — model odpowiada zdecydowanie zwięźlej. Kiedy rozmawiasz z modelami z absolutnej czołówki, czy to GPT-6 Astra w trybie Pro, czy pierwotny Fable 5, odpowiedzi są znacznie dłuższe, bardziej szczegółowe i bardziej złożone niż to, co dostałbyś od modeli klasy Sonnet czy Opus. Z Fable 5.2 ten problem zniknął: zwięzłość na poziomie Sonneta, tylko że w tej krótkiej odpowiedzi mieści się wielokrotnie więcej inteligencji.
Mówi się, że inteligencja człowieka to umiejętność wyjaśnienia czegoś naprawdę skomplikowanego w prosty sposób. Fable 5.2 to pierwszy model AI, który odbija tę ludzką cechę: tłumaczy złożone rzeczy krótko i przystępnie. Wcześniej inteligencja tych modeli polegała na tym, że wyjaśniały skomplikowane rzeczy… w skomplikowany sposób. Koniec z tym. Nienawidziłem siedzenia nad odpowiedziami Fable 5 — były mądre, ale za długie i męczące w lekturze. Teraz to minęło.
Po drugie: jest wyraźnie szybszy. Tempo porównywalne z Opusem. Coś musiało się przełamać w Anthropic przez ostatnie miesiące, bo tempo i inteligencja poszły w górę jednocześnie.
Po trzecie: jest tańszy. Cena została obniżona, a zużycie tokenów spadło. Szybszy, tańszy, sprytniejszy — kompletny zestaw zalet.
Najważniejsza zmiana: mniej wysiłku umysłowego
Ale najważniejsza rzecz jest inna — i to właśnie zaraz pokażę w praktyce w Claude Code. Wszystkie te ulepszenia, plus kilka zaskakujących, o których jeszcze opowiem, sprawiają, że spada obciążenie Twojej głowy. Co to znaczy? Pracując z Fable 5.2 wykonasz tę samą pracę — albo lepszą — przy znacznie mniejszym wysiłku umysłowym. Raz dzięki szybkości, raz dzięki zwięzłości, ale też dzięki temu, jak model z Tobą rozmawia: zadaje mnóstwo pytań zamkniętych. Za chwilę to zobaczysz. Uwolnioną energię możesz przeznaczyć na coś innego — także na to, co w życiu kochasz.
Mógłbym pokazać benchmarki i efektowne dema 3D, ale to robi każdy inny kanał na YouTube. Wolę zająć się tym, co naprawdę ma znaczenie.
Konfiguracja w Claude Code
Pokażę teraz najlepszy sposób pracy z Fable 5.2. Zbudujemy prawdziwy projekt na żywo: zobaczysz, jak z niego korzystam, poznasz moje triki z okresu przedpremierowych testów i wyjdziesz z tego jako mistrz Fable 5.2.
Pracuję w Claude Code, w aplikacji desktopowej. Ostatnio częściej siadam przy wersji terminalowej, bo używam Herdera — pozwala trzymać wszystkich agentów w jednym miejscu — ale na potrzeby tego materiału lepsza będzie aplikacja, jest bardziej wizualna.
(Informacja dodatkowa: Claude Code to narzędzie Anthropic do programowania z agentami AI, dostępne w terminalu i jako aplikacja na komputer. Herder to zewnętrzny menedżer, który porządkuje wiele agentów w jednym interfejsie.)
Ustawiam wysoki poziom „wysiłku” (effort), choć zalecane jest średnie — lubię dać modelowi nieco więcej mocy, niż wymaga zadanie. Warto też wiedzieć, że Anthropic dodało pakiet odnowień limitów: jeśli używasz Claude Code od ponad roku, dostajesz dodatkowy zapas. Dlatego mogę sobie pozwolić na częstsze sięganie po wyższą inteligencję.
Faza burzy mózgów: od ogólnej idei do sedna
Patrzę na to tak: pracę nad projektem da się podzielić na burzę mózgów, planowanie i wykonanie. Fable 5.2 jest niewiarygodnie dobry w dwóch pierwszych fazach.
Zaczynam od ogólnej idei. Od dawna chciałem zbudować własny „agent harness”. Nie musi to być precyzyjny, dopracowany opis — wystarczy ogólny zarys. Oto prompt, który wpisałem (znajdziesz go w opisie filmu, możesz kopiować i budować razem ze mną):
„Chcę zbudować własny agent harness w stylu Hermes Grockbot. W tym rozwiązaniu chcę pełnić rolę kierownika projektu: rozmawiam z jednym agentem, który zarządza wszystkim w moim życiu. Mogę mu opowiedzieć o dowolnym projekcie, a on uruchamia podagentów i innych wykonawców do pracy. Dzięki temu nie muszę zarządzać stertą wątków. Interfejs ma być piękny i pozwalać mi monitorować wszystkich agentów i podzadania. Całość ma korzystać z moich subskrypcji Claude i OpenAI.”
(Informacja dodatkowa: „agent harness” to środowisko, które uruchamia, nadzoruje i łączy pracę agentów AI — odpowiednik kierownika + szkieletu narzędziowego w jednym.)
Pierwszy etap to dopracowanie samego pomysłu i koncepcji. Fable 5.2 jest na tyle rozumny, że realnie pomoże ustalić, co w ogóle powinniśmy budować — jaka wersja tego pomysłu jest najlepsza.
I tu wchodzi różnica, która moim zdaniem odróżnia ten model od większości konkurencji: jest wyśmienity w docieraniu do sedna. Większość modeli bierze Twój prompt dosłownie i po prostu go realizuje, kropka. Fable 5.2 oczywiście czyta prompt, ale przede wszystkim rozumie, co naprawdę chcesz powiedzieć — wyłapuje intencję — i odpowiada na nią w najinteligentniejszy możliwy sposób. To subtelna, ale kluczowa różnica. Inne modele to robotnicy, którzy zrobią dokładnie to, co im każesz. Ten jest rozumnym współpracownikiem: rozumie fundament Twojego zamiaru i rekomenduje najlepsze rozwiązanie — nawet takie, o którym sam nie pomyślałeś. Zaraz zobaczysz to w jego odpowiedzi.
Model zaproponował: zbudujemy to jako lokalną aplikację z agentem LLM i narzędziami do tworzenia projektów, zadań i uruchamiania workerów; workerzy to bezinterfejsowe przebiegi Claude Code i Codex CLI, dzięki czemu całość korzysta z subskrypcji zamiast kluczy API. Na początek sprawdza moje środowisko.
(Informacja dodatkowa: Codex CLI to terminalowe narzędzie OpenAI do pracy z agentami; to właśnie ono „podpina” subskrypcję OpenAI pod ten projekt.)
Zwróć uwagę na checklisty — model wypisuje krok po kroku, co robi i jakie zadania uruchamia w tle. zobaczysz tego mnóstwo w każdej rozmowie z Fable 5.2.
Pytania zamknięte zamiast otwartych
I teraz — zgaduję i pewnie trafię — dostanę kilka pytań zamkniętych. To jedna z rzeczy, które najbardziej cenię w tym modelu: niezależnie od fazy (planowanie, budowa, cokolwiek) stara się formułować pytania jako test wyboru. I to jest jeden z głównych sposobów, w jaki zdejmuje z Ciebie ciężar myślenia.
Zamiast zostawiać Cię z otwartym pytaniem, nad którym siedzisz i组合ujesz w myślach, model prowadzi Cię roziskaną ścieżką. Nie musisz nią iść ani zgadzać się z jego rekomendacjami. Ale skoro tak dobrze rozumie, co próbujesz zrobić, te podpowiedzi potrafią ogromnie ułatwić planowanie, research i budowanie. Jeśli wszystko jest pytaniem zamkniętym, mniej myślisz — a wolną energię umysłową przeznaczasz na inne rzeczy, także te, które sprawiają Ci przyjemność.
Model podważa mój pomysł — i dobrze
Dochodzimy do momentu, który kocham: model rzuca wyzwanie mojej koncepcji. Oto, co pisze: wąskim gardłem jest Twoja uwaga, nie liczba agentów. Dziesięciu workerów produkuje dziesięć rzeczy do sprawdzenia. Nie chcesz zarządzać wątkami, a jednocześnie chcesz monitorować wszystkich agentów — te cele ciągną w przeciwnych kierunkach. Funkcją-sercem produktu powinna być krótka kolejka samych decyzji, a pełny widok agentów zostaw do debugowania i budowania zaufania.
Przewijam dalej i dostaję pytania zamknięte. „Który obszar Chief powinien opanować najpierw? Projekty zawodowe / kod / research i pisanie / bieżąca administracja życiowa?” — zaczynamy od projektów zawodowych. „Gdzie chcesz rozmawiać z Chief? Aplikacja webowa i telefon / Telegram / iMessage?” — aplikacja webowa i telefon, przyda się kontrola uprawnień. „Gdzie mają żyć projekty i zadania?” — niech w własnej bazie Chief. „Dla kogo jest Chief?” — na razie tylko dla mnie. A jeśli wyjdzie z tego coś naprawdę fajnego, mogę udostępnić projekt jako open source — dajcie znać w komentarzach, czy jest apetyt.
I to jest właśnie różnica względem innych modeli: wiele z nich też zadaje pytania, ale otwarte — musisz sam wymyślić, co dalej. Fable 5.2 konsekwentnie podaje gotową, starannie rozpisaną ścieżkę. W każdej chwili możesz wybrać „inne” i wpisać własną odpowiedź, ale te uporządkowane warianty robią przepastną różnicę w komforcie pracy.
Plan i rozpiska zadań w Notion
Po zebraniu odpowiedzi model układa plan. Faza pierwsza: zablokuj brief, napisz specyfikację, stwórz testy. Potem faza budowy i doskonalenia.
Zrobimy z Fable 5.2 jeszcze jedną rzecz — po niej przełączymy się na inny model. Proszę: „Rozpisz wszystkie szczegółowe zadania na nowej tablicy w Notion, żebyśmy mogli je śledzić.” Mam podpięty konektor Notion, więc model utworzy nową tablicę. Polecam to samo niezależnie od tego, czy pracujesz w Linear, czy w Notion — ja buduję w Notion, bo jest darmowe; Linear jest równie znakomity, tyle że na planie za 20 dolarów ogranicza liczbę tablic.
Chodzi o rzecz fundamentalną: skoro inteligencja wysokiej klasy rozpisze plan aplikacji i wszystkie zadania, to do samego budowania nie potrzebujesz już najlepszej inteligencji świata. Tańsza — Opus, a nawet Sonnet — wykona robotę równie dobrze, jeśli nie lepiej. Niech więc najmądrzeszy model planuje i rozpisuje zadania, a wykonanie oddamy tańszemu.
Po drodze model jeszcze dopytuje: jak ma się ze mną kontaktować na telefonie (Telegram), gdzie ma działać na moim Macu. Wszystko stara się uprościć do granic — odpowiadanie ma być bezwysiłkowe.
A teraz rzut oka na Notion — proszę. Tablica pełna zadań: kamienie milowe, statusy, kolumna „zrobione kiedy”, obszary, kryteria akceptacji, rozmiary zadań. Setki pozycji, wszystkie rozpisane przez Fable.
Przekazanie budowy tańszemu modelowi
I teraz kluczowy ruch: wracam do Claude Code i przełączam model na Opus 5.5. Nie ustawiam nawet wysokiego wysiłku — średni w zupełności wystarczy. Piszę: „Możesz zacząć pracę nad tym” — i jedziemy. Opus przejmie wszystkie zadania, które rozpisał Fable.
Taka jest natura pracy z AI: dopóki planowanie i rozpiska zadań spoczywają w rękach naprawdę mocnej inteligencji, wykonanie możesz zlecić tańszej. I właśnie tak wyciska się najwięcej z Fable 5.2: plan i zadania w Fable, zapisanie zadań w Notion lub Linear, budowa w Opusie — a przy prostszych rzeczach nawet w Sonnet. Wynik równie dobry albo lepszy, rachunek znacznie lżejszy.
Co dalej
W następnym odcinku z serii będziemy kontynuować ten projekt — subskrybuj kanał i włącz powiadomienia. Jeśli ta zabawa Wam się spodoba, udostępnimy kod jako open source i wypuścimy go w świat. Dajcie znać. Dołączcie też do Vibe Coding Academy — link w opisie. Mamy tam zajęcia mistrzowskie z Claude Code, ChatGPT, Hermesa i Grockbota, a ja bywam tam co tydzień, więc można mnieO pytać wprost, jeden na jeden. Mam nadzieję, że było użytecznie — do zobaczenia w następnym materiale.