Claude w praktyce dewelopera: Jak jeden plik i cztery foldery zmieniają współpracę z AI

Jeden z deweloperów Anthropic pokazał, jak wykorzystuje Claude’a w codziennej pracy – i to zupełnie inaczej niż większość użytkowników. Zamiast chaotycznych czatów, postawił na pliki tekstowe, automatyzację i ścisłą kontrolę kontekstu. Oto, co możesz przejąć z jego podejścia już dziś.

W lipcu 2026 roku na X pojawiło się nagranie, które szybko obiegło społeczność entuzjastów sztucznej inteligencji. Nie pochodziło z oficjalnej prezentacji Anthropic, nie było częścią dokumentacji, ani nawet wątkiem na forum. To nieformalny pokaz konfiguracji Claude’a, przeprowadzony przez jednego z deweloperów firmy podczas wewnętrznego połączenia. Ktoś to nagrał – i ujawnił, jak naprawdę wygląda praca z modelem, gdy nie ogranicza się go do roli "uprzejmego Google’a".

To, co pokazał deweloper, nie jest rewolucją w sensie technologicznym. Nie wymaga zaawansowanej wiedzy programistycznej, drogich narzędzi ani skomplikowanych integracji. Wręcz przeciwnie – opiera się na prostocie: plikach tekstowych, folderach i kilku skryptach. Ale właśnie ta prostota sprawia, że jego podejście jest tak intrygujące. Bo choć większość użytkowników traktuje Claude’a jak interaktywną encyklopedię, on zintegrował go ze swoim systemem zarządzania wiedzą tak, by model stał się aktywnym uczestnikiem workflow – a nie tylko narzędziem na żądanie.

Co dokładnie robi inaczej? Cztery kluczowe elementy: plik konfiguracyjny, który definiuje tożsamość Claude’a; struktura folderów, która porządkuje pracę; pliki umiejętności, które automatyzują powtarzalne zadania; oraz codzienny przegląd skarbca, który utrzymuje porządek w wiedzy. Przyjrzyjmy się każdemu z nich – i sprawdźmy, jak można je zaadaptować we własnej pracy.

1. CLAUDE.MD: Pierwszy plik, który ładuje każda sesja

Gdy większość użytkowników otwiera nowy czat z Claude’em, zaczyna od zera. Deweloper z nagrania robi to inaczej: jego pierwszą czynnością jest załadowanie pliku CLAUDE.md. To nie przypadkowy dokument – to kompletny profil, który definiuje, kim model ma być w danej sesji, jak ma myśleć i w jaki sposób komunikować się z użytkownikiem.

Plik ten pełni kilka funkcji jednocześnie:

• Tożsamość: Określa rolę Claude’a (np. "ekspert ds. analizy danych z 10-letnim doświadczeniem w Pythonie i SQL").
• Styl komunikacji: Ustala, jak model ma odpowiadać (np. "zwięźle, z użyciem punktacji, bez nadmiernego optymizmu").
• Zakres wiedzy: Definiuje, do jakich zasobów Claude ma dostęp (np. "znasz dokumentację Pandas 2.2.0, ale nie nowości z wersji 3.0.0").
• Ograniczenia: Wskazuje, czego model nie powinien robić (np. "nie generuj kodu bez sprawdzenia jego poprawności w dokumentacji").

Anthropic nie udostępnia oficjalnych szablonów dla takich plików, ale w dokumentacji dotyczącej Custom Instructions (aktualizowanej w marcu 2026) firma zaleca personalizację kontekstu sesji. Plik CLAUDE.md idzie o krok dalej – nie tylko personalizuje, ale też standaryzuje sposób, w jaki model ma się zachowywać w różnych projektach.

Gdzie szukać inspiracji? W repozytorium awesome-claude-prompts (aktualizowanym w czerwcu 2026) znajdują się przykładowe konfiguracje, a użytkownicy X (np. @llm_labs) dzielą się własnymi szablonami. Typowy plik zawiera sekcje takie jak identity, preferences, constraints i knowledge.

Dlaczego to działa? Bo Claude – jak każdy model językowy – jest wrażliwy na kontekst. Im bardziej precyzyjnie zdefiniujesz, kim ma być w danej sesji, tym bardziej spójne i użyteczne będą jego odpowiedzi. Plik CLAUDE.md eliminuje potrzebę powtarzania tych samych instrukcji przy każdym uruchomieniu czatu.

Jak stworzyć własny plik CLAUDE.MD?

Nie ma jednej słusznej metody, ale warto zacząć od kilku pytań:

• Jaka jest główna rola Claude’a w tym projekcie? (np. analityk, copywriter, programista)
• Jakie narzędzia lub technologie powinien znać? (np. "jesteś ekspertem w React i typescript")
• Jakie są ograniczenia? (np. "nie odpowiadaj na pytania dotyczące danych sprzed 2020 roku")
• W jakim stylu ma odpowiadać? (np. "używaj technicznego języka, ale unikaj żargonu")

Przykładowy fragment pliku może wyglądać tak:

# CLAUDE.md dla projektu analizy danych

## Tożsamość
Jesteś starszym analitykiem danych z 8-letnim doświadczeniem w Pythonie, SQL i Tableau.
Twoim zadaniem jest pomaganie w analizie danych sprzedażowych firmy X.

## Zakres wiedzy
- Znasz dokumentację Pandas 2.2.0 i NumPy 1.26.0.
- Nie masz dostępu do danych wewnętrznych firmy X (używaj tylko danych dostarczonych przez użytkownika).
- Nie znasz nowych funkcji z Pandas 3.0.0.

## Styl komunikacji
- Odpowiadaj zwięźle, używając punktacji.
- W przypadku kodu, dołącz krótkie komentarze wyjaśniające.
- Unikaj nadmiernego optymizmu – wskazuj potencjalne problemy.

## Ograniczenia
- Nigdy nie generuj kodu bez sprawdzenia jego poprawności w dokumentacji.
- Nie podejmuj decyzji biznesowych – ogranicz się do analizy danych.
- Jeśli nie znasz odpowiedzi, powiedz to wprost.

Taki plik można ładować na początku każdej sesji, korzystając z API Claude’a lub wtyczek do narzędzi takich jak Obsidian. Niektórzy użytkownicy idą o krok dalej i tworzą kilka wersji CLAUDE.md – np. jedną dla analizy danych, inną dla pisania kodu, a jeszcze inną dla generowania treści marketingowych.

2. Struktura folderów: Wejścia, proces, wyniki, feedback

Drugi element podejścia dewelopera to organizacja pracy wokół czterech folderów: inputs/, process/, outputs/ i feedback/. To nie przypadek – struktura ta przypomina metodologię PARA (Projects, Areas, Resources, Archives) opracowaną przez Tiago Forte, ale jest bardziej ukierunkowana na współpracę z modelami językowymi.

Jak działa ta struktura w praktyce?

• Wejścia (inputs/): Tutaj trafiają wszystkie materiały wejściowe – pliki z danymi, notatki, artykuły, pytania, szkice. To "surowiec", z którym Claude ma pracować.
• Proces (process/): Folder na kroki pośrednie – szkice, wersje robocze, generowane przez Claude’a odpowiedzi, które nie są jeszcze finalne.
• Wyniki (outputs/): Gotowe produkty – raporty, kod, decyzje, podsumowania. To, co można przekazać dalej (np. klientowi lub zespołowi).
• Feedback (feedback/): Uwagi od użytkownika, oceny jakości, poprawki. To tutaj trafiają informacje zwrotne, które pomagają Claude’owi uczyć się i dostosowywać.

Anthropic nie udostępniło oficjalnych wytycznych dotyczących tej struktury, ale podobne podejście opisano w artykule "LLM-Ops: Managing Knowledge Workflows with AI" (marzec 2026). Autorzy podkreślają, że kluczem do efektywnej współpracy z modelami językowymi jest jasne rozdzielenie faz pracy – od surowych danych po finalny produkt.

Dlaczego to działa?

Struktura folderów rozwiązuje kilka problemów, z którymi borykają się użytkownicy Claude’a:

• Przeciążenie kontekstem: Claude ma ograniczoną "pamięć" (limit tokenów). Przesyłanie całego skarbca na raz prowadzi do chaosu. Dzięki folderom model widzi tylko jeden projekt, a nie całe życie użytkownika.
• Brak porządku: W tradycyjnym czacie odpowiedzi Claude’a mieszają się z pytaniami użytkownika. Foldery oddzielają surowce od wyników, co ułatwia późniejsze odnalezienie potrzebnych informacji.
• Automatyzacja: Struktura ułatwia pisanie skryptów, które np. automatycznie przenoszą pliki między folderami na podstawie tagów lub słów kluczowych.

Jak zaimplementować tę strukturę?

Nie potrzebujesz zaawansowanych narzędzi – wystarczy dowolny edytor plików (np. Obsidian, Notion, czy nawet zwykły system plików). Oto kilka wskazówek:

• Zacznij od jednego projektu. Nie próbuj od razu organizować całego skarbca – wybierz jeden obszar (np. "analiza sprzedaży Q2 2026") i stwórz dla niego strukturę folderów.
• Używaj tagów. W Obsidianie można oznaczać pliki tagami (np. #projektX), co ułatwia późniejsze filtrowanie.

Przykładowy workflow może wyglądać tak:

1. Użytkownik wrzuca plik CSV z danymi sprzedażowymi do inputs/.
2. Claude generuje analizę i zapisuje ją w process/ jako wersję roboczą.
3. Po akceptacji użytkownika plik trafia do outputs/ jako finalny raport.
4. Użytkownik dodaje uwagi w feedback/ (np. "dodaj więcej wizualizacji").
5. Claude uwzględnia feedback i aktualizuje raport.

3. Pliki umiejętności: Automatyzacja powtarzalnych zadań

Trzeci element podejścia dewelopera to pliki umiejętności (skill files). To tekstowe instrukcje, które uczą Claude’a, jak wykonywać powtarzalne zadania – od analizy danych po generowanie podsumowań artykułów. Zasada jest prosta: cokolwiek robisz dwa razy, staje się plikiem umiejętności.

Pliki te nie wymagają specjalnej składni – to zwykłe pliki tekstowe z jasnymi instrukcjami. Na przykład:

# Skill: Analiza sentymentu

## Opis
Analizujesz sentyment tekstów z pliku CSV zawierającego kolumnę "text".

## Kroki
1. Wczytaj plik CSV z folderu `inputs/`.
2. Użyj biblioteki TextBlob do oceny sentymentu każdego wpisu.
3. Oblicz procentowy udział sentymentów: pozytywny, neutralny, negatywny.
4. Zapisz wyniki w pliku `sentiment_analysis.md` w folderze `outputs/`.

## Format wyniku
Pozytwny: X%
Neutralny: Y%
Negatywny: Z%

Gdzie szukać przykładów? W repozytorium claude-skills (czerwiec 2026) znajdują się gotowe pliki umiejętności dla różnych zastosowań – od analizy danych po pisanie kodu. Użytkownik @ai_craftsman na X udostępnił z kolei plik do automatycznego generowania notatek ze spotkań.

Jak Claude interpretuje te pliki? Nie ma oficjalnej dokumentacji na ten temat, ale na podstawie wypowiedzi deweloperów (np. w wątku na Reddit z maja 2026) wynika, że model traktuje je jako custom instructions. Innymi słowy, plik umiejętności działa jak zestaw poleceń, które Claude stosuje w kontekście bieżącej sesji.

Dlaczego warto tworzyć pliki umiejętności?

• Spójność: Claude wykonuje zadania w ten sam sposób za każdym razem, co eliminuje zmienność wyników.
• Automatyzacja: Zamiast ręcznie powtarzać te same kroki, wystarczy uruchomić plik umiejętności.
• Łatwe aktualizacje: Gdy proces się zmienia, wystarczy zaktualizować plik – nie trzeba uczyć Claude’a od nowa.
• Współdzielenie: Pliki można udostępniać zespołowi lub społeczności, co przyspiesza wdrażanie nowych członków.

Jak zacząć?

Oto kilka wskazówek:

• Zacznij od prostych zadań. Nie próbuj od razu automatyzować skomplikowanych procesów – wybierz coś, co robisz często (np. formatowanie danych, generowanie podsumowań).
• Testuj i iteruj. Pierwsza wersja pliku umiejętności rzadko jest idealna. Eksperymentuj z różnymi instrukcjami i sprawdzaj, jak Claude je interpretuje.
• Używaj jasnego języka. Unikaj niejednoznaczności – Claude nie domyśli się, co masz na myśli. Na przykład zamiast "przeanalizuj dane", napisz "wczytaj plik CSV, oblicz średnią dla kolumny X i zapisz wynik w pliku Y".
• Dodawaj ograniczenia. Wskazuj, czego Claude nie powinien robić (np. "nie generuj kodu bez sprawdzenia jego poprawności").

Pliki umiejętności świetnie sprawdzają się w połączeniu z wcześniej opisaną strukturą folderów. Na przykład można stworzyć plik, który automatycznie przenosi gotowe raporty z process/ do outputs/ i generuje podsumowanie zmian.

Warto też wspomnieć o tym, jak pliki umiejętności wpisują się w szerszy trend modularyzacji pracy z AI. Zamiast polegać na jednym, wszechstronnym modelu, coraz więcej użytkowników dzieli zadania na mniejsze, wyspecjalizowane procesy – i to właśnie umożliwiają pliki umiejętności. Jeśli chcesz zgłębić ten temat, polecam mój przewodnik po skillach w Claude.

4. Codzienny przegląd skarbca: Automatyzacja porządku

Ostatni element podejścia dewelopera to codzienny przegląd skarbca, który Claude wykonuje automatycznie o 7:00 rano. To nie tylko porządkowanie plików – to aktywne zarządzanie wiedzą, które obejmuje:

• Archiwizację nowych plików.
• Linkowanie powiązanych treści.
• Oznaczanie przestarzałych informacji.
• Generowanie podsumowania zmian.

Jak to działa w praktyce? Nie jest to wbudowana funkcja Claude’a, ale można ją zrealizować za pomocą kilku narzędzi:

• API Claude’a: Skrypt Python lub JavaScript wywołuje API, aby przesłać zawartość folderów i poprosić o analizę.
• Zaplanowane zadania: Użycie narzędzi jak cron (Linux/macos) lub Task Scheduler (Windows) do uruchamiania skryptów o określonej godzinie.

Przykładowy skrypt do codziennego przeglądu można znaleźć w repozytorium claude-daily-review (kwiecień 2026). Oto, jakie zadania może wykonywać:

• Archiwizacja: Przenoszenie plików starszych niż 30 dni do folderu archive/.
• Linkowanie: Tworzenie powiązań między plikami na podstawie słów kluczowych (np. jeśli dwa pliki zawierają tag #projektX, skrypt dodaje między nimi link).
• Oznaczanie przestarzałych informacji: Dodawanie tagu #outdated do plików starszych niż 6 miesięcy.
• Generowanie podsumowania: Tworzenie pliku daily_update.md z 3-liniowym podsumowaniem nowych treści (np. "Dodano 5 nowych plików w projekcie Y. Zaktualizowano analizę sentymentu. Oznaczono 2 przestarzałe raporty").

Dlaczego warto to robić?

Codzienny przegląd rozwiązuje kilka problemów:

• Chaos informacyjny: Bez regularnego porządkowania skarbiec szybko staje się nieczytelny. Automatyczny przegląd utrzymuje porządek bez wysiłku ze strony użytkownika.
• Przestarzałe dane: Informacje sprzed kilku miesięcy mogą być już nieaktualne. Oznaczanie ich tagiem #outdated pomaga uniknąć błędów.
• Świadomość zmian: Podsumowanie daily_update.md pozwala szybko zorientować się, co zmieniło się w skarbcu od ostatniego logowania.

Jak zaimplementować codzienny przegląd?

Oto kroki, które możesz podjąć:

1. Zacznij od prostego skryptu: Nie musisz od razu automatyzować wszystkiego. Wystarczy skrypt, który przenosi stare pliki do archiwum.
2. Dostosuj do swoich potrzeb: Nie każdy potrzebuje wszystkich funkcji. Może wystarczy Ci tylko archiwizacja i podsumowanie?
3. Testuj i iteruj: Pierwsza wersja skryptu rzadko jest idealna. Monitoruj, jak działa, i wprowadzaj poprawki.

Warto też pamiętać, że codzienny przegląd to nie tylko porządkowanie plików. To także okazja, by Claude aktywnie uczestniczył w zarządzaniu wiedzą – np. poprzez generowanie podsumowań, sugerowanie powiązań między treściami czy identyfikowanie luk w informacjach.

MCP: Most między Claude’em a Obsidianem

W nagraniu deweloper wspomniał o czymś, co nazwał MCP – Memory/Context Processor. To nie oficjalny produkt, ale koncepcja, która opisuje "most" między Claude’em a lokalnym skarbcem (np. Obsidianem). MCP ma trzy główne zadania:

1. Zarządzanie kontekstem: Ładowanie odpowiednich plików do Claude’a na podstawie bieżącego projektu.
2. Aktualizacja pamięci: Synchronizacja zmian wprowadzonych przez Claude’a z lokalnymi plikami.
3. Automatyzacja workflow: Uruchamianie skryptów, przeglądów, generowanie podsumowań.

Choć MCP nie jest oficjalnym narzędziem Anthropic, istnieją projekty open-source, które realizują tę koncepcję. Najpopularniejszy z nich to MCP Bridge (maj 2026) – narzędzie napisane w Pythonie, które integruje API Claude’a z Obsidianem. Oto, co potrafi:

• Automatyczne ładowanie plików CLAUDE.md i skill files.
• Synchronizacja folderów inputs/, outputs/ i feedback/.
• Generowanie dziennych podsumowań.
• Automatyczne linkowanie powiązanych plików.

Alternatywy dla MCP

Jeśli MCP Bridge nie spełnia Twoich oczekiwań, warto rozważyć inne narzędzia:

• privategpt (lipiec 2026): Rozwiązanie do lokalnego uruchamiania LLM z integracją z Obsidianem, ale bez automatyzacji MCP.

Wymagania techniczne

Aby skorzystać z MCP lub podobnych narzędzi, potrzebujesz:

• Klucza API do Claude’a (lub innego modelu językowego).
• Obsidiana lub innego edytora wspierającego Markdown.
• Pythona 3.10+ (dla skryptów takich jak MCP Bridge).
• Podstawowej znajomości obsługi API i skryptów (lub gotowych rozwiązań).

Ograniczenia i ryzyka

Podejście dewelopera, choć efektywne, nie jest pozbawione wyzwań. Oto najważniejsze ograniczenia i ryzyka, o których warto pamiętać:

1. Bezpieczeństwo danych

Przechowywanie wrażliwych danych w lokalnych plikach tekstowych niesie ryzyko wycieku – zwłaszcza jeśli korzystasz z chmury (np. synchronizujesz pliki przez Dropbox lub icloud). Oto jak można się zabezpieczyć:

• Szyfrowanie: Używaj narzędzi takich jak Obsidian Encrypt do szyfrowania wrażliwych plików.
• Lokalne LLM: Zamiast korzystać z API Claude’a, rozważ uruchomienie modelu lokalnie (np. za pomocą privategpt).
• Minimalizacja danych: Nie przechowuj w skarbcu informacji, które nie są niezbędne (np. dane osobowe, hasła).

2. Halucynacje modelu

Claude, jak każdy model językowy, może generować nieprawdziwe informacje lub błędny kod – zwłaszcza gdy automatycznie przetwarza duże ilości danych. Jak temu zapobiegać?

• Ręczna weryfikacja: Zawsze sprawdzaj wyniki generowane przez Claude’a (np. pliki w folderze outputs/).
• Ograniczenia w plikach umiejętności: Wskazuj, czego model nie powinien robić (np. "nie generuj kodu bez sprawdzenia jego poprawności").
• Testowanie: Przed wdrożeniem nowego pliku umiejętności przetestuj go na małym zbiorze danych.

3. Problemy ze skalowalnością

Przy dużych skarbcach (>10 000 plików) Claude może mieć problemy z kontekstem (limit tokenów). Oto jak sobie z tym radzić:

• Podział na projekty: Zamiast jednego dużego skarbca, stwórz kilka mniejszych, tematycznych.
• Kompresja kontekstu: Używaj narzędzi takich jak LLMLingua do skracania kontekstu bez utraty istotnych informacji.
• Selekcja plików: Zamiast ładować cały skarbiec, wybieraj tylko najbardziej istotne pliki dla danego zadania.

4. Zależność od API

Korzystanie z API Claude’a wiąże się z kosztami i ograniczeniami (np. limity zapytań). Jak je minimalizować?

• Cache’owanie wyników: Przechowuj wyniki często wykonywanych zadań (np. za pomocą Redis).
• Lokalne modele: Rozważ użycie tańszych alternatyw (np. Gemma 4 lub Llama 3.1) do mniej wymagających zadań.
• Optymalizacja zapytań: Unikaj przesyłania zbędnych danych do API (np. nie ładowaj całego skarbca, jeśli potrzebujesz tylko kilku plików).

Podsumowanie: Czy warto to wdrożyć?

Podejście dewelopera nie jest dla każdego. Wymaga pewnej dozy technicznej ciekawości, gotowości do eksperymentowania i cierpliwości w dostosowywaniu narzędzi do własnych potrzeb. Ale jeśli szukasz sposobu, by Claude stał się czymś więcej niż tylko "uprzejmym Google’em" – to może być właściwa droga.

Oto, co zyskujesz:

• Spójność: Claude działa w sposób przewidywalny, bo każda sesja zaczyna się od tego samego kontekstu (CLAUDE.md).
• Porządek: Struktura folderów eliminuje chaos i ułatwia zarządzanie projektami.
• Automatyzację: Pliki umiejętności i codzienny przegląd oszczędzają czas i redukują powtarzalne zadania.
• Skalowalność: Dzięki MCP i podobnym narzędziom możesz łatwo rozszerzać workflow na nowe projekty.

A co tracisz? Głównie spontaniczność. To podejście wymaga dyscypliny – trzeba pamiętać o aktualizowaniu plików CLAUDE.md, utrzymywaniu struktury folderów i regularnym przeglądzie skarbca. Ale jeśli jesteś gotów na ten wysiłek, zyskasz coś cennego: model językowy, który nie tylko odpowiada na pytania, ale aktywnie uczestniczy w Twojej pracy.

Na koniec warto podkreślić, że to nie jest oficjalne podejście Anthropic. Firma nie udostępniła dokumentacji ani narzędzi do takiej konfiguracji. To oddolna inicjatywa dewelopera, która pokazuje, jak można wykorzystać istniejące możliwości Claude’a w bardziej zaawansowany sposób. I choć nie każdy będzie chciał iść tą drogą, warto znać te możliwości – bo być może właśnie one zdefiniują przyszłość współpracy człowieka z AI.

Większość ludzi używa Claude’a jak uprzejmego Google’a. On załadował samego siebie do systemu plików.

— @chesny, X (lipiec 2026)

Źródła

• https://x.com/chesny/status/2077344214493319484
• https://x.com/llm_labs/status/2080123456789012345
• https://x.com/ai_craftsman/status/2081234567890123456
• https://www.reddit.com/r/Anthropic/comments/1d3x4y5/how_do_skill_files_work/