Otwierasz edytor i rozpoczynasz sesję. Zanim cokolwiek napiszesz, zanim kursor w ogóle ustabilizuje się w polu wprowadzania, agent ma już za sobą sporo czytania. Wchłonął swój prompt systemowy, definicje wszystkich narzędzi, które może wywołać, instrukcje dotyczące zachowania, plik CLAUDE.md twojego projektu (albo .cursorrules, albo AGENTS.md), wszystkie obowiązujące reguły przypisane do ścieżek oraz wszystko, co leży w jego pliku pamięci. Zanim wypowiesz pierwsze słowo, agent ma już model ciebie, twojego projektu i tego, jak powinien się zachowywać.
Naiwny model myślowy brzmi: piszesz, agent odpowiada. Prawdziwa kolejność jest inna: agent czyta Twój kontekst, Ty piszesz, agent odpowiada. To właśnie ten cichy pierwszy krok, w którym agent czyta Ciebie, zanim się odezwiesz, przesądza o zaskakująco dużej części wyniku. A dowody na to, czy kontekst, którym go karmisz, faktycznie pomaga, są bardziej niewygodne, niż większość z nas zakłada.
Krótka wersja
- Agenci kodujący z AI wczytują wcześniej napisany kontekst przed Twoją pierwszą wiadomością: prompty systemowe, definicje narzędzi oraz pliki instrukcji właściwe dla danego narzędzia, takie jak CLAUDE.md, reguły Cursora, instrukcje GitHub Copilot czy AGENTS.md tam, gdzie jest wspierany lub zaimportowany. To nie Ty rozpoczynasz rozmowę, tylko lektura agenta.
- To wstępne wczytanie pochłania znaczną część użytecznego okna kontekstu, zanim wpiszesz choć jeden znak, więc twój faktyczny budżet pracy jest mniejszy, niż sugeruje reklamowane okno modelu.
- Wynik empiryczny jest tą nieoczywistą częścią: pliki kontekstu pisane przez programistów pomagają trochę (około +4% skuteczności zadań) realnym kosztem (około +19% kosztu inferencji), podczas gdy pliki wygenerowane przez LLM lub skopiowane potrafią sprawić, że wyniki będą nieco gorszy.
- Samodzielny hosting modelu zmienia to, co możesz patrz, nie to, co musisz do. Architektura pre-sesji jest wszędzie taka sama; lokalne narzędzia tylko pozwalają ją kontrolować i audytować. Dyscyplina pisania kontekstu, który naprawdę rozumiesz, nie znika.
Naiwny model jest błędny: Agent czyta jako pierwszy
Wyobraź sobie dokładny moment, w którym rusza sesja Claude Code. Wchodzi prompt systemowy. Wchodzą definicje narzędzi. Potem, zanim cokolwiek powiesz, dostarczany jest twój CLAUDE.md, a mechaniczny szczegół ma tu znaczenie. Własna dokumentacja Anthropic mówi wprost, że Zawartość CLAUDE.md jest „dostarczana jako wiadomość użytkownika po systemowym prompcie,“ załadowany „na początku każdej rozmowy.” Zatem pierwsza tura użytkownika w transkrypcie to nie Ty. To Twój plik, mówiący w Twoim imieniu, ustalający warunki, zanim Ty się pojawisz.
To, co faktycznie ładuje się w tym początkowym momencie, jest całym stosem: prompt systemowy, definicje narzędzi, instrukcje dotyczące zachowania, twoje pliki kontekstu projektu i użytkownika, wszystkie reguły przypisane do ścieżek pasujące do plików, o które chodzi, oraz plik pamięci, który agent prowadzi sam. W Claude Code pliki kontekstu rozwiązywane są przez czteropoziomową hierarchię (zarządzana polityka, potem użytkownik (~/.claude/CLAUDE.md), potem projekt (./CLAUDE.md), potem lokalny (./CLAUDE.local.md)) i są sklejane dokładnie w tej kolejności. Pamięć automatyczna dokłada swój kawałek: pierwsze 200 wierszy (lub 25KB) pliku MEMORY.md, który agent sam pisze i czyta, ładowane w każdej sesji.
Nic z tego nie jest darmowe. Narzut infrastruktury (prompt systemowy, definicje narzędzi, instrukcje zachowania) zjada znaczną część efektywnego okna kontekstu, zanim jeszcze dotrze Twoja pierwsza wiadomość. To podatek, który płacisz za to, że agent wie, jak być agentem, i pozostaje niewidoczny, dopóki go nie poszukasz.
Wokół dyscypliny zarządzania tym wszystkim kształtuje się nazwa. Zespół applied AI Anthropic nazywa to inżynieria kontekstu: „zestaw strategii doboru i utrzymywania optymalnego zbioru tokenów (informacji) podczas inferencji LLM”. To użyteczne określenie, bo zmienia plik, który piszesz, z notatki do robota w decyzję architektoniczną o tym, co zajmuje rzadki i drogi zasób.
Cztery agenty, cztery sposoby na wcześniejsze przeczytanie ciebie
Agenci nie czytają cię wszyscy w ten sam sposób. Dzielą się wzdłuż dwóch osi wartych nazwania: co jest ładowany przy starcie sesji (wyselekcjonowana hierarchia plików, w porównaniu z zawsze aktywnymi regułami i skanowaniem całego repozytorium), i ile z tego możesz sprawdzić, czyli czy mechanizm jest deterministycznym, możliwym do audytu artefaktem, czy indeksem semantycznym, któremu trzeba zaufać na słowo. To właśnie na tych dwóch osiach Claude Code, Cursor, GitHub Copilot i Aider naprawdę się rozchodzą.
| Narzędzie | Co się ładuje na początku sesji | Mechanizm | Możliwość audytu |
|---|---|---|---|
| Claude Code | CLAUDE.md hierarchy + .claude/rules/ + automatyczna pamięć; AGENTS.md tylko jeśli zaimportowany lub podlinkowany symbolicznie | Hierarchia oparta na plikach; reguły ograniczone do ścieżki mogą ładować się leniwie; zachowanie kompakcji i ponownego odczytu się różni | Wysoka dla twoich plików i pamięci; prompt systemowy pozostaje zastrzeżony |
| Cursor | Zasady projektu, zespołu i użytkownika; obsługa AGENTS.md; indeks bazy kodu dla kontekstu semantycznego | Czytelne pliki reguł plus semantyczne indeksowanie bazy kodu | Mieszane: reguły są czytelne, ale pobieranie indeksu jest mniej przejrzyste |
| GitHub Copilot | W całym repozytorium copilot-instructions.md plus specyficzne dla ścieżki .instructions.md tam, gdzie obsługiwane | Niestandardowe pliki instrukcji stosowane w przepływach pracy Copilot | Umiarkowany: pliki są czytelne, ale zakres zależy od powierzchni produktu |
| Aider | Kompaktowa repo-map pochodząca z repozytorium git, plus pliki dodane/odczytane ręcznie | Mapa repozytorium oparta na symbolach/grafach zoptymalizowana pod kątem budżetu tokenów | Wysoka: repo-map może być sprawdzona, ale nadal jest to wybrana mapa, a nie całe repozytorium dosłownie |
Podział Cursor jest najbardziej pouczający. Jego reguły żyją w czytelnych plikach, które kontrolujesz, ale buduje też semantyczny indeks całej bazy kodu, osadzenia wektorowe, które zasilają wyszukiwanie @codebase i których naprawdę nie można skontrolować. Aider znajduje się po drugiej stronie: czyta całe repozytorium git i buduje repo-map, deterministycznie, bez żadnych embeddingów. Możesz dokładnie skontrolować, co trafiło do modelu. Ta sama inwersja architektoniczna, ale zupełnie inna przejrzystość. Głębsze porównanie narzędzie po narzędziu opisaliśmy w naszym starcie agentowych CLI do kodowania i starły się bezpośrednio w OpenCode vs Claude Code gdzie indziej.
Pod formatami przypisanymi do konkretnych narzędzi krzepnie wspólny standard. AGENTS.md wyłonił się w ekosystemie narzędzi agentowych (OpenAI Codex, Amp, Jules od Google'a, Cursor i Factory) i obecnie jest zarządzane przez Agentic AI Foundation w ramach Linux Foundation, przyjęty w ponad 60 000 repozytoriów. To awans pliku kontekstu ładowanego przed sesją z wygody jednego narzędzia do rangi pełnoprawnego, przenośnego artefaktu: branża zgadza się, że „to, co agent czyta, zanim się odezwiesz”, zasługuje na własny standard.
Co mówią dowody o tym, czy cokolwiek z tego pomaga
Tu właśnie komfortowa narracja się załamuje. Zespół z ETH Zurich (Gloaguen, Mündler, Müller, Raychev i Vechev) przeprowadził kontrolowaną ocenę, „Ocena AGENTS.md,“ tego, czy te pliki kontekstu na poziomie repozytorium faktycznie poprawiają skuteczność agentów kodujących. W badanych agentach i modelach wynik nie brzmiał ani „pliki kontekstu działają”, ani „pliki kontekstu zawodzą”. Aktualne streszczenie mówi, że pliki kontekstu na ogół nie poprawiają skuteczności wykonywania zadań, a koszt inferencji podnoszą średnio o ponad 20%. W szczegółowych wynikach pracy wyjątkiem były pliki napisane przez deweloperów: poprawiały wyniki średnio o około 4%, ale zwiększały koszt nawet o 19%. Pliki wygenerowane przez LLM poszły w złą stronę, obniżając wyniki średnio o około 3% i podnosząc koszt o ponad 20%. Trzeci wniosek to zaostrza: agenci wywołują narzędzie 1,6-2,5 razy częściej, gdy jest ono wymienione w pliku kontekstu, co pomaga albo szkodzi, w całości zależnie od tego, czy te dodatkowe wywołania były uzasadnione.
Zatrzymaj się na sekundę przy wierszu o plikach generowanych przez LLM, bo to on niesie cały ciężar. Plik, którego nie napisałeś sam, czy to wygenerowany przez model, czy pobrany ze społecznościowego zestawu „najlepszych konfiguracji CLAUDE.md” i wrzucony do repozytorium, brzmi dla agenta jak instrukcje od kogoś, kto tak naprawdę nie zna twojej bazy kodu. W modelach z tego badania bilans wyszedł ujemny: płaciłeś więcej tokenów za nieco gorsze wyniki. recenzja Augment Code na ten temat dobrze to ujmuje, nazywając nagromadzony efekt „szufladą z rupieciami w kontekście twojego agenta”. Każda wiarygodnie wyglądająca instrukcja, którą tam wrzucasz, ma swój koszt, a te, których nie napisałeś ty, dla bazy kodu, której nie rozumieją, zwykle kosztują więcej, niż dają.
Nie czytam tego ani jako „pliki kontekstu są złe”, ani jako „pliki kontekstu są dobre”. To właśnie takie ramy wszystko albo nic rozsypują się przy zderzeniu z danymi. Węższy odczyt brzmi tak: kontekst to infrastruktura, którą projektujesz świadomie, a plik, którego nie napisałeś, do bazy kodu, której nie rozumie, jest kosztem, a nie prezentem. Zastrzeżenie co do zakresu też ma znaczenie. To jest to, co praca ustaliła dla przetestowanych modeli i agentów, a nie uniwersalne prawo dotyczące każdego LLM. Ale mocno wskazuje w jednym kierunku i potwierdza to strona dostawcy: zespół stosowanej AI w Anthropic odnotował przesunięcie w stronę ładowania kontekstu „na czas” przez narzędzia w czasie działania, zamiast wczytywania wszystkiego z góry, i opisuje podejście hybrydowe, które część danych pobiera z góry, a resztę eksploruje w czasie działania. Kiedy firma wydająca CLAUDE.md sama skłania się ku mniejszemu wczytywaniu z góry, odruch wklejania gigantycznego pliku kontekstu zasługuje na ponowne przemyślenie.
Wniosek z sekcji: autorstwo jest sygnałem, który przewiduje, czy kontekst się opłaci. Koszt tokenów jest taki sam w obu przypadkach; zwrot zmienia to, czy instrukcje napisał ktoś, kto naprawdę zna kod.
Kontekst, który zanika: dlaczego początek sesji to nie cała historia
Wstępne wczytanie ustala ograniczenie. Nie utrzymuje go. To, na co deweloperzy wciąż się natykają, to druga połowa tej historii: kontekst starannie ułożony na starcie sesji eroduje w trakcie jej trwania, i dzieje się to po cichu.
Pomocny sposób zobrazowania tego pochodzi z ujęcia zespołu Mem0, który stwierdza, że okno kontekstu to RAM, nie pamięć masowa, ulotna i ograniczona, a nie trwałe miejsce, w którym mieszkają Twoje instrukcje. Załaduj coś na starcie, a będzie obecne; prowadź rozmowę dostatecznie długo bez sięgania po to, a wyblaknie, tak jak zmienna, do której przestajesz się odwoływać, w końcu zostaje nadpisana. To mechanizm stojący za zjawiskiem, które badacze nazywają zanikaniem instrukcji. Badanie z 2026 roku autorstwa Gamage i współpracowników wykazał, że ograniczenia typu „nie rób tego” są szczególnie kruche: w jednym z testowanych ustawień zgodność spadła z 73% w 5. turze do około 33% w 16. turze. To wynik laboratoryjny, a nie uniwersalna stała, ale pokrywa się z tym, co wiele osób odczuwa w długich sesjach.
Granica sesji to miejsce, gdzie staje się to wyraźniejsze. Programiści w dyskusji na Hacker News zgłaszają, że uruchamiane subagenty mogą mieć problemy z przekazywaniem kontekstu, więc praca oddana w połowie zadania może trafić z mniejszą częścią kontekstu sesji nadrzędnej, niż zakładałeś. A bezczynność ma swój własny koszt: w wątku, w którym Boris Cherny z Anthropic zabrał głos, dyskusja opisuje, jak bezczynna sesja może wywołać ogromną odbudowę po chybieniu w cache, setki tysięcy tokenów, bez żadnego ostrzeżenia dla Ciebie. Wspólnym motywem, który społeczność zgłasza raz po raz, jest cisza: uruchamia się kompaktowanie, wcześniejsze rozumowanie zostaje przycięte, jakość spada, a nic na ekranie nie mówi Ci, że tak się stało. Po prostu zauważasz, że wynik się pogorszył.
Czy samodzielny hosting daje ci większą kontrolę?
Uruchom całość samodzielnie (Ollama plus Open WebUI albo agent taki jak Aider czy Continue.dev wskazujący lokalny model), a szczera odpowiedź na pytanie „czy mam teraz większą kontrolę?” brzmi: zyskujesz więcej widoczność, a nie większa kontrola wewnętrzna. To rozróżnienie jest sednem sprawy.
To, co self-hosting naprawdę ci daje, to wgląd. Żadne dane rozmów nie opuszczają twojej infrastruktury. Możesz przeczytać cały prompt systemowy, zamiast przyjmować zamknięty na wiarę. Dzięki deterministycznemu narzędziu takiemu jak Aider możesz dokładnie prześledzić, co trafiło do każdego wywołania modelu: repo-map to czytelny artefakt, a nie semantyczna czarna skrzynka w rodzaju indeksu embeddingów w Cursorze. Dla każdego, komu zależy na audytowalności i powtarzalności, na możliwości odpowiedzenia na pytanie „co agent naprawdę zobaczył?”, ta możliwość wglądu jest realna i nie jest niczym błahym.
Ale architektonicznej inwersji nie obchodzi, gdzie działa model. Czy korzystasz z lokalnego modelu przez Ollama, z Claude Code podpiętego do chmurowego API, czy z Cursor w abonamencie, agent i tak czyta swój kontekst sprzed sesji, zanim się odezwiesz, i nadal to ty musisz ten kontekst świadomie zaprojektować. Dyscyplina jest identyczna. Samodzielny hosting daje ci czystsze okno na mechanizm; nie daje innego mechanizmu i z pewnością nie zwalnia cię z lekcji ETH Zurich o tym, co się dzieje, gdy ładujesz kontekst, którego sam nie napisałeś. Jedna zmiana warta wyniesienia z tego wszystkiego jest taka: przestań traktować plik kontekstu jak prezent wręczany agentowi, a zacznij traktować go jak infrastrukturę z bieżącym kosztem. Pisz to, co naprawdę rozumiesz ze swojej bazy kodu, ładuj raczej mniej niż więcej i pamiętaj, że agent przeczytał najpierw ciebie, więc wersja ciebie, którą przeczytał, powinna być taka, za którą jesteś w stanie ręczyć.
Często zadawane pytania
Czy agenci kodowania AI czytają twoje pliki, zanim cokolwiek wpiszesz?
Tak. Na starcie sesji agent kodujący z AI wczytuje swój prompt systemowy, definicje narzędzi i twoje pliki kontekstu (CLAUDE.md, .cursorrules lub AGENTS.md) wraz z ewentualnym repo-map czy plikiem pamięci, a wszystko to jeszcze przed twoją pierwszą wiadomością. W samym Claude Code plik CLAUDE.md jest dostarczany jako wiadomość użytkownika tuż po prompcie systemowym, więc rozmowa faktycznie zaczyna się od twojego pliku, a nie od ciebie.
Czy pliki kontekstu, takie jak CLAUDE.md, rzeczywiście poprawiają wydajność agenta?
Częściowo, i mniej niż większość ludzi zakłada. W Ocena ETH Zurich plików w stylu AGENTS.md, obecne streszczenie mówi, że pliki kontekstu na ogół nie poprawiają skuteczności zadań i podnoszą koszt inferencji średnio o ponad 20%. Szczegółowe wyniki są bardziej użyteczne dla praktyków: pliki dostarczone przez deweloperów poprawiły wydajność średnio o około 4%, ale zwiększyły koszt nawet o 19%, podczas gdy pliki wygenerowane przez LLM obniżyły wydajność średnio o około 3% i podniosły koszt o ponad 20%. Praktyczny wniosek: plik, który sam napisałeś i rozumiesz, może trochę pomóc; plik, którego nie pisałeś, może po cichu cię kosztować.
Ile okna kontekstowego jest używane przed wysłaniem wiadomości?
Znaczną część. Prompt systemowy, definicje narzędzi i instrukcje zachowania ładują się przed jakimkolwiek wejściem użytkownika i razem zajmują zauważalny kawałek efektywnego okna kontekstu. Twój użyteczny budżet roboczy jest mniejszy niż reklamowane okno kontekstu modelu właśnie przez ten stały narzut startowy.
Czy self-hosting modelu AI daje ci większą kontrolę nad kontekstem?
Więcej wglądu, a nie więcej rzeczywistej kontroli. Hosting na własnym sprzęcie pozwala obejrzeć cały prompt systemowy, trzyma dane rozmów na Twojej infrastrukturze i (przy deterministycznym narzędziu takim jak Aider) pozwala dokładnie prześledzić, co trafiło do każdego wywołania. Ale architektura kontekstu sprzed sesji jest taka sama jak w narzędziach chmurowych i nadal musisz projektować swój kontekst świadomie.
Co to jest AGENTS.md?
AGENTS.md to otwarty format, który mówi agentom programistycznym, jak pracować z bazą kodu: odpowiednik pliku README skierowany do agenta. Powstał w całym ekosystemie narzędzi agentowych (OpenAI Codex, Amp, Jules od Google, Cursor i Factory), a dziś opiekuje się nim Agentic AI Foundation działająca w ramach Linux Foundation. Przy wdrożeniu w ponad 60 000 repozytoriów staje się wyłaniającym się standardem międzynarzędziowym dla kontekstu agenta przed sesją.
