By admin on
Video url
https://www.youtube.com/watch?v=eifcDbiHfFw

Tutorial: AI w terminalu – Claude Code Deep Dive

Wprowadzenie

W tym samouczku tekstowym zagłębimy się w świat sztucznej inteligencji, koncentrując się na uruchamianiu Claude'a AI bezpośrednio w Twoim terminalu. Pokażemy Ci krok po kroku, jak skonfigurować niezbędne narzędzia i jak z nimi pracować, aby efektywnie korzystać z mocy AI bez opuszczania wiersza poleceń. Przygotuj się na fascynującą podróż do serca interakcji z AI!

Step 1: Kodowanie w chmurze – początki i świadome korzystanie z AI

Cloud Code to obecnie najlepsze rozwiązanie dla programistów, którzy chcą podnieść swoją produktywność, jakość pracy i komfort, wykorzystując w tym celu sztuczną inteligencję. Przewyższa on popularne narzędzia takie jak Cursor czy Wiserf, a porównywanie go z Copilotem czy ChatGPT jest bezsensowne, ponieważ Cloud Code pozostawia je daleko w tyle. Narzędzie to jest napędzane przez modele Claude 4 i zostało stworzone przez firmę Anthropic, dostawcę tych modeli. Działa w dowolnym terminalu, niezależnie od tego, czy kodujesz w Visual Studio Code, JetBrains, czy korzystasz z innych terminali, takich jak Warp czy iTerm.

Opcje płatności:

  • Subskrypcja: Zakup subskrypcji na stronie cot.ai. Dostępne są trzy opcje, które zostaną szczegółowo omówione.
  • Pay-as-you-go: Użycie klucza API, co jest znacznie droższe dla większości użytkowników. Konto można założyć na console.com, doładować je wybraną wartością i wpiąć klucz do Cloud Code.

Instalacja i pierwsze kroki:

  1. Zainstaluj Node.js w wersji 18 lub nowszej.
  2. Zainstaluj Cloud Code globalnie za pomocą npm, wpisując w terminalu komendę:
    npm install -g @antropic-ai/cloud-code
  3. Uruchom Cloud Code w folderze projektu, wpisując w terminalu komendę:
    cloud
  4. Zaloguj się do swojego konta.

Korzystanie z Cloud Code:

Po zalogowaniu pojawi się okienko Cloud Code, w którym możesz wprowadzać prompty.

  • Dostęp do komend: Wpisz ? (znak zapytania), aby zobaczyć listę wszystkich kluczowych komend.
  • Użycie wbudowanych komend: Wpisz / (slash), aby wyświetlić pełną listę komend, które Cloud Code udostępnia na start. Możliwe jest również dodawanie własnych komend.
  • Użycie komend Basha: Aby wprowadzić komendy Basha, użyj wykrzyknika !. Na przykład, aby zmienić folder, wpisz !cd . Cloud Code przeniesie się wtedy do kontekstu danego folderu.
  • Przekazywanie plików do kontekstu: Aby odwołać się do pliku i przekazać go do kontekstu prompta, użyj symbolu @. Na przykład, wpisując @, możesz przekazać zawartość pliku do prompta, a następnie Cloud Code przejdzie do akcji.

Przykład praktyczny: Tenex Rules

Aplikacja Tenex Rules, rozwijana wspólnie z Przemkiem, zawiera instrukcje dla AI dopasowane do stosu technologicznego projektu. Koncentruje się ona na technologiach webowych (React, Supabase). Obecnie instrukcje są przechowywane w plikach .ts w kodzie aplikacji, co pozwala na szybką iterację, ale ma ograniczenia:

  • Zmiany w instrukcjach wymagają wystawienia PR, co jest dostępne tylko dla deweloperów.
  • Zmiana zasad wiąże się z wydaniem nowej wersji aplikacji, co wymaga deploymentu.
  • Instrukcje są dostępne dla wszystkich użytkowników bez rozgraniczenia.

Celem jest przeniesienie instrukcji do bazy danych Supabase, co umożliwi lepsze zarządzanie zasadami, stworzenie UI do wprowadzania zmian i rozszerzenie aplikacji o dedykowane zasady dla użytkowników i organizacji.

Cykl pracy z Cloud Code:

  1. Zebranie kontekstu: Określ istotne obszary kodu i pliki. W większych projektach agent powinien interesować się tylko relewantną częścią kodu.
  2. Formułowanie planu: Agent tworzy plan realizacji zadania krok po kroku.
  3. Podejmowane działania: Dodaje nowe pliki, edytuje istniejące, uruchamia testy i Linter, sprawdza kierunek pracy. W ten sposób powstaje pętla zwrotna, która pozwala zbierać nowy kontekst i formułować nowe plany, aż do realizacji zadania.

Rozpoczęcie pracy z Cloud Code – komenda init:

Niezależnie od zadania, zacznij od komendy init. Wpisz /init.

  • Działanie komendy init: Skanuje projekt i tworzy podsumowanie stosu technologicznego, architektury, najważniejszych komponentów, skryptów (do testów, Lintera), struktury katalogów. Wynik jest zapisywany w pliku cloud.md.

  • Automatyczne przekazywanie kontekstu: Informacje z cloud.md są automatycznie przekazywane do każdego prompta, pomagając Cloud Code odnaleźć się w projekcie. Plik ten zawiera:

    • Wszystkie skrypty.
    • Stos technologiczny.
    • Strukturę projektu i foldery.
    • Kluczowe elementy architektury.
    • Informacje o serwerze MCP (udostępnia zasady do edytorów).
    • Informacje o zarządzaniu stanem, operacjach z .env.
    • Integrację z bazą danych, strategię testowania.

Efektywne rozwiązywanie zadań z plan mode:

Większość osób popełnia błąd, wpisując proste prompty, np. "przemigruj mi rulesy do bazy danych", i oczekuje satysfakcjonujących efektów. Aby poprawić skuteczność:

  1. Aktywuj plan mode: Naciśnij dwukrotnie Shift + Tab. W okienku pojawi się informacja "plan mode on". Cloud Code przejdzie w tryb planowania i przygotowywania planu rozwiązania.

    • Kiedy używać plan mode: Zawsze, chyba że zadanie jest banalne i dotyczy tylko jednego pliku.
    • Przekazywanie informacji: Przekaż podstawowe informacje o problemie i oczekiwanym rozwiązaniu. Im więcej szczegółów (np. opis ticketa z Jira), tym lepiej.

  2. Generowanie planu: Cloud Code przejrzy projekt, przygotuje plan i zapyta, co dalej:

    • "Czy chcesz, żebym wprowadził ten plan w życie?"
    • "Czy chcesz, żebym wprowadził, ale będę się tutaj często pytał o zdanie?"
    • continue planning (zalecane): Kontynuuj planowanie, wyjdź z trybu, gdzie Cloud Code kończy pracę, pozostawiając plan. Samodzielnie podejmujesz decyzję.

  3. Modyfikacja planu:

    • Wybierz continue planning i wpisz prompt: "Zapisz ten plan, który przygotowałeś do pliku plan.md. Następnie przygotuj od razu review tego planu. Znajdź loophols, overengineering i inne sposoby na to, jak możemy ten plan poprawić. Zapisz to w plan_review.md."
    • Mając plan i jego recenzję od modelu, stwórz ostateczną wersję planu, korzystając z własnej wiedzy i sugestii modelu. Często początkowy plan jest zbyt ambitny (np. tworzenie wielu tabel zamiast jednej, nadmierne buforowanie). Ważne jest, aby dopracować ten plan, co zajmuje najwięcej czasu.

  4. Implementacja planu z ultrathink:

    • Po dopracowaniu planu powiedz: "Zaimplementuj teraz ten plan i skorzystaj z trybu ultrathink."
    • ultrathink: Jest to sposób na zarządzanie tym, ile tokenów Cloud Code używa na proces myślenia, analizy kroków i pisania kodu. Przy aktywacji tego trybu Cloud Code działa znacznie szybciej i efektywniej.

Optymalizacja i testowanie:

  • Testowanie rozwiązania: Przetestuj wygenerowane rozwiązanie.
  • Aktualizacja testów: Zaktualizuj testy automatyczne.
  • Iteracje i poprawki: Będą często potrzebne.
  • Code Review: Wykonaj code review samodzielnie i z modelem. Wprowadź dodatkowe poprawki.
  • Przygotowanie PR: Przygotuj opis pull requesta za pomocą Cloud Code i zgłoś go.

Kluczowe komendy Cloud Code:

Zapamiętaj kilka ważnych komend, które ułatwią pracę:

  • /clear: Czyści kontekst, w tym historię konwersacji. Używaj po zakończeniu zadania, aby nie zapychać kontekstu tokenami i zapewnić modelowi "czystą pamięć" do kolejnych zadań, co zwiększa jego efektywność i zmniejsza zużycie tokenów.
  • /permissions: Zarządza uprawnieniami. Więcej o tym na końcu.
  • /mcp: Zarządza serwerami MCP (Adam opowie o tym szczegółowo).
  • /model: Przełącza się między dostępnymi modelami (opcja dla subskrypcji Max).
  • /agent: Tworzy niestandardowych agentów do specjalistycznych zadań.

Korzystanie z Cloud Code i MCP (Multimodal Code Protocol):

Adam Gospodarczyk, twórca kursu AI dla programistów, przedstawia przykład korzystania z Cloud Code w kontekście aplikacji backendowej bez konieczności pisania kodu, wykorzystując generatywną AI. Aplikacja jest zbudowana w technologii Node.js, z frameworkiem Hono i Vercel AI SDK do interakcji z modelami językowymi, bazą danych SQLite oraz integracją z LFUS (narzędziem do monitorowania aplikacji wykorzystujących modele językowe).

Wprowadzanie kontekstu dla modelu:

Wiele narzędzi i bibliotek używanych w projekcie może wykraczać poza bazową wiedzę modelu (ze względu na knowledge cut-off) lub ich najnowsze wersje mogą być nieznane. Aby poradzić sobie z tym ograniczeniem, utwórz katalog spec i umieść w nim pliki Markdown (.md) zawierające istotne informacje.

  • Przykłady:

    • Fragmenty dokumentacji skopiowane i wklejone bezpośrednio do plików. Nie muszą zawierać całej dokumentacji, tylko wybrane funkcjonalności, z których korzystasz.
    • Zmodyfikowane fragmenty dokumentacji (np. przeformatowane, rozbite na mniejsze pliki).
    • Opisy aplikacji, jej możliwości, wykorzystywane narzędzia.
    • Opisy poszczególnych funkcjonalności lub głównych modułów aplikacji.

  • Korzyści z kontekstu:

    • Agent zapoznaje się z treścią plików i generuje poprawny kod za pierwszym razem lub poprawia go na prośbę użytkownika.
    • Zmniejsza ryzyko tworzenia nowych funkcji zamiast wykorzystywania istniejących, dzięki wskazywaniu na treść dokumentów.
    • Najważniejszym plikiem jest cloud.md, którego treść jest automatycznie dołączana do rozmowy. Zawiera on zasady rozwiązywania problemów, dostępnych agentów oraz strukturę projektu.

Personalizowanie odpowiedzi modelu:

Celem zgromadzenia kontekstu jest personalizacja odpowiedzi generowanych przez model. Możesz to zilustrować na przykładzie prostego zadania: ostylowanie stron autoryzacyjnych MCP dla wybranych usług (Spotify, Google, Linear, generyczni dostawcy).

  • Opis zadania dla modelu:

    • Plik odpowiedzialny za wyświetlanie szablonów wymaga zmiany.
    • Chcesz użyć Tailwind CSS (wersja CDN), który nie jest jeszcze podłączony.
    • Layout powinien być minimalistyczny, dostosowany do wspomnianych usług.
    • HTML ma znajdować się w oddzielnym pliku.
    • Zmienne mają być zarządzane przez framework Hono.

  • Generowanie specyfikacji: Skorzystaj z architekta odpowiedzialnego za tworzenie specyfikacji. Może on wygenerować dokument w formacie YAML, zawierający:

    • Definicję problemu.
    • Proponowane rozwiązanie, uwzględniające wspierane usługi.
    • Notatkę o spodziewanym efekcie.
    • Listę zadań (np. szablony w oddzielnych plikach).

Znaczenie protokołu MCP:

MCP ułatwia połączenie narzędzi takich jak Cloud Code (klienta/hosta) z serwerem MCP (np. serwerem Lineara). Standaryzuje komunikację między klientem a API, umożliwiając następujący schemat:

  • Zapytanie użytkownika: Użytkownik pyta o zaimplementowanie zagadnienia o wskazanym adresie HTTP z identyfikatorem.
  • Generowanie odpowiedzi przez model: Model językowy, nie mogąc fizycznie wykonać akcji, generuje obiekt JSON wskazujący nazwę narzędzia/akcji do uruchomienia oraz payload (np. ID).
  • Działanie serwera MCP: Serwer MCP wykorzystuje payload do pobrania szczegółów wpisu.
  • Komentarze i rezultaty: Pobrane szczegóły są zwracane do kontekstu konwersacji, co sprawia, że model zachowuje się, jakby uruchomił zewnętrzne narzędzie, widząc rezultaty.
  • Tworzenie i użycie serwera MCP: Serwer MCP można zaprojektować samodzielnie lub podłączyć się do istniejącego (zachowaj ostrożność przy nieoficjalnych serwerach bez dostępu do kodu źródłowego).

Automatyzacja i Code Review z Cloud Code:

Cloud Code może automatycznie poprawiać kod i tworzyć pull requesty. Na przykład, po poprawieniu części kodu, agent może utworzyć pull request i zamknąć zadanie na Linearnym. Pull request jest nie tylko odpowiednio opisany, ale także recenzowany przez bota Cloud Code, który wskazuje potencjalne błędy.

  • Rola programisty: Niezależnie od automatyzacji, nasza rola polega na czytaniu wygenerowanej specyfikacji i kodu oraz przede wszystkim na kontrolowaniu i kierowaniu całym procesem. Poprawienie kodu często sprowadza się do napisania jednego zdania lub zastosowania kolejnych promptów weryfikujących kod pod kątem zgodności z regułami czy bezpieczeństwa.
  • Korzyści z automatyzacji: Modele AI coraz częściej zwracają uwagę na elementy, które sami programiści mogliby pominąć. Jednakże, zdarzają się również duże błędy, dlatego programista musi być czujny. Możliwości modeli AI rosną, szczególnie w połączeniu z narzędziami takimi jak Cloud Code i dobrze zaprojektowaną specyfikacją.

Zarządzanie kontekstem w większych projektach – Tenex Devs:

Aby radzić sobie z zarządzaniem kontekstem w dużych projektach, twórcy polecają kurs Tenex Devs. Kurs ten, trwający 5 tygodni, ma pomóc rozwiązać wiele pytań dotyczących pracy z AI, m.in.:

  • Jak radzić sobie z kontekstem w dużych projektach.
  • Jak przechodzić od analizy wymagań do błyskawicznej implementacji, gdy kontekst jest właściwie opisany.
  • Jak wykorzystywać AI nie tylko do pisania nowego, ale także do refaktoryzacji kodu legacy.
  • Jak pisać testy i zarządzać pipeline'ami CI/CD.

Kurs jest przeznaczony dla programistów i profesjonalistów, którzy chcą dostarczać wysokiej jakości kod i mieć kontrolę nad całym procesem. Jego celem nie jest promowanie "vibe codingu", lecz efektywne wykorzystanie AI w celu podniesienia jakości oprogramowania. Materiał obejmuje około 40 godzin samodzielnej nauki, nowe lekcje co tydzień i sesje Q&A na żywo z zaproszonymi gośćmi.

Cloud Code w kontekście zespołowym i Platform Engineering:

Cloud Code nadaje się doskonale do pracy zespołowej i w zespołach platformowych.

  • Zespoły platformowe: Dostarczają usługi dla innych zespołów w celu podniesienia ich produktywności, wprowadzania standardów i minimalizowania barier wejścia. Cloud Code, ze swoimi rozszerzeniami i SDK, idealnie wpasowuje się w ten model.
  • Cloud Code jako plugin: To nie tylko agent terminalowy, ale pełnoprawny plugin, biblioteka i zestaw narzędzi integrowalnych z innym oprogramowaniem.
    • Integracje: Najpopularniejsze integracje dotyczą terminala (bash, powłoka, CLI).
    • SDK: Cloud Code SDK jest dostępne dla TypeScriptu i Pythona, co umożliwia programistyczną obsługę agenta AI. Daje to szerokie możliwości wdrożenia sztucznej inteligencji do procesów firmowych.

Cloud Code w Terminalu - Przykłady:

  • Rozszerzalność komendy cloud: Komenda cloud jest rozszerzalna o wiele atrybutów.

    • Atrybut -p (print): Służy do wydawania poleceń agentowi. Możesz np. przechować błąd w zmiennej i poprosić Cloud Code o jego wyjaśnienie.
    • Pipelining: Możesz łączyć narzędzia shellowe. Przykład: cat error.log | cloud -p "explain this error".
    • Wiadomości systemowe: Agent obsługuje wiadomości systemowe za pomocą atrybutu --append-system-prompt. Służy to definiowaniu roli agenta i kontekstu jego pracy.

  • Agent czy LLM? Cloud Code to agent, a nie surowy LLM, dzięki czemu może posługiwać się narzędziami.

    • Model uprawnień: Cloud Code ma ustandaryzowany model uprawnień. Na stronie docs.cloudcode.com znajdziesz listę dostępnych narzędzi (np. bash, terminal, zapis do pliku, edycja pliku, użycie serwerów MCP), na które należy wyrazić zgodę.

  • Przykład mokowania obiektów: Możesz poprosić Cloud Code w trybie CLI o utworzenie moka user.json. Agent utworzy plik w systemie plików, który można wykorzystać w aplikacji, bez przełączania się do innych okien.

Cloud Code SDK – Integracja programistyczna:

  • Biblioteki: Cloud Code SDK jest dostępne jako biblioteka TypeScript na npm i jako biblioteka Python dla menedżerów pakietów Pythona.
  • Istotne rozróżnienie: Ważne jest, aby odróżnić Anthropic SDK (klient do API Anthropic) od Cloud Code SDK (programistyczna obsługa agenta). Nazwa pakietu musi wskazywać na Cloud Code SDK.

Przykład: Integracja z GitHub Actions:

Integracja Cloud Code z GitHub Actions pozwala na automatyzację procesów CI/CD. Przykład obejmuje automatyczne code review i poprawianie kodu przez Cloud Code.

  1. Sytuacja wyjściowa: Aplikacja Ala ChatGPT (obecnie Tenex Chat) z nowym branchem, na którym rozwijany jest nowy komponent (zegar). Kod zegara jest niskiej jakości.

  2. Tworzenie Pull Requesta: Junior deweloper tworzy pull requesta, dodając zegar (dwie części: integracja z UI i komponent).

  3. Code Review przez Cloud Code:

    • Dodaj labelkę Cloud Code Review do pull requesta.
    • W GitHub Actions uruchomioną zostanie automatyzacja code review for pull request.
    • W komentarzach do PR pojawi się informacja o trwającym code review i ostatecznie feedback od Cloud Code (np. o wyciekach pamięci, niewłaściwym użyciu Reacta, problemach z TypeScriptem, niespójnych konwencjach, braku tłumaczeń).
    • Asystent sugeruje dalsze działania, klasyfikując uwagi na trzy kategorie: akceptacja, warunkowe przejście (mandat), wymagane zmiany.

  4. Automatyczne poprawianie kodu:

    • Jeśli kod jest słaby, dodaj labelkę Cloud Code Support.
    • Cloud Code przeanalizuje uwagi z poprzedniego komentarza i wprowadzi zmiany na danym branchu.
    • Automatyzacja działa w tle. Po zakończeniu pracy Cloud Code tworzy nowy commit z ulepszonym kodem (np. lepsze użycie TypeScriptu, interfejsy, refaktoryzacja, hooki, czyszczenie interwału eliminujące wycieki pamięci).

Jak działa integracja z GitHub Actions?

Całość opiera się na dwóch plikach YAML w GitHub Actions:

  • Plik Code Review: Warunkowo uruchamia się w zależności od labelek (Cloud Code Review lub Cloud Code Support).
    1. Instalacja Cloud Code: Instaluje Cloud Code programistycznie, tak jak na lokalnej maszynie.
    2. Komentarz o statusie: Dodaje komentarz typu sticky pull request comment informujący o trwającym code review.
    3. Programistyczne użycie Cloud Code:
      • Pobiera diff z obecnego brancha porównując go do mastera.
      • Pobiera predefiniowany prompt z kryteriami.
      • Wywołuje komendę cloud z poleceniem przeprowadzenia code review na pobranym diffie. Wymagana jest autoryzacja za pomocą klucza Anthropic.
      • Zapisuje wynik do pliku Cloud Review MD.
      • Aktualizuje komentarz w PR po przygotowaniu pliku.
  • Plik naprawczy: Działa podobnie, ale zmienia prompt, aby zamiast recenzji, Cloud Code aktualizował zmiany.
  • Zalety: Pełna kontrola nad procesem, możliwość modyfikacji promptów i kryteriów oceny. Możesz zdefiniować blokery, majory, minory oraz sposób, w jaki Cloud Code powinien oceniać zmiany.
  • Repozytorium jako opiekun: Cloud Code staje się opiekunem repozytorium, automatyzując żmudne zadania i przyspieszając procesy inżynierii oprogramowania.

Inne narzędzia i ich porównanie:

  • Cloud Code vs. LLM (API): Cloud Code SDK to agent AI z gotowymi funkcjami (konwencje, konfiguracje, komendy, model uprawnień, obsługa narzędzi, wsparcie dla MCP, SDK). Surowe API LLM wymaga ręcznego budowania tych funkcjonalności. Agent Cloud Code nie ma pełnego dostępu do systemu plików, co zwiększa bezpieczeństwo.
  • Alternatywy dla Cloud Code:
    • OpenAI Codex CLI (możliwość darmowego użycia GPT-4).
    • Gemini CLI.
    • Open Code (uniwersalny i otwarty agent, niezależny od dostawcy, współpracuje z różnymi modelami).

Bezpieczeństwo i koszty – zarządzanie uprawnieniami:

Cloud Code dba o bezpieczeństwo. Możesz łatwo zablokować dostęp do wrażliwych plików i sekretów przechowywanych w repozytorium za pomocą funkcji /permissions.

  • Typy uprawnień:

    • Allow: Pozwala na domyślne wykonanie operacji bez pytania.
    • Ask: Cloud Code za każdym razem pyta o zgodę na wykonanie operacji.
    • Deny: Blokuje operację.

  • Domyślne ustawienia (rekomendowane):

    • Git: Ask
    • Read: Ask
    • Write: Ask
    • Shell: Ask
    • Execute: Ask (jeżeli masz pliki wykonywalne, bo inaczej Deny)
    • Modify File System: Ask (to jest kluczowe dla bezpieczeństwa)
    • Wyjątki dla specyficznych katalogów (np. . lub ./src) ustawić na Allow.

  • Prywatność i bezpieczeństwo: Cloud Code opiera się na tollin`gu (przepływie danych kontekstowych w czasie rzeczywistym), a nie indeksowaniu całych repozytoriów. To oznacza, że żadne wrażliwe dane nie są indeksowane i przechowywane na stałe na serwerach Anthropic, co zwiększa bezpieczeństwo i prywatność.

Klucz do efektywności AI – Mindset i Context Engineering:

Narzędzia i modele to tylko początek. Niezwykle ważny jest sposób pracy i podejście:

  • Precyzyjne prompty: Umiejętność pisania jasnych i spójnych instrukcji dla modelu.
  • Znajomość narzędzi: Wiedza o dostępnych narzędziach, ich mocnych stronach i ograniczeniach, oraz ich dostosowanie do własnych preferencji i potrzeb pod kątem bezpieczeństwa i kosztów.
  • Context Engineering/Development: Proces tworzenia i ulepszania instrukcji dla AI oraz przekazywania odpowiedniego kontekstu, aby agenci AI działali zgodnie z intencjami i potrzebami. Jest to zespół umiejętności, które trzeba wyrobić, wymaga praktyki i świadomego podejścia.
  • AI a doświadczenie dewelopera: AI zwiększa możliwości programisty. Im lepszym jesteś programistą, tym więcej AI może ci dać. Połączenie doświadczenia programisty z narzędziami AI daje najlepsze efekty.
  • Kontrola nad procesem: Kluczowe jest utrzymanie kontroli nad procesem i generowanym kodem. AI to pomoc, nie zastępca.
  • Unikaj "vibe codingu": Nie chodzi o szybkie pisanie byle jakiego kodu. Nacisk kładziony jest na code review, jakość kodu, wyspecjalizowane prompty i rozbudowany kontekst. AI pozwala skupić się na testach, user experience i wydajności.

Dodatkowe wskazówki i dyskusja:

  • Cloud Code Router: Możliwe jest podpięcie innych modeli (np. GPT-5) do Cloud Code za pomocą Cloud Code Routera. Jednak niektóre modele mogą być niestabilne lub mieć problemy z API.
  • GPT-5: Jest to bardzo dobry model do programowania, gdy ma się dobry prompt. Pamięta kontekst zadania od początku do końca i zwraca uwagę na szczegóły, które inne modele często pomijają.
  • Język promptów: Pisanie promptów po polsku zużywa więcej tokenów (ok. 60-80% więcej) i spowalnia pracę modelu w porównaniu do języka angielskiego. Polecane jest pisanie po angielsku, aby zredukować koszty i zwiększyć szybkość.
  • Monitorowanie tokenów: W subskrypcjach możliwość wyświetlania licznika tokenów została ukryta. W trybie pay-as-you-go można sprawdzać zużycie za pomocą komendy cost.
  • Cloud Code a edytory (np. Cursor): Cloud Code nie ma wbudowanego wygodnego sposobu śledzenia zmian; do tego potrzebny jest edytor z dobrym git diff (np. w VS Code czy JetBrains).
  • Praca w zespole: Plany zespołowe Cloud Code pozwalają rozdzielać subskrypcje i klucze API między członków zespołu oraz ustawiać limity zużycia tokenów. Ważne jest dzielenie się wiedzą i tworzenie polityk oraz zbiorów tipów.
  • Przewaga Cloud Code nad Cursorem: Cloud Code ma pewną przewagę w implementacji logiki agenta i efektach, które można osiągnąć dzięki jego toolingowi, nawet z modelami uważanymi za gorsze. Adam Gospodarczyk korzysta zarówno z Cursora, jak i Cloud Code, w zależności od zadania.
  • Przyszłość: Zmieniający się krajobraz narzędzi wymaga elastyczności. Ważne jest, aby workflow był łatwo przenoszalny między różnymi narzędziami.
  • Tenex Devs jako uzupełnienie AIFs: Tak, to jest dobre uzupełnienie. AIFs uczy wdrażać LLM do logiki aplikacji, natomiast Tenex Devs pokazuje, jak wykorzystywać LLM w procesie wytwarzania oprogramowania, niezależnie od tego, czy aplikacja sama w sobie korzysta z LLM.
  • Narzędzia i konfiguracja: Kurs Tenex Devs pokaże, jak skonfigurować środowisko, co instalować i jak zacząć, aby uzyskać optymalne środowisko pracy.
  • Wielkość projektów: Cloud Code Init działa dobrze w małych projektach. W dużych monorepo z setkami tysięcy linii kodu, żaden agent AI (ani programista) nie zna całości. W takich przypadkach należy dzielić aplikacje na moduły, opisywać każdy z nich i przekazywać Cloud Code kontekst moduł po module.
  • Niepełne delegowanie do AI: Nie chodzi o pełne delegowanie wszystkiego do AI. Sweet spot to połączenie doświadczenia programisty z narzędziami AI. W kursie pokazywane jest, kiedy nie korzystać z AI.
  • Dostęp do kursu: Uczestnicy pierwszej edycji mają 50% zniżki na drugą edycję.
  • Czas na kurs: Około 40 godzin samodzielnej pracy plus projekt. Całościowo 60-70 godzin, aby zrobić wszystko od deski do deski i stworzyć dobry projekt.

Conclusion

Zakończenie

Podsumowując, ten samouczek przeprowadził Cię przez cały proces konfiguracji i interakcji z Claude AI w terminalu. Od pierwszej konfiguracji po bieżące użycie, mamy nadzieję, że czujesz się teraz pewnie w obsłudze sztucznej inteligencji bezpośrednio z wiersza poleceń. To była kompleksowa lekcja zanurzenia się w głębiny kodu AI.