Skills 2.0 - jak buduję system wieloagentowy do zarządzania firmą

Od kilku dni buduję coś, czego szukałem od dawna — system, w którym agenci AI nie tylko odpowiadają na pytania, ale zarządzają konkretnymi obszarami moich firm. Zarówno 200IQ Labs (qamera.ai) jak i PLSoft.

Problem znasz, jeśli prowadzisz firmę i korzystasz z AI. Masz Claude Project z promptem dla CFO. Osobny z promptami marketingowymi. Obsidian z notatkami. Pięć ad-hoc konwersacji dziennie, w których tłumaczysz kontekst od zera. Każda sesja to tabula rasa. Każdy agent nie wie nic o tym, co robi drugi.

W 5 technikach pracy z Claude Code opisywałem PRD-first development, modularność reguł i przekształcanie powtarzalnych zadań w komendy. To był fundament. Teraz przeskakuję na kolejny poziom — Skills 2.0 + Agent Skills standard + Git = system wieloagentowy, który działa jak zespół specjalistów. Każdy agent zna swoją rolę, ma swoje narzędzia, i nie wchodzi drugiemu w paradę.

W tym artykule pokażę Ci jak to wygląda od środka — od problemu rozproszonych kontekstów, przez architekturę trzech repozytoriów, po praktyczny przykład budowy agenta CFO krok po kroku.

Dlaczego AI w firmie to wciąż chaos

Każdy kto poważnie używa AI w biznesie prędzej czy później trafia na ten sam mur. Masz kilka Claude Projects — jeden z promptem dla CFO, drugi z promptami do tworzenia contentu, trzeci do analizy prawnej. Do tego Obsidian pełen notatek i ad-hoc czaty w przeglądarce. Wygląda to tak:

┌──────────────┐  ┌──────────────┐  ┌──────────────┐
│Claude Project│  │   Obsidian   │  │  Ad-hoc chat │
│   "CFO"      │  │  "Notatki"   │  │  "Pomóż mi"  │
└──────┬───────┘  └──────┬───────┘  └──────┬───────┘
       │                 │                 │
       └─────────────────┼─────────────────┘
                         ▼
               ❌ Zero orchestration
               ❌ No shared context
               ❌ No versioning

Cztery fundamentalne problemy tego podejścia:

• Brak orkiestracji — agenci nie wiedzą o sobie nawzajem. Agent CFO nie wie, że agent marketingowy właśnie zaplanował kampanię wymagającą budżetu. Każdy działa w próżni.
• Brak wersjonowania — zmieniasz prompt systemowy w Claude Project i nie masz pojęcia co było wcześniej. Nie wiesz, czy agent działa lepiej czy gorzej po zmianie. Nie ma historii, nie ma diff'ów.
• Brak testów — skąd wiesz, że Twój agent CFO generuje dobre raporty? Sprawdzasz ręcznie, za każdym razem. Zero automatyzacji, zero powtarzalności.
• Brak separacji kontekstów — prompt systemowy w Claude Project to tekst w polu. Nie ma struktury, nie ma modularności. Wszystko w jednym miejscu, bez izolacji danych między firmami.

To nie jest problem narzędzia. To problem architektury. A raczej — jej braku.

Pisałem o tym w kontekście zarządzania wiedzą w artykule o Second Brain z Obsidian i Claude Code. Tam chodziło o organizację notatek i wiedzy osobistej. Teraz stawka jest wyższa — chodzi o zarządzanie firmą.

Czym są Skills w Claude Code

Zanim przejdziemy do systemu wieloagentowego, wyjaśnijmy fundamenty. Skills w Claude Code to modułowe instrukcje — przepisy (recipes) — które uczą agenta AI konkretnych workflow, procesów i umiejętności. To nie są zwykłe prompty. Skill ma dostęp do file system, web search, skryptów i narzędzi. Żyje jako plik SKILL.md w repozytorium, jest wersjonowany przez Git i ładowany automatycznie gdy agent go potrzebuje.

Ewolucja wyglądała tak:

1. Prompt — tekst wpisywany ad-hoc w czat. Zero trwałości, zero struktury.
2. CLAUDE.md rules — instrukcje w repozytorium. Trwałe, ale monolityczne — jeden plik ze wszystkim.
3. Skills 1.0 — modularność, ładowanie on-demand. Krok naprzód, ale z poważnymi ograniczeniami.
4. Skills 2.0 — pełna standaryzacja z evals, benchmarks, trigger tuning i dystrybucją.

Różnica między 1.0 a 2.0 to nie kosmetyczna aktualizacja. To zmiana paradygmatu.

Skills 1.0 — era eksperymentalna

Skills 1.0 pojawiły się w pierwszych wersjach Claude Code i miały charakter nieudokumentowany. System opierał się na ukrytych mechanizmach rozpoznawania wzorców — "magic bootstrappy parts" — które interpretowały pliki markdown, pod warunkiem idealnego skonfigurowania metadanych.

Główne problemy:

• Zero testów — cykl życia skill opierał się na zgadywaniu. Pisałeś instrukcje, uruchamiałeś ręcznie kilka promptów i zakładałeś że działa. Nie było żadnej empirycznej metody na ocenę czy zmiana w instrukcjach poprawiła czy pogorszyła zachowanie agenta.
• Niezwalidowany kontekst — kontekst dostarczany modelowi miał status "unvalidated". W połączeniu z naturalną tendencją modeli do halucynacji, niezweryfikowane instrukcje prowadziły do błędów systemowych.
• Brak taksonomii — wszystkie skills były traktowane jednakowo. Nie istniał podział na typy, co utrudniało zarządzanie i deprecjację.
• Context bleed — pojedyncze, sekwencyjne uruchomienia powodowały wyciek kontekstu między zadaniami.

Skills 2.0 — era standaryzacji

Skills 2.0, wdrożone na początku marca 2026, wprowadzają standardy zaczerpnięte z dojrzałej inżynierii oprogramowania. Kluczowe zmiany:

To ostatni punkt jest szczególnie ciekawy. Skill-creator w wersji 2.0 nie testuje skill'a w jednej instancji. Powołuje cztery izolowane sub-agenty:

1. Executor — uruchamia skill w sterylnym środowisku, bez historii poprzednich konwersacji
2. Grader — ocenia output na podstawie zdefiniowanych asercji, zwraca pass rate
3. Comparator — przeprowadza ślepe testy A/B między wersjami skill'a — nie wie który wynik jest nowy, a który stary
4. Analyzer — analizuje setki wyników, szuka ukrytych wzorców i anomalii w zużyciu tokenów

To nie jest "sprawdź czy działa". To inżynieria jakości na poziomie produkcyjnego oprogramowania.

Dwa typy skills — i dlaczego to ma znaczenie

Skills 2.0 wprowadza formalną taksonomię — podział na dwie kategorie o radykalnie różnym cyklu życia:

• Capability uplift — uczy AI nowej umiejętności, np. frontend design, code review, analiza danych. Kluczowa cecha: podlega planowanej deprecjacji. Gdy bazowy model staje się lepszy (skok z Sonnet 4.5 na Opus 4.6 to różnica 190 punktów Elo w testach GDPval-AA), skill traci rację bytu. Evals automatycznie to wykrywają — gdy agent bez skill'a osiąga te same wyniki co z nim, dostajesz sygnał do deprecjacji.
• Encoded preference — koduje Twój specyficzny workflow. Jak tworzysz raporty, jak analizujesz dane, jak piszesz content. Trwałe, bo specyficzne dla Ciebie. Nowy model nie zmieni tego, że chcesz raporty w konkretnym formacie. Deprecjacja następuje tylko gdy Ty zmienisz swój proces.

System prompt:               Skill 2.0:
─────────────               ──────────
Tekst w polu                SKILL.md + pliki + evals
Brak testów                 Automatyczne benchmarks
Copy-paste                  Git + versioning
Jedna sesja                 Persistent across sessions
Brak walidacji              Validated context
Ręczne triggery             Trigger tuning

Pro tip: Jeśli budujesz system dla firmy, zacznij od encoded preference. Twój workflow, Twoje formaty, Twoje procesy — to się nie zdezaktualizuje. Capability uplift dodaj później, gdy potrzebujesz rozszerzyć umiejętności agenta.

Agent Skills — otwarty standard dla AI agentów

Skills 2.0 to feature Claude Code. Ale co z przenośnością? Co jeśli jutro pojawi się lepsze narzędzie?

Tu wchodzi Agent Skills standard — otwarty standard opublikowany na agentskills.io. Nie jest powiązany z żadnym vendorem. Definiuje strukturę pliku SKILL.md, sposób ładowania kontekstu i mechanizm trigger'ów.

Kluczowa koncepcja to progressive disclosure — trzypoziomowe ładowanie kontekstu:

1. Description — krótki opis (jedna linijka) widoczny zawsze w context window
2. SKILL.md — pełne instrukcje ładowane tylko gdy skill jest potrzebny
3. Reference files — dodatkowe zasoby (templates, dane) ładowane dla konkretnych operacji

Dzięki temu możesz mieć dziesiątki agentów bez przytłaczania context window. Każdy agent jest opisany jedną linijką. Dopiero gdy go potrzebujesz, ładowane są pełne instrukcje.

Struktura SKILL.md wygląda tak:

name: "CFO Agent"
description: "Financial analysis and reporting for PLSoft"
triggers:
  - "financial report"
  - "budget analysis"
  - "cash flow"
instructions: |
  You are the CFO agent for PLSoft.
  Your role is to analyze financial data,
  generate reports, and provide advisory...

To nie jest skomplikowane. SKILL.md to Markdown z YAML header — dokładnie jak frontmatter w postach blogowych. Jeśli potrafisz napisać notatkę w Obsidian, potrafisz stworzyć agenta.

Przenośność i brak vendor lock-in to główne cele standardu. Obecnie najlepiej wspierany przez Claude Code, ale specyfikacja jest publiczna. Inne narzędzia mogą ją zaimplementować bez żadnych ograniczeń.

Skill-creator — buduj agentów jak profesjonalista

Ręczne pisanie SKILL.md działa, ale jest jak pisanie kodu bez IDE. Możesz, ale po co?

Skill-creator to oficjalny plugin od Anthropic, który prowadzi Cię przez cały proces budowy agenta. Instalacja jest prosta:

# W Claude Code
/plugins
# → search "skill-creator"
# → install

Od tego momentu masz dostęp do workflow, który zamienia luźny opis intencji w przetestowanego, zoptymalizowanego agenta. Proces wygląda tak:

1. Intent — opisujesz co agent ma robić ("Agent do analizy finansowej i raportowania")
2. Interview — skill-creator zadaje pytania o specyfikę Twojego workflow
3. Draft — generuje pierwszą wersję SKILL.md
4. Test — uruchamiasz agenta z realnymi danymi
5. Evaluate — evals mierzą jakość outputu
6. Iterate — poprawiasz na podstawie wyników
7. Package — gotowy skill do dystrybucji

Trzy elementy wyróżniają ten workflow:

• Evals — automatyczna ocena jakości. Definiujesz co jest dobrym wynikiem, skill-creator testuje i mierzy. Nie zgadujesz czy agent działa — wiesz.
• Benchmarks — pass rate, czas wykonania, zużycie tokenów. Porównujesz wersje agenta, widzisz co się poprawiło, co się pogorszyło.
• Trigger tuning — optymalizacja description żeby skill uruchamiał się we właściwych momentach. Za szerokie triggery = false positives. Za wąskie = agent się nie aktywuje.

Od opisu intencji do działającego agenta — 20 minut. To nie przesada. Widziałem live demo, w którym od zera do działającego skill'a generującego PDF raporty minęło dokładnie tyle.

Mój system — 8 agentów, 3 repozytoria, zero chaosu

Teoria to jedno. Pokażę Ci jak wygląda mój system w praktyce.

Prowadzę dwie firmy — 200IQ Labs (spółka, produkt qamera.ai) i PLSoft (JDG, freelance i consulting). Każda ma inne potrzeby, inne dane, inne procesy. Ale pewne elementy są wspólne — templates raportów, standardy formatowania, utilities.

Architektura opiera się na trzech repozytoriach Git:

┌─────────────────────────────────────────────┐
│     agentic-ai-system (200IQ Labs)          │
│     → qamera.ai product                     │
│  ┌──────────┐  ┌──────────┐  ┌──────────┐   │
│  │   CFO    │  │   Legal  │  │ Marketing│   │
│  └──────────┘  └──────────┘  └──────────┘   │
│         ▲                                   │
│         │ git submodule                     │
│  ┌──────┴───────────────────────────────┐   │
│  │         shared-skills (public)       │   │
│  │  Templates, Utilities, Standards     │   │
│  └──────────────────────────────────────┘   │
│                                             │
├─────────────────────────────────────────────┤
│     agentic-ai-private (PLSoft / JDG)       │
│     → freelance, portfolio, consulting      │
│  ┌──────────┐  ┌──────────┐                 │
│  │  Coach   │  │ LinkedIn │                 │
│  └──────────┘  └──────────┘                 │
│         ▲                                   │
│         │ git submodule                     │
│  ┌──────┴───────────────────────────────┐   │
│  │         shared-skills (public)       │   │
│  └──────────────────────────────────────┘   │
└─────────────────────────────────────────────┘

• shared-skills (public, Apache 2.0) — wspólne skills, templates, utilities. Open source, każdy może użyć i kontrybuować.
• agentic-ai-system (private) — skills specyficzne dla 200IQ Labs. Dane spółki, procesy wewnętrzne, strategie produktowe.
• agentic-ai-private (private) — skills osobiste i freelance PLSoft. Coaching, content LinkedIn, consulting.

shared-skills jest podpięte jako git submodule w obu prywatnych repozytoriach. Zmiana w shared-skills propaguje się do obu firm.

System obejmuje 8 agentów, z których 4 już działają:

1. CFO (finanse) ✅ — raporty finansowe, analiza cash flow, budżetowanie
2. Tax Advisor (podatki) 🔲 — optymalizacja podatkowa, rozliczenia
3. Legal (prawo) 🔲 — analiza umów, compliance, regulacje
4. Marketing (content) 🔲 — strategie contentowe, kampanie, analityka
5. Business Consultant ✅ — doradztwo strategiczne, analiza rynku
6. Product Manager 🔲 — roadmap qamera.ai, user stories, priorytety
7. Coach The Five ✅ — coaching oparty na metodologii The Five
8. LinkedIn Content ✅ — generowanie i planowanie postów LinkedIn

Kluczowa jest separacja kontekstów. Agent CFO dla 200IQ Labs nie widzi treści marketingowych dla PLSoft. Nie dlatego, że mu zabraniam — dlatego, że operuje w innym repozytorium. Fizyczna izolacja przez Git.

A Git daje mi coś, czego żaden Claude Project nie da — wersjonowanie, code review, historia zmian. Każda modyfikacja agenta to commit. Każda większa zmiana to pull request. Mogę wrócić do dowolnej wersji. Mogę porównać, co się zmieniło i kiedy.

Do budowy tego systemu używam OPSX Workflow — tego samego podejścia, które opisywałem wcześniej. OpenSpec daje mi strukturyzowany proces tworzenia artefaktów, zamiast ad-hoc promptowania.

Praktyczny przykład — budowa agenta CFO krok po kroku

Teoria jest ważna, ale pokażę Ci jak wygląda budowa agenta od A do Z. Weźmy agenta CFO — pierwszego, którego uruchomiłem.

1. Intent

Zaczynam od opisu intencji w skill-creatorze:

"Agent do analizy finansowej i raportowania dla 200IQ Labs i PLSoft. Generuje miesięczne raporty, analizuje cash flow, porównuje plan vs wykonanie budżetu."

2. Interview

Skill-creator zadaje mi pytania:

• Jakie dane finansowe masz dostępne? (CSV z banku, faktury w folderze)
• Jaki format raportów preferujesz? (Markdown z tabelami, wykresy ASCII)
• Jak często generujesz raporty? (Miesięcznie, ad-hoc na żądanie)
• Jakie metryki są kluczowe? (Revenue, expenses, runway, MRR)

3. Draft SKILL.md

Na podstawie interview skill-creator generuje draft:

# CFO Agent - fragment SKILL.md
name: "CFO Agent"
version: "1.0.0"
description: "Financial analysis, reporting, and advisory for 200IQ Labs & PLSoft"
triggers:
  - "analyze financials"
  - "monthly report"
  - "budget review"
  - "cash flow projection"

Dalej idą pełne instrukcje — format raportów, jakie pliki czytać, jak formatować output, jakie metryki liczyć.

4. Test z realnymi danymi

Wrzucam faktyczne dane finansowe i proszę o raport. Porównuję z tym, co robiłem ręcznie. Sprawdzam czy:

• Liczby się zgadzają
• Format jest czytelny
• Wnioski mają sens
• Nic nie pominął

5. Evals — co mierzę

Definiuję kryteria oceny:

• Accuracy — czy kwoty i wyliczenia są poprawne
• Completeness — czy raport zawiera wszystkie wymagane sekcje
• Actionability — czy wnioski są konkretne i przydatne
• Format compliance — czy output pasuje do moich templates

6. Iteracja

Pierwsze dwie iteracje zawsze wymagają poprawek. Agent pomijał kategoryzację wydatków. Dodałem instrukcje o grupowaniu kosztów. Agent generował za ogólne wnioski. Doprecyzowałem prompty o specificity. Po trzeciej iteracji — raport na poziomie, który wcześniej zajmował mi 2 godziny ręcznej pracy.

7. Package

Gotowy skill ląduje w repo agentic-ai-system. Commit, push, done. Od tego momentu agent CFO jest dostępny w każdej sesji Claude Code otwartej w tym repozytorium.

Jak zacząć — od jednego agenta do pełnego systemu

Nie musisz budować systemu z 8 agentami na start. To najprostszy sposób żeby się zniechęcić. Zacznij od jednego.

1. Zidentyfikuj jedną powtarzalną rolę w firmie — coś co robisz regularnie i co można opisać zestawem reguł
2. Zainstaluj skill-creator — /plugins → search → install
3. Opisz intent — co agent ma robić, z jakimi danymi pracować, jaki output generować
4. Przejdź przez interview — skill-creator zada Ci właściwe pytania
5. Testuj z realnymi danymi — nie z przykładowymi. Realne dane szybko pokażą luki w instrukcjach
6. Iteruj na podstawie evals — mierz, poprawiaj, mierz znowu
7. Dodaj kolejnych agentów — dopiero gdy pierwszy stabilnie działa

Jedno repo na start. Jeden agent. Jeden workflow. Rozbudowuj gdy masz fundament.

Tip: Zacznij od encoded preference — Twój specyficzny workflow, Twój format raportów, Twój proces analizy. To nie zdezaktualizuje się z nowym modelem. Capability uplift dodasz później.

Pisałem o operacjonalizacji AI w artykule o trendach AI 2026. Tamte koncepcje były teoretyczne — ten system to ich praktyczna realizacja.

Kluczowe wnioski

1. Skills 2.0 to przeskok od promptów do modularnych, testowalnych agentów — nie kolejna iteracja, a zmiana paradygmatu w pracy z AI
2. Agent Skills standard zapewnia przenośność i brak vendor lock-in — otwarty standard na agentskills.io, nie jesteś zamknięty w jednym narzędziu
3. Skill-creator zamienia godziny ręcznej pracy w 20-minutowy workflow — od intencji do działającego agenta z evals i benchmarks
4. Git + skills = wersjonowanie, code review i historia zmian dla AI — każdy agent to plik w repozytorium, każda zmiana to commit
5. Zacznij od jednego agenta, nie od pełnego systemu — jeden workflow, jedno repo, jeden agent, potem skaluj
6. Encoded preference > capability uplift dla specyficznych workflow — Twoje procesy się nie zdezaktualizują z nowym modelem
7. Open source + komercjalizacja — nie musisz wybierać — shared-skills publiczne, firmowe skills prywatne

---

Przydatne zasoby

• Agent Skills Standard — otwarty standard dla AI agentów
• Skill Creator Plugin — oficjalne narzędzie Anthropic do budowy skills
• shared-skills repo — open source multi-agent starter kit
• Claude Code Skills docs — dokumentacja Skills 2.0

FAQ

Czym różnią się Skills 2.0 od zwykłych promptów systemowych w Claude Projects?

Skills 2.0 to modularni agenci z dostępem do file system, web search i skryptów — nie tylko tekst w polu. Mają wersjonowanie przez Git, automatyczne testy (evals) i mogą być współdzielone między projektami. Prompt systemowy znika po zamknięciu sesji, skill jest persistent i działa w każdej sesji Claude Code.

Czy potrzebuję umiejętności programowania żeby zbudować system wieloagentowy ze Skills 2.0?

Nie musisz pisać kodu — skill-creator prowadzi Cię przez cały proces od opisu intencji do gotowego agenta. Podstawowa znajomość terminala i Git jest przydatna, ale nie wymagana. SKILL.md to Markdown z YAML header, nie język programowania.

Ile kosztuje utrzymanie systemu wieloagentowego opartego na Claude Code i Skills 2.0?

Sam Claude Code wymaga subskrypcji Claude Max lub Pro. Skills i Agent Skills standard są darmowe — to pliki Markdown w repozytorium Git. Typowy system z 4-8 agentami nie generuje dodatkowych kosztów poza subskrypcją Claude, bo skills to po prostu pliki tekstowe, nie osobne usługi.

Jak zapewnić separację danych między agentami żeby nie mieli dostępu do informacji których nie powinni widzieć?

Separacja kontekstów przez oddzielne repozytoria Git. Agent CFO dla 200IQ Labs operuje w repo spółki, agent dla PLSoft w osobnym repo — fizycznie nie widzą się nawzajem. Wspólne skills (shared-skills) zawierają tylko uniwersalne narzędzia i templates, nie dane firmowe. Każdy SKILL.md definiuje scope i ograniczenia dostępu agenta.

Czy Agent Skills standard działa tylko z Claude Code czy też z innymi narzędziami AI?

Agent Skills to otwarty standard opublikowany na agentskills.io, zaprojektowany jako vendor-agnostic. Obecnie najlepiej wspierany przez Claude Code, ale specyfikacja jest publiczna i inne narzędzia mogą ją zaimplementować. Brak vendor lock-in to jeden z głównych celów standardu — Twoje skills nie są zamknięte w jednym ekosystemie.

Od czego najlepiej zacząć budowę systemu wieloagentowego w małej firmie lub jednoosobowej działalności?

Zacznij od jednego agenta dla najczęściej powtarzanej roli — np. analiza finansowa, tworzenie contentu lub obsługa klienta. Zainstaluj skill-creator w Claude Code, opisz co agent ma robić i przetestuj z realnymi danymi. Dodawaj kolejnych agentów dopiero gdy pierwszy stabilnie działa i przynosi realną wartość.