5 słabych stron Claude Code i jak je nadrobić

Claude Code czyta kod, edytuje pliki i odpala komendy w terminalu. W tych zadaniach jest bardzo dobry. Ale poproś go, żeby obejrzał wideo albo zaprojektował ładny front - i od razu widać granice.

Testuję dziesiątki narzędzi wokół Claude Code. Za każdym razem wraca ten sam zestaw pięciu słabych stron: wideo, design, pamięć, research i tokeny (token - jednostka tekstu, którą model liczy i za którą płacisz). To nie są wady, które psują pracę z kodem. To obszary, w których Claude Code po prostu nie ma wbudowanej funkcji.

Dobra wiadomość: każdą z tych dziur da się załatać. Nie teorią, tylko konkretnym narzędziem. Dla każdego obszaru pokażę, czym posługuję się na co dzień. Będę uczciwy - część narzędzi sprawdziłem w codziennej pracy, część mam dopiero na radarze i wyraźnie to zaznaczę.

Pomysł na ten podział zainspirował film Chase AI o pięciu repozytoriach dla Claude Code. Ale to jest mój własny zestaw - narzędzia, które sam odpalam, z moimi zastrzeżeniami.

🎬 Wideo - Claude Code nie widzi i nie tworzy filmów

Claude Code nie potrafi obejrzeć wideo ani go wygenerować. Domyślnie utyka na transkrypcie (transkrypt - tekstowy zapis ścieżki dźwiękowej). A transkrypt nie wystarczy, gdy liczy się to, co realnie dzieje się na ekranie.

Oglądanie: Claude Video

Claude Video to skill (skill - gotowy zestaw instrukcji, który rozszerza agenta o nową umiejętność) z komendą /watch. Wklejam adres albo plik plus pytanie. Agent pobiera napisy, wycina klatki (klatka - pojedynczy obraz z wideo) i czyta je jako obrazy. Zanim odpowie, naprawdę zobaczył wideo, a nie zgadł z tytułu.

Używam tego do dwóch rzeczy. Analizuję cudze treści szybciej niż odtwarzaniem na 2x i wyciągam wiedzę, która potem trafia do mojej bazy notatek. Wyciągam nim też transkrypty z YouTube.

/watch https://youtu.be/dQw4w9WgXcQ co dzieje sie w 30 sekundzie?

Koszt tokenów zależy głównie od klatek, bo każda to obraz. Dlatego skill ma cztery tryby, od najtańszego do najdroższego:

transcript    - same napisy, zero klatek (najtaniej)
efficient     - klatki kluczowe, do 50
balanced      - po zmianach sceny, do 100 (domyslny)
token-burner  - bez limitu klatek (pelne pokrycie, drogo)

Tryb efficient bierze klatki kluczowe (klatka kluczowa - klatka, którą samo wideo oznacza jako punkt odniesienia). Gdy wideo nie ma napisów, skill zamienia mowę na tekst modelem whisper (whisper - model zamieniający mowę na tekst), za darmo przez Groqa.

Tworzenie: HyperFrames

Odwrotny kierunek to generowanie wideo. HyperFrames tworzy wideo z plików HTML - kompozycja to zwykły HTML z atrybutami data-*, bez Reacta i bez własnego języka. „Marka" żyje w moich stylach CSS, więc każde wideo wychodzi spójne z moją identyfikacją wizualną, a nie generyczne.

npx skills add heygen-com/hyperframes

Wymaga Node.js >= 22 i FFmpeg. O generowaniu wideo z kodu pisałem już przy okazji Remotion do filmów explainer. Różnica jest prosta: HyperFrames jest HTML-native i na licencji Apache 2.0 (komercyjne użycie bez limitów), a Remotion ma za to gotowy rendering rozproszony w chmurze.

🎨 Design - koniec z generycznym AI slop

Poproś Claude Code o stronę i dostajesz dokładnie to samo co wszyscy: sekcja hero na górze, zaokrąglone karty, fioletowy gradient. To AI slop (AI slop - generyczny wygląd, który od razu zdradza, że front wygenerował model). Powód jest prosty: modele trenowano na tych samych szablonach.

Nie łatam tego jednym narzędziem, tylko trzema skillami ustawionymi w kolejności: kto, system, strażnik.

1. UX RULER - dla kogo i po co

UX RULER wymusza pytanie „dla kogo to jest i jaką mierzalną wartość daje", zanim wskoczę w funkcje. Decyzje o odbiorcy i potrzebie zapisuje do repozytorium jako product memory (product memory - pliki w repo, które trzymają decyzje produktowe dla następnego człowieka albo agenta). Dzięki temu wybory są jawne i wielokrotnego użytku.

2. UI UX Pro Max - gotowy design system

UI UX Pro Max generuje spójny design system (design system - zestaw reguł koloru, typografii i komponentów) dopasowany do typu projektu. Portfolio dostaje inną logikę niż SaaS czy sklep. Uruchamiam go z Tailwind CSS i React jako bazę, którą potem dociągam, co oszczędza czas na prototyp. To narzędzie opisałem szerzej w 5 repozytoriach GitHub dla Claude Code, więc tu nie powtarzam.

3. Impeccable - strażnik języka designu

Impeccable to warstwa, która usuwa charakterystyczne znaki AI: Inter wszędzie, gradienty fioletu, karty w kartach, szary tekst na kolorowym tle. Ma deterministyczny linter (linter - narzędzie sprawdzające kod albo wygląd według sztywnych reguł), który działa bez modelu i bez klucza API:

npx impeccable detect src/

Skill daje 23 komendy pod /impeccable, między innymi craft, shape, critique i colorize, oraz 27 reguł deterministycznych plus dodatkowy przegląd modelu. To ta rzecz, która pilnuje, żeby front nie krzyczał „zrobił mnie AI".

Razem układa się to w linię: RULER mówi dla kogo, Pro Max buduje system, Impeccable pilnuje języka i ścina AI slop.

🧠 Pamięć - Claude Code zapomina po każdej sesji

Koniec sesji to zerowanie. Claude Code nie ma wbudowanej pamięci, która kumuluje się między rozmowami. Za każdym razem zaczyna od zera.

Second brain jako pamięć

Mój sposób to second brain (second brain - tekstowa baza notatek, którą agent czyta, uzupełnia i przeszukuje). Repozytorium jest moją pamięcią: agent zapisuje do niego wiedzę, linkuje notatki i odpowiada na pytania z całości.

To wzorzec, który Andrej Karpathy nazwał LLM Wiki (LLM Wiki - baza, którą model sam buduje i utrzymuje z Twoich źródeł). Różni się od RAG (RAG - technika, w której model przed odpowiedzią przeszukuje surowe dokumenty). W RAG nic się nie kumuluje, bo model za każdym razem odkrywa wszystko na nowo. W LLM Wiki wiedza zostaje w plikach i rośnie.

Kluczowy element to progressive disclosure (progressive disclosure - układ notatek tak, żeby agent je znalazł bez zaśmiecania okna kontekstowego). Okno kontekstowe (okno kontekstowe - ile tekstu model widzi naraz) jest ograniczone, więc dobry indeks jest ważniejszy niż wrzucenie wszystkiego do jednego pliku.

Zbudowałem to na Obsidian i Claude Code. Pełną architekturę, 185 notatek i trzy indeksy opisałem w artykule o LLM Wiki Karpathy'ego oraz w budowie drugiego mózgu w Obsidian. Gdzie kończy się graf kodu, a zaczyna baza notatek, rozkładam w tekście o RAG.

Jak taką bazę zbudować od zera, pokazuję krok po kroku w darmowym kursie LLM Wiki.

NotebookLM-py - świeży dodatek

NotebookLM-py wkłada NotebookLM (NotebookLM - silnik Google, w którym Gemini czyta Twoje źródła i odpowiada z cytatami) do wnętrza Claude Code. To nieoficjalne API, więc używam go na własne ryzyko.

uv tool install "notebooklm-py[browser]"
notebooklm login

Na razie służy mi głównie jako druga droga do transkryptów z YouTube. Dopiero zaczynam, więc traktuję go jako dodatek, nie fundament.

🔎 Research - wbudowane wyszukiwanie jest płytkie

Wbudowane wyszukiwanie w Claude Code działa, ale powierzchownie. Brakuje środka między „płytko" a „sto agentów i 10 milionów tokenów na deep research" (deep research - głębokie, wieloźródłowe badanie tematu).

Firecrawl - niezawodne pobieranie stron

Gdy wbudowany scraper (scraper - narzędzie, które pobiera treść strony) zawodzi, sięgam po Firecrawl. Zamienia dowolną stronę na czysty markdown albo strukturalny JSON, radząc sobie z JavaScriptem i podziałem na podstrony.

pip install firecrawl-py

Ma pięć trybów: Scrape (jedna strona), Crawl (cała witryna po linkach), Map (lista adresów), Search (wyszukiwanie z treścią) i Extract (dane według schematu). Działa jako MCP (MCP - Model Context Protocol, standard podłączania narzędzi do agenta), więc wpina się prosto w Claude Code.

Deep research - do przetestowania

NotebookLM-py z sekcji o pamięci ma też tryb deep research po stronie Google, więc teoretycznie tańszy. Nie sprawdziłem go jeszcze na poważnie, dlatego traktuję to jako kandydata, nie rekomendację.

Research swarm - struktura wpięta w wiki

Do ustrukturyzowanego researchu używam skilla, który odpala agent swarm (agent swarm - rój niezależnych agentów pracujących równolegle). Jeden agent na pozycję, w partiach. Każdy zapisuje zwalidowany rekord JSON, a gotowy raport wpada do mojej bazy notatek. To zamienia jednorazowy research na trwały wpis w wiki.

🪙 Tokeny - gadatliwy output pali budżet i kontekst

Rozwlekłe odpowiedzi (output - to, co agent wypisuje w odpowiedzi) kosztują podwójnie. Płacisz za tokeny i zapychasz okno kontekstowe. Im dłuższy output, tym szybciej agent traci miejsce na to, co ważne.

Caveman - kompresja outputu

Caveman to skill, który każe agentowi mówić jak jaskiniowiec: bez rodzajników, waty i uprzejmości, samo mięso. Tnie średnio ~65% tokenów outputu (zakres 22-87%), zachowując 100% treści technicznej.

# Windows (PowerShell)
irm https://raw.githubusercontent.com/JuliusBrussee/caveman/main/install.ps1 | iex

# macOS / Linux / WSL
curl -fsSL https://raw.githubusercontent.com/JuliusBrussee/caveman/main/install.sh | bash

Ma trzy poziomy: /caveman lite, /caveman full i /caveman ultra. I tu moje szczere zastrzeżenie: w trybie full opisy bywają nieczytelne, zwłaszcza po polsku. Dlatego trzymam się lite, a przy kodzie, commitach i tekstach o bezpieczeństwie przełączam na normal mode.

Ważny szczegół z dokumentacji: Caveman ścina tylko output, nie tokeny myślenia (reasoning - tokeny, które model zużywa na wewnętrzne rozumowanie). Skraca usta, nie mózg. Największa korzyść to czytelność i szybkość, a oszczędność jest dodatkiem.

Na radarze - kandydaci, nie rekomendacje

Reszta zestawu leży u mnie na liście do sprawdzenia. Wymieniam je, ale wyraźnie zaznaczam, że sam ich jeszcze nie przetestowałem.

• Headroom - kompresuje to, co agent czyta (input i kontekst) o 60-95%. Strona wejścia, tam gdzie Caveman zajmuje się wyjściem.
• Ponytail - zmusza agenta do minimalnego kodu, więc mniej linii i mniej tokenów.
• Graphify - zamienia kod w graf wiedzy, żeby agent nie czytał pliku po pliku.

Kluczowe wnioski

Pięć słabych stron, pięć konkretnych ruchów:

1. Wideo - dodaj /watch, zanim znów zaczniesz czytać sam transkrypt. Do generowania sprawdź HyperFrames.
2. Design - ustaw trzy skille w kolejności: kto (UX RULER), system (UI UX Pro Max), strażnik (Impeccable).
3. Pamięć - tekstowa wiki utrzymywana przez agenta bije RAG na małej skali. Jeśli budujesz od zera, zacznij od kursu.
4. Research - Firecrawl, gdy wbudowany scraper zawiedzie, a deep research tylko wtedy, gdy naprawdę go potrzebujesz.
5. Tokeny - Caveman ścina output, ale po polsku wybierz lite. Resztę traktuj jako kandydatów do testu.

Najlepsze w tym wszystkim jest to, że każde z tych narzędzi jest darmowe i open source. Najgorsze, co się stanie, to że odpalisz jedno, nie spodoba Ci się i je odinstalujesz. Wybierz obszar, który najbardziej Cię boli, i zacznij od niego.

Przydatne zasoby

• Claude Video - skill /watch, który daje agentowi wzrok.
• HyperFrames - generowanie wideo z plików HTML.
• Impeccable - język designu plus linter usuwający AI slop.
• NotebookLM-py - NotebookLM w terminalu Claude Code.
• Firecrawl - dowolna strona zamieniona w czysty markdown.
• Caveman - kompresja tokenów w odpowiedziach agenta.
• Darmowy kurs LLM Wiki - jak zbudować pamięć agenta (drugi mózg) od zera.

FAQ

W jakich obszarach Claude Code jest słaby out of the box?

Claude Code świetnie radzi sobie z kodem, plikami i komendami, ale ma pięć słabych stron: nie widzi ani nie tworzy wideo, generuje generyczny design, zapomina po sesji, ma płytkie wyszukiwanie i gadatliwy output. Każdą z tych dziur łata się osobnym narzędziem albo skillem. To luki w funkcjach, a nie wady w pracy z kodem.

Czy Claude Code potrafi obejrzeć wideo z YouTube?

Domyślnie nie, ale zmienia to skill Claude Video z komendą /watch. Wkleja adres i pytanie, pobiera napisy oraz klatki wideo i czyta je jako obrazy, więc realnie „widzi" nagranie. Gdy brakuje napisów, zamienia mowę na tekst modelem whisper. Sprawdza się też do szybkiego pobierania transkryptów.

Jak dać agentowi AI pamięć między sesjami?

Najprostszy sposób to second brain, czyli tekstowa baza notatek w repozytorium, którą agent czyta, uzupełnia i przeszukuje. To wzorzec LLM Wiki: wiedza kumuluje się w plikach, inaczej niż w RAG, gdzie model odkrywa wszystko od nowa. Jak zbudować taką bazę od zera, pokazuję krok po kroku w darmowym kursie LLM Wiki.

Czym jest „AI slop" i jak uniknąć generycznego designu?

AI slop to generyczny wygląd strony, który od razu zdradza, że front wygenerował model: ten sam układ hero, zaokrąglone karty i fioletowe gradienty. Unikniesz go, dając agentowi prawdziwy design system i linter, który wyłapie te wzorce. Używam do tego skilli UI UX Pro Max i Impeccable, ten drugi ma komendę npx impeccable detect.

Czy Caveman naprawdę oszczędza tokeny i czy warto go używać?

Tak, Caveman ścina średnio około 65% tokenów outputu, zachowując pełną treść techniczną. Zastrzeżenie: w trybie full opisy bywają nieczytelne, zwłaszcza po polsku, więc lepiej ustawić lite. Pamiętaj, że skraca tylko output, a nie tokeny myślenia modelu.

Czy te narzędzia dla Claude Code są darmowe?

Tak, wszystkie pięć rozwiązań jest darmowych i open source. Część wymaga własnych kluczy albo dodatków: Claude Video może potrzebować klucza whisper przy wideo bez napisów, a Firecrawl konta do trybu API. Instalacja sprowadza się zwykle do jednej komendy w terminalu.