// docs
Narzędzia i stack technologiczny
Wybór narzędzi do projektu AI wygląda jak wybór narzędzi do remontu kuchni. Nie użyjesz młota burzącego do powieszenia obrazka. Nie użyjesz śrubokręta do wyburzenia ściany. Dobieram narzędzia na podstawie tego, co najlepiej rozwiązuje Twój problem — nie tego, co jest modne na Hacker News w tym tygodniu i nie tego, co jakiś vendor promuje na konferencjach.
Ta strona opisuje każde ważne narzędzie i technologię, których używam, dlaczego je wybrałem i jaką rolę odgrywają w systemach, które buduję. Bez czarnych skrzynek.
Filozofia: najlepsze narzędzie do zadania
Branża AI ma problem z hype'em. Co tydzień pojawia się nowy model, nowy framework, nowy "zabójca wszystkiego". Większość z tego to szum.
Moje podejście jest nudne, i tak ma być:
- Czy rozwiązuje faktyczny problem klienta? Nie problem teoretyczny. Nie problem przyszły. Problem, który leży na stole teraz.
- Czy jest wystarczająco niezawodne do produkcji? Dema są tanie. Utrzymanie czegoś 24/7 z prawdziwymi danymi klientów jest kosztowne, jeśli się psuje.
- Czy klient może to zrozumieć i utrzymywać? Jeśli buduję coś tak złożonego, że tylko ja mogę to obsługiwać, to porażka. Twój system powinien być w pełni Twój.
- Czy ma sensowną strukturę kosztów? Najwymyślniejszy model na świecie jest bezużyteczny, jeśli jego uruchomienie kosztuje więcej niż problem, który rozwiązuje.
Oceniam nowe narzędzia regularnie. Gdy pojawia się coś lepszego, adoptuję to. Ale nie gonię trendów i nie wymieniam działających systemów dla samej nowości.
Modele językowe, których używam
Modele językowe to główny silnik każdego systemu AI. Pomyśl o nich jak o pracownikach z różnymi mocnymi stronami — nie przydzielisz tej samej osoby do pisania opinii prawnej i sortowania poczty przychodzącej. Różne zadania wymagają różnych kompetencji, a użycie złego modelu albo marnuje pieniądze, albo daje słabe wyniki.
Claude (Anthropic) — główny silnik
Claude jest moim domyślnym wyborem do większości zadań. Anthropic buduje modele mocne w wykonywaniu złożonych instrukcji, rozumieniu kontekstu i generowaniu dobrze ustrukturyzowanych wyników.
Najmocniejszy model — starszy analityk.
Ma bardzo duże okno kontekstowe: całą książkę, kompletny pakiet umów, miesiące maili naraz. Używam go do złożonej analizy dokumentów, projektowania architektury systemu zanim zacznę budować, wieloetapowego rozumowania i każdego zadania, gdzie dokładność jest ważniejsza niż szybkość. Pracuje wolniej, za to dokładniej.
Codzienny koń roboczy — niezawodny członek zespołu.
Trafia w punkt między zdolnościami a szybkością. Wystarczająco szybki do interakcji w czasie rzeczywistym, wystarczająco inteligentny do niuansów. Używam go do asystentów AI i chatbotów, przetwarzania dokumentów, generowania treści z zachowaniem spójności głosu marki i większości codziennych zadań w systemach produkcyjnych.
Szybki, tani model — sortownia poczty.
Zbudowany do obsługi dużych wolumenów. Odpowiada w milisekundach. Do prostych zadań o dużym wolumenie: klasyfikacja wiadomości (pilne czy nie), szybka ekstrakcja danych z dokumentów, detekcja spamu. Płacisz stawkę sortowni, nie starszego analityka.
OpenAI — uzupełnienie
Flagowy model OpenAI trafia do pracy, gdy jego wzorce rozumowania uzupełniają Claude'a — zwłaszcza przy analizie obrazów, wykresów i układów wizualnych. Przy wynikach o wysokiej stawce mogę sprawdzić ten sam wynik przez drugi model i porównać. Dwa niezależne modele dochodzące do tego samego wniosku to silniejszy argument niż jeden. Nie robię tego rutynowo — stosuję tam, gdzie różnica w pewności uzasadnia dodatkowy koszt.
Model do kodu OpenAI pomaga pisać czysty, dobrze udokumentowany kod, przeglądać istniejące bazy kodu, identyfikować błędy przed produkcją i generować zestawy testów. Jeśli masz system legacy, którego nikt nie pamięta jak działa — ten model może go przeczytać i wyjaśnić.
Modele open-source (Llama, Mistral i inne)
Czasem dane nie mogą opuścić Twojego budynku. Dosłownie. Wymogi regulacyjne, zobowiązania umowne lub zwykła roztropność biznesowa mogą oznaczać, że wysyłanie danych do OpenAI lub Anthropic nie wchodzi w grę.
Na takie przypadki wdrażam modele open-source na Twojej własnej infrastrukturze: Llama (Meta), Mistral, ewentualnie wyspecjalizowane modele dla konkretnej domeny.
Kompromis jest jasny: modele on-premise są dziś mniej zdolne niż najlepsze modele komercyjne. Za to dają pełną suwerenność nad danymi. Nic nie opuszcza Twojej sieci. Zawsze będę szczery co do tego kompromisu.
Tabela porównawcza modeli
| Model | Rola | Klasa kontekstu | Szybkość | Kiedy go używam |
|---|---|---|---|---|
| Claude — najmocniejszy | Głęboka analiza, złożone rozumowanie, przegląd umów | Bardzo duży — całe pakiety umów, miesiące maili | Wolny (gruntowny) | Zadania o wysokiej stawce wymagające maksymalnej dokładności |
| Claude — codzienny | Asystenci AI, treści, operacje produkcyjne | Duży | Szybki | Większość systemów produkcyjnych, interakcje w czasie rzeczywistym |
| Claude — szybki/tani | Klasyfikacja, routing, szybkie zapytania | Standardowy | Bardzo szybki | Proste zadania o dużym wolumenie, sortowanie wiadomości |
| OpenAI — flagowy | Analiza multimodalna, walidacja, specyficzne analizy | Bardzo duży | Umiarkowany | Uzupełniające zadania analityczne, analiza obrazów |
| OpenAI — do kodu | Generowanie kodu, przegląd kodu, testy | Duży | Szybki | Budowanie i przegląd całego kodu, który dostarczam |
| OpenClaw (wariant instalacji) | Kanał obecności — agent w Telegramie/Slacku/WhatsAppie | N/A | Czas rzeczywisty | Osobista produktywność, workflow w kanale zespołu |
| Hermes (wariant instalacji) | Workflow worker — cron, triage, raporty w tle | N/A | Asynchroniczny | Powtarzalne procedury w tle, raporty cykliczne |
| Llama/Mistral | Wdrożenia on-premise, suwerenność danych | Różne | Różna | Gdy dane nigdy nie mogą opuścić Twojej infrastruktury |
OpenClaw i Hermes — dwa z czterech wariantów instalacji
OpenClaw i Hermes to dwa z czterech wariantów oferty Custom Agent Install (pozostałe to custom — Claude Code / Codex CLI wpięte w Twój stack — i hybrid — pakiet doradczy łączący warstwę obecności z CLI). Pełny opis, zakres i ceny: strona Labs.
OpenClaw to wariant obecności: agent AI siada w kanale, którego zespół już używa — Telegram, WhatsApp, Slack, Discord. Piszesz z telefonu, agent rozpoznaje kontekst, odpala workflow i wraca z wynikiem do tego samego kanału. Najlepiej działa wtedy, gdy AI zostaje w naturalnym obiegu pracy zamiast wymagać nowego narzędzia.
Hermes to wariant w tle: worker odpala się według harmonogramu albo na trigger. Research, monitoring, segregacja, raporty cykliczne — wynik trafia tam, gdzie ma trafić: mail, Notion, kanał. Wybierasz Hermesa, gdy problemem nie jest kanał, tylko ilość pracy.
Szczegóły instalacji, specyfikacja i ceny: strona Labs.
Rozwój i dostarczanie
Model AI to tylko część obrazka. System wokół niego — kod, wdrożenie, infrastruktura — sprawia, że jest użyteczny w Twoim biznesie.
GitHub — Twój kod, zawsze
Każdy projekt żyje w repozytorium Git na GitHubie. Dostajesz pełny dostęp na poziomie właściciela — nie tylko do przeglądania.
Co to dla Ciebie oznacza: kompletna historia zmian z informacją kto i kiedy; dokumentacja wewnątrz repozytorium, wersjonowana razem z kodem; pełna własność kodu niezależnie od dalszych decyzji. Jeśli chcesz zatrudnić innego programistę, żeby go zmodyfikował — może to zrobić. Jeśli chcesz zmienić dostawcę — zabierasz repozytorium ze sobą.
Więcej o strukturze własności i dostępach: przewodnik integracji.
Python (FastAPI / Flask)
Python to główny język backendowy. Każda ważna biblioteka AI, framework i SDK modeli są Python-first. Budowanie w Pythonie oznacza bezpośredni dostęp do każdego narzędzia w świecie AI bez warstw translacji. FastAPI do wysokowydajnych API, Flask do prostszych serwisów.
TypeScript / Next.js
Gdy projekt potrzebuje interfejsu webowego — dashboardu, panelu administracyjnego, portalu dla klientów — buduję go w TypeScript i Next.js. TypeScript dodaje bezpieczeństwo typów do JavaScriptu: mniej błędów, lepsze narzędzia, kod wyłapujący problemy przed produkcją.
Cloudflare Workers — wdrożenie na krawędzi sieci
Cloudflare Workers uruchamia kod na serwerach rozproszonych po całym świecie. Użytkownik w Warszawie i użytkownik w Tokio dostają ten sam czas odpowiedzi. Płacisz za to, co zużywasz, nie za bezczynne serwery. Dla większości projektów to mój domyślny cel wdrożeniowy.
Narzędzia integracyjne
REST API i webhooki
Standardowe interfejsy do łączenia nowoczesnego oprogramowania. REST API do ustrukturyzowanych zapytań między systemami. Webhooki do powiadomień sterowanych zdarzeniami: "gdy przyjdzie nowe zamówienie, powiadom system AI."
Platformy automatyzacji (n8n, Make)
Kiedy przepływ jest na tyle prosty, że kod byłby przesadą — wizualny kreator jest właściwym narzędziem. Gdy logika jest zbyt złożona, wydajność ma znaczenie lub automatyzacja jest kluczowym procesem biznesowym wymagającym pełnej kontroli wersji: piszę kod.
Bazy danych
SQLite do prostych projektów i prototypów. PostgreSQL do systemów produkcyjnych, które potrzebują niezawodności, współbieżnego dostępu i skalowalności. Dopasowuję bazę do projektu — proof of concept nie potrzebuje PostgreSQL, a system obsługujący tysiące użytkowników dziennie nie powinien siedzieć w SQLite.
Kontrola jakości
Każdy model językowy halucynuje — Claude, GPT, modele open-source. To cecha technologii, nie wada konkretnego modelu. Liczy się, co z tym robisz.
Każdy istotny wynik przechodzi przez wieloetapowy proces: generowanie, weryfikacja faktów względem materiałów źródłowych, krzyżowe sprawdzanie przy wysokiej stawce, przegląd przez człowieka przed dostarczeniem.
Dla systemów automatycznych buduję te kroki bezpośrednio w system: scoring pewności, atrybucja źródeł, reguły eskalacji do człowieka dla pytań bez pewnej odpowiedzi, automatyczna weryfikacja cen i dat względem Twoich faktycznych danych.
Jak wygląda ten przepływ w praktyce przy konkretnym projekcie: jak pracuję.
Bezpieczeństwo
Szczegółowa specyfikacja dostępów per narzędzie, zarządzanie poświadczeniami i kontrola dostępu: przewodnik integracji.
Zasady, których przestrzegam w każdym projekcie: klucze API przechowywane jako zmienne środowiskowe (nigdy zapisane w kodzie), szyfrowanie danych w tranzycie i w spoczynku, zgodność z RODO od pierwszego dnia jako wymaganie inżynieryjne, zasada minimalnych uprawnień — AI dostaje tylko taki dostęp, jaki potrzebuje do wykonania konkretnej pracy.
Podsumowanie
Używam Claude jako głównego silnika AI. Uzupełniam modelami OpenAI i open-source tam, gdzie konkretne zadanie tego wymaga. Buduję w Pythonie i TypeScript. Wdrażam na Cloudflare Workers. Dostarczam przez GitHub z pełną własnością po Twojej stronie.
Każdy wybór narzędzia służy jednemu celowi: budowaniu systemów AI, które działają dla Twojego biznesu i nad którymi masz pełną kontrolę.
Jeśli chcesz dowiedzieć się, jak to odnosi się do Twojej konkretnej sytuacji, umów się na darmową konsultację.
ostatnia aktualizacja: 2026-05-11