Opus 5.5 w Claude Code: 3 godziny pracy agenta nad testem AI

👁 116 przeczytań

Opus 5.5 w Claude Code sprawdziłem na zadaniu, które normalnie zajęłoby mi kilka dni. 26 września 2026 roku o 9:57 poprosiłem o serię tekstów o lokalnych modelach AI: porównania, instalacja i przykładowe wyniki. Po nieco ponad 3 godzinach agent miał pobrane 127 GB modeli, przetestowane 7 modeli tekstowych, 2 generatory obrazów i model wideo, ocenionych przez ślepych sędziów, oraz 6 tekstów i przewodnik. Poniżej jest przebieg, koszt i miejsca, w których agent sam złapał błędy.

Polecenie

Całe polecenie brzmiało (pisownia oryginalna, fragment o okładkach pominięty):

BRAKUJE MI ARTYKULOW NA TEMAT LOKALNYCH MODELI - TEKSTOWE, WIDEO, GRAFICZNE,
KILKA ARTYKULOW, POROWNANIA, PRZYKLADY, JAK ZAINSTALOWAC, JAK WYGLADAJA
PRZYKLADOWO WYGENEROWANE RZECZY.

Nie było w nim listy modeli, sprzętu, metody oceny ani terminu. Agent miał dostęp do komputera z kartą RTX 4090, do pamięci z wcześniejszych sesji (m.in. zestawu zadań z Laboratorium Promptowego) i do terminala. Resztę zaplanował sam.

Przebieg, godzina po godzinie

1. 9:57-10:15. Plan i zakupy. Agent sprawdził, co już jest na blogu (10 tekstów o lokalnym AI, żeby nie dublować), co jest na dysku (ComfyUI z Qwen-Image 2.1) i co warto dociągnąć. Wybrał 7 modeli tekstowych z licencją Apache 2.0, Z-Image Turbo i Wan 2.2. Pobieranie 127 GB puścił w tle.
2. 10:15-10:45. Pierwsze pomiary obrazów. Jeszcze w trakcie pobierania uruchomił ComfyUI i zrobił serię 8 obrazów w Qwen-Image 2.1. Mierzył czas, pamięć karty i pobór mocy co pół sekundy.
3. 10:30. Pierwsze znalezisko. llama.cpp zainstalowany przez winget działał na interfejsie Vulkan zamiast CUDA. Agent pobrał oficjalną paczkę CUDA z GitHuba i zmierzył różnicę: 104 wobec 54 tokenów na sekundę w Gemmie 4 12B. Z tego powstał osobny poradnik llama.cpp na Windowsie.
4. 10:40. Drugie znalezisko. Gemma 4 z domyślnym myśleniem wygenerowała 54 tys. tokenów zamiast 4,7 tys. i w trzech zadaniach nie oddała odpowiedzi. Agent odłożył te wyniki na bok jako materiał do tekstu, wyłączył myślenie i powtórzył test.
5. 11:00-12:40. Seria testów. Kolejne modele szły, gdy tylko skończyło się ich pobieranie. Gdy pobieranie przez aria2 spadło do 1,3 MB/s, agent przerwał je i przełączył na oficjalne narzędzie Hugging Face, które dało ok. 25 MB/s. W tle karta generowała klipy wideo.
6. 12:55. Ocena. Trzej ślepi sędziowie (Opus 5.5, GPT-6 Sol, Gemini 3.1 Pro) ocenili 90 odpowiedzi. Agent dołożył do puli trzy modele z chmury jako kotwice i dzięki temu zauważył, że w tej rundzie sędziowie dali wszystkim o 3,5 pkt więcej niż w pierwszej. Poprawkę opisał w tekście z wynikami.
7. Równolegle: teksty. Przez cały czas pisał artykuły z gotowych danych i sprawdzał każdą liczbę w źródle. Kilka zdań poprawił po własnej kontroli, m.in. gdy przypisał ocenę sędziemu, który z założenia nie oceniał modeli własnej firmy.

Gdzie agent sam się poprawił

To najciekawsza część, bo tego nie widać w viralowych filmikach. Wszystkie przypadki są z tej jednej sesji:

• Szyld „ŻÓŁĆ”. Na miniaturce oba generatory obrazów wyglądały poprawnie. Agent powiększył kadry i znalazł „ŽÓŁČ” w Z-Image oraz „ŹÓLĆ” w Qwen-Image.
• Podpis pod kubkiem. Pierwsza wersja podpisu mówiła o „braku faktury”. Po powiększeniu okazało się, że problemem jest błyszcząca glazura zamiast matowej, więc podpis poprawił.
• Porównanie z chmurą. Zdanie „Gemma ma tyle co GLM-5.3” nie zgadzało się z tabelą (69 wobec 64,4 pkt). Agent sprawdził pełny ranking i przepisał zdanie.
• Stracone pobieranie. Zamiast czekać 10 godzin na zablokowane pobieranie, usunął niedokończone pliki i pobrał je od nowa innym narzędziem w 30 minut.

To moja opinia: wartość agenta nie polega na tym, że się nie myli. Myli się tak jak człowiek, ale sam sprawdza wyniki, jeśli ma do tego narzędzia i jeśli w poleceniach jest zasada, że każdą liczbę trzeba potwierdzić.

Koszt i zużycie

Najważniejszy wiersz to odczyt z pamięci podręcznej. Każda odpowiedź agenta czyta całą dotychczasową rozmowę, a ta sesja trwała od rana, więc kontekst był długi. Odczyt kosztuje tylko 0,20 USD za milion tokenów, ale przy 62,7 mln daje 12,5 USD, czyli ponad połowę rachunku. W abonamencie Claude nie płacisz za to osobno, ale długie sesje szybciej zużywają limit. Praktyczna rada: nowe duże zadanie zaczynaj w nowej sesji. Szczegóły cennika są w tekście ile kosztuje Claude Opus 5.5.

Równoległa praca: trzech agentów naraz

W tym samym czasie ta sama sesja uruchomiła trzech pomocniczych agentów z osobnymi zadaniami. Jeden zrobił gry w przeglądarce i stronę z jednego polecenia, drugi analizę danych i grafiki SVG, trzeci poradnik wideo w Remotion i zestaw promptów. Każdy dostał ten sam brief z zasadami redakcyjnymi, osobny budżet na API (maks. 1,50 USD) i zakaz publikowania. Wydali razem 3,45 USD. Ich teksty ukazują się w tej samej serii o Opusie 5.5.

Czego agent nie zrobił

• Pomocnicze agenty nie publikowały. Oddawały pliki, a na stronę trafiały dopiero po kontroli liczb i linków w głównej sesji.
• Nie zmieniał ustawień bezpieczeństwa. Gdy serwer blokował zbyt częste połączenia, agent ograniczył liczbę zapytań i przeszedł na inny kanał sprawdzania. Nie próbował obchodzić zapory.
• Nie zgadywał tam, gdzie nie mierzył. Nie podał czasu generowania na słabszych kartach ani wyników na Macu, bo ich nie mierzył, i pisze to wprost w tekstach.

Najczęstsze pytania

Czy Claude Code z Opus 5.5 może sam przeprowadzić test i napisać artykuł?

W tym przypadku tak: z jednego polecenia agent zaplanował test, pobrał 127 GB modeli, zmierzył 10 modeli i napisał 6 tekstów w 3 godziny i 10 minut. Człowiek określił cel i kierunek, a agent sprawdzał każdą liczbę przed publikacją.

Ile kosztuje długa sesja Claude Code?

Ta sesja kosztowałaby 22,77 USD według cennika API, z czego 12,5 USD to odczyt 62,7 mln tokenów kontekstu z pamięci podręcznej. W abonamencie nie płacisz osobno, ale zużywasz limit.

Czy agent się myli?

Tak, ale w tej sesji sam wychwycił błędne zdania i podpisy, bo porównywał tekst z danymi i powiększał obrazy przed opisem. Warto wpisać taką zasadę do instrukcji projektu.