Zaawansowane techniki Claude Code

Używasz już Claude Code codziennie, ale podejrzewasz, że zostawiasz część możliwości niewykorzystaną. Model wydaje się “myśleć mocniej” przy jednych promptach niż przy innych i nie jesteś pewien dlaczego. Słyszałeś, że serwery MCP mogą dać Claude bezpośredni dostęp do bazy danych i GitHuba, ale fragmenty konfiguracji skopiowane z jakiegoś wpisu na blogu po cichu się nie wczytały. I wciąż uruchamiasz jedno zadanie naraz, gdy masz cztery niezależne rzeczy do wydania.

Ten przewodnik obejmuje techniki, które oddzielają zwykłego użytkownika Claude Code od kogoś, kto prowadzi go jak profesjonalne narzędzie: kontrolowanie głębokości rozumowania, podłączanie zewnętrznych narzędzi przez MCP, pisanie własnego narzędzia MCP, automatyzowanie przeglądów w CI i prowadzenie naprawdę izolowanych sesji równoległych.

Co Wyniesiesz z Tego Przewodnika

Poprawny model myślowy rozszerzonego myślenia i jak faktycznie kontrolować jego głębokość (poziomy wysiłku, nie magiczne słowa kluczowe)
Działający .mcp.json, który wczytuje się za pierwszym razem, plus aktualny sposób dodania serwera GitHub MCP
Minimalny, prawdziwy własny serwer MCP używający oficjalnego SDK — gotowy do skopiowania i uruchomienia
Workflow GitHub Actions, który uruchamia Claude na każdym PR, wyzwalany wzmiankami @claude
Wzorzec oparty na worktrees do prawdziwej pracy równoległej z zerowym krzyżowym skażeniem

Kontrolowanie Rozszerzonego Myślenia

Rozszerzone myślenie jest domyślnie włączone. Trwałą kontrolą jest poziom effort, ale Claude Code rozpoznaje też jedną specjalną wskazówkę na pojedynczą turę: umieść ultrathink w prompcie, aby poprosić o głębsze rozumowanie w tej turze. Dodaje to instrukcję w kontekście i nie zmienia poziomu effort wysyłanego do API. Frazy takie jak “think”, “think hard” i “think more” pozostają zwykłym tekstem promptu.

Jak głębokość jest faktycznie kontrolowana, zależy od modelu:

Fable 5, Sonnet 5 oraz Opus 4.7 i nowsze zawsze używają adaptacyjnego rozumowania. Obsługują low, medium, high, xhigh i max; domyślny jest high, z wyjątkiem Opus 4.7, gdzie domyślny jest xhigh. Ustaw poziom przez /effort, suwak w /model, --effort lub CLAUDE_CODE_EFFORT_LEVEL.
Opus 4.6 i Sonnet 4.6 również udostępniają poziomy effort, lecz mogą wrócić do starego stałego budżetu po ustawieniu CLAUDE_CODE_DISABLE_ADAPTIVE_THINKING=1. Dopiero wtedy dodatnia wartość MAX_THINKING_TOKENS ogranicza stały budżet.
Wyłączanie działa inaczej na Fable. W natywnym API Anthropic MAX_THINKING_TOKENS=0 wyłącza myślenie na obsługiwanych modelach z wyjątkiem Fable 5. Adaptacyjne myślenie Fable jest zawsze włączone; przełącznik sesji ani ustawienie zera go nie wyłączają.

Czyli dźwignią jest poziom wysiłku albo limit tokenów — nie brzmienie Twojego promptu.

Obecne modele (poziomy effort)
Tryb stałego budżetu 4.6

# Wewnątrz REPL, podnieś głębokość rozumowania dla trudnego zadania
/model

# Albo ustaw effort sesji przed uruchomieniem:
export CLAUDE_CODE_EFFORT_LEVEL=high
claude

# Przywróć stały budżet na Opus/Sonnet 4.6
export CLAUDE_CODE_DISABLE_ADAPTIVE_THINKING=1

# Następnie ogranicz jego budżet myślenia (poniżej limitu wyjścia modelu)
export MAX_THINKING_TOKENS=10000
claude

# Wyłącz myślenie w Anthropic API (z wyjątkiem Fable 5)
export MAX_THINKING_TOKENS=0

Tym, co faktycznie kontrolujesz swoim promptem, jest struktura rozumowania. Poproszenie Claude o przepracowanie problemu w wyraźnych etapach niezawodnie daje lepsze rezultaty niż jednolinijkowa prośba, niezależnie od poziomu wysiłku.

Prompt do skopiowania i wklejenia dla trudnej decyzji architektonicznej:

We are deciding between a single multi-tenant Postgres database with
row-level security and a database-per-tenant model. Before recommending
one, reason through it in stages:

1. List the failure modes of each approach at 10, 100, and 1,000 tenants
2. Compare them on data isolation, noisy-neighbor risk, migration cost,
   and per-tenant backup/restore
3. State which one you recommend for a B2B SaaS at ~50 tenants today
   that expects to 10x in two years, and name the single biggest risk
   of that choice

Do not write code yet. I want the decision and the reasoning first.

Podłączanie Serwerów MCP

Serwery Model Context Protocol (MCP) dają Claude bezpośredni, ustrukturyzowany dostęp do zewnętrznych systemów — GitHuba, bazy danych, przeglądarki — zamiast kopiowania i wklejania kontekstu przez Ciebie. Konfiguracja, która gryzie ludzi, to format pliku konfiguracyjnego i wskazywanie na zarchiwizowane pakiety referencyjne.

Serwer GitHub MCP jest teraz zdalnym serwerem HTTP, a nie globalną instalacją npm. Dodaj go jednym poleceniem:

claude mcp add --transport http github https://api.githubcopilot.com/mcp/

Lokalne serwery stdio (baza danych, przeglądarka) konfigurujesz w .mcp.json w katalogu głównym projektu. Klucz najwyższego poziomu to mcpServers — nie servers. Z niewłaściwym kluczem plik jest po cichu ignorowany.

{
  "mcpServers": {
    "postgres": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-postgres", "${DATABASE_URL}"]
    },
    "playwright": {
      "command": "npx",
      "args": ["-y", "@playwright/mcp@latest"]
    }
  }
}

Kilka rzeczy wartych wiedzy, które fragmenty znajdowane online zwykle podają błędnie:

Serwery MCP stdio działają przez npx (lub uvx dla serwerów tylko w Pythonie). Nie ma kroku npm install -g — npx pobiera je i uruchamia na żądanie.
@modelcontextprotocol/server-postgres to starszy serwer referencyjny. Wciąż rozwiązuje się w npm, ale traktuj go jako punkt wyjścia; wiele zespołów przechodzi na utrzymywany serwer dostawcy.
Do automatyzacji przeglądarki użyj @playwright/mcp, a nie zarchiwizowanego server-puppeteer.

Gdy serwer jest wczytany, przestajesz opisywać kontekst, a zaczynasz prosić o rezultaty:

# Z serwerem GitHub MCP
Open an issue for the login 500s, tag it "bug" and "auth", and link the
three most recent commits that touched src/auth/.

# Z serwerem Postgres MCP
Show me the schema for the users table, then find accounts with no login
in the last 30 days.

Prompt do skopiowania i wklejenia, aby bezpiecznie eksplorować bazę danych przez serwer Postgres MCP:

Using the Postgres MCP server, help me understand this database before I
change anything:

1. List every table and its row count
2. For the orders table, show the columns, indexes, and foreign keys
3. Identify any query in src/db/queries.ts that does a sequential scan on
   a large table, and propose the index that would fix it

Run read-only queries only. Do not write, alter, or drop anything.

Budowanie Własnego Serwera MCP

Gdy żaden gotowy serwer nie pasuje — chcesz, aby Claude uruchamiał Twój skrypt wdrożeniowy, odpytywał wewnętrzne API lub uruchamiał własnościowe narzędzie — napisz mały. Użyj oficjalnego SDK, @modelcontextprotocol/sdk. API to McpServer z registerTool, połączone przez transport.

import { McpServer } from '@modelcontextprotocol/sdk/server/mcp.js';
import { StdioServerTransport } from '@modelcontextprotocol/sdk/server/stdio.js';
import { z } from 'zod';

const server = new McpServer({ name: 'project-tools', version: '1.0.0' });

server.registerTool(
  'deploy-staging',
  {
    description: 'Deploy the given branch to the staging environment',
    inputSchema: { branch: z.string() },
  },
  async ({ branch }) => {
    // Call your real deploy pipeline here.
    const url = `https://staging.example.com/${branch}`;
    return { content: [{ type: 'text', text: `Deployed ${branch} -> ${url}` }] };
  }
);

await server.connect(new StdioServerTransport());

Zarejestruj go w .mcp.json jak każdy inny serwer stdio, a następnie poproś Claude o wdrożenie gałęzi po nazwie. Własne serwery błyszczą przy automatyzacji wdrożeń, dostępie do wewnętrznego API i każdym workflow, który dotyka narzędzi posiadanych tylko przez Twój zespół.

Automatyzowanie Przeglądów PR w CI

Możesz sprawić, by Claude automatycznie przeglądał każdy pull request. Działa to przez GitHub Actions i anthropics/claude-code-action, a nie przez plik konfiguracyjny YAML w .github/claude-code-review.yml (ta ścieżka nie istnieje).

Zainstaluj aplikację GitHub

Uruchom to wewnątrz REPL Claude Code. Przeprowadzi Cię przez instalację aplikacji i dodanie wymaganych sekretów:
```
/install-github-app
```

Dodaj plik workflow

Skopiuj przykładowy workflow do .github/workflows/claude.yml. Minimalny automatyczny przegląd wygląda tak:

name: Claude Review
on:
  pull_request:
    types: [opened, synchronize]
jobs:
  review:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v5
      - uses: anthropics/claude-code-action@v1
        with:
          anthropic_api_key: ${{ secrets.ANTHROPIC_API_KEY }}
          prompt: |
            Review this PR. Report only real issues, grouped by:
            security, correctness, missing error handling.
            Be concise. Skip style nits.

Instrukcja trafia do inputu prompt. (direct_prompt to przestarzała nazwa z v0.x — użyj prompt na @v1.)

Wyzwalaj go na żądanie z komentarza

Gdy akcja jest zainstalowana, wspomnij @claude w dowolnym komentarzu PR lub issue, a odpowie:
```
@claude review this PR for security issues
@claude suggest improvements to the error handling in src/api/
```

Wzorzec, który dobrze sprawdza się w praktyce: pozwól Action opublikować automatyczne pierwsze przejście na każdym PR i zarezerwuj wzmianki @claude na ukierunkowane follow-upy (“wyjaśnij to rozwiązanie”, “sprawdź migrację pod kątem kompatybilności wstecznej”). Claude wychwytuje mechaniczne problemy, dzięki czemu ludzcy recenzenci mogą skupić się na projekcie i intencji.

Prowadzenie Naprawdę Równoległej Pracy

Gdy masz kilka niezależnych zadań — funkcjonalność, pilny hotfix, migrację — chcesz, aby każde było izolowane, tak by nie mogły wejść sobie w drogę. Prymitywem do tego są git worktrees, po jednym na zadanie. Częstym błędem jest sięganie po --add-dir: ta flaga dodaje dodatkowe katalogi do pojedynczej sesji dla kontekstu, nie tworzy izolowanych równoległych instancji.

Przydziel każdemu zadaniu własny worktree, a następnie uruchom osobną sesję Claude w każdym:

Najkrótsza droga to pozwolić Claude’owi utworzyć worktree za ciebie — --worktree (albo -w) z nazwą na zadanie, jeden terminal na każde:

# Terminal 1
claude --worktree feature-notifications
# Terminal 2
claude --worktree hotfix-auth-timeout

Każdy worktree ląduje w .claude/worktrees/<nazwa>/ na nowej gałęzi worktree-<nazwa>, a przy wyjściu Claude proponuje jego usunięcie — automatycznie, gdy jest czysty i sesja nie była nazwana, z pytaniem, gdy jest w nim praca. Dodaj .claude/worktrees/ do .gitignore, a w katalogu repo plik .worktreeinclude (składnia .gitignore), żeby .env i spółka trafiały do każdego świeżego checkoutu.

Dwa gotcha. Interaktywne --worktree wymaga workspace trust, więc odpal najpierw raz zwykłe claude w repo. A claude -p --worktree pomija zarówno sprawdzanie trustu, jak i prompt przy wyjściu, więc nic nie sprząta — te usuwaj przez git worktree remove.

Po gita sięgaj wprost, gdy potrzebujesz konkretnej istniejącej gałęzi albo worktree w innym miejscu niż .claude/worktrees/:

git worktree add ../app-hotfix hotfix/auth-timeout
cd ../app-hotfix && claude

Tak czy inaczej każda sesja widzi tylko pliki w swoim worktree, więc nie ma żadnego krzyżowego skażenia. Pełny workflow worktree znajdziesz w Kontroli Wersji; prowadzenie kilku takich sesji z jednego terminala opisuje tmux dla flot agentów.

Jeśli potrzebujesz tylko świeżej gałęzi z tego samego punktu startowego (a nie pełnej izolacji plików), claude --resume <id> --fork-session daje każdemu terminalowi czystą sesję bez drugiego katalogu roboczego.

Prompt do skopiowania i wklejenia, aby zainicjować izolowane zadanie w świeżym worktree:

This worktree is dedicated to one task: hotfix/auth-timeout. Stay scoped
to it.

1. Reproduce the auth timeout from the failing test in tests/auth/
2. Find the root cause -- do not patch symptoms
3. Propose the smallest fix, then implement it and run only the auth tests
4. Write a conventional commit message describing the fix and the root cause

Do not touch files outside the auth module.

Optymalizowanie Własnego Workflow

Claude Code może pomóc zacieśnić sposób, w jaki używasz Claude Code. Najbardziej dźwigniowym ruchem jest pielęgnowanie Twojego CLAUDE.md, tak by model przestał powtarzać kontekst, który podajesz mu ręcznie.

Prompt do skopiowania i wklejenia, aby zamienić powtarzany kontekst w pamięć projektu:

Review the conventions we keep re-establishing in this project and propose
additions to CLAUDE.md so I stop repeating them:

1. Scan src/ for our dominant naming, error-handling, and test patterns
2. Note any instruction I have given you more than once this session
3. Draft concise CLAUDE.md entries for those -- imperative, one line each
4. Show the diff before writing the file

Keep it short. CLAUDE.md is a checklist, not documentation.

Przy edycji wymagającej dużo nawigacji otwórz /config i ustaw Editor mode na Vim. Daje to ruch hjkl, obiekty tekstowe i . do powtórzenia ostatniej zmiany w edytorze wejścia; dawna komenda /vim została usunięta.

Kiedy To Się Psuje

Rozumowanie pozostaje płytkie bez względu na to, co wpiszesz — Uruchom /effort lub użyj suwaka /model i wybierz high albo xhigh. Użyj ultrathink wyłącznie jako wskazówki na jedną turę; nie zmienia poziomu effort w API.

MAX_THINKING_TOKENS wydaje się ignorowane — Dodatnie wartości działają tylko w trybie stałego budżetu na Opus/Sonnet 4.6. Na modelach adaptacyjnych użyj effort. Wartość 0 wyłącza myślenie w natywnym API Anthropic z wyjątkiem Fable 5, na którym nie można go wyłączyć.

Serwer MCP się nie wczytuje — Sprawdź, czy klucz najwyższego poziomu w .mcp.json to mcpServers, a nie servers. Zweryfikuj, że serwer pojawia się przy claude mcp list, i uruchom claude --debug "mcp", aby zobaczyć błędy startowe. Dla serwerów stdio potwierdź, że polecenie npx/uvx uruchamia się samodzielnie w terminalu.

GitHub Action nie odpowiada na @claude — Potwierdź, że aplikacja jest zainstalowana (/install-github-app), że sekret ANTHROPIC_API_KEY istnieje i że workflow znajduje się w .github/workflows/claude.yml. Jeśli skopiowałeś starszy przykład, zastąp input direct_prompt przez prompt.

Sesje równoległe interferują — Prawdopodobnie współdzielisz katalog. Przydziel każdemu zadaniu własny worktree; --add-dir nie izoluje sesji, dodaje tylko ścieżki kontekstu do jednej sesji.

Co Dalej

Mając te techniki w ręku, naucz się skalować je w całym zespole. Przejdź do Współpracy zespołowej po wzorce kolaboracyjnego rozwoju wspomaganego AI.