Pliki które pamiętają wszystko

Masz agentów. Masz podłączenia. System działa.

Ale jest jedna rzecz której jeszcze nie ma.

Wyobraź sobie że Twój copywriter pisze opis produktu. Wychodzi świetny — CTR 12%, konwersja 4.5%. Super wynik.

Tydzień później piszesz kolejny opis. Claude pisze go od zera. Nie pamięta że tamten styl zadziałał. Nie wie jaki hook miał najlepszą konwersję. Nie wie co Twoi klienci lubią a czego nie.

Każdy opis to rzut monetą od nowa.

Baza wiedzy zmienia to w system który się uczy.

Czym jest baza wiedzy

Wyobraź sobie doświadczonego pracownika który pracuje u Ciebie od roku.

Ma zeszyt w którym zapisuje wszystko:

• "Hook z pytaniem konwertuje 2x lepiej niż hook z liczbą"
• "Klientki reagują na słowo 'naturalny' lepiej niż 'organiczny'"
• "Reklamy z UGC mają ROAS 3x wyższy niż product shots"
• "Emailing w poniedziałek rano ma open rate 47%, w piątek 31%"

Nowy pracownik musiałby odkrywać to sam. Ten z zeszytem — już wie co działa.

Baza wiedzy to taki zeszyt dla Claude'a.

Trzy elementy bazy wiedzy

1. Knowledge Index — spis treści Twojej wiedzy

To jest mapa. Claude sprawdza ją zanim zacznie szukać — żeby wiedzieć co już wiesz i gdzie to znaleźć.

Stwórz plik ~/MojProjekt/docs/knowledge_index.md:

# Baza wiedzy — spis treści
 
## System
| Plik | Co zawiera |
|------|-----------|
| CLAUDE.md | Kim jestem, mój biznes, styl |
| STATUS.md | Aktualne priorytety |
| AGENT_CONTEXT.md | Kontekst dla agentów |
 
## Agenci
| Agent | Rola |
|-------|------|
| copywriter.md | Opisy produktów |
| ads-creator.md | Reklamy Facebook |
| social-media.md | Posty na IG/TikTok |
| researcher.md | Szukanie produktów i trendów |
| adapter.md | Adaptacja zagranicznych treści |
 
## Odkrycia (dodawaj tu z czasem)
| Data | Odkrycie | Gdzie zapisane |
|------|----------|---------------|
| | | |

Na razie jest prawie pusty. I to jest OK. Zapełni się naturalnie.

2. Discoverylog — co się sprawdziło

To jest serce systemu uczenia. Plik w którym zapisujesz co zadziałało i co nie.

Stwórz plik ~/MojProjekt/docs/discoverylog.md:

# Discovery Log — co się sprawdziło
 
## Opisy produktów
<!-- Dodawaj wpisy po każdym sukcesie/porażce -->
 
## Reklamy Facebook
<!-- Jakie hooki działały? Jaki ROAS? -->
 
## Email marketing
<!-- Który typ emaila miał najlepszy open rate? -->
 
## Social media
<!-- Które posty miały największe zaangażowanie? -->
 
## Produkty
<!-- Które produkty się sprzedawały? Które nie? -->

3. Pętla samodoskonalenia — system uczy się sam

To jest magia. Nie musisz ręcznie wpisywać każdego odkrycia.

Dodaj do protokołu wieczornego (evening.md) jedną linijkę:

### Phase 5: Samodoskonalenie
Sprawdź czy w dzisiejszej sesji pojawiło się odkrycie
warte zapisania. Jeśli tak — dodaj wpis do
~/MojProjekt/docs/discoverylog.md w formacie:
 
### [Data] — [Tytuł odkrycia]
- Co zadziałało: [opis]
- Dlaczego: [analiza]
- Zastosowanie: [jak to wykorzystać ponownie]

Od teraz Claude sam zapisuje co się sprawdziło. Przy każdym "Wrap up" sprawdza czy nauczył się czegoś nowego — i jeśli tak, dopisuje do bazy.

Praktyczny przykład — jak to wygląda

Tydzień 1:

Ty: "Napisz opis produktu — krem z ceramidami"
Claude: [pisze opis — poprawny ale generyczny]
Ty: "Hmm, zmień hook. Zacznij od problemu klientki."
Claude: [poprawia — teraz lepiej]
Ty: "Super! To zadziałało."

Wrap up → Claude zapisuje do discoverylog:
"Hook zaczynający od problemu klientki konwertuje lepiej
niż hook zaczynający od cechy produktu."

Tydzień 3:

Ty: "Napisz opis produktu — serum z witaminą C"
Claude: [czyta discoverylog przed pisaniem]
Claude: [od razu zaczyna od problemu klientki]
→ wynik jest lepszy od pierwszego dnia

Miesiąc 2:

Ty: "Napisz opis produktu — maseczka z glinką"
Claude: [czyta 15 wpisów w discoverylog]
Claude: hook od problemu + korzyść w podtytule
       + social proof w pierwszym akapicie
     = najlepsza formuła
Claude: [pisze opis który konwertuje od razu]

Widzisz różnicę? Claude nie zgaduje. Claude wie — bo ma dowody.

Co warto zapisywać

Nie zapisuj wszystkiego. Zapisuj to co zmienia wynik:

Reklamy:

• Który hook miał najniższy CPC
• Jaki typ kreacji dał najwyższy ROAS
• Broad vs interest — co lepsze w Twojej niszy
• O której godzinie reklamy działają najlepiej

Opisy produktów:

• Jaka struktura konwertuje (hook → korzyść → dowód → CTA)
• Jakie słowa przyciągają kliknięcia
• Optymalna długość opisu

Email marketing:

• Jaki typ tytułu daje najwyższy open rate
• Który dzień tygodnia najlepszy na wysyłkę
• Długość emaila vs kliknięcia w link

Social media:

• Które posty mają najwyższe zaangażowanie
• Reels vs karuzele vs zdjęcia — co działa
• Jakie hashtagi przynoszą zasięg

Gotowa struktura plików

~/MojProjekt/docs/
├── knowledge_index.md      ← spis treści
├── discoverylog.md         ← co się sprawdziło
├── reklamy-insights.md     ← odkrycia o reklamach
├── produkty-insights.md    ← odkrycia o produktach
└── content-insights.md     ← odkrycia o contencie

Na start potrzebujesz tylko knowledge_index.md i discoverylog.md. Resztę stworzysz gdy będziesz miał co zapisać.

touch ~/MojProjekt/docs/discoverylog.md

Dlaczego to jest Twoja przewaga

Każdy może zainstalować Claude Code. Każdy może stworzyć agentów.

Ale baza wiedzy jest unikalna. Nikt inny nie ma Twoich danych. Twoich wyników. Twoich odkryć.

Po 3 miesiącach używania — Twój Claude wie:

• Jakie hooki działają na TWOICH klientów
• Jakie produkty sprzedają się w TWOJEJ niszy
• Jaki styl opisów konwertuje w TWOIM sklepie
• O której godzinie TWOI subskrybenci otwierają maile

Żaden konkurent tego nie skopiuje. Bo to nie jest narzędzie — to jest wiedza zdobyta w boju.

Co masz teraz

Twój system jest prawie kompletny:

W następnym rozdziale łączymy wszystko razem w jeden przepływ — pełny content pipeline. Od znalezienia tematu, przez napisanie treści, po publikację. Automatycznie.

To jest moment w którym system przestaje być zbiorem narzędzi i staje się maszyną do contentu.