Jak wycisnąć 100% z ChatGPT - tryby, projekty, własne GPT i agenci AI

Zdecydowana większość osób używa ChatGPT jak gadającej wyszukiwarki: wpisz pytanie, przeczytaj akapit, zamknij kartę. To tak, jakby kupić samochód i jeździć nim wyłącznie na pierwszym biegu. Pod maską jest cała maszyneria, której nigdy nie odpalają - personalizacja działająca w tle, projekty trzymające kontekst, własne wersje asystenta z dostępem do firmowych danych, a na końcu pełnoprawni agenci, którzy sami wykonują wieloetapowe zadania.

Ten artykuł jest mapą od pierwszego biegu do ostatniego. Zaczynamy od rzeczy, które ustawisz w pięć minut i poczujesz różnicę tego samego dnia, a kończymy na budowie własnego agenta AI z działającym kodem w Pythonie. Bez lania wody - konkretne ustawienia, gotowe szablony i przykłady, które możesz skopiować.

1. Poziom AI i narzędzia - który kiedy

Pierwsza decyzja w każdej rozmowie to wybór poziomu AI - rozwijane menu obok pola wpisywania. W ChatGPT (stan na 2026) masz cztery opcje:

Oddzielnie od poziomu AI działają narzędzia, które możesz włączyć w trakcie rozmowy: wyszukiwanie w sieci (świeże fakty), analiza danych / interpreter kodu (pliki Excel/CSV, wykresy), generowanie obrazów. To nie są „tryby" - to dodatkowe możliwości dostępne niezależnie od wybranego poziomu. Włączasz je klikając + lub ikonkę narzędzi na pasku pod polem wpisywania:

Zaawansowana to poziom z wbudowanym reasoning: model przed odpowiedzią wykonuje ukryty etap planowania - rozbija problem na kroki i sprawdza własne wnioski. Płacisz za to czasem (odpowiedź przychodzi wolniej), więc opłaca się tylko tam, gdzie problem faktycznie ma więcej niż jeden ruch.

2. Personalizacja, która działa w tle

Najtańszy w wdrożeniu wzrost jakości to Custom Instructions - stały kontekst, który ChatGPT dokleja do każdej rozmowy. Ustawiasz raz, działa zawsze. Znajdziesz to w ustawieniach konta, w sekcji personalizacji. Są tam dwa pola: kim jesteś i jak chcesz, żeby model odpowiadał.

Większość ludzi zostawia te pola puste, a to właśnie tutaj kończą się odpowiedzi „dla wszystkich i dla nikogo". Oto wzorzec, który możesz dopasować pod siebie:

# Pole 1: Co model powinien o mnie wiedzieć
Jestem analitykiem w firmie produkcyjnej. Pracuję w Excelu i SQL.
Odbiorcy moich materiałów to zarząd - cenią konkret i liczby, nie żargon.
Pracuję po polsku, raporty bywają po angielsku.

# Pole 2: Jak model ma odpowiadać
- Zaczynaj od wniosku, potem uzasadnienie. Bez długich wstępów.
- Gdy podajesz dane, dawaj je w tabeli.
- Jeśli czegoś nie wiesz lub brakuje danych - powiedz wprost, nie zgaduj.
- Kod komentuj po polsku. Pokazuj gotowe do uruchomienia fragmenty.
- Nie używaj emotikon ani frazesów typu "świetne pytanie".

Druga warstwa to pamięć - ChatGPT potrafi sam zapamiętywać fakty z rozmów (że pracujesz w danym stosie technologicznym, że wolisz konkretny format). Warto co jakiś czas zajrzeć do listy zapamiętanych rzeczy i usunąć to, co nieaktualne, bo przeterminowana „pamięć" potrafi cicho psuć odpowiedzi.

3. Prompty, które wyciskają maksimum

Mocny prompt to nie zaklęcie, tylko dobrze opisane zlecenie. Ma kilka części, które warto świadomie wypełniać. Im więcej z nich podasz, tym mniej model zgaduje.

Few-shot, czyli ucz przez przykład

Few-shot (dosłownie „kilka strzałów") to technika, w której zamiast opisywać oczekiwany wynik, po prostu go pokazujesz na 1-2 przykładach. Model wyłapuje wzorzec lepiej niż z najdłuższej instrukcji.

# Zamiast: "klasyfikuj zgłoszenia klientów"
# Daj wzorzec - model dopasuje resztę:

Klasyfikuj zgłoszenie jako: REKLAMACJA / PYTANIE / POCHWAŁA.

Przykłady:
"Paczka przyszła zgnieciona" -> REKLAMACJA
"Czy macie to w rozmiarze L?" -> PYTANIE
"Super obsługa, polecam!" -> POCHWAŁA

Zgłoszenie: "Minęły dwa tygodnie i nadal nie dostałem zwrotu" ->

Chain-of-thought - każ pokazać rozumowanie

Chain-of-thought („łańcuch myśli") to poproszenie modelu, by rozpisał kroki, zanim poda wynik. Przy zadaniach z logiką albo liczeniem to wyraźnie zmniejsza liczbę błędów - model nie skacze od razu do odpowiedzi.

Rozwiąż krok po kroku, pokazując rozumowanie, a na końcu
podaj wynik w osobnej linii zaczynającej się od "WYNIK:".

Firma ma 3 magazyny. Magazyn A wysyła 40% zamówień, B - 35%,
reszta z C. Dziś było 1 250 zamówień. Ile wysłał magazyn C?

Meta-prompting - niech model ulepszy Twój prompt

Jedna z najmocniejszych sztuczek: poproś ChatGPT, żeby najpierw poprawił Twoje polecenie, a dopiero potem je wykonał. Działa, bo model „wie", czego mu brakuje, by dobrze odpowiedzieć.

Zanim wykonasz zadanie, zadaj mi do 3 pytań, które najbardziej
zmienią jakość Twojej odpowiedzi. Potem przepisz moje polecenie
w lepszej wersji i dopiero wtedy je wykonaj.

Zadanie: napisz ofertę szkolenia dla działu HR.

4. Projekty - pamięć kontekstu

Projekty to foldery na rozmowy, które dzielą wspólny kontekst: zestaw instrukcji i wgrane pliki obowiązujące w każdej rozmowie wewnątrz projektu. To rozwiązuje najczęstszy ból - powtarzanie tła w kółko.

Przykład: projekt „Raport miesięczny". Wrzucasz do niego szablon raportu, definicje wskaźników i instrukcję „pisz w tonie dla zarządu, liczby w tabelach". Od tej pory każda rozmowa w tym projekcie startuje z tą wiedzą - nie tłumaczysz po raz dziesiąty, co znaczy „marża pierwszego rzędu" w Waszej firmie.

5. GPT z wiedzą firmową - krok po kroku

Własny GPT to skonfigurowana wersja ChatGPT z własną nazwą, instrukcjami, plikami wiedzy i opcjonalnie akcjami. Budujesz go w GPT Builderze, opisując słowami - nie trzeba programować. Efekt to asystent, którego odpalasz jednym kliknięciem i udostępniasz zespołowi.

Procedura budowy

1. Otwórz sekcję Moje GPT i wybierz „Utwórz".

   

2. W zakładce Skonfiguruj ustaw nazwę, opis i instrukcje (to najważniejsze pole).

   

3. Wgraj pliki w sekcji Wiedza - to dokumenty, z których GPT ma korzystać.

   

4. Zaznacz Funkcje: Wyszukiwanie w sieci, Generowanie obrazu, Interpreter kodu.

   

5. Opcjonalnie dodaj Działania — integracje z zewnętrznymi API. Działania pozwalają GPT wywoływać Twoje systemy w trakcie rozmowy: sprawdzić stan zamówienia, dopisać kontakt do CRM, pobrać wolne terminy z kalendarza. Bez działań GPT korzysta tylko z tego, co wgrano do Wiedzy. Na początku pomijasz ten krok — Wiedza i Instrukcje wystarczą na 80% zastosowań.

   

6. Przetestuj w panelu Podgląd po prawej (zadaj pytanie, sprawdź odpowiedzi), a potem kliknij Utwórz w prawym górnym rogu. Pojawi się dialog z potwierdzeniem i ustawieniem dostępu: Tylko zaproszeni, Wszyscy z linkiem lub Publiczny.

   

   Tak wygląda GPT z perspektywy odbiorcy — przykład pytania w zakresie regulaminu i gotowa odpowiedź:

   

   GPT pilnuje też swojego zakresu — gdy pytasz o coś spoza regulaminu, grzecznie odmawia:

   

Sercem GPT są instrukcje. Traktuj je jak opis stanowiska pracy nowego pracownika - im precyzyjniej, tym mniej niespodzianek. Wzorzec dla GPT „Asystent ofert handlowych":

ROLA
Jesteś asystentem działu handlowego firmy szkoleniowej. Pomagasz
przygotować spersonalizowane oferty na podstawie cennika z Wiedzy.

ZASADY
- Zawsze pytaj o: branżę klienta, liczbę uczestników, tryb (online/stacjonarnie).
- Ceny bierz WYŁĄCZNIE z pliku cennik.pdf. Nie zgaduj kwot.
- Przy grupach 5+ osób przypomnij o rabacie grupowym.
- Jeśli klient pyta o temat spoza oferty - powiedz to wprost i zaproponuj
  najbliższy dostępny kurs.

FORMAT ODPOWIEDZI
1. Krótkie podsumowanie potrzeby klienta (2 zdania).
2. Tabela: kurs | liczba dni | cena netto | termin.
3. Akapit z uzasadnieniem doboru.
4. Wezwanie do działania z linkiem do zapisu.

CZEGO NIE ROBIĆ
- Nie obiecuj terminów, których nie ma w pliku terminy.csv.
- Nie podawaj cen brutto - rozmawiamy w kwotach netto B2B.

6. Akcje GPT - podłączenie własnego API

Akcje (Actions) to most między GPT a światem zewnętrznym. Dzięki nim GPT może w trakcie rozmowy wywołać Twój system: sprawdzić stan zamówienia, dopisać lead do CRM, pobrać dostępność terminów. GPT opisujesz w GPT Builderze, a akcję - schematem OpenAPI (standardowy, czytelny dla maszyn opis tego, co Twoje API potrafi). Na razie pomijasz ten krok — wróć tu gdy Twój GPT z Wiedzą już działa i chcesz go podłączyć do prawdziwego systemu.

W edytorze GPT kliknij Skonfiguruj, przewiń na dół do sekcji Działania i kliknij Utwórz nowe działanie:

Otworzy się formularz Dodaj działania. W polu Schemat wklejasz opis swojego API w formacie OpenAPI:

Minimalny schemat akcji „sprawdź status zamówienia po numerze" — wklejasz go w to pole:

openapi: 3.1.0
info:
  title: API sklepu
  version: "1.0.0"
servers:
  - url: https://api.twojsklep.pl
paths:
  /zamowienia/{numer}:
    get:
      operationId: pobierzStatusZamowienia
      summary: Zwraca status zamówienia po jego numerze
      parameters:
        - name: numer
          in: path
          required: true
          schema: { type: string }
      responses:
        "200":
          description: Status zamówienia

Po wklejeniu GPT Builder automatycznie parsuje schemat i pokazuje dostępne działania z przyciskiem Testuj — możesz od razu sprawdzić, czy wywołanie działa:

Gdy użytkownik napisze „gdzie jest moja paczka numer 8841?", GPT rozpozna intencję, wywoła pobierzStatusZamowienia z numerem 8841, odczyta odpowiedź API i ujmie ją w naturalnym zdaniu. To pierwszy moment, w którym GPT przestaje tylko „mówić", a zaczyna działać - i naturalny pomost do tematu agentów.

7. Od GPT do prawdziwego agenta AI

Tu kończy się przeglądarka, a zaczyna automatyzacja. Różnica jest prosta, ale fundamentalna:

Agent działa w pętli: dostaje cel, model decyduje jakie narzędzie wywołać, program je wykonuje, oddaje wynik modelowi, a ten albo wywołuje kolejne narzędzie, albo uznaje zadanie za skończone i zwraca odpowiedź. Ten cykl to clou agenta.

Agent „od środka" - pętla function calling

Najpierw pokażmy, co naprawdę dzieje się pod spodem, na czystym kliencie OpenAI. Model nie wykonuje funkcji sam - zwraca informację „chcę wywołać funkcję X z takimi argumentami", a Twój kod ją uruchamia i oddaje wynik. Oto kompletna, działająca pętla obsługi reklamacji:

import json
from openai import OpenAI

client = OpenAI()  # klucz API z zmiennej środowiskowej OPENAI_API_KEY

# --- 1. Narzędzia, które agent może wywołać (tu: uproszczone) ---
def status_zamowienia(numer):
    baza = {"8841": "wysłane, kurier DPD, doręczenie jutro"}
    return baza.get(numer, "nie znaleziono zamówienia")

def zloz_reklamacje(numer, powod):
    # w realnym systemie: zapis do bazy / CRM
    return f"reklamacja dla {numer} przyjęta, numer zgłoszenia R-2026-117"

dostepne = {"status_zamowienia": status_zamowienia,
            "zloz_reklamacje": zloz_reklamacje}

# --- 2. Opis narzędzi dla modelu (schemat) ---
tools = [
  {"type": "function", "function": {
     "name": "status_zamowienia",
     "description": "Zwraca status zamówienia po numerze",
     "parameters": {"type": "object",
       "properties": {"numer": {"type": "string"}},
       "required": ["numer"]}}},
  {"type": "function", "function": {
     "name": "zloz_reklamacje",
     "description": "Składa reklamację dla zamówienia",
     "parameters": {"type": "object",
       "properties": {"numer": {"type": "string"},
                      "powod": {"type": "string"}},
       "required": ["numer", "powod"]}}},
]

messages = [
  {"role": "system", "content": "Jesteś agentem BOK. Działaj po polsku."},
  {"role": "user",   "content": "Zamówienie 8841 nie dotarło. Chcę reklamację."},
]

# --- 3. Pętla agenta ---
while True:
    odp = client.chat.completions.create(
        model="gpt-4o", messages=messages, tools=tools)
    msg = odp.choices[0].message
    messages.append(msg)

    if not msg.tool_calls:        # model nie chce już nic wywoływać
        print(msg.content)         # to finalna odpowiedź
        break

    for call in msg.tool_calls:   # wykonaj to, o co prosi model
        nazwa = call.function.name
        args = json.loads(call.function.arguments)
        wynik = dostepne[nazwa](**args)
        messages.append({"role": "tool",
            "tool_call_id": call.id, "content": wynik})

Przykładowy przebieg pokazuje, jak agent sam łączy dwa kroki - najpierw sprawdza status, potem zakłada reklamację - zanim odpowie człowiekowi:

[tura 1] model -> wywołaj status_zamowienia(numer="8841")
[narzędzie] "wysłane, kurier DPD, doręczenie jutro"
[tura 2] model -> wywołaj zloz_reklamacje(numer="8841", powod="opóźnienie")
[narzędzie] "reklamacja przyjęta, numer R-2026-117"
[tura 3] model -> Sprawdziłem - paczka jest u kuriera DPD z dostawą jutro.
        Na wszelki wypadek złożyłem reklamację (R-2026-117).

To samo, ale krócej - Agents SDK

Pętlę z poprzedniego przykładu pisaliśmy ręcznie, żeby pokazać mechanizm. W praktyce sięga się po bibliotekę, która tę pętlę prowadzi za Ciebie. W oficjalnym Agents SDK od OpenAI ten sam agent to kilkanaście linii:

import asyncio
from agents import Agent, Runner, function_tool

@function_tool
def status_zamowienia(numer: str) -> str:
    """Zwraca status zamówienia po numerze."""
    return {"8841": "wysłane, DPD, jutro"}.get(numer, "brak")

@function_tool
def zloz_reklamacje(numer: str, powod: str) -> str:
    """Składa reklamację dla zamówienia."""
    return f"reklamacja {numer} przyjęta (R-2026-117)"

agent = Agent(
    name="Agent BOK",
    instructions="Jesteś agentem obsługi klienta. Działaj po polsku.",
    tools=[status_zamowienia, zloz_reklamacje],
)

async def main():
    wynik = await Runner.run(agent,
        "Zamówienie 8841 nie dotarło, chcę reklamację.")
    print(wynik.final_output)

asyncio.run(main())

Dekorator @function_tool sam buduje schemat narzędzia z podpowiedzi typów i opisu funkcji, a Runner.run prowadzi całą pętlę - wywołania, wyniki, kolejne tury - aż do finalnej odpowiedzi. To jest właśnie ta sama pętla z diagramu, tylko schowana w bibliotece.

Structured output - gdy potrzebujesz danych, nie prozy

Jeśli wynik ma trafić do innego systemu, nie chcesz akapitu tekstu, tylko czysty, przewidywalny format. Model można zmusić, by zwracał dane zgodne z zadanym schematem - tu prosi się go o ustrukturyzowany obiekt zamiast swobodnej wypowiedzi:

from pydantic import BaseModel
from openai import OpenAI

class Zgloszenie(BaseModel):
    kategoria: str       # REKLAMACJA / PYTANIE / POCHWAŁA
    pilnosc: int         # 1-5
    streszczenie: str

client = OpenAI()
odp = client.chat.completions.parse(
    model="gpt-4o",
    messages=[{"role": "user",
        "content": "Czekam 2 tygodnie na zwrot pieniędzy i nikt nie odpisuje!"}],
    response_format=Zgloszenie,
)
z = odp.choices[0].message.parsed
print(z.kategoria, z.pilnosc)   # -> REKLAMACJA 5

Dzięki temu odpowiedź modelu wpada prosto do bazy albo kolejnego kroku procesu - bez parsowania tekstu i bez niespodzianek z formatem.

8. Najczęstsze błędy

• Używanie jednego trybu do wszystkiego. Tryb szybki przy analizie da płytki wynik; tryb rozumujący przy prostym przeredagowaniu to strata czasu.
• Puste Custom Instructions. Najtańszy wzrost jakości, który większość pomija.
• Prompt bez formatu i ograniczeń. „Napisz o X" zwraca esej dla nikogo. Dodaj odbiorcę, długość, strukturę.
• Wrzucanie wrażliwych danych do GPT na koncie prywatnym. Do firmowych danych - konto zespołowe albo własny system przez API.
• Mylenie GPT z agentem. GPT czeka na Ciebie. Agent działa sam - i właśnie dlatego potrzebuje jasnych granic (co wolno wywołać, kiedy spytać człowieka).
• Agent bez „hamulca". Przy akcjach, które coś zmieniają (płatność, wysyłka maila), dodawaj krok potwierdzenia przez człowieka.

9. Kiedy który poziom się opłaca

Jeśli Twój cel to budowa własnych asystentów dla zespołu, naturalnym kolejnym krokiem jest kurs Tworzenie agentów AI:

Dla osób, które chcą po prostu sprawniej pracować z AI na co dzień:

FAQ

Czym różni się własny GPT od agenta AI?

Własny GPT to skonfigurowana wersja ChatGPT z instrukcjami, plikami wiedzy i opcjonalnie akcjami - działa w przeglądarce i czeka na Twoje wiadomości. Agent AI to program, który sam prowadzi pętlę: dostaje cel, decyduje jakie narzędzia wywołać, wykonuje je, czyta wyniki i powtarza, aż osiągnie cel. GPT to interfejs, agent to autonomiczny proces.

Czy do zbudowania własnego GPT trzeba umieć programować?

Nie. Sam GPT konfigurujesz słowami w GPT Builderze i wgrywając pliki. Kod robi się potrzebny dopiero przy akcjach (opis API schematem OpenAPI) oraz przy budowie pełnoprawnego agenta przez API.

Kiedy używać poziomu Zaawansowana, a kiedy Błyskawiczny?

Błyskawiczny - do prostych, dobrze zdefiniowanych zadań (przeredagowanie, streszczenie, krótka odpowiedź). Zaawansowana - przy zadaniach wieloetapowych: analiza danych, debugowanie, decyzje z wieloma warunkami, dłuższe wyprowadzenia logiczne. Płacisz za to wolniejszą odpowiedzią.

Czy dane wgrane do własnego GPT są bezpieczne?

Pliki wiedzy są dostępne dla osób, którym udostępnisz GPT, a fragmenty mogą trafić do odpowiedzi. Nie wgrywaj tam tajemnic firmy ani danych osobowych bez podstawy prawnej. Dla wrażliwych danych użyj konta zespołowego lub własnego systemu przez API z kontrolą dostępu.