Superpowers i MCP jako kod: test agentów AI w Claude Code
Dwa popularne pomysły na lepszą pracę agentów AI w Claude Code, zmierzone na tych samych zadaniach: Superpowers (4,5 raza dłużej) i kod zamiast surowych danych.

W przeglądach narzędzi do Claude Code co tydzień wraca to samo pytanie: czy agentowi AI trzeba narzucić porządek, żeby pisał lepszy kod, i czy da się przy tym oszczędzić na tokenach. Wzięliśmy dwa głośne pomysły z ostatnich dni i zmierzyliśmy je na identycznych zadaniach, z wynikiem ocenianym przez nas, nie przez agenta.
Test 1: Superpowers, czyli najpierw pytania, plan i testy
Superpowers to zestaw skilli, który zmienia sposób pracy agenta. Warunki użycia znajdziesz w repozytorium producenta. Zamiast od razu pisać kod, agent zadaje pytania, spisuje projekt i plan, a potem pracuje metodą „najpierw test, potem kod”.
Zadanie: walidacja formularza rezerwacji (imię, telefon, e-mail, daty pobytu, liczba osób). Dwóch agentów na tym samym modelu: jeden zwykły, drugi z instrukcjami Superpowers. Na koniec oba wyniki sprawdziliśmy naszym własnym, ukrytym zestawem 40 przypadków, których żaden agent nie widział: numery z +48 i 0048, 30 lutego, pobyt 31 nocy, „dwie” zamiast liczby osób.
| Zwykły agent | Z Superpowers | |
|---|---|---|
| Wynik na naszych 40 przypadkach | 40 z 40 | 40 z 40 |
| Czas | 35 s | 159 s |
| Kroki (wywołania narzędzi) | 5 | 31 |
| Tokeny | ok. 79 tys. | ok. 115 tys. |
| Własne testy agenta | 12 | 29 + sprawdzenie mutacją |
| Dokumentacja | brak | pytania, projekt, plan |
Co z tego wynika: przy małym, dobrze opisanym zadaniu Superpowers nie poprawił wyniku, bo zwykły agent też trafił w każdy przypadek. Zapłaciliśmy 4,5 raza dłuższym czasem i o połowę większą liczbą tokenów. Zyskaliśmy za to dwa razy więcej testów i zapis decyzji, który przydaje się, gdy kod ma żyć latami albo przejmuje go ktoś inny. Wniosek: metoda dla dużych, niejasnych zadań, nie dla każdego drobiazgu.
Test 2: „MCP jako kod”, czyli niech liczy skrypt, nie model
Drugi pomysł pochodzi z filmu „MCP as Code”. Kiedy agent pobiera dane przez narzędzie (np. listę zgłoszeń z GitHuba), cała odpowiedź trafia do jego pamięci roboczej i kosztuje tokeny. Alternatywa: agent pisze mały skrypt, który pobiera dane, sam je liczy, zapisuje wynik na dysk i oddaje agentowi tylko krótkie podsumowanie. Autor filmu nie opublikował jeszcze swojego kodu, więc sprawdziliśmy sam wzorzec.
Zadanie: 5 ostatnio zamkniętych zgłoszeń błędów z publicznego repozytorium Kubernetes, dla każdego liczba komentarzy, autor ostatniego komentarza i czas do zamknięcia. Ten sam model (Haiku), dwa sposoby pracy.
| Agent czyta surowe dane | Agent pisze skrypt | |
|---|---|---|
| Wynik | poprawny | poprawny, ten sam |
| Tokeny | ok. 193 tys. | ok. 80 tys. |
| Czas | 111 s | 47 s |
| Zapytania do API | 7 | 6 |
Co z tego wynika: 2,4 raza mniej tokenów i ponad 2 razy szybciej przy tym samym wyniku. Ciekawostka: pierwsza odpowiedź API miała 272 KB i Claude Code sam odłożył ją do pliku zamiast wkleić agentowi. W trybie „surowym” agent musiał ją potem i tak przeczytać. W tym przebiegu skrypt poradził sobie z dużą odpowiedzią lepiej niż samo odłożenie jej do pliku.
Nasza opinia
- Superpowers: dobre jako tryb na duże funkcje i kod, który przejmą inni. Na co dzień za wolne. Bierzemy z niego jedną zasadę: przed większą zmianą agent spisuje pytania i plan.
- Kod zamiast surowych danych: bierzemy od razu. Wszędzie, gdzie agent przetwarza dużo danych (raporty, zestawienia, logi), niech pisze skrypt, a do modelu trafia tylko wynik.
- Oba testy to pojedyncze przebiegi na małych zadaniach. Liczby pokazują kierunek, nie średnią.
Chcesz sprawdzić, czy to zadziała w Twojej firmie? Napisz do nas i opisz, co chcesz zautomatyzować.