
CubicInch: lejek posprzedażowy, który pamięta o kliencie
Lejek posprzedażowy „Grill” w Pipedrive: po pierwszym zamówieniu automat prowadzi klienta B2B przez kolejne etapy kontaktu, a dane z GetResponse trafiają do handlowca.
Zobacz case studyCase study
AI w firmie zaczęło u nas działać przewidywalnie dopiero wtedy, gdy agent dostał te same zasady co ludzie, w każdym repozytorium klienta. Zbudowaliśmy jedno repo wzorcowe, z którego zasady, skrypty i blokady trafiają do 24 repozytoriów klientów i naszego własnego jako zwykłe PR-y. Agent AI zna standard od pierwszej minuty sesji, a commit, push i zmiana na produkcji nadal należą do człowieka.

24 repozytoria klientów i nasze własne mają te same zasady, skrypty i skille, bo wszystkie pochodzą z jednego szablonu
z 692 do 209 linii w 7 plikach, które agent czyta na początku każdej sesji
każda zmiana idzie przez gałąź zadania, PR i przegląd drugiej osoby, także gdy pisze ją agent
repo z zasadami, ochroną gałęzi i kontrolą przed pushem jest gotowe od pierwszego dnia
Codeless to agencja automatyzacji i AI. Budujemy dla firm automatyzacje w n8n i Make, łączymy ich systemy, wdrażamy AI tam, gdzie czyta maile, dokumenty i rozmowy, a w formie Interim AI wchodzimy do firmy na dłużej jako jej zespół od AI i automatyzacji.
Ten tekst jest o nas: pokazujemy, jak sami pracujemy z AI, zanim zaproponujemy to klientowi.
Każdy klient ma u nas własne repozytorium na GitHubie. Leżą w nim workflowy n8n, mikroserwisy, opis infrastruktury i dokumentacja.
W tych repozytoriach pracują programiści z naszego zespołu, a razem z nimi agenci AI w Claude Code i Codex, którzy piszą kod, czytają logi i przygotowują zmiany.
Wyzwanie
Gdy klientów było kilku, każdy projekt miał swój styl. Inne nazwy folderów, inne miejsce na notatki, inne przyzwyczajenia przy pushowaniu zmian.
Programista, który przechodził z jednego repo do drugiego, musiał najpierw zgadnąć, jak tu się pracuje. Agent AI zgadywał tak samo, tylko szybciej i pewniej siebie.
Najlepsze zasady pracy z agentem istniały, ale w prywatnych ustawieniach jednej osoby. Agenci reszty zespołu ich nie znali, więc w jednym repo agent pytał przed commitem, a w innym robił commit sam.
Poprawka wymyślona przy jednym kliencie nie docierała do pozostałych, a ręczne kopiowanie plików między dwudziestoma kilkoma repozytoriami nie miało szans się utrzymać.
Było jeszcze ryzyko, które przy AI rośnie. Agent potrafi w kilka sekund wpisać klucz API do workflowu, wypchnąć zmianę prosto na gałąź produkcyjną albo poprawić coś bezpośrednio na serwerze klienta.
Każda z tych rzeczy osobno to mały błąd. Powtórzone w wielu repozytoriach dają firmę, w której nikt nie wie, co naprawdę działa na produkcji.
Masz podobny problem? Porozmawiajmy.
30 minut z osobą, która potem to buduje. Po rozmowie wiesz, co da się zautomatyzować i ile to odda.
Każdy programista i każdy agent pracował trochę inaczej, a standard zależał od tego, kto akurat siedział w repo.
Dobra zmiana w jednym repozytorium nie trafiała do pozostałych albo trafiała w różnych wersjach.
Nic nie zatrzymywało pushu na produkcję ani sekretu wpisanego na sztywno, zanim trafił do historii gita.
Rozwiązanie
Zamiast pisać kolejny dokument o tym, jak korzystać z AI, wpisaliśmy zasady tam, gdzie agent i programista pracują: do repozytorium. Jedno repo wzorcowe jest źródłem prawdy, a zmiany z niego trafiają do repozytoriów klientów jako PR, który człowiek przegląda i zatwierdza.
Poniżej opisujemy po kolei, co robi każda część rozwiązania.
Narzędzia: Claude Code, Codex, GitHub, n8n, ClickUp, Slack
Wszystko, co wspólne, powstaje w jednym repozytorium wzorcowym: zasady, skrypty, skille dla agenta, hooki i ustawienia. Gdy coś zmieniamy, jeden skrypt przygotowuje PR w każdym repozytorium klienta.
Kopiowane są tylko pliki z jawnej listy, więc workflowy, kod i notatki klienta zostają nietknięte.
Każda zmiana wspólna ma wpis w dzienniku zmian, a ogłoszenia z akcją dla programisty trafiają do osobnego pliku, który agent czyta razem z zasadami. Po aktualizacji agent sam przypomina, co trzeba zrobić u siebie, na przykład pobrać nową wersję skryptu.
Zasady leżą w 7 krótkich plikach: praca z AI, ClickUp, Git, n8n, standardy jakości, struktura repo i ogłoszenia. Claude Code wczytuje je sam przy każdej sesji, a Codex dostaje do nich wskaźnik w swoim pliku instrukcji.
Przy porządkach skróciliśmy je z 692 do 209 linii, bo agent lepiej trzyma się zasad, które są krótkie i jednoznaczne.
W zasadach jest to, czego oczekujemy od dobrego współpracownika. Najpierw wynik, potem uzasadnienie.
Fakty oddzielone od przypuszczeń. Dokumentacja API sprawdzana w źródle, nie z pamięci.
Sekretów nie wyświetla się w czacie, a danych osobowych z wykonań nie wkleja do commitów ani dokumentacji.
Hook przed pushem odrzuca każdą próbę wypchnięcia zmian prosto na gałąź main. Instaluje się sam na starcie sesji Claude Code, więc nikt nie musi o nim pamiętać.
Pracujemy na gałęziach zadań, a do main trafia tylko PR po przeglądzie drugiej osoby.
Przed każdym pushem uruchamia się kontrola repozytorium. Sprawdza, czy workflowy n8n są poprawnym i pełnym eksportem, czy w nodach nie ma kluczy wpisanych na sztywno, czy do repo nie trafia plik .env, klucz prywatny albo zrzut wykonań z danymi klientów.
Rozpoznaje też popularne formaty tokenów. Błąd oznacza, że zmiana nie wychodzi z komputera.
Agent, który buduje workflow, trzyma się tych samych 16 zasad co zespół. Hasła i tokeny tylko w n8n Credentials.
Nazwa każdego noda mówi, co robi. W rogu workflowu notatka z opisem, właścicielem i datą zmiany.
Prefiks środowiska w nazwie, bo na produkcji nie testujemy.
Webhooki mają autoryzację, kolumny w bazach są bez polskich znaków, a duże workflowy dzielimy na mniejsze. Każdy błąd w produkcyjnym workflowie daje alert na Slacku, a obsługuje to wspólny workflow, który opisaliśmy w osobnym case study o monitorowaniu n8n.
Agent może przygotować commit, PR albo zmianę na produkcji, ale wykonuje je dopiero po zgodzie programisty. Produkcja klienta jest domyślnie tylko do odczytu.
Wysyłka maili, zapis w CRM czy zmiana statusu w ClickUp też czekają na zgodę.
Każda praca, która coś zmienia, ma zadanie w ClickUp, a link do niego trafia do opisu PR. Plan i błędy żyją w zadaniach, nie w plikach w repo.
Nowego klienta zakładamy jednym skryptem: tworzy repo z szablonu, włącza squash merge i kasowanie gałęzi po merge'u, instaluje hook i dopisuje repo do listy synchronizacji.
Masz podobny problem? Porozmawiajmy.
30 minut z osobą, która potem to buduje. Po rozmowie wiesz, co da się zautomatyzować i ile to odda.
Wdrożenie
Dziś i po wdrożeniu
Przełącz zakładki albo poczekaj, aż sprawy same dostaną opiekuna.
Zasady pracy z agentem
W prywatnych plikach
Poprawka wspólna
Kopiowana ręcznie
Push na main
Możliwy z każdego komputera
Klucz API w workflowie
Wychodzi w historii gita
Praca bez zadania
Nie wiadomo, po co zmiana
Commit przez agenta
Zależy od repo
Nowa osoba w zespole
Uczy się każdego repo od nowa
Nowy klient
Repo składane ręcznie
Przechodzi między repozytoriami klientów bez zgadywania, jak tu się pracuje. Agent obok niego zna te same zasady i sam pilnuje gałęzi, sekretów i zadań w ClickUp.
Zmienia zasadę raz, w szablonie, i widzi ją w PR-ach u wszystkich klientów. Nie musi pilnować każdego repo osobno.
Od pierwszego dnia pracuje w tym samym układzie folderów i z tymi samymi skillami. Agent tłumaczy jej zasady w trakcie pracy.
Ma pewność, że zmiana na jego produkcji przeszła przez zadanie, PR i przegląd człowieka, a jego klucze nie leżą w repozytorium.
Opowiedz, jak dziś wygląda ten proces w Twojej firmie. Po 30 minutach wiesz, co da się zautomatyzować i od czego zacząć.
W skrócie: AI w firmie działa przewidywalnie, gdy agent dostaje te same zasady co ludzie, w miejscu, w którym pracuje, a ryzykowne kroki zostają przy człowieku. Sam dokument z polityką AI w firmie rzadko wystarcza, bo agent go nie czyta, a ludzie szybko o nim zapominają.
Zasady powinny być w repozytorium, w ustawieniach narzędzia i w automatycznych kontrolach.
Agenci AI, tacy jak Claude Code czy Codex, potrafią czytać pliki z instrukcjami na starcie sesji. To najprostsze miejsce na standard: jak nazywamy gałęzie, co wolno bez pytania, czego nie robimy na produkcji, gdzie zapisujemy decyzje.
Druga warstwa to blokady, które nie zależą od dobrej woli: hook przed pushem, kontrola sekretów, ochrona gałęzi produkcyjnej.
Gdy klientów albo zespołów jest więcej niż kilka, potrzebne jest jedno źródło prawdy i sposób rozsyłania zmian. Przykład: jeśli prowadzicie 20 repozytoriów i każdą poprawkę zasad trzeba wprowadzić ręcznie, to jedna zmiana oznacza 20 osobnych edycji i 20 okazji do pomyłki.
Szablon z synchronizacją przez PR zamienia to w jedną zmianę i serię przeglądów.
Spiszcie, jak dziś pracujecie z AI: kto używa agentów, w jakich repozytoriach i co agent robi bez pytania.
Wybierzcie zasady, które naprawdę chronią przed błędami, i zapiszcie je krótko, w kilku plikach zamiast jednego długiego dokumentu.
Wpiszcie zasady tam, gdzie agent je przeczyta na starcie sesji, i sprawdźcie na prawdziwym zadaniu, czy się ich trzyma.
Dodajcie blokady niezależne od agenta: zakaz pushu na gałąź produkcyjną i kontrolę sekretów przed pushem.
Ustalcie, co zawsze wymaga zgody człowieka: commit, push, zmiana na produkcji, wysyłka wiadomości.
Przy wielu repozytoriach zbudujcie jedno repo wzorcowe i rozsyłajcie zmiany jako PR, z dziennikiem zmian.
Co jakiś czas skracajcie zasady i usuwajcie te, które nic nie zmieniają w pracy.
Masz podobny problem? Porozmawiajmy.
30 minut z osobą, która potem to buduje. Po rozmowie wiesz, co da się zautomatyzować i ile to odda.
Polityka w osobnym dokumencie nie działa w trakcie pracy. Zasady muszą być w pliku, który narzędzie wczytuje samo, inaczej każdy agent pracuje po swojemu.
Im dłuższy plik zasad, tym łatwiej agentowi zgubić to, co ważne. Lepiej kilka krótkich plików z jasnymi regułami niż jeden poradnik na kilkaset linii.
Szablon powinien kopiować tylko pliki z jawnej listy. Inaczej kolejna aktualizacja zasad usunie workflow albo notatkę, którą ktoś dopisał w repo klienta.
Hook, który działa na macOS, potrafi cicho nie działać na Windows. Skrypty uruchamiane u programistów trzeba sprawdzić na obu systemach.
To rozwiązanie jest dla Ciebie, jeśli:
Masz podobny problem? Porozmawiajmy.
30 minut z osobą, która potem to buduje. Po rozmowie wiesz, co da się zautomatyzować i ile to odda.
Pytania
Nie ma tu Twojego pytania?
Zadaj je na 30-minutowej rozmowie. Odpowiadamy konkretnie, na Waszym przykładzie.
Umów rozmowę →Od spisania, jak dziś pracujecie z AI, i wybrania kilku zasad, które chronią przed prawdziwymi błędami. Potem wpiszcie je tam, gdzie agent je czyta, i dodajcie blokady niezależne od agenta. Szablon dla wielu repozytoriów ma sens dopiero wtedy, gdy zasady sprawdzą się na jednym.
AI, które naprawdę wspiera biznes. Wdrażamy rozwiązania oparte na sztucznej inteligencji – od analizy danych i prognozowania sprzedaży po personalizację komunikacji z klientem. Dzięki temu Twoja firma działa szybciej, podejmuje trafniejsze decyzje i obniża koszty operacyjne. To realna przewaga konkurencyjna i fundament nowoczesnego biznesu.
ZobaczZanim zatrudnicie pierwszą osobę od AI, zacznijcie z naszym zespołem. 6 do 12 miesięcy w abonamencie, jedna osoba kontaktowa.
Zobacz
Lejek posprzedażowy „Grill” w Pipedrive: po pierwszym zamówieniu automat prowadzi klienta B2B przez kolejne etapy kontaktu, a dane z GetResponse trafiają do handlowca.
Zobacz case study
Dowiedz się, jak automatyzacja firmy transportowej PM Advise zintegrowała procesy między Outlook, FireTMS a Trello.
Zobacz case study