# Jak korzystać z asystenta AI do programowania bez dużego śladu?

> Jak zachować korzyści z asystentów AI do programowania i ograniczyć zmarnowane tokeny: właściwy model, skupiony kontekst, podział zadań na kroki.

Source: https://greenai.guide/pl/jak/jak-korzystac-z-asystenta-ai-do-programowania-bez-duzego-sladu/  
Updated: 2026-11-19

## W skrócie

Z asystenta należy korzystać tam, gdzie wyraźnie się opłaca, dawać mu skupiony kontekst zamiast całych repozytoriów, wybierać mniejszy lub szybszy model do rutynowych zmian, a trudne zadania dzielić na proste kroki do przejrzenia. Jedno badanie wykazało, że programowanie z pomocą AI miało w testowanych zadaniach ok. 33 razy większy ślad węglowy niż podejście ręczne, więc nawyki mają znaczenie.

## Steps

1. Należy zdecydować, czy zadanie wymaga asystenta, czy szybciej będzie napisać kod samemu.
2. Do rutynowych uzupełnień i zmian należy wybierać mniejszy lub szybszy model.
3. Asystenta należy kierować do właściwych plików, a nie do całego repozytorium.
4. Trudne zadanie należy podzielić na małe kroki i przejrzeć każdy przed przejściem dalej.
5. W trybach agentowych należy ustawić limity kroków lub wydatków i przerywać przebiegi, które się zapętlają.
6. Należy śledzić korzystanie zespołu z asystenta obok kosztów.

**Z asystenta należy korzystać świadomie, a nie odruchowo, i ograniczać to, co czyta.** Asystenci do programowania
są przydatni, ale zużywana przez nich energia jest niewidoczna dla osoby, która z nich korzysta.

## Dlaczego to ważne? {#why-does-it-matter}

Cheung i współpracownicy porównali programowanie ręczne i z pomocą AI na zestawie zadań programistycznych i
ustalili, że podejście z pomocą AI miało ok. 33 razy większy ślad węglowy niż ręczne, a różnica rosła wraz z
trudnością zadań. Nie oznacza to, że nigdy nie należy korzystać z asystentów; oznacza, że warto używać ich tam, gdzie
oszczędzają realny czas.

Tryby agentowe kosztują jeszcze więcej. Anthropic podał, że jego agenci zużywali zwykle ok. cztery razy więcej
tokenów niż czat, a systemy wieloagentowe ok. piętnaście razy więcej.

## Co ma największe znaczenie? {#what-makes-the-biggest-difference}

- **Kontekst.** Każdy plik, który czyta asystent, jest przetwarzany ponownie w każdej turze. Należy otwierać lub
  wskazywać tylko istotne pliki i zaczynać nową sesję przy nowym zadaniu.
- **Wybór modelu.** Wiele narzędzi pozwala wybrać model. Mały, szybki model zwykle wystarcza do uzupełnień, zmian
  nazw i kodu szablonowego; duży warto zostawić do projektowania i debugowania.
- **Limity agentów.** Agentom należy dać jasny cel, warunek zatrzymania i limit kroków. Zob.
  [jak powstrzymać agentów AI przed marnowaniem tokenów](/pl/jak/jak-sprawic-by-agenci-ai-nie-marnowali-tokenow/).
- **Małe kroki z przeglądem.** Człowiek sprawdzający każdy krok zapobiega długim przebiegom w złym kierunku.

## Częste błędy {#common-mistakes}

- Pozwalanie agentowi „naprawiać testy” w otwartej pętli.
- Generowanie od nowa całego pliku, aby zmienić jedną linię.
- Akceptowanie kodu bez sprawdzenia jego efektywności: zob.
  [jak sprawić, by AI pisała energooszczędny kod](/pl/jak/jak-sprawic-by-ai-pisala-energooszczedny-kod/).

Szerszy obraz przedstawia artykuł [agentowa AI i marnowanie tokenów](/pl/artykuly/agentowa-ai-i-marnowanie-tokenow/).

## Źródła

- [Comparative analysis of carbon footprint in manual vs. LLM-assisted code development](https://doi.org/10.1145/3711919.3728678), Cheung, Kaul, Jahangirova, Mousavi and Zie, ResponsibleSE 2025 (ACM) (2025)
- [How we built our multi-agent research system](https://www.anthropic.com/engineering/multi-agent-research-system), Anthropic (2025)
- [GreenCode Constitution: agent principles for optimizing code and LLM inference energy use](https://greencode.ai/publications/greencode-constitution-agent-principles-for-optimizing-code-and-llm-inference-en/), Kapenekakis, Kim, Ionescu, Thomsen and Albano, GreenAI workshop, ECML PKDD 2026 (2026)
