Agenci do programowania z AI nie są już dodatkiem do edytora. Zespoły używają Codex, Claude Code i podobnych narzędzi do review, refaktoryzacji, testów i pracy z dużymi repozytoriami. Dlatego limit użycia, context window i reguły resetu zaczynają wpływać na realne planowanie pracy.

Panel kwot i okna kontekstu dla agentów programistycznych AI

W ostatnich dniach problem stał się widoczny. Diff w repozytorium OpenAI Codex pokazał zmianę metadanych, gdzie część wartości context_window i max_context_window spadła z 372000 do 272000 tokenów. Codex Resets stał się publicznym licznikiem resetów limitów. Max Woolf opisał efekt uboczny: częste resety wyglądają hojnie, ale uczą użytkowników planowania wokół nieprzewidywalnej mocy.

To nie tylko OpenAI

Claude Code ma podobny problem. Artykuł wsparcia Anthropic mówi, że promocja od maja do sierpnia 2026 zwiększa tygodniowe limity o 50% dla wybranych planów, ale nie zmienia limitów 5-godzinnych. Tygodniowy budżet i długa sesja pracy pozostają więc różnymi ograniczeniami.

Dostawcy potrzebują limitów. Inference jest drogi, popyt skacze, a power users mogą zużyć więcej, niż pokrywa abonament. Problem zaczyna się wtedy, gdy narzędzie staje się infrastrukturą pracy, a limity są komunikowane jak promocje lub rozproszone zmiany produktu.

Darmowy reset też może psuć planowanie

Reset pomaga pojedynczemu użytkownikowi. W zespole może jednak tworzyć złe nawyki: śledzenie licznika, odkładanie zadań w nadziei na nowy reset, uruchamianie agentów tylko po to, by nie “zmarnować” limitu.

Sprint nie powinien zależeć od promocji. Jeśli normalny workflow działa tylko dzięki podarowanej mocy, zespół nie zna jeszcze prawdziwego kosztu.

Context window to granica niezawodności

272k tokenów to dużo dla zwykłego czatu. Agent kodujący trzyma jednak instrukcje systemowe, narzędzia, pliki, wyniki testów, logi, diffy, błędy i wcześniejsze decyzje. Duże repozytorium szybko zjada to okno.

Compaction pomaga, ale nie jest idealną pamięcią. Może zachować plan i zgubić szczegół, który decydował o poprawności patcha. Zespoły potrzebują higieny kontekstu: krótkich instrukcji, mniejszych zadań, map repozytorium, zapisanych handoffów i decyzji w issue lub plikach.

Traktuj agentów jak infrastrukturę

Abonamenty są dobre do eksperymentów. Powtarzalną pracę trzeba mierzyć kosztem zaakceptowanego wyniku: zmergowany fix, zaakceptowane review, migracja, testy. Liczą się też retries, czas review, przerwy przez limity i odbudowa kontekstu.

Do przewidywalnych zadań API z budżetem, routingiem i fallbackiem może być lepsze niż wygodna subskrypcja. Dostawcy powinni pokazywać dokumentowane limity, changelog runtime, admin usage API, alerty limitów, zasady danych i lokalną diagnostykę.

AI coding zostaje. Dojrzałe wdrożenie oznacza narzędzia obserwowalne, budżetowane, wymienne i objęte zasadami, a nie proces zależny od losowych resetów.