Agenci AI od zera: jak działają, jak zbudować pierwszego krok po kroku

👁 113 przeczytań

Agent AI to program, w którym model językowy w pętli wybiera narzędzie, ogląda wynik i decyduje, co dalej, aż skończy zadanie. Żeby zbudować pierwszego agenta i naprawdę rozumieć, co się dzieje, przejdź trzy etapy: API modeli, automatyzacje, agenci. Na tej stronie jest mapa tej ścieżki, plan nauki na 30 dni, kod, który uruchomiłem na swoim komputerze 4 października 2026, i lista najlepszych darmowych kursów i kanałów, które sprawdziłem tego samego dnia.

Mapa ścieżki: od API do własnego agenta

Najczęstszy błąd na starcie to skok prosto w framework agentów. Działa, dopóki coś się nie zepsuje, a potem nie wiadomo, gdzie szukać. Dlatego ścieżka ma trzy etapy, a każdy buduje na poprzednim:

Etap 1 opisuje osobny przewodnik API AI. Tu skupiam się na etapach 2 i 3. Jeśli wolisz klikać niż pisać kod, etap 3 przejdziesz też w Gumloop albo w węźle AI Agent w n8n, ale zrozumienie przyjdzie szybciej, gdy raz zobaczysz pętlę w 76 liniach Pythona.

Jak działa agent: pętla w czterech ruchach

Każdy agent, od mojego najprostszego po Claude Code, robi to samo. Model nie wykonuje niczego sam: tylko prosi o narzędzie, a Twój program je wykonuje i oddaje wynik.

W kodzie wygląda to tak (fragment mojego agenta, pełna wersja w tekście o budowie agenta):

    for krok in range(1, MAX_KROKOW + 1):
        r = client.chat.completions.create(model=MODEL, messages=messages, tools=TOOLS)
        koszt += getattr(r.usage, "cost", 0) or 0
        msg = r.choices[0].message
        messages.append(msg.model_dump(exclude_none=True))
        if not msg.tool_calls:
            print(f"--- koniec po {krok} krokach, koszt {koszt:.5f} USD")
            return msg.content
        if msg.content: print(f"[krok {krok}] MYŚL: {msg.content.strip()[:300]}")
        for call in msg.tool_calls:
            args = json.loads(call.function.arguments or "{}")
            try:
                obs = NARZEDZIA[call.function.name](**args)
            except Exception as e:
                obs = f"BŁĄD: {e}"
            print(f"[krok {krok}] AKCJA: {call.function.name}({json.dumps(args, ensure_ascii=False)})")
            print(f"[krok {krok}] OBSERWACJA: {obs[:160]!r}")
            log.write(json.dumps({"t": time.strftime("%H:%M:%S"), "krok": krok, "narzedzie": call.function.name,
                                  "args": args, "obserwacja": obs[:500]}, ensure_ascii=False) + "\n")
            messages.append({"role": "tool", "tool_call_id": call.id, "content": obs})
    return f"Przerwano: limit {MAX_KROKOW} kroków (koszt {koszt:.5f} USD)."

Trzy rzeczy, które warto zapamiętać:

• Narzędzia to zwykłe funkcje z opisem w JSON Schema. Mechanizm prośby o funkcję to function calling.
• Każdy krok wysyła całą historię, więc koszt rośnie szybciej niż liczba kroków. Dlatego wyniki narzędzi przycinam.
• Agent bez limitu kroków i logu to proszenie się o kłopoty. W moim kodzie limit to 8 kroków, a każda decyzja trafia do pliku JSONL.

Plan nauki na 30 dni

Plan zakłada godzinę dziennie i podstawy Pythona (zmienne, funkcje, pętla for). Jeśli ich nie masz, dołóż tydzień na darmowy kurs Pythona przed dniem 1.

Co zbudowałem i ile to kosztowało

Zamiast opisywać teorię, każdy etap uruchomiłem na swoim komputerze. Model do wszystkiego poza Claude Agent SDK: openai/gpt-5.6-luna przez OpenRouter (0,20 USD za milion tokenów wejścia). Embeddingi liczyłem lokalnie w Ollamie na RTX 4090.

Frameworki i narzędzia: co wybrać

Szczegółowy pomiar pięciu bibliotek (linie kodu, czas, koszt, zależności) jest w tekście Frameworki agentów AI. Agenty od OpenAI w wersji hostowanej opisuje tekst Agents API od OpenAI, a gotowych agentów do programowania: Agenci AI do kodu.

Agenci AI po polsku

Wszystkie moje testy szły po polsku: polecenia, opisy narzędzi, dokumenty i odpowiedzi. Duże modele radzą sobie z tym bez problemu. Trzy miejsca, w których polski robi różnicę:

• Wyszukiwanie w dokumentach: model embeddingów musi znać polski. Na polskich ustawach bge-m3 znalazł właściwy przepis w pierwszej piątce w 8 przypadkach na 10, a nomic-embed-text tylko w 4 (porównanie).
• Wiedza lokalna: święta, kursy NBP, przepisy. Model ich pewnie nie zna, więc daję je narzędziem.
• Nazwy funkcji: bez polskich znaków, bo API dopuszczają w nich tylko litery łacińskie, cyfry i podkreślenia.

Gdzie się uczyć dalej: darmowe kursy i kanały (sprawdzone 4.10.2026)

To odpowiedź na pytanie, które dostałem od czytelnika: gdzie tłumaczą krok po kroku, jak działa API, jak robić automatyzacje i agentów, tak żeby to rozumieć. Każdy adres otworzyłem 4 października 2026. Przy każdym piszę, dla kogo jest.

Oficjalne kursy i dokumentacje

Po polsku

• Agenci AI dla początkujących (Microsoft, wersja polska): najlepszy darmowy kurs agentów z polskim tekstem, od pojęć przez tool use i MCP po bezpieczeństwo. Tłumaczenie maszynowe, wideo po angielsku.
• Kacper Sieradziński (YouTube): Python, automatyzacje, n8n, Claude Code i agenci w firmie, ok. 28,5 tys. subskrypcji. Na blogu Dokodu krok po kroku agent na własnych danych w Google ADK. Dla początkujących i średnio zaawansowanych.
• overment, Adam Gospodarczyk (YouTube): zapisy lajwów AI_devs o projektowaniu narzędzi dla modeli i agentów, ok. 30,7 tys. subskrypcji. Dla programistów, bardzo technicznie.
• SekurakTV: Budujemy własnego agenta AI!: nagranie darmowego szkolenia z 14 września 2026, z perspektywą bezpieczeństwa. Potwierdziłem tytuł i opis, całości nie oglądałem.
• JSystems: agent AI krok po kroku: ten sam agent pokazany dwa razy, w n8n i w Pythonie z function callingiem. Dobre na zrozumienie, co n8n robi pod spodem.
• cyberFolks: darmowy kurs n8n: 10 lekcji wideo, ponad 60 minut, dla zupełnie początkujących bez programowania (wymaga podania e-maila).
• Przeprogramowani (YouTube): praca programisty z agentami AI w kodzie, ok. 20,9 tys. subskrypcji.
• Karol Kozłecki (YouTube): praktyczne poradniki n8n i Make dla przedsiębiorców, mniej o mechanice API.
• unknowNews: cotygodniowy przegląd linków Jakuba Mrugalskiego, regularnie z materiałami o agentach. Nie kurs, ale dobre źródło na bieżąco.
• AI_devs: najbardziej znany polski kurs budowy agentów dla programistów. Płatny, zapisy zapowiedziane na jesień 2026; za darmo są lajwy na kanale overment.

Kanały po angielsku

• freeCodeCamp: pełne, wielogodzinne kursy za darmo, m.in. „AI Agents For Beginners” (3 h, lipiec 2026) i „Learn Python and Build Autonomous Agents” (6 h).
• Dave Ebbelaar: budowanie systemów AI w Pythonie od strony inżynierskiej (RAG, FastAPI, automatyzacje).
• LangChain: krótkie wyjaśnienia pojęć i dema LangGraph, nowe filmy prawie codziennie.
• Sam Witteveen: szybkie, techniczne omówienia nowych modeli i frameworków agentowych z kodem.
• Anthropic i OpenAI: oficjalne premiery i nagrania z konferencji, mniej kursów krok po kroku.

Moja kolejność dla osoby, która chce rozumieć, a nie tylko klikać: artykuł Anthropic o agentach, potem teksty z tej ścieżki z kodem, potem Hugging Face Agents Course albo Agentic AI Andrew Ng, a na koniec kurs wybranego frameworka.

Paczka promptowy-agenci-starter

Cały kod z tej ścieżki w jednym archiwum, z README po polsku i plikiem .env.example bez kluczy:

• 01_function_calling.py: model wywołuje pogodę, kalkulator i Wikipedię;
• 02_agent_bez_frameworka.py: agent w 76 liniach z limitem kroków i logiem;
• 03_agent_openai_sdk.py: ten sam agent na OpenAI Agents SDK;
• 04_rag.py: czat z PDF-ami, embeddingi w Ollamie;
• 05_serwer_mcp.py: serwer MCP z polskimi narzędziami;
• 06_webhook.py: webhook z formularza z AI;
• frameworki/: jeden agent w 5 wersjach;
• dane/: fikcyjne faktury i 3 ustawy z Dziennika Ustaw.

Pobierz promptowy-agenci-starter.zip (2,1 MB, 25 plików). Licencja MIT. Klucz OpenRouter wpisujesz u siebie w pliku .env. Nigdy nie wklejaj go do kodu ani na zrzuty ekranu.

Najczęstsze pytania

Jak zbudować agenta AI krok po kroku?

1. Opanuj zapytanie do API.
2. Naucz się function callingu.
3. Zamknij go w pętli z limitem kroków.
4. Dodaj narzędzia tylko do odczytu i log.
5. Przetestuj na danych, których wynik znasz.

Cały proces z kodem jest w tekście Jak zbudować agenta AI w Pythonie.

Czy muszę umieć programować, żeby zrobić agenta AI?

Nie, n8n, Make i Gumloop pozwalają klikać. Ale żeby rozumieć, co się dzieje i dlaczego agent się myli, warto raz przeczytać kilkadziesiąt linii kodu pętli. To da się zrobić bez wcześniejszego doświadczenia.

Ile kosztuje nauka budowania agentów?

Kursy z listy są darmowe. Za tokeny: wszystkie moje testy z tej ścieżki kosztowały około 0,15 USD. Na start wystarczy 2-5 USD doładowania z limitem na kluczu.

Czym się różni agent AI od automatyzacji?

W automatyzacji kroki ustalasz Ty. W agencie kolejność kroków wybiera model na podstawie wyników narzędzi. Większość praktycznych wdrożeń to automatyzacja z jednym krokiem agentowym.

Od czego zacząć: n8n czy Python?

Jeśli chcesz szybko mieć działającą automatyzację, od n8n albo Make. Jeśli chcesz rozumieć mechanikę API i agentów, od Pythona. Najlepiej oba: ten sam przepływ najpierw w kodzie, potem w n8n.

Jaki model wybrać do pierwszego agenta?

Tani model z obsługą narzędzi (na OpenRouterze filtr „tools”). Ja używałem openai/gpt-5.6-luna za 0,20 USD za milion tokenów wejścia. Mocniejszy model weź dopiero, gdy tańszy wyraźnie gubi plan.

Co to jest MCP i czy muszę go znać?

MCP to standard podłączania narzędzi do aplikacji AI. Nie jest potrzebny do pierwszego agenta, ale przydaje się, gdy chcesz używać swoich narzędzi w Claude Code, Cursorze czy innym kliencie. Zobacz Własny serwer MCP w 15 minut i wprowadzenie MCP: co to jest.

Czy agent AI może działać na moim komputerze bez internetu?

Tak, z modelem lokalnym w Ollamie, która ma API zgodne z OpenAI. Mniejsze modele lokalne częściej mylą argumenty narzędzi, więc zacznij od prostych zadań.

Źródła i data sprawdzenia

• Wszystkie przebiegi kodu: mój komputer (Windows 11, Python 3.13, RTX 4090), 4 października 2026.
• Wersje pakietów: PyPI i npm, 4.10.2026. Cenniki Make, Zapier, n8n: strony producentów, 4.10.2026.
• Kursy i kanały: każdy adres otworzony 4.10.2026. Liczby subskrypcji zaokrąglone przez YouTube.
• Wcześniejsze teksty na blogu: Agent AI: co to jest, Agent AI: co robi i jak go sprawdzić, Automatyzacja z AI, RAG, Fine tuning.