Agent AI: co to jest, jak go zbudować i gdzie takie agenty naprawdę się psują
👁 243 przeczytań
- Agent AI różni się od czatu tym, że dostaje cel i ma narzędzia do działania - może wysłać maila, zapisać dane w bazie czy przeszukać sieć.
- Przy modelach z obowiązkowym rozumowaniem tokeny myślenia stanowią nawet 96 procent wszystkich tokenów wyjścia, co może znacząco podnieść koszt agenta działającego całą dobę.
- W teście dziesięciu modeli różnica w rachunku między modelami o identycznej poprawności sięgała 32 razy, a ten sam model różne firmy hostują po własnych stawkach.
Słowo „agent” przykleiło się do wszystkiego, co ma AI w nazwie, i przez to przestało cokolwiek znaczyć. Tymczasem różnica między czatem a agentem jest konkretna i da się ją opisać jednym zdaniem: czat odpowiada, agent działa. Reszta tego tekstu to rozwinięcie tego zdania i pokazanie, jak zbudować własnego agenta bez pisania kodu. Jak zbudować pierwszego agenta krok po kroku, z działającym kodem i planem nauki na 30 dni, pokazuję w przewodniku Agenci AI od zera.
Czym różni się agent od czatu
Zwykły czat dostaje pytanie i zwraca tekst. Nic więcej się nie dzieje. Jeśli poprosisz go o wysłanie maila, napisze treść maila, ale go nie wyśle.
Agent dostaje cel, a nie pytanie, i ma do dyspozycji narzędzia. Może sprawdzić coś w sieci, odczytać plik, zapisać wpis w bazie, wysłać wiadomość. Sam decyduje, w jakiej kolejności to zrobić, i sprawdza wynik po drodze.
Na tym polega cała różnica. Czatowi mówisz „napisz podsumowanie tego pliku”. Agentowi mówisz „codziennie rano sprawdź nowe pliki w tym folderze, streść każdy i wyślij mi jedną wiadomość ze wszystkim”.
Z czego składa się agent
Niezależnie od tego, w czym go zbudujesz, agent ma cztery części.
- Model. To on decyduje, co zrobić w kolejnym kroku.
- Narzędzia. Wszystko, czym agent może coś zdziałać poza pisaniem: wyszukiwarka, dostęp do plików, wysyłka maila, zapytanie do bazy.
- Pamięć. Zapis tego, co już zrobił i czego się dowiedział, żeby nie zaczynał od zera przy każdym kroku.
- Wyzwalacz. To, co go uruchamia: godzina, nowy mail, nowy plik, kliknięcie.
Jeśli czegoś z tej czwórki brakuje, to nie jest agent, tylko czat z ładniejszym opakowaniem. Najczęściej brakuje narzędzi.
Jak zbudować agenta bez kodu
Najprostsza droga prowadzi przez narzędzia do automatyzacji, w których łączysz gotowe klocki. Schemat jest zawsze ten sam.
Krok pierwszy: zacznij od jednego zadania, które robisz ręcznie. Nie od wizji asystenta, który prowadzi Ci firmę. Od jednej czynności, którą powtarzasz w każdy poniedziałek. To jest jedyna rada z tej listy, która naprawdę rozstrzyga o powodzeniu.
Krok drugi: rozpisz ją na kroki tak dokładnie, jakbyś tłumaczył ją nowej osobie. Gdzie zajrzeć, co sprawdzić, co zrobić, gdy czegoś nie ma. Ten ostatni punkt jest tym, o którym wszyscy zapominają i przez który agenty się zacinają.
Krok trzeci: daj agentowi tylko te narzędzia, których potrzebuje. Jeśli ma czytać strony lub szukać w sieci, wybór scrapera i wyszukiwarki opisuje przewodnik po danych z sieci dla agentów AI. Nie „dostęp do skrzynki”, tylko „odczyt wiadomości z jednej etykiety”. Im węższe uprawnienia, tym mniej rzeczy może pójść nie tak.
Krok czwarty: uruchamiaj go najpierw na sucho. Niech przez tydzień wypisuje, co by zrobił, zamiast to robić. Zobaczysz wtedy wszystkie miejsca, w których pomylił się w sposób, którego się nie spodziewałeś.
Krok piąty: dopiero teraz włącz działanie, i to na czymś, co da się cofnąć.
Gdzie agenty naprawdę się psują
Piszę to z doświadczenia z własnymi automatami, które chodzą codziennie.
Na sytuacjach nietypowych. Agent działa świetnie, dopóki dane wyglądają tak, jak podczas testów. Pierwszy plik w innym formacie potrafi go wyprowadzić w pole i, co gorsza, agent zwykle nie zgłasza problemu, tylko robi coś sensownie wyglądającego i błędnego.
Na cichych awariach. Model może zwrócić pustą odpowiedź przy statusie sukcesu. Zmierzyłem to: w moim teście dziesięciu modeli trzy z nich w jednym zadaniu oddały status 200 i pustą treść, bez żadnego komunikatu o błędzie. Jeśli Twój agent tego nie sprawdza, zapisze pustkę i pójdzie dalej.
Na kosztach. Agent, który myśli na głos, płaci za każdy krok. Przy modelach z obowiązkowym rozumowaniem tokeny myślenia stanowią nawet 96 procent wszystkich tokenów wyjścia, a wyjście jest droższą stroną cennika. Rachunek za agenta chodzącego całą dobę potrafi zaskoczyć.
Na pętlach. Agent bez limitu kroków potrafi kręcić się w kółko. Zawsze ustaw twardy limit prób i twardy limit kosztu.
Do czego agent nadaje się naprawdę
Do rzeczy powtarzalnych i nudnych. Przeglądanie, porządkowanie, streszczanie, przepisywanie z jednego formatu na drugi. Tu agent zarabia na siebie od pierwszego tygodnia.
Do monitorowania. Sprawdzanie, czy coś się zmieniło, i odzywanie się tylko wtedy, gdy się zmieniło. To jest chyba najlepszy pierwszy projekt dla każdego.
Nie nadaje się do decyzji, których nie umiesz sprawdzić. Jeśli nie potrafisz w pięć sekund ocenić, czy agent zrobił dobrze, nie oddawaj mu tego zadania. Nie dlatego, że sobie nie poradzi, tylko dlatego, że nie zauważysz, kiedy sobie nie poradził.
Który model wybrać do agenta
Do agenta, który chodzi w pętli, wybiera się inaczej niż do jednorazowej rozmowy, bo koszt mnoży się przez liczbę kroków. Zmierzyłem dziesięć modeli na zadaniach po polsku i różnica w rachunku między modelami o identycznej poprawności sięgała trzydziestu dwóch razy.
Do tego dochodzi rzecz, o której mało kto pamięta: cena widoczna na karcie modelu nie musi być ceną, którą zapłacisz, bo ten sam model hostuje kilkanaście firm z własnymi stawkami. Rozpisałem to na danych z piętnastu modeli.
Ile kosztuje agent, który pisze
Przy agencie chodzącym w pętli koszt mnoży się przez liczbę kroków, więc wybór modelu robi się decyzją finansową. Rozpisałem to na konkretnych liczbach: ile kosztuje artykuł napisany przez AI, od czterech setnych centa do dziewiętnastu centów za ten sam tekst.
Model na własnym komputerze
Agent nie musi chodzić w chmurze. Jeśli zależy Ci na tym, żeby dane nie wychodziły z Twojej maszyny, sprawdziłem, jak to działa w praktyce: model uruchomiony lokalnie.
Przykłady agentów oceniaj po sprawdzalnym wyniku
W researchu rezultatem może być raport z otwartymi źródłami i listą nierozstrzygniętych kwestii. Przy programowaniu: zmiany w plikach i wynik uruchomionych testów. W obsłudze dokumentów: uzupełniona tabela z możliwością prześledzenia każdej wartości. Każdy z tych wyników daje się sprawdzić niezależnie od deklaracji systemu.
Nie mierzę sukcesu liczbą kliknięć ani długością odpowiedzi. Agent, który otworzył wiele stron, mógł ominąć właściwy dokument. Agent, który napisał długi raport, mógł nie wykonać najważniejszej operacji. Zanim wybierzesz narzędzie z katalogu narzędzi AI, zapisz dowód, który uznasz za zakończenie swojej pracy.
Pierwszego agenta ogranicz do jednego procesu
Zacznij od zadania, którego wynik łatwo odebrać, na przykład tabeli rozbieżności między plikami. Dostarcz kopie materiałów, wskaż dozwolone narzędzia i zdefiniuj, co musi znaleźć się w raporcie. Dodaj warunek przerwania pracy przy braku źródła lub przekroczeniu ustalonego budżetu.
Uruchom próbę i przejrzyj dowody wykonania. Sprawdź również trudny przypadek: brak pliku, sprzeczne dane albo nieczytelny fragment. Dopiero gdy wiesz, jak system zachowuje się na błędzie, rozważ rozszerzenie dostępu. Jeśli cały proces mieści się w prostych regułach, zwykła automatyzacja może wystarczyć i będzie łatwiejsza do utrzymania.
Słowniczek, który wystarczy na początek
Narzędzie (tool) to funkcja, którą model może wywołać: wyszukiwanie, odczyt pliku, zapytanie do bazy. MCP to otwarty standard opisujący, jak podłączać takie narzędzia do różnych modeli. Pętla agenta to cykl: obserwacja, decyzja, działanie, ocena wyniku. Warunek końca to reguła, która mówi agentowi, kiedy przestać, bez niej agent potrafi krążyć w kółko i palić budżet.
Gdzie kończy się automatyzacja
Przy planowaniu agentów przydaje się świadomość, które czynności da się dziś oddać narzędziu, a które nie. Rozpisałem to na konkretach w tekście o AI a pracy w Polsce.
Zanim wybierzesz model do agenta
Przy pracy w pętli koszt mnoży się przez liczbę kroków, więc warto wiedzieć, że siedem z osiemnastu modeli nie pozwala już wyłączyć rozumowania. Jeśli Twój kod wysyła ten parametr na sztywno, po zmianie modelu przestanie działać w całości.
Google · Twoje źródłaPromptowy wyżej w Twoim Google - jednym kliknięciemDodaj do preferowanych źródeł →Pytania czytelników
Czy agent AI może działać po polsku?
Tak. Język poleceń nie ma znaczenia dla samej pętli działania. Znaczenie ma jakość polszczyzny modelu w raportach, które agent pisze na końcu, a tu najlepiej wypada Claude, potem GPT-6 Astra.
Czy agent AI jest bezpieczny dla danych firmy?
Tak bezpieczny, jak wąski dostęp, który mu dasz. Zasada, której się trzymam: pierwszy agent dostaje uprawnienia tylko do odczytu jednego folderu i jednego procesu. Rozszerzam je dopiero, gdy zobaczę, jak zachowuje się na błędzie.
Czym różni się agent od automatyzacji w Zapierze?
Automatyzacja wykonuje z góry zapisany ciąg kroków. Agent sam wybiera kroki na podstawie tego, co zobaczył w poprzednim. Jeśli proces mieści się w prostych regułach „jeśli, to”, automatyzacja jest tańsza i łatwiejsza do utrzymania.
Zobacz też: Gumloop: agenci AI bez kodu · Factory.ai i Droid: agent do kodu
Chcesz zbudować własnego agenta? Zacznij od ścieżki Agenci AI od zera (plan na 30 dni, kod do pobrania), a pomysły znajdziesz w zestawieniu 12 agentów do zbudowania w weekend.
Cały tydzień w AI, w jednym mailu
Wybrane premiery, narzędzia i analizy. Raz w tygodniu, prosto do skrzynki.
Zapisz się za darmo →Najczęstsze pytania
Czym agent AI różni się od zwykłego czatu?
Agent dostaje cel i ma do dyspozycji narzędzia, dzięki którym może coś zdziałać - np. wysłać wiadomość, odczytać plik albo zapisać wpis w bazie. Czat dostaje pytanie i zwraca tylko tekst, bez żadnego dodatkowego działania.
Z czego składa się agent AI?
Agent ma cztery części: model, który decyduje o kolejnym kroku, narzędzia do działania poza pisaniem, pamięć przechowującą dotychczasowe wyniki oraz wyzwalacz uruchamiający agenta. Jeśli któregoś z tych elementów brakuje, to nie jest agent, lecz czat z ładniejszym opakowaniem.
Gdzie agenty AI najczęściej się psują?
Agenty psują się głównie na sytuacjach nietypowych, gdy dane wyglądają inaczej niż podczas testów, oraz na cichych awariach - model może zwrócić pustą odpowiedź przy statusie sukcesu 200 bez żadnego komunikatu o błędzie. Problemem są też pętle, gdy agent bez limitu kroków kręci się w kółko, oraz nieprzewidziane koszty przy modelach z obowiązkowym rozumowaniem.
Do jakich zadań agent AI naprawdę się nadaje?
Agent nadaje się do rzeczy powtarzalnych i nudnych - przeglądania, porządkowania, streszczania i przepisywania z jednego formatu na drugi, gdzie zwraca się od pierwszego tygodnia. Dobrze sprawdza się też w monitorowaniu, czyli sprawdzaniu, czy coś się zmieniło, i odzywaniu się tylko wtedy, gdy się zmieniło.
Podobne tematy na Promptowym
