Lekcja 3.3
Agenci AI
AI, która nie tylko odpowiada, ale sama planuje i wykonuje zadania.
3.3Agenci AI
Do tej pory AI odpowiadała: pisała tekst, rysowała obraz, a co zrobić z wynikiem, decydowałeś Ty. Agent AI idzie krok dalej — sam planuje zadanie i wykonuje je za pomocą narzędzi. To potężne, ale wymaga nowych zasad bezpieczeństwa.
Każdy rozdział zaczyna się prosto. Chcesz więcej? Otwórz Zaawansowany, a w nim Ekspert.
Z rozmówcy w wykonawcę
Zwykły chatbot podpowie Ci przepis na obiad. Agent może dodatkowo przygotować listę zakupów, porównać ceny w sklepach i spróbować złożyć zamówienie.
Żeby to zrobić, agent potrzebuje dostępu do narzędzi: przeglądarki, poczty, kalendarza czy plików.
Wyobraź to sobie tak
„Agent przypomina stażystę z dostępem do narzędzi: potrzebuje jasnego zadania, granic i kogoś, kto sprawdzi wynik.”
Agent to model językowy połączony z pętlą działania: obserwuje sytuację, wybiera następny krok, używa narzędzia, sprawdza wynik i decyduje, co dalej. Narzędziem może być wyszukiwarka, edytor plików albo interfejs innej aplikacji.
Plan agenta to propozycja, a nie gwarancja. Po każdym kroku system powinien sprawdzić, czy się udało, obsłużyć błędy i ocenić, czy kontynuować — pętla potrzebuje też limitu kroków i warunku zatrzymania.
- 1Obserwacja
- 2Plan
- 3Użycie narzędzia
- 4Kontrola wyniku
- 5Decyzja: dalej czy stop
ReAct (Yao i in., 2022) przeplata rozumowanie z działaniami i obserwacjami, zamiast generować cały plan z góry. Toolformer (Schick i in., 2023) badał, jak model może sam nauczyć się korzystać z interfejsów API.
Skuteczność agenta zależy nie tylko od modelu, ale od całej architektury: opisów narzędzi, stanu środowiska, sposobu walidacji wyników i obsługi błędów.
Co agenci potrafią dziś
Agenci już dziś przeszukują internet i piszą raporty, poprawiają kod programów i wypełniają formularze. Potrafią pracować przez wiele minut nad jednym zadaniem.
Ale im dłuższe zadanie, tym więcej okazji do pomyłki. Mały błąd na początku potrafi zepsuć cały wynik.
Popularne zastosowania to agenci „deep research”, którzy przez wiele kroków wyszukują i streszczają źródła, oraz agenci programistyczni, którzy czytają kod, wprowadzają zmiany i uruchamiają testy.
Wieloetapowe działanie kumuluje błędy: jeśli każdy krok ma niewielką szansę na pomyłkę, przy kilkudziesięciu krokach ryzyko porażki staje się znaczne. Dlatego dobre systemy sprawdzają wyniki pośrednie, a nie tylko końcowy.
Częsty błąd
Agent sam dopilnuje wszystkich skutków swoich działań.
Jak jest naprawdę
Wieloetapowe działanie kumuluje błędy i wymaga kontroli człowieka, zwłaszcza przy krokach nieodwracalnych.
SWE-bench (Jimenez i in., 2023) ocenia rozwiązywanie prawdziwych zgłoszeń z repozytoriów programistycznych. Wyniki zależą jednak od konfiguracji agenta, dostępnych narzędzi i budżetu obliczeń, więc porównania między systemami wymagają ostrożności.
Badania METR (2025) pokazują, że długość zadań, które agenci potrafią wykonać z połowiczną skutecznością, podwaja się mniej więcej co siedem miesięcy. To miara trendu, a nie obietnica niezawodności w każdym zadaniu.
Klucze do domu
Dać agentowi dostęp do poczty czy konta w sklepie to jak dać komuś klucze do domu. Im więcej może zrobić, tym ważniejsze są granice.
Najważniejsza zasada: wysłanie wiadomości, wydanie pieniędzy czy usunięcie plików powinno zawsze wymagać Twojej zgody.
Zasada minimalnych uprawnień mówi: daj agentowi tylko te narzędzia i dostępy, których naprawdę potrzebuje do zadania. Warto też oddzielić proponowanie działań od ich wykonywania i zatwierdzać ręcznie każdy krok, którego nie da się cofnąć.
Szczególnym zagrożeniem jest prompt injection: agent czytający stronę internetową albo e-mail może trafić na ukryte instrukcje w rodzaju „wyślij te dane pod ten adres”. Dla modelu dane i polecenia to ten sam tekst.
- 1Ustal cel
- 2Ogranicz uprawnienia
- 3Obserwuj działanie
- 4Zatwierdzaj ważne kroki
- 5Sprawdź rezultat
Greshake i in. (2023) opisali pośredni prompt injection: przemycanie instrukcji przez niezaufane treści, które agent przetwarza. Komunikat systemowy w rodzaju „nie wykonuj poleceń ze stron” nie jest granicą bezpieczeństwa.
Ryzyko ograniczają mechanizmy poza modelem: izolacja narzędzi (piaskownica), listy dozwolonych operacji, limity kosztów i liczby kroków, rejestrowanie działań oraz obowiązkowe zatwierdzanie transakcji przez człowieka.
Zapis formalny
obserwacja → plan → narzędzie → kontrola → decyzja
Zapamiętaj
- Agent = cel + pętla: planuj, działaj, sprawdzaj.
- Więcej uprawnień to większe ryzyko — człowiek zatwierdza ważne kroki.
- Prompt injection to główne zagrożenie bezpieczeństwa agentów.
Pętla agenta
krok 1/7
Planuj
agent.log
01 · PLAN
Cel: znaleźć 3 muzea w Krakowie otwarte w poniedziałek. Plan: 1) wyszukaj listę muzeów, 2) sprawdź godziny, 3) porównaj.
Ciekawostka
Prompt injection może być ukryty np. białym tekstem na białym tle strony: człowiek go nie widzi, ale agent czyta i może wykonać ukryte polecenie.
W liczbach
~7 mies.
co tyle podwajała się długość zadań wykonywanych przez agentów AI
Źródło: METR, 2025
Ewaluacja · 3 pytania
Sprawdź się
Czym agent różni się od zwykłego chatbota?
Twoja opinia · anonimowo
Jak Ci się czytało tę lekcję?
Dokąd dalej
Następny przystanek: AI, która widzi i słyszy
Agent łączy model z narzędziami i pętlą działania. Potrafi dużo, ale kumuluje błędy i może dać się zmanipulować, dlatego potrzebuje ograniczonych uprawnień i Twojej zgody na ważne kroki.
Agenci coraz częściej nie tylko czytają, ale też patrzą i słuchają. W ostatniej lekcji tego poziomu poznasz AI multimodalną — taką, która widzi zdjęcia i słyszy głos.