Inżynieria AI
po polsku.

Wyciągasz odpowiedni kontekst z zewnętrznego źródła (baza wektorowa, dokumenty, twój korpus) i wsadzasz do promptu LLM przed odpowiedzią. Redukuje halucynacje, tańsze niż fine-tuning, ale dorzuca własny tryb awarii: jakość samego wyszukiwania.

Architektura modelu, gdzie każdy forward pass aktywuje tylko ułamek całkowitych parametrów przez wyuczony router. Mixtral, DeepSeek-V3 i Llama 4 tego używają. Większa łączna liczba parametrów, podobny compute na token.

Otwarty standard od Anthropic (listopad 2024) do łączenia asystentów AI z zewnętrznymi narzędziami, źródłami danych i promptami. Pomyśl „USB dla narzędzi LLM” — jeden protokół, wiele serwerów, dowolny klient.

Pętle prowadzone przez LLM, które planują, podejmują działania w świecie (wywołują narzędzia, edytują pliki, biją w API), obserwują rezultaty i iterują — zamiast po prostu odpowiadać na jeden prompt. Dominujący paradygmat inżynierii AI w 2026.

Systematyczny pomiar jakości LLM/agenta — celność, częstotliwość halucynacji, latencja, koszt. Dyscyplina, którą chciałbyś zacząć 6 miesięcy wcześniej. Bez niej wysyłasz na vibe.

Gęsty wektor liczbowy reprezentujący tekst (lub obraz, audio…) w wyuczonej przestrzeni semantycznej. Kosinusowo-podobne wektory = semantycznie podobna treść. Fundament każdego pipeline'u RAG.

Maksymalna liczba tokenów, którą LLM może rozważyć na jeden forward pass. Czołówka 2026: 1M+ dla niektórych modeli (Claude 4.7, Gemini 2.5 Pro). Większe okno ≠ lepsza odpowiedź — recall degraduje wewnątrz długiego kontekstu.

LLM emituje ustrukturyzowane żądanie wywołania zewnętrznej funkcji (search, kalkulator, API), host ją uruchamia, wynik wraca w następnej turze. Fundament każdego agenta wartego wysłania.