Agentic systems
Agentic
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.
System „agentowy” to taki, w którym LLM siedzi w pętli: wybiera akcję, wykonuje ją (przez narzędzia, kod lub innego agenta), czyta rezultat i decyduje co dalej. W odróżnieniu od chat completion, gdzie model produkuje jedną odpowiedź i pętla się zamyka.
Zwrot agentowy stał się możliwy, bo tool-use zrobił się wystarczająco wiarygodny, żeby przepuścić 20+ kroków bez rozpadu agenta. Coding agents (Claude Code, Cursor Agent, Aider), agenty badawcze (Deep Research, seria o- od OpenAI z narzędziami) i agenci typu operator (przeglądający web) to wszystko ekspresje tego samego wzorca.
Produkcyjne systemy agentowe dbają o: niezawodność narzędzi, checkpoint/resume, observability (bo debug 50-krokowego runu bez trace-ów to piekło), budżety cost-per-task i human-in-the-loop checkpointy dla nieodwracalnych akcji.
Zobacz też
-
MCP
Model Context ProtocolOtwarty 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.
-
Tool use
Tool use / function callingLLM emituje ustrukturyzowane żądanie wywołania zewnętrznej funkcji (search, kalkulator, API), host ją uruchamia, wynik wraca w następnej turze. Fundament każdego agenta wartego wysłania.
-
Eval
EvaluationSystematyczny pomiar jakości LLM/agenta — celność, częstotliwość halucynacji, latencja, koszt. Dyscyplina, którą chciałbyś zacząć 6 miesięcy wcześniej. Bez niej wysyłasz na vibe.