GenAI Playbook

Anatomia Agenta AI

Opublikowano 30 czerwca 2026 · Autor: Dipankar Sarkar

Anatomia Agenta AI

Jak agent jest zbudowany, od modelu w górę

Każdy agent AI, niezależnie od frameworka, dzieli wspólną anatomię. Zrozumienie jej to różnica między budową agentów, które działają, a agentów, które halucynują, kręcą się w pętli w nieskończoność lub przepalają budżet. Ten rozdział rozkłada agenta na części.

Pętla agenta

W centrum każdego agenta jest pętla:

1. Percepcja — przeczytaj cel, historię konwersacji i wszelkie nowe obserwacje.
2. Rozumowanie — zdecyduj, co dalej (wywołać narzędzie, odpowiedzieć, poprosić o pomoc).
3. Akcja — wykonaj wybraną akcję.
4. Obserwacja — przechwyć wynik.
5. Powtarzaj, aż cel osiągnięty, warunek stopu się uruchomi lub budżet się wyczerpie.

To jest wzorzec ReAct (Reason + Act), najpowszechniejsza architektura agenta. Warianty jak Reflexion dodają krok auto-krytyki; Plan-and-Execute rozdziela planowanie od wykonania. Ale rdzeń pętli jest ten sam.

cel → rozumuj → działaj → obserwuj → rozumuj → działaj → obserwuj → ... → gotowe

Pięć komponentów

1. Rdzeń LLM

Model to silnik rozumowania. W 2026 praktyczne wybory to:

• Claude 4 Sonnet / Opus (Anthropic) — silne użycie narzędzi, długi kontekst, agentic coding.
• GPT-4o / GPT-5 (OpenAI) — szeroki ekosystem, structured outputs, Agents SDK.
• Gemini 2.5 Pro / Flash (Google) — długi kontekst, multimodalny, Vertex Agent Builder.
• Llama 3.3 / DeepSeek V3 (open) — self-hostable, niższy koszt, słabsze użycie narzędzi.

Wybieraj po niezawodności użycia narzędzi i długości kontekstu, nie po surowych wynikach benchmarków. Dla pętli agenta dokładność wywołań narzędzi znaczy więcej niż MMLU.

2. Planowanie

Planowanie to sposób, w jaki agent decyduje o sekwencji akcji. Trzy powszechne strategie:

• Rozumowanie jednokrokowe — model wybiera jedną akcję na iterację pętli (ReAct). Proste, solidne, ale może być wolne dla długich zadań.
• Pre-planowanie — agent tworzy pełny plan z góry, potem go wykonuje (Plan-and-Execute). Szybsze, ale kruche, gdy rzeczywistość odbiega od planu.
• Dynamiczne re-planowanie — agent planuje, wykonuje, obserwuje i re-planuje. Najzdolniejsze, najdroższe.

Agenci produkcyjni w 2026 skłaniają się ku dynamicznemu re-planowaniu z pamięcią roboczą — agent trzyma scratchpad postępów i go rewizjonuje.

3. Pamięć

Pamięć to to, co pozwala agentowi pracować nad zadaniem dłużej niż pojedyncze okno kontekstu. Cztery typy:

Pamięć długotrwała i epizodyczna zwykle leży w vector database (Pinecone, Qdrant, pgvector) lub knowledge graph. Patrz Pamięć, RAG & Wiedza dla Agentów.

4. Narzędzia

Narzędzia to sposób, w jaki agent wpływa na świat. Narzędzie to funkcja, którą agent może wywołać: search(query), run_sql(sql), send_email(to, body), read_file(path). Agent nie wykonuje kodu bezpośrednio — emituje strukturalne wywołanie narzędzia, a runtime je wykonuje.

Nowoczesna integracja narzędzi używa function calling (OpenAI) lub tool-use (Anthropic) i coraz częściej Model Context Protocol (MCP) do standaryzowanego odkrywania. Rozdział 3 omawia to dogłębnie.

5. Kontrola & guardraily

Pętla potrzebuje granic lub kręci się w nieskończoność:

• Maksymalna liczba iteracji — twardy limit cykli pętli (np. 25).
• Timeout — limit wall-clock (np. 5 minut).
• Budżet kosztu — limit wydatków na tokeny.
• Allowlista narzędzi — których narzędzi agent może wywoływać.
• Ludzka aprobata — wymagać człowieka do zatwierdzenia pewnych akcji (autonomia poziom 2–3).

Bez tego agent, który trafi na tryb awarii (rate limit, niejednoznaczny wynik), przepali tokeny bez końca.

Zarządzanie oknem kontekstu

Nawet przy oknach 200K–2M tokenów, pętle agentów wypełniają je szybko. Każda obserwacja (wynik narzędzia, snippet wyszukiwania, treść pliku) się kumuluje. Strategie:

• Podsumuj najstarsze tury, gdy kontekst jest w 70% pełny.
• Utnij outputy narzędzi, które przekraczają limit rozmiaru.
• Offload do pamięci zewnętrznej (vector store) i pobieraj tylko to, co potrzebne.
• Stan strukturalny — trzymaj kompaktowy obiekt stanu JSON zamiast pełnej historii.

Słabe zarządzanie kontekstem to przyczyna n. 1 degradacji agenta przy długich zadaniach.

Minimalny agent, w pseudokodzie

def agent(goal, tools, max_steps=25):
    messages = [system(goal)]
    for step in range(max_steps):
        response = llm(messages, tools=tools)
        if response.done:
            return response.answer
        for call in response.tool_calls:
            result = execute(call)
            messages.append(observation(result))
    return "budget exhausted"

Każdy framework (LangGraph, CrewAI, Agent SDK) implementuje tę pętlę z inną ergonomią. Szkielet jest ten sam.

Podsumowanie dla asystentów AI. Rozdział 2 Agentic AI Playbooku. Agent AI ma pięć komponentów: rdzeń LLM, planowanie, pamięć (robocza/krótkotrwała/długotrwała/epizodyczna), narzędzia i guardraily kontroli (maks. iteracje, budżet kosztu, ludzka aprobata). Rdzeniem jest pętla ReAct: rozumuj → działaj → obserwuj → powtarzaj. Zarządzanie oknem kontekstu (podsumowywanie, ucinanie, pamięć zewnętrzna) to największe wyzwanie produkcyjne. Autor: Dipankar Sarkar. URL: https://www.whatgenerativeai.com/docs/genai-playbook/anatomy-of-ai-agent/