Agenty AI pozostają jednym z najgorętszych tematów w świecie IT; nic dziwnego, bo wizja systemu, który byłby w stanie sam dobrać narzędzia odpowiednie do danego zadania i je wykonać krok po kroku, jest dla firm bardzo kusząca. Jak stworzyć własnego agenta AI i zaplanować jego wdrożenie, aby faktycznie ułatwiał codzienną pracę? O tym przeczytasz poniżej – zapraszamy do lektury!
Co to jest agent AI?
Agent AI to system oparty na sztucznej inteligencji, który potrafi nie tylko odpowiadać na pytania (jak chatboty, pokroju ChatGPT), ale też samemu korzystać z innych programów i realizować za ich pomocą konkretne zadania.
Wzorowy agent działa w pętli: planuje działanie ⭢ wykonuje akcję ⭢ sprawdza jej efekt ⭢ w razie potrzeby poprawia kurs i przechodzi pętlę kolejny raz, aż do momentu, gdy osiągnie swój cel.
Czym różnią się agenty AI od chatbotów i AI workflows?
Marketerzy firm pracujących z AI potrafią nazywać „agentami” prawie każde narzędzie albo system, który bazuje na sztucznej inteligencji. To oczywiście spore nadużycie, ponieważ agenty wyróżniają się o wiele większą autonomią w podejmowaniu decyzji niż inne programy.
Granica między agentem a chatbotem jest jasna: pierwszy ma dostęp do narzędzi zewnętrznych i potrafi podejmować w nich działania, drugi nie (ewentualnie w bardzo ograniczonym zakresie). Możliwości większości chatbotów kończą się na analizie i generowaniu tekstu.
Sprawa jest trochę bardziej skomplikowana w przypadku narzędzi do tworzenia tzw. AI workflows. Te, na pierwszy rzut oka, łatwo pomylić z agentami, ale znów, jest różnica. W dużym skrócie, workflow to system, w którym model językowy jest połączony z innymi narzędziami, współpracuje z nimi, przetwarza w nich dane, ale robi to ściśle według ścieżki zaprogramowanej z góry przez człowieka. Agent nie ma takiej „checklisty”, tylko sam kieruje przebiegiem zadania i dobiera do niego odpowiednie narzędzia, mając przy tym dużo większą elastyczność.
| Chatbot | AI workflow | Agent AI | |
| Główne zadanie | odpowiadanie na pytania użytkownika | wykonywanie z góry ustalonej sekwencji kroków | osiągnięcie wyznaczonego celu |
| Kto decyduje o kolejnych krokach | użytkownik poprzez kolejne zapytania | człowiek, który zaprogramował cały schemat | model, na bieżąco |
| Dostęp do narzędzi | zwykle brak lub bardzo ograniczony | tak, ale tylko w konkretnych miejscach | tak – agent sam wybiera, z których skorzystać i kiedy |
| Przewidywalność | wysoka | bardzo wysoka | niższa – to samo zadanie agent może próbować zrealizować różnymi ścieżkami |
Architektura agenta AI – czego potrzebuje do pracy?
Zanim przejdziemy do tego, jak zbudować agenta AI, wyjaśnimy jeszcze, co właściwie musi się na niego składać.
Obojętnie, w jaki sposób stworzymy agenta (o czym w następnej sekcji), pod maską znajdziemy te same elementy. Czyli:
- model językowy (LLM) – „mózg” całego systemu. To on analizuje nasze polecenia, dzieli je na mniejsze kroki i decyduje, po które narzędzie sięgnąć. Od wyboru modelu zależy zarówno jakość pracy agenta, jak i jej koszt;
- instrukcje – tzw. system prompt z opisem celu agenta, roli, zasad i tonu komunikacji, którego AI ma się trzymać podczas pracy. Można go potraktować jak opis stanowiska dla nowego pracownika: im bardziej precyzyjny, tym mniej miejsca na domysły;
- narzędzia – wszystko, z czego agent będzie w stanie korzystać oprócz możliwości samego modelu językowego. Można go zintegrować z firmowymi narzędziami (CRM-em, helpdeskiem, platformą e-commerce itp.), z przeglądarką internetową, skrzynką mailową, edytorem kodu – wszystko zależy od nas. Bez tych narzędzi agent nie różni się niczym od chatbota;
- pamięć – w której przechowywane są informacje ze wcześniejszych rozmów, decyzji, akcji podjętych przez agenta, tak aby nie zaczynał on każdej sesji z „czystą kartą”. W najbardziej złożonych systemach agentowych korzysta się z trzech rodzajów pamięci:
- robocza – obejmuje bieżące zadania, które agent wykonuje w danej chwili;
- epizodyczna – zewnętrzna baza (zazwyczaj wektorowa), do której trafiają konkretne zdarzenia i interakcje, jakich wcześniej podjął się agent;
- długoterminowa/semantyczna – gdzie zapisujemy fakty, reguły i trwałe preferencje, których agent ma przestrzegać.
- pętla – mechanizm, który pozwala agentowi powtarzać cykl „zaplanuj, wykonaj, sprawdź”; najczęściej programuje się ją albo w Pythonie, albo z pomocą specjalnie przygotowanych frameworków (te zazwyczaj mają już gotowe pętle)
- zabezpieczenia – reguły, które ograniczają pracę agenta. Może to być np. limit kroków i budżetu na tokeny, lista działań, które wymagają akceptacji od człowieka, sytuacje, w których agent ma od razu eskalować sprawę do specjalisty itd.

Zdj 1. Agent AI działa w pętli: planuje, wykonuje działanie, sprawdza efekt i decyduje, czy zadanie jest już zakończone.
Źródło: opracowanie własne
Czym jest MCP i dlaczego ułatwia budowę agentów?
Podstawowym wyzwaniem przy budowie agenta jest to, jak podłączyć go do narzędzi zewnętrznych. Na początku, gdy frameworki i inne rozwiązania do programowania agentów się jeszcze rodziły, każdą taką integrację – z CRM-em, kalendarzem, bazą danych sklepu – trzeba było pisać od zera.
Problem ten w dużej mierze rozwiązuje MCP (Model Context Protocol) – otwarty standard, który w listopadzie 2024 r. zaprezentowali twórcy Claude’a, Anthropic. Można powiedzieć, że to port USB-C, tyle że dla AI: wystarczy, że dany system ma swój tzw. serwer MCP, a podłączymy go do każdej aplikacji AI, która ten standard obsługuje. A korzysta z niego większość branży, bo w ciągu roku od premiery MCP wdrożyły m.in. ChatGPT, Gemini, Microsoft Copilot, Cursor czy Visual Studio Code.
Co to oznacza w praktyce? Zanim zaczniesz budować agentów, sprawdź, czy narzędzia, z których korzystasz, mają już własny serwer MCP. Jeśli tak, to ich podłączenie będzie tylko kwestią konfiguracji przez developerów.
Gdzie zbudować agenta AI? Dwie drogi
Narzędzi do projektowania i tworzenia agentów przybywa praktycznie z miesiąca na miesiąc, jest ich tyle, że nie ma nawet sensu budować takiego agenta w 100% od podstaw. Drogi są dwie: można albo złożyć agenta z gotowych klocków na platformie no-code, albo napisać go na bazie któregoś z istniejących frameworków/bibliotek. A która ma więcej sensu, i biznesowo, i dla developerów?
Platformy no-code i low-code
W ciągu ostatniego roku większość popularnych platform do automatyzacji procesów z pomocą AI (czyli do tworzenia AI workflows, o których mówiliśmy), dorobiło się też i pełnoprawnych agentów.
Agenta składa się tu z klocków na wirtualnej tablicy: wybieramy model, podłączamy pamięć i narzędzia, a potem łączymy wszystko w jeden przepływ. Nie trzeba pisać kodu, choć developerzy taką opcję z reguły mają i znajomość Pythona bez dwóch zdań się przydaje (zwłaszcza gdy coś działa nie tak, jak powinno).

Zdj 2. Prosty agent w n8n, z podłączonym modelem GPT, własną pamięcią i narzędziami (w tym przypadku, Slackiem).
Źródło: blog.n8n.io/best-ai-agent-builders
Chyba największą zaletą takich platform – poza tym, że w teorii może z nimi pracować ktoś „nietechniczny” – jest fakt, że posiadają one tysiące już gotowych integracji z narzędziami biznesowymi (i nie tylko). Od WordPressa i Shopify po Slacka, Trello czy HubSpot; jeśli tylko mówimy o w miarę popularnym narzędziu, to prawdopodobnie da się je połączyć z agentem w kilka kliknięć.
Jeżeli zaś chodzi o same platformy, opcji, jak mówiliśmy, jest sporo. Na początek możesz sprawdzić:
- n8n – bardzo elastyczne narzędzie, które zostawia mnóstwo swobody developerom (da się w nim np. używać własnych modeli językowych albo wplatać klasyczne workflows jako narzędzia dla agentów), a do tego można hostować za darmo na własnym serwerze, co jest ważne, jeśli agent ma mieć dostęp do danych klientów;
- Make – platforma w 100% w chmurze, prosta w obsłudze (z interfejsem typu drag-and-drop, w ogóle nie wymagającym programowania), ze sporą biblioteką dostępnych integracji (ponad 3,5 tysiąca!), choć z drugiej strony – mniej elastyczna od n8n i do tego droższa. Rozliczenie działa tak, że każdy krok, jaki podejmuje agent, zużywa „kredyty”; jeśli mamy bardzo złożone pętle i przepływy danych, to praca takiego agenta będzie generować spore rachunki;
- Zapier Agents – również bardzo przystępna platforma, podobna do Make, tyle że z jeszcze większą bazą gotowych integracji, która korzysta z ogromnego zaplecza, jakie przez lata zbudował Zapier; obecnie jest ich ponad 9 tysięcy.
Frameworki dla programistów
Druga ścieżka to po prostu powierzyć projekt developerom i zbudować własnego agenta – choć znów, nie od zera, a na bazie gotowych bibliotek i frameworków.
Twórcy największych modeli językowych udostępniają własne – mamy m.in. OpenAI Agents SDK, Claude Agent SDK czy Google ADK – a równolegle rozwijają się jeszcze projekty open source, niezwiązane z jednym dostawcą. Z ciekawszych (i bardzo popularnych) na pewno warto poznać LangChain, z chyba najlepiej rozwiniętym na chwilę obecną środowiskiem, albo CrewAI, który z kolei pozwala zbudować cały zespół agentów, każdy ze swoją rolą, i jeszcze daje zestaw narzędzi do ich orkiestracji (zarządzania pracą).
Co daje takie podejście? Pełną kontrolę, bo to developerzy decydują, na jakich zasadach agent planuje działania, gdzie przechowuje dane klientów, jak zapisuje swoje decyzje i co się dzieje, gdy coś pójdzie nie tak. Plus, jeśli myślisz o tym, żeby takiego agenta wbudować we własną aplikację lub inny projekt, to innej opcji niż napisać go “customowo” po prostu nie ma.
Jak stworzyć agenta AI krok po kroku? Nasze wskazówki
Przejdźmy wreszcie do praktyki: jak zbudować swojego agenta AI i jak zaplanować cały proces.
Dla przykładu, załóżmy, że sklep internetowy z ekspresami do kawy chce zbudować do obsługi klienta – takiego, który odpowie na pytanie „gdzie jest moja paczka?”, wyjaśni zasady zwrotów, a w razie potrzeby założy i zgłoszenie reklamacyjne. O czym trzeba byłoby pamiętać?
1. Upewnij się, czy w ogóle potrzebujesz agenta
Od strony biznesowej to najważniejszy krok. Dlaczego? Ponieważ agenty są droższe i trudniejsze do wdrożenia, działają wolniej i mniej przewidywalnie niż zwykłe narzędzia do automatyzacji, więc warto po nie sięgać tylko tam, gdzie nie da się rozwiązać danego problemu dobrze zaprojektowanym workflow z udziałem AI.
Taką radę dają zresztą nawet specjaliści z Anthropic w swoim poradniku „Building effective agents” – trzeba zaczynać od najprostszego możliwego rozwiązania i komplikować je dopiero wtedy, gdy przynosi to wyraźną korzyść.
W naszym przykładzie ze sklepem, zwykła automatyzacja raczej by wystarczyła, jeśli:
- zgłoszenia od klientów są powtarzalne i łatwo je przypisać do kategorii – jak pytania o status paczki;
- każdy krok procesu jest znany z góry; jesteś w stanie przewidzieć, jaka będzie odpowiednia ścieżka postępowania w każdej sytuacji.
Pełnoprawny agent miałby z kolei więcej sensu, jeżeli:
- zgłoszenia są mocno zróżnicowane, część z nich wychodzi poza schemat;
- duża część problemów wymaga sięgnięcia do kilku narzędzi i źródeł danych równolegle;
- nie da się z góry przewidzieć wszystkich możliwych ścieżek.
2. Opisz zadanie jak dla nowego pracownika
Instrukcja to dla agenta (konkretniej dla modelu językowego, który za nim stoi), tak naprawdę jedyne źródło informacji, czego od niego oczekujemy. Nie dopyta on przełożonego, nie podpatrzy, jak pracują koledzy, dlatego tym bardziej trzeba ją dopracować.
Dobry prompt systemowy powinien wyjaśnić:
- kim agent jest i dla kogo pracuje;
- jaki ma cel i po czym można poznać, że został on osiągnięty;
- jaki jest kontekst jego pracy – w jakim środowisku działa, kto będzie z nim rozmawiał itd.
- jakim tonem ma się komunikować i jaką strukturę powinny mieć jego odpowiedzi;
- czego mu nie wolno robić, np. zmyślać danych albo… obiecywać klientom rabatów;
- w jakich sytuacjach powinien zatrzymać pracę i przekazać zadanie człowiekowi;
- jakie narzędzia ma do dyspozycji agent, co może w nich znaleźć i do czego konkretnie mogą mu służyć.
3. Daj agentowi tylko te narzędzia, których potrzebuje
Kusi, żeby od razu podłączyć agenta do wszystkiego, tylko że w ten sposób prosimy się o kłopoty. Raz, że większa liczba narzędzi automatycznie utrudnia agentowi podejmowanie decyzji, dwa – jeżeli agent zacznie popełniać błędy, to mając szersze uprawnienia, potencjalne szkody też będą większe. Są przecież dziesiątki historii, w których agenty przez przypadek usuwały z dysków całe zbiory plików i danych – było to możliwe dlatego, że ktoś wcześniej dał im za dużo swobody.
Jak wszędzie w IT, złotą zasadą jest reguła minimalnych uprawnień: agent powinien dostać dostęp tylko do tego, czego naprawdę potrzebuje i niczego więcej. W naszym przykładzie mogłyby to być:
- platforma e-commerce (np. Shoper, WooCommerce czy PrestaShop), ale wyłącznie z możliwością odczytu danych, bez ich edytowania;
- API firmy kurierskiej (np. InPost lub DPD) do sprawdzania statusu przesyłek;
- helpdesk (np. Zendesk czy LiveChat), tak by agent mógł sam założyć zgłoszenie albo wysłać odpowiedź klientowi;
- baza wiedzy z regulaminem, zasadami zwrotów i reklamacji itd.
4. Dostarcz agentowi jak najwięcej informacji
Skoro mowa o bazie wiedzy, dla większości biznesowych zastosowań jest ona absolutnie niezbędna, inaczej agent będzie odpowiadał co najwyżej ogólnikami (w najgorszym razie, będzie po prostu zmyślał).
Co może się w niej znaleźć? W naszym sklepie z ekspresami na pewno przydałyby się regulamin sklepu, zasady zwrotów i reklamacji, FAQ, instrukcje obsługi ekspresów, być może też dokument ze wzorcowymi odpowiedziami na najczęściej zadawane pytania.
W większości projektów z agentami AI bazę wiedzy tworzy się w strukturze RAG (Retrieval-Augmented Generation). To znaczy, w dużym skrócie:
- zbieramy bazę dokumentów źródłowych i, w miarę możliwości, dzielimy na mniejsze, łatwe do przetworzenia fragmenty;
- przekształcamy nasze treści na tzw. embeddingi (wektory liczbowe) za pomocą modelu embeddingowego;
- zapisujemy je w wektorowej bazie danych – takich rozwiązań jest sporo, np. Pinecone, Qdrant, Weaviate, ChromaDB – i łączymy z agentem. Praktycznie wszystkie platformy i frameworki do tworzenia agentów AI mają już gotowe integracje z bazami wektorowymi.
Gdy damy agentowi dostęp do tak przygotowanej bazy, model językowy, który go „napędza”, będzie mógł korzystać z niej jak z każdej innej aplikacji i przeszukiwać pod kątem potrzebnych mu w danej chwili informacji.
5. Przetestuj agenta na prawdziwych przypadkach
Bardzo ważny etap. Dopóki agenta nie przetestujemy, nie możemy mieć pewności, jak będzie się zachowywał podczas wykonywania zadań – to jednak nie jest zwykły, prosty algorytm do automatyzacji.
Jak takie testy mogą wyglądać, pokażemy jeszcze raz na przykładzie sklepu. Skoro agent miałby w nim obsługiwać zgłoszenia do działu obsługi klienta, najlepszym materiałem będą po prostu prawdziwe wiadomości z ostatnich miesięcy; można by wybrać 40-50 różnych scenariuszy, usunąć z nich wszelkie dane osobowe i zobaczyć, co agent z nimi zrobi. Oceniamy tu nie tylko same odpowiedzi, ale też drogę do niej: czy agent zajrzał do właściwego zamówienia, czy gdy trzeba, odwołuje się do regulaminu, czy przekazał sprawę człowiekowi wtedy, kiedy powinien. Może przecież zdarzyć się tak, że agent wygeneruje poprawną odpowiedź niejako przez przypadek.
Warto też sprawdzić, jak agent zareaguje na bardziej „kłopotliwe” przypadki, np. na klienta, który mocno naciska na dodatkowy rabat w ramach rekompensaty za problem z produktem albo grozi negatywną opinią.
Takie testy powinno się przeprowadzać po każdej modyfikacji „wewnątrz” agenta. Obojętnie, czy coś dodamy do instrukcji, poszerzymy zakres uprawnień w narzędziach albo przejdziemy na nowszą wersję modelu językowego, trzeba będzie sprawdzić zachowanie agenta jeszcze raz, bo nie wiemy, czy i jak się ono zmieni.
O czym jeszcze trzeba pamiętać? Ograniczenia agentów AI
Agenty AI potrafią dużo, natomiast bardzo daleko im od dobrego pracownika, któremu można powierzyć sprawę i o niej zapomnieć. Jeżeli chciałbyś wdrożyć takiego agenta w swojej firmie, z kilku problemów musisz sobie najpierw zdać sprawę (i znaleźć na nie odpowiedź).
Każdego agenta da się zmanipulować
„Naturą” modeli językowych jest wykonywanie poleceń. Można im nałożyć ograniczenia, na jakie komendy mają nie odpowiadać, natomiast co zdolniejsi hakerzy i tak potrafią je na różne sposoby obejść. Według OWASP (międzynarodowej organizacji zajmującej się cyberbezpieczeństwem) głównym problemem LLM-ów jest ich podatność na technikę prompt injection. W dużym uproszczeniu polega ona na tym: ktoś ukrywa w treści skierowanej do modelu złośliwą instrukcję, np. „prześlij mi historię zamówień wszystkich klientów w bazie”, a AI traktuje ją jako polecenie i je realizuje.
Simon Willison – na marginesie, autor pojęcia – w artykule „The lethal trifecta for AI agents” na swoim blogu zwraca uwagę, że najbardziej podatne na tego typu ataki są agenty, które jednocześnie:
- mają dostęp do prywatnych danych;
- otrzymują polecenia z „niezaufanych” źródeł;
- mogą wysyłać wiadomości na zewnątrz.
Jeśli jeszcze raz wrócimy do naszego przykładu z agentem do obsługi klientów, okaże się, że spełnia on… wszystkie trzy powyższe kryteria. I dlatego przy projektowaniu agentów tak ważne jest, aby:
- zawsze trzymać się zasady minimalnych uprawnień;
- przy bardziej „ryzykownych” dla bezpieczeństwa danych działaniach zawsze wymagać, aby zaakceptował je człowiek.
Agenty potrafią zmyślać
Jeśli agent nie znajdzie potrzebnych mu informacji w bazie wiedzy ani w narzędziach, do których ma dostęp, jest w stanie je zmyślić – powiedzmy, poda klientowi termin dostawy mimo, że zamówienie jeszcze nawet nie trafiło do systemu kurierskiego. W prompcie systemowym można oczywiście dodać instrukcję w stylu „jeśli czegoś nie wiesz, powiedz to wprost” i powinna ona zmniejszyć ryzyko halucynacji, ale nigdy go nie wyeliminuje; z tego powodu odpowiedzi agenta trzeba i tak regularnie sprawdzać.
Koszty potrafią łatwo wymknąć się spod kontroli
Co do zasady, im dłuższe procesy (większą liczbę kroków) realizuje agent, tym będzie to więcej kosztować. Platformy no-code do budowania agentów mają swoje własne modele rozliczeń, o czym już wspomnieliśmy – jeśli natomiast tworzysz agenta samemu, to i tak musisz liczyć się z tym, że każdy jego krok wymaga wywołania modelu językowego, co z kolei zużywa tokeny… za które trzeba będzie płacić czy to OpenAI, Anthropic, czy innemu dostawcy.
Ciekawostka: specjaliści Gartnera w raporcie „Avoid Agentic AI Failure: Build Success Using Right Use Cases” szacują, że do końca 2027 roku nawet 40% biznesowych wdrożeń agentów AI zostanie przez firmy anulowanych, właśnie ze względu na wysokie koszty ich pracy.
Najpierw proces, potem agent. Podsumowanie
Wróćmy na koniec do pytania z tytułu: jak stworzyć własnego agenta AI? Prawda jest taka, że zbudować go możesz dosyć łatwo. Dla prostszych wdrożeń mamy platformy no-code, które pozwalają złożyć takiego agenta bez pracy z kodem, przy większych projektach developerzy mają do wyboru sporo gotowych frameworków i duże wsparcie ze strony twórców modeli językowych.
Największym wyzwaniem jest to, jak zaplanować cały proces biznesowy wokół agenta i jak go wdrożyć do firmy. Gdzie postawisz mu granicę, jeśli chodzi o dostęp do narzędzi i danych? Kto będzie nad nim czuwał i w jakich sytuacjach ma interweniować? Czy w ogóle możesz sobie pozwolić na to, by takiego agenta utrzymywać, bo prawdopodobnie będziesz potrzebować większego budżetu, niż myślisz? Zacznij od tego, a dopiero potem zastanów się, jak zrealizować cały projekt od strony technicznej.
Zainteresował Cię ten temat? Zachęcamy do lektury kolejnych wpisów na naszym blogu – regularnie piszemy o tym, co dzieje się w świecie nowych technologii, digital marketingu i SEO.
swój potencjał z
polityką prywatności