Dzisiejszy temat to coś, o czym niemal każdy słyszał, ale prawie nikt nie potrafi wyjaśnić. Mówię o agentach AI. Prawdopodobnie słyszałeś ten termin na spotkaniu, czytałeś o nim na blogu lub widziałeś w nagłówku. Wszyscy o nich mówią, ale poproś kogoś o definicję, a odpowiedzi stają się bardzo niejasne. Szum jest ogromny, definicje są gliste, a określenie to jest używane tak swobodnie, że straciło niemal całe swoje znaczenie. Oto najczęstszy błąd, jaki popełniają ludzie. Myślą, że agent to po prostu hotbot z bardziej wymyślną nazwą. Pytasz o coś, a on odpowiada. To nie jest agent, to jest hotbot. I istnieje prawdziwa różnica między nimi. Co więc się zmieniło? Dlaczego wszyscy nagle mają obsesję na punkcie agentów? I co ważniejsze, dlaczego miałoby Cię to obchodzić, jeśli nie jesteś programistą? Pod koniec tego odcinka zrozumiesz, czym naprawdę jest agent AI. Dlaczego Microsoft zbudował wokół nich cały system i dlaczego ma to znaczenie dla Twojej pracy?

Czym dokładnie jest agent AI? Już wiesz, jak działa hotbot. Wpisujesz coś, a on odpowiada. To jest konwersacja. Jest reaktywna. Czeka, aż coś powiesz, a potem odpowiada. Agent jest inny. Nie tylko odpowiada, on działa. Myśli, decyduje, działa. To najprostsza definicja, jaką mogę Ci podać. Oto jak to działa. Najpierw agent myśli. Wykorzystuje duży model językowy, aby przeanalizować, czego naprawdę potrzebujesz, nie tylko co wpisałeś, ale co miałeś na myśli. Jeśli powiesz umów spotkanie z Sarą w przyszły wtorek, agent nie tylko powtórzy to za Tobą. Zastanawia się, co ta prośba naprawdę oznacza. Następnie podejmuje decyzję. Rozbija Twoją prośbę na etapy. Umówienie spotkania staje się planem. Sprawdź kalendarz, znajdź wolny termin, sprawdź dostępność Sary, wyślij zaproszenie. Agent nie zgaduje, tworzy sekwencję działań. Na koniec działa. Wywołuje narzędzia i usługi, aby zrealizować zadanie. Nie mówi Ci, jak umówić spotkanie, on je umawia.

Nie wyjaśnia, jak sprawdzić pogodę, on sprawdza pogodę i podaje Ci odpowiedź. Zastanów się więc nad tą różnicą. Hatbot jest reaktywny. Czeka na Twoje kolejne pytanie. Agent jest proaktywny. Dajesz mu cel, a on zajmuje się jego realizacją. Może wrócić z pytaniami, jeśli potrzebuje więcej informacji, ale nie musisz go prowadzić za rękę przez każdy krok. Hatbot jest jak punkt informacyjny w bibliotece. Pytasz, gdzie jest książka, a oni wskazują Ci odpowiednią alejkę. Agent jest jak osobisty asystent, który ma klucze do budynku. Mówisz, potrzebuje informacji o naszych kluczowych klientach na jutrzejsze spotkanie, a on je znajduje, porządkuje i wręcza Ci dokument z podsumowaniem. Nie mówiłeś mu, gdzie szukać, ani jakiego formatu użyć. Sam na to wpadł. Jednak sekret nie tkwi tylko w modelu LLM. Model językowy jest inteligentny, ale sam w sobie jest tylko mózgiem bez rąk. Tym, co czyni coś agentem, jest połączenie trzech elementów, wnioskowania umiejętności przemyślenia problemu, narzędzi zdolności do działania w świecie oraz pamięci umiejętności zapamiętywania tego, co się wydarzyło.

Połącz te trzy elementy, a otrzymasz coś, co nie tylko odpowiada na pytania, ale też załatwia sprawy. Zanim pojawił się framework, panował chaos. Skoro więc agenci są tak użyteczni, dlaczego nie wszyscy już ich tworzą? Krótka odpowiedź brzmi, do niedawna był to skomplikowany proces. Trzeba było samodzielnie łączyć wiele narzędzi, trochę jak podczas próby zbudowania samochodu z części od różnych producentów, mając nadzieję, że będą do siebie pasować. Pierwszą próbą naprawienia tego problemu przez Microsoft był semantic kernel, zestaw SDK do integrowania, a i z aplikacjami. Potężna rzecz, ale to była tylko skrzynka z narzędziami, a nie gotowy projekt. Dawał ci części, ale to ty musiałeś wymyślić, jak je złożyć. Potem pojawił się autogen z Microsoft Research. Ten framework eksplorował wieloagentowe konwersacje, w których agenci AI ze sobą rozmawiają, debatują i współpracują. Nowatorskie, owszem, ale eksperymentalne, nieprzystosowane do systemów produkcyjnych.

Deweloperzy stanęli więc przed trudnym wyborem. Semantic kernel był stabilny i gotowy dla przedsiębiorstw, ale brakowało mu zaawansowanych wzorców orkiestracji. Autogen miał świetne możliwości wieloagentowe, ale nie był czymś, co uruchomiłbyś w środowisku produkcyjnym. Każdy miał własną krzywą uczenia się, własny sposób działania i własną społeczność. I nie chodziło tylko o Microsoft. Pojawiły się inne frameworki, Langchain, Revai i tuzin innych. Ekosystem był całkowicie rozproszony. Jeśli chciałeś tworzyć agentów w pracy, musiałeś stać się ekspertem w szybko zmieniającym się świecie. Którego frameworka się uczyć? Który przetrwa? Który z nich faktycznie wspiera Microsoft? Dla początkującego było to przytłaczające. Wyobraź sobie, że jesteś deweloperem w firmie badającej możliwości agentów AI. Szukasz informacji i znajdujesz pięć różnych frameworków, z których każdy ma własną dokumentację, wzorce i społeczność.

Nie wiesz, od czego zacząć. Nie wiesz, na który z nich warto poświęcić swój czas. To rozdrobnienie tworzyło realną barierę. Nie chodziło tylko o naukę narzędzia, chodziło o postawienie na cały ekosystem.

Dla eksperymentów do rzeczywistych procesów biznesowych, Microsoft zrozumiał, że to nie jest trwałe. Potrzebowali jednego frameworka, jednego ujednoliconego podejścia, jednej odpowiedzi na pytanie, jak zbudować agenta? Czym jest Microsoft Agent Framework? Microsoft wziął więc dwa posiadane frameworki, semantic kernel i autogen i połączył je w jeden. Wynikiem jest Microsoft Agent Framework, pojedynczy ujednolicony SDK, który łączy stabilność Enterprise Semantic Kernel z nowoczesnymi wzorcami multiagentowymi z autogen. Zespoły, które stworzyły te dwa frameworki, pracują teraz razem nad tym jednym. Framework ten zadebiutował w wersji zapoznawczej pod koniec 2025 roku, a w lipcu 2026 roku osiągnął wersję 1.0. Ten harmonogram jest ważny, ponieważ pokazuje, że nie jest to projekt badawczy ani eksperyment. To gotowy produkt klasy produkcyjnej. Microsoft mówi, budujcie na tym swoje rzeczywiste systemy.

Jest również open source. Możesz go znaleźć na GitHub'e z ponad 7 tysięcy gwiazdek i ponad 100 współtwórcami. Społeczność jest aktywna. Co tydzień odbywają się spotkania, podczas których można bezpośrednio porozmawiać z zespołem inżynierów. Tego nie dostaniesz w przypadku zamkniętego produktu. Framework wspiera Pythona i .NET jako języki najwyższej klasy. Niezależnie od tego, czy jesteś programistą C-Kratka, czy Pythona, masz takie samo doświadczenie. To duża sprawa, ponieważ wiele frameworków AI jest tylko dla Pythona. Microsoft podjął świadomą decyzję, by traktować oba języki równorzędnie. A oto coś, co może Cię zaskoczyć. Framework wspiera ponad 7 różnych dostawców modeli Microsoft Foundry, Azure OpenAI, OpenAI, Anthropic Cloud, Amazon Bedrock, Google Gemini, a nawet modele lokalne przez Allama. Piszesz logikę agenta raz, a działa ona na wszystkich z nich. Nie jesteś przywiązany do jednego dostawcy.

Przełączasz się z OpenAI na Anthropic i zmieniasz tylko wartość konfiguracji, a nie cały kod. Framework ma dwa główne komponenty. Agenci to klocki konstrukcyjne, indywidualne jednostki wnioskujące, które mogą myśleć i działać. Przepływy pracy Workflows to warstwa orkiestracji, która łączy wielu agentów w całość. Możesz mieć jednego agenta wykonującego jedno zadanie lub cały zespół pracujący nad złożonym problemem. Istnieje również coś takiego jak deklaratywne definicje. Definiujesz zachowanie agenta w pliku YAML. Oznacza to, że konfiguracja agenta podlega kontroli wersji. Umieść ją w gicie, sprawdzaj w pool requestach, wdrażaj przez potoki ci, ciąg dalszy. Dla zespołów korporacyjnych to ogromna zaleta, ale chcę, żebyś zrozumiał jedno. Ten framework nie jest tylko dla programistów budujących złożone systemy. Jest zaprojektowany z myślą o scenariuszach korporacyjnych. Bezpieczeństwo, zgodność z przepisami, obserwowalność, zatwierdzenia przez człowieka to wszystko jest wbudowane, a nie dodane na siłę.

I właśnie to odróżnia go od wcześniejszych eksperymentalnych frameworków. Podstawowe elementy agenci, narzędzia, pamięć, przepływy pracy. Rozbijmy to na cztery główne koncepcje. Gdy je zrozumiesz, pojmiesz 90% działania tego frameworka. Na początek agenci. To fundamentalna jednostka. Każdy agent ma imię, zestaw instrukcji i dostęp do narzędzi. To jednostka wnioskująca, która potrafi myśleć i działać. Mówisz mu, kim jest, co ma robić i z jakich zasobów może korzystać. Cała reszta z tego wynika. Dalej, narzędzia. To ręce agenta funkcje, API czy serwisy, z których może korzystać dane pogodowe, kalendarz, zapytania do bazy danych czy operacje na plikach. Agent sam z siebie nie wie, jak to robić. Potrzebuje narzędzi, aby sięgnąć do świata zewnętrznego i podjąć działanie. Możesz pisać proste funkcje samodzielnie lub korzystać z serwerów MCP, czyli model Context Protocol. To standardowy sposób łączenia agentów z zewnętrznymi usługami.

Pomyśl o tym, jak o uniwersalnej wtyczce. Jeśli usługa wspiera MCP, twój agent użyje jej bez własnego kodu integracyjnego. Następnie mamy pamięć. To magazyn danych dla mózgu. Istnieją dwa rodzaje. Pamięć sesyjna jest krótkoterminowa. Pamięta wszystko, co wydarzyło się podczas jednej konwersacji. Dostawcy kontekstu to pamięć długoterminowa. Zapamiętują preferencje i fakty z wielu różnych rozmów. Dzięki pamięci agent wydaje się inteligentny. Bez niej każda interakcja zaczyna się od zera. Przedstawiasz się, a przy następnej rozmowie wszystko jest zapomniane. Z pamięcią agent wie, kim jesteś, o czym rozmawialiście i co jest dla Ciebie ważne. To różnica między rozmową z obcym, a kolegą, który zna Twoją pracę. Na koniec przepływy pracy. To warstwa orkiestracji, w której definiujesz współpracę wielu agentów. Przepływy mogą być sekwencyjne, krok A, potem B, równoległe. Wielu agentów pracuje nad różnymi częściami problemu lub warunkowe.

Jeśli wydarzy się to, przejdź tutaj. Jeśli tamto, przejdź tam. Przepływy wspierają też punkty kontrolne. Jeśli coś zawiedzie w połowie, system wznowi działanie od ostatniego momentu. Nie musi zaczynać od nowa. To ważne w przypadku długich zadań, które trwają godzinami i mają wiele etapów. Wbudowane są również wzorce Człowiek w pętli. Agenci mogą wstrzymać działanie i poprosić o zgodę przed wykonaniem wrażliwej akcji. Jeśli agent chce wysłać maila lub zatwierdzić płatność, może się zatrzymać i czekać na potwierdzenie od człowieka. Jest to niezbędne w branżach regulowanych prawnie. Oto przykład z życia wzięty. Wyobraź sobie agenta przygotowującego sprzedaż. Masz jutro spotkanie z klientem. Mówisz agentowi, pomóż mi się przygotować. Sprawdza on twój kalendarz, by potwierdzić godzinę. Pobiera dane z CRM, by przejrzeć historię klienta. Przeszukuje materiały marketingowe w poszukiwaniu odpowiednich studiów przypadku.

Generuje dokument z podsumowaniem i prezentację PowerPoint, a ty nie musisz nic robić. To nie jest hotbot. To jest agent. Dlaczego powinno cię to obchodzić? Praktyczna wartość. Wiesz już, czym jest ten framework, ale dlaczego miałoby cię to obchodzić, skoro nie jesteś programistą tworzącym systemy AI? Odpowiedź brzmi, ten framework nie istnieje tylko w terminalu programisty. Zasila on narzędzia, z których na co dzień korzystają użytkownicy biznesowi. Agenci zbudowani w tym środowisku mogą być publikowani bezpośrednio w Microsoft Teams i czacie Copilot. Oznacza to, że agenci twojej organizacji działają tam, gdzie już pracujesz. Nie musisz instalować osobnej aplikacji, pamiętać nowego loginu, ani uczyć się obsługi. Po prostu otwierasz Teams i agent już tam jest. Dla działów IT i decydentów biznesowych ma to jeszcze większe znaczenie. Framework zapewnia mechanizmy kontroli klasy korporacyjnej, które naprawdę mają znaczenie.

Zyskujesz zarządzanie tożsamością przez EntraID, kontrolę dostępu, by agenci widzieli tylko to, co powinni, ścieżki audytu, by wiedzieć, co i kiedy zrobił każdy agent oraz ład danych, by chronić poufne informacje. A oto problem, o którym mogłeś nie pomyśleć. Shadow AI jest faktem. Pracownicy codziennie używają niezatwierdzonych narzędzi AI, wklejając dane firmowe do publicznych hotbotów, przesyłając poufne dokumenty na nieznane serwery i mając nadzieję, że nic się nie stanie. Zespoły IT wiedzą, że tak się dzieje, ale nie mogą tego powstrzymać poprzez zakazywanie narzędzi. Ludzie i tak znajdą sposób. Ten framework daje działom IT możliwość oferowania zatwierdzonych, bezpiecznych agentów, które nadal są nowoczesne. Zamiast mówić pracownikom, nie używajcie AI, możesz powiedzieć, używajcie tych agentów. Są bezpieczni, kontrolowani i pracują na Waszych danych. Istnieje również problem niekontrolowanego namnażania się agentów, co już się dzieje.

Zespoły tworzą agentów szybciej, niż ktokolwiek jest w stanie to śledzić. Framework daje Ci jedno miejsce do zarządzania, monitorowania i nadzorowania ich wszystkich. Widzisz, którzy agenci są używani, którzy zbierają kurz, a którzy wymagają uwagi. Wgląd w koszty to kolejna istotna kwestia. Widzisz dokładnie, ile kosztuje uruchomienie każdego agenta, którzy są kosztowni, którzy wydajni i gdzie można wprowadzić optymalizację. To nie jest coś, co otrzymasz dzięki zbiorowi przypadkowych narzędzi i skryptów. Podsumowując, ten framework sprawia, że agenci AI stają się praktyczni, bezpieczni i łatwi w zarządzaniu dla rzeczywistych organizacji. Nie chodzi tylko o tworzenie świetnej technologii, ale o budowanie rozwiązań, które działają w realnym biznesie z jego ograniczeniami, wymogami bezpieczeństwa, zgodnością, budżetem i nadzorem. Jeśli odpowiadasz za którykolwiek z tych obszarów, ten framework jest dla Ciebie ważny.

Jak to się wpisuje w szerszą perspektywę? Gdzie więc tak naprawdę pasuje framework agentów? To nie jest samodzielny produkt, to element większej układanki. Spójrzmy, jak wszystko się łączy. Zacznijmy od Azure AI Foundry. Pomyśl o tym tak, framework agentów służy do ich tworzenia, a Foundry to miejsce, w którym żyją i działają. Zajmuje się całą ciężką pracą, infrastrukturą, skalowaniem, monitorowaniem i bezpieczeństwem. Budujesz lokalnie, wdrażasz do Foundry, a Twój agent działa w środowisku produkcyjnym z kontrolą korporacyjną. Proste. Jeśli nie jesteś programistą, masz inną opcję. Copilot Studio. To ścieżka typu Low Code. Używasz wizualnego interfejsu, aby zdefiniować działanie agenta, połączyć go ze źródłami danych i opublikować w Teams. Bez pisania kodu, framework agentów jest dla programistów, którzy chcą pełnej kontroli. Te rozwiązania uzupełniają się nawzajem. Potrzebujesz personalizacji?

Użyj frameworka. Musisz działać szybko? Użyj Copilot Studio. Jest jeszcze Microsoft 365 Copilot, czyli strona dla użytkownika końcowego. Agenci zbudowani za pomocą frameworka mogą pojawić się bezpośrednio wewnątrz Copilota. Dzięki temu użytkownicy korzystają z nich przez znany interfejs, ten sam, którego używają w pracy. Nie trzeba uczyć się nowych narzędzi, ani wdrażać nowych procesów. Ale tutaj zaczyna się prawdziwa wartość, warstwa inteligencji. Składa się z trzech części. Work EQ łączy się z Twoimi osobistymi danymi, pocztą, kalendarzem i czatami. Foundry EQ łączy się z wiedzą organizacyjną, dokumentami, zasadami i zasobami współdzielonymi. A Fabric EQ łączy się z danymi biznesowymi, wynikami sprzedaży, rekordami klientów i wskaźnikami operacyjnymi. Agenci mogą czerpać ze wszystkich trzech źródeł. To właśnie czyni ich naprawdę użytecznymi. Nie odpowiadają tylko na ogólne pytania, mają kontekst.

Wiedzą, kim jesteś, nad czym pracujesz i jakie dane mają znaczenie dla Twojego biznesu. Kiedy agent przygotowuje dokument na spotkanie sprzedażowe, nie zgaduje. Czerpie dane z Twojego kalendarza, CRM-u, materiałów marketingowych i bazy wiedzy firmy? Wszystko w jednym zapytaniu. Wszystko to działa w oparciu o model bezpieczeństwa Microsoft. Entra ID dla tożsamości, Intune dla zarządzania urządzeniami, Defender dla ochrony przed zagrożeniami. Jeśli Twoja organizacja już korzysta z tych narzędzi, framework idealnie się w nie wpisuje. Nie ma potrzeby budowania osobnej warstwy bezpieczeństwa. Dla organizacji używających już Microsoft 365, Azure i Power Platform, ten framework to naturalny kolejny krok. Nie zaczynasz od zera. Rozszerzasz to, co już masz. Wizja długoterminowa? Prosta. Agenci staną się tak powszechni jak aplikacje. Każdy proces biznesowy zyska warstwę agentową nie po to, by zastąpić ludzi, ale by pomóc im pracować szybciej z lepszymi informacjami i mniejszą liczbą powtarzalnych zadań.

Ten framework to sposób na zbudowanie takiej warstwy. Zaczynając Twój pierwszy krok. Oto dobre wieści. Nie musisz być ekspertem od AI, żeby zacząć. Istnieją dwie ścieżki. Ścieżka bez kodowania to Copilot Studio. Wizualny interfejs przeciągnij upuść. Skonfiguruj kodowanie, nie jest wymagane. Możesz mieć działające rozwiązanie w kilka godzin, a nie dni. Jeśli Twoim celem jest szybkie rozwiązanie konkretnego problemu biznesowego, to jest ścieżka dla Ciebie. Ścieżka z kodowaniem to sam framework agentowy. Instalujesz pakiety dla Pythona lub .NET i korzystasz z rozszerzenia do VS Code. O rozszerzeniu warto wspomnieć, ponieważ zawiera ono funkcje wspomagane przez AI. Mówisz mu, czego oczekujesz. Stwórz agenta przygotowującego sprzedaż, który sprawdzi mój kalendarz i pobierze dane CRM, a on wygeneruje cały szkielet projektu. Kod, pliki, konfiguracyjne, wszystko. To nie jest czysta kartka. To świetny start na pełnych obrotach.

Rozszerzenie zawiera również coś, co nazywa się inspektorem agenta. To wizualne narzędzie, które pokazuje w czasie rzeczywistym, krok po kroku, co robi Twój agent. Widzisz, jak myśli. Widzisz, z jakich narzędzi korzysta. Widzisz, w którym miejscu napotyka przeszkody. To jak posiadanie debuggera, który mówi prostym językiem. Jeśli używasz już semantic kernel lub autogen, dostępne są asystenci migracji, którzy analizują istniejący kod i generują plan krok po kroku. Nie musisz zaczynać od zera. Framework jest otwarto źródłowy. Repozytorium GitHub znajduje się pod adresem github.com ukośnik microsoft ukośnik agentframework. Przykłady, dokumentacja, fora dyskusyjne, wszystko jest na miejscu. Społeczność jest bardzo aktywna. Organizujemy cotygodniowe dyżury, podczas których można porozmawiać bezpośrednio z zespołem inżynierów. To nie jest coś, co otrzymujesz w większości frameworków. Kluczowy przekaz jest następujący.

Zacznij od małych rzeczy. Zbuduj jednego agenta, który wykonuje jedną przydatną czynność. Może sprawdza Twój kalendarz. Może podsumowuje Twoje wiadomości e-mail. Może wyszukuje informacje o kliencie. Zobacz, jak to działa w praktyce. Potem zwiększaj skalę. Najważniejsze jest zrozumienie koncepcji. I właśnie o tym był ten odcinek. Podsumujmy to, łącząc wszystkie elementy w całość. Agent to nie jest hotbot. To system, który samodzielnie myśli, podejmuje decyzje i działa. Framework powstał dlatego, że budowanie agentów w stary sposób oznaczało żonglowanie niekompatybilnymi narzędziami, które nie współpracowały ze sobą. Ta fragmentacja wprowadzała tylko zamieszanie. Dlatego Microsoft stworzył jeden sposób budowania, wdrażania i zarządzania. Koniec z przełączaniem się między frameworkami i łączeniem niedopasowanych elementów. Dla początkujących oto proste podsumowanie. Agenci AI to nie magia.

To uporządkowane systemy, które rozumują, używają narzędzi i pamiętają kontekst. Microsoft dał Wam kompletny framework do ich tworzenia, gotowy do użycia produkcyjnego. To nie jest tylko szum medialny. Agenci stają się normalną częścią naszej pracy, tak jak aplikacje i strony internetowe lata temu. Narzędzia są gotowe, społeczność jest aktywna, a Twój pierwszy agent jest bliżej niż myślisz. Jeśli chcesz zgłębić temat, zacznij od repozytorium na GitHub'e i rozszerzenia do VS Code. Zasubskrybuj na ulubionej platformie podcastowej i udostępnij to komuś, kto zaczyna swoją przygodę.