Dzisiejszy temat to coś, o czym słyszał prawie każdy, ale niewielu potrafi wyjaśnić mechanizm agenta AI. Pewnie widziałeś to w postach na blogach czy podczas prelekcji, ale co to właściwie oznacza? Rzecz w tym, większość ludzi uważa, że budowanie agenta AI polega na napisaniu idealnego promptu, tej jednej magicznej instrukcji, która sprawi, że model zrobi dokładnie to, czego chcesz. Ale to tak, jakby myśleć, że samochód to tylko silnik. Oczywiście silnik jest ważny, ale bez kół, kierownicy, hamulców i nadwozia nigdzie nie zajedziesz. Pod koniec tego odcinka zrozumiesz, czym naprawdę jest mechanizm agenta, dlaczego jest to kolejny etap ewolucji po inżynierii promptów i jak Microsoft AI Foundry wciela to w życie dla prawdziwych firm. Złap kawę i zaczynajmy. Dlaczego promptowanie już nie wystarcza? Wróćmy do wczesnych dni. Około lat 2022 do 2024 praca z AI była prosta. Pisałeś prompt i otrzymywałeś odpowiedź. Potrzebujesz szkicu e-maila? Napisz prompt. Potrzebujesz podsumowania artykułu? Napisz prompt. W przypadku prostych zadań typu Oneshot sprawdzało się to świetnie. Mogłeś o coś zapytać, a model udzielał rozsądnej odpowiedzi. Ale potem ludzie stali się bardziej ambitni. Zaczęli prosić te modele o wykonywanie prawdziwej pracy. Zbadaj temat i napisz raport, przeanalizuj kod i napraw błąd, albo obsłuż wieloetapową rozmowę z klientem od początku do końca. I nagle jeden prompt przestał wystarczać. Oto co się stało. Okno kontekstowe modelu zapełniało się. Zapominał on wcześniejsze instrukcje i zaczynał zmyślać fakty lub dawać niepełne wyniki. Im dłużej trwało zadanie, tym bardziej zawodne stawały się rezultaty. Pewnie sam tego doświadczyłeś. Prosisz a i o zrobienie czegoś złożonego, a pod koniec okazuje się, że zapomniało o co prosiłeś na samym początku. Wyobraź sobie, że prosisz jedną osobę o zbudowanie całego domu od podstaw za jednym podejściem bez sprawdzania jej pracy. Właśnie o to prosiliśmy te modele. Wyniki były dokładnie takie, jakich można było oczekiwać. Niedokończony dom z brakującymi ścianami i drzwiami, które się nie otwierają. Rozwiązaniem nie był lepszy prompt. Mógłbyś spędzić godziny na dopracowywaniu brzmienia, dodawaniu przykładów i uściślaniu instrukcji, a i tak zawiódłby w długich, złożonych zadaniach, ponieważ podstawowy problem nie leżał w prompcie. Problem tkwił w braku systemu wokół niego. Model nie potrzebował lepszych słów, ale lepszego wsparcia. Wtedy zaczęła się ewolucja od inżynierii promptów do inżynierii kontekstu. Trzy fazy ewolucji AI. Oto jak postrzegam ewolucję sztucznej inteligencji. Trzy fazy, z których każda zmienia punkt ciężkości dla inżynierów. Pierwszą fazą była inżynieria promptów. Trwała ona mniej więcej od 2022 roku do 2024 roku. Główne pytanie było proste. Co powinienem powiedzieć modelowi? Pisałeś jedną instrukcję, otrzymywałeś jedną odpowiedź i to wszystko. Cała sztuka polegała na doborze słów i to nie wypowiedzi. W przypadku podstawowych zadań to wystarczało. Następnie nadeszła druga faza inżynieria kontekstu od 2024 roku do 2025 roku. Pytanie zmieniło się z co mam powiedzieć, na co model powinien widzieć. Inżynierowie odkryli, że to, czym karmisz model, jest ważniejsze niż to, jak pytasz. Zbudowali więc systemy takie jak wywoływanie narzędzi RAK oraz protokół kontekstu modelu MCP. Pozwalają one modelowi pobierać odpowiednie informacje w locie. Zamiast upychać wszystko w jednym prompcie, model mógł pobrać to, czego potrzebował, kiedy tego potrzebował. Trzecia faza to etap, w którym jesteśmy teraz inżynieria uprzęży Harness Engineering. Od około 2026 roku pytanie brzmi, jaki system muszę zbudować wokół modelu? Tutaj robi się ciekawie, ponieważ niezawodność, pamięć, orkiestracja i zabezpieczenia nie pochodzą z samego modelu, lecz z systemu zbudowanego wokół niego. Oto najprostszy sposób, by o tym myśleć. Agent to model plus uprząż. Uprząż to cała reszta. Model wykonuje myślenie, uprząż wykonuje resztę. I ta uprząż to sekretny składnik, który sprawia, że wszystko działa. Pomyśl o tym tak, model to wykwalifikowany pracownik, bardzo utalentowany, ale ograniczony. Uprząż to warsztat, narzędzia, lista kontrolna, przełożony i hamulce. Bez warsztatu pracownik nie ma gdzie pracować. Bez narzędzi nie może nic zbudować. Bez listy kontrolnej zapomina o krokach. Bez przełożonego popełnia błędy, a bez hamulców wypala się. Uprząż zapewnia całą tę strukturę. Co więc dokładnie znajduje się w tej uprzęży? Otwórzmy ją, co tak naprawdę zawiera uprząż. Więc, co wchodzi w skład uprzęży? Przejdźmy przez te elementy jeden po drugim. Po pierwsze, pętla agenta. To cykl, który utrzymuje działanie agenta. Model myśli, a następnie decyduje się wywołać narzędzie. Narzędzie uruchamia się i odsyła wynik. Model patrzy na to, myśli ponownie i być może wywołuje inne narzędzie. Pętla trwa, dopóki agent nie osiągnie swojego celu. Bez tej pętli otrzymujesz tylko pojedyncze pytanie i pojedynczą odpowiedź. Dzięki niej masz system, który rozwiązuje problemy krok po kroku. Następnie, zarządzanie kontekstem. Jest to kluczowe, ponieważ modele mają ograniczony zakres uwagi. Ich okno kontekstowe może pomieścić tylko tyle, zanim wystąpi przepełnienie. Wkracza tutaj system pomocniczy. Kompresuje on konwersacje, podsumowuje wszystkie wiadomości i ustala priorytety. Pomyśl o tym, jak o systemie archiwizacji dla konwersacji. System ten porządkuje ją tak, by model widział tylko to, co istotne. Bez tego długie sesje tracą spójność, gdy model gubi wątek. Kolejną kwestią są narzędzia i umiejętności. To ręce agenta. Sam model potrafi jedynie generować tekst. Nie potrafi odczytać pliku, przeglądać sieci, uruchomić kodu, ani odpytać bazy danych. System pomocniczy nadaje mu te możliwości. Dostęp do plików, przeglądanie sieci, wykonywanie kodu, zapytania do bazy – wszystko to zapewnia system. Model decyduje, kiedy ich użyć, a system sprawia, że działają. Pamięć i trwałość sesji to kolejny ważny element. System pomocniczy zapamiętuje poprzednie sesje, więc kiedy wracasz do agenta następnego dnia, nie zaczyna on od zera. Pamięta Twoje preferencje, kontekst projektu i podjęte decyzje. Agent uczy się z czasem, ponieważ system przechowuje te historie. Zabezpieczenia to warstwa bezpieczeństwa, limity nakładane na zachowanie agenta. Pomyśl o tym jako o regulaminie agenta. Maksymalna liczba kroków, niedozwolone działania, wymóg akceptacji przez człowieka przy ryzykownych ruchach, takich jak zapisywanie plików czy wysyłanie e-maili. Bez zabezpieczeń agent mógłby działać w nieskończoność lub zrobić coś, czego nie planowałeś. System pomocniczy trzyma go w ryzach. Na koniec orkiestracja. System może uruchamiać wyspecjalizowanych subagentów do różnych zadań. Jeden zajmuje się badaniami, drugi pisaniem, a trzeci weryfikacją. Współpracują jak zespół specjalistów na placu budowy. Każdy robi to, w czym jest najlepszy, a system dba, by nie wchodzili sobie w drogę. Te elementy to nie tylko teoria. Microsoft stworzył pełną platformę, która wprowadza to wszystko w życie. Przedstawiamy Microsoft AI Foundry, korporacyjny system pomocniczy. Tą platformą jest właśnie Microsoft AI Foundry. Pomyśl o tym, jak o kompletnym warsztacie do tworzenia i uruchamiania agentów, a i na dużą skalę. A kiedy mówię skala, mam na myśli prawdziwą skalę, a nie eksperyment laboratoryjny. Foundry obsługuje dziś ponad 70 tysięcy klientów, a w samym ostatnim kwartale przetworzyło 100 bilionów tokenów. To 100 bilionów to nie literówka. Każdego dnia obsługuje 2 miliardy korporacyjnych zapytań wyszukiwania. To platforma produkcyjna obsługująca jedne z największych obciążeń na świecie. Foundry w praktyce dostarcza ten system jako usługę zarządzaną. Nie musisz tworzyć od zera zarządzania kontekstem pamięci, zabezpieczeń ani koordynacji, bo wszystko jest już wbudowane. Ty dostarczasz agenta, a Foundry zapewnia dla niego środowisko pracy. Porozmawiajmy teraz o tożsamości. To bardzo ważna kwestia. Każdy agent w Foundry otrzymuje własny identyfikator Entra. W zasadzie jest to tożsamość cyfrowa. Pomyśl o tym, jak o identyfikatorze pracownika wydanym przez recepcję. Agent może logować się do usług, uzyskiwać dostęp do danych i działać w imieniu organizacji, zupełnie jak pracownik. A ponieważ każde działanie jest powiązane z tą tożsamością, podlega ono pełnemu audytowi. Dlaczego to ma znaczenie? W przedsiębiorstwie musisz wiedzieć, kto co zrobił. Każde działanie jest rejestrowane i możliwe do wyśledzenia. Foundry łączy się z ponad 1400 źródłami danych korporacyjnych, od SharePoint i Dynamics 365 po Salesforce i własne bazy danych. Jeśli twoja firma z tego korzysta, Foundry prawdopodobnie ma odpowiedni konektor. Agent więc nie zgaduje ani nie zmyśla. Pobiera rzeczywiste dane z rzeczywistych systemów, co oznacza, że odpowiedzi opierają się na twoich faktycznych danych biznesowych. Następnie mamy pamięć. Foundry zawiera wbudowane typy pamięci. Pamięć proceduralna pomaga agentowi uczyć się na podstawie poprzednich zadań. Z czasem staje się lepszy, niczym podczas szkolenia w pracy. Trwałość sesji oznacza, że pamięta poprzednie rozmowy, więc nie zaczyna od zera za każdym razem, gdy z nim rozmawiasz. Dzięki temu interakcje wydają się płynne i inteligentne. Jak to właściwie działa? Przeanalizujmy komponenty, które Microsoft udostępnia do tworzenia niestandardowych struktur. Framework agenta – tworzenie niestandardowych struktur. Jak więc faktycznie zbudować taką strukturę? Microsoft udostępnia dedykowany zestaw SDK o nazwie Microsoft Agent Framework, znany wcześniej jako Semantic Kernel. Został przebudowany, ale idea pozostała ta sama. Pozwala on programistom tworzyć niestandardowe struktury agentów w Pythonie i C-Kratka. Framework składa się z trzech warstw. Na dole znajduje się pętla agenta – główny cykl wnioskowania, w którym model myśli wywołuje narzędzia, otrzymuje wyniki i myśli ponownie. Na tym opierają się przepływy pracy, czyli wzorce koordynacji zarządzające wieloma agentami. A całość spina warstwa struktury, czyli powłoka, która trzyma to wszystko w ryzach. Microsoft dostarcza pięć wbudowanych wzorców koordynacji. Sekwencyjny uruchamia agentów jednego po drugim w określonej kolejności. Równoległy uruchamia ich wszystkich jednocześnie. Przekazanie kontroli przenosi zadanie z jednego agenta na drugiego w zależności od potrzeb. Czad grupowy pozwala wielu agentom rozmawiać w ramach jednej konwersacji. Jest też Magentic, menedżer z Microsoft Research. Tutaj agent nadzorujący generuje plan, a następnie deleguje pracę wyspecjalizowanym pod agentom, jak kierownik projektu przydzielający zadania członkom zespołu. Każdy wzorzec rozwiązuje inny problem koordynacyjny. Oto najlepsza część. Framework jest rozszerzalny. Możesz podłączyć dowolny model od OpenAI, Anthropic i Google Gemini po Amazon Bedrock, a nawet lokalne modele na Allama. To samo dotyczy narzędzi. Łączysz się przez OpenAI, protokół kontekstu modelu lub bezpośredni kod. Niektórzy obawiają się, że używanie frameworka Microsoftu zamyka Cię w ich ekosystemie. To nieprawda. Ten framework współpracuje z każdym stosem technologicznym, którego już używasz. Warstwa Harness dodaje możliwości takie jak dostęp do plików, wykonywanie kodu, oprogramowanie pośredniczące, planowania i telemetria. Więc budowa agenta za pomocą tego frameworka oznacza stworzenie kompletnego systemu, który czyta pliki, pisze kod, planuje wieloetapowe zadania i rejestruje wszystko w celach debugowania. To coś więcej niż tylko interfejs czatu. Oto jak to wygląda. Wyobraź sobie agenta programistycznego zbudowanego na tym frameworku. Dajesz mu zadanie, powiedzmy, dodanie nowej funkcji do istniejącej bazy kodu. Agent zaczyna od przeglądania dokumentacji, aby zrozumieć API. Następnie pisze kod. Potem uruchamia testy, aby upewnić się, że nic się nie zepsuło. Jeśli test zawiedzie, odczytuje błąd, naprawia usterkę i uruchamia testy ponownie wszystko w ramach tego samego Harness, zapętlając cykl myślenia, działania i sprawdzania, aż zadanie zostanie wykonane. Bez tej warstwy musiałbyś ręcznie wprowadzać każdy krok. Dzięki niej agent zajmuje się całym procesem samodzielnie. Jednym z popularnych przykładów działania Harness jest wzorzec CLAV. Microsoft udostępnił go w Foundry i jest to świetna demonstracja tego, jak te elementy łączą się w całość. Agenci w stylu CLAV i Herme. Porozmawiajmy o agentach typu CLAV. Nazwa pochodzi od projektów open source, takich jak OpenCLAV. Ci agenci żyją na Twojej maszynie, czekają na instrukcje, a następnie samodzielnie wykonują długie zadania. Są zawsze gotowi do działania, gdy ich potrzebujesz. Pomyśl o nich jak o osobistym asystencie, który nigdy nie bierze dnia wolnego. Wersja Microsoftu nazywa się Hermes. Działa wewnątrz hostowanego przez Foundry piaskownicy agentów i posiada imponujące możliwości. Hermes ma własny system plików, własną pamięć i własny zestaw narzędzi. Może ustawiać własne procedury konserwacji, czyszcząc stare pliki i organizując swój obszar roboczy. A jeśli zorientuje się, że potrzebuje nowej umiejętności, której nie posiada, może ją zbudować w locie. A teraz oto kluczowa kwestia dotycząca agentów CLAV. Architekci chmury nazywają je zwierzętami domowymi, a nie bydłem. Zwierzęta domowe są wyjątkowe. Nadajesz im imiona, dbasz o nie i nie możesz ich łatwo zastąpić. Bydło jest wymienne, więc jeśli jedno padnie, uruchamiasz kolejne. Agenci CLAV to zdecydowanie zwierzęta domowe. Każdy z nich ma swój własny stan, historię i wyuczone zachowania. Ta wyjątkowość czyni je potężnymi, ale też utrudnia odzyskiwanie i skalowanie. Jeśli coś pójdzie nie tak, nie możesz po prostu usunąć instancji i zacząć od nowa, bo stracisz całą zgromadzoną wiedzę. Rozwiązaniem firmy Microsoft są tak zwane procedury. To zaplanowane zadania, które pozwalają agentowi obudzić się, wykonać prace konserwacyjne, a następnie wrócić do snu. Zamiast utrzymywać piaskownicę działającą 24 siódmych, co kosztuje, agent wyłącza się po okresie braku aktywności. System procedur wybudza go, gdy trzeba coś zrobić, np. oczyścić stare umiejętności, wykonać kopię zapasową lub sprawdzić nowe zadania. Następnie wraca do snu. Oszczędza to koszty, jednocześnie zapewniając dostępność agenta, gdy go potrzebujesz. Piaskownica izoluje każdą sesję. Pliki, pamięć i konfiguracja twojego agenta pozostają zamknięte w jego własnym środowisku. A system zarządzania obsługuje ten stan między sesjami, więc nie musisz się martwić o wyciek danych jednego agenta do drugiego. Budowa własnego systemu od podstaw jest możliwa, ale większość firm tego nie potrzebuje. Foundry zapewnia gotową platformę ze wszystkimi tymi wbudowanymi funkcjami. Prawdziwe pytanie brzmi, co ma robić twój agent? Publikacja i współpraca, gdzie systemy spotykają się z ludźmi. Zbudowałeś więc swojego agenta, wyposażyłeś go w narzędzia, pamięć, orkiestrację i piaskownicę. A teraz, jak ludzie będą go używać? W tym miejscu Foundry ułatwia sprawę. Gdy agent jest zbudowany i wdrożony, możesz opublikować go w Microsoft 365, kopilot w Microsoft Teams jednym kliknięciem. Nie 10 kliknięć, nie 3-dniowy proces wdrażania, tylko jedno kliknięcie. I twój agent pojawia się dokładnie tam, gdzie ludzie już pracują w ich poczcie, czatach i dokumentach. Foundry obsługuje dwa tryby wdrażania. Po pierwsze, agenci wspomagający. Działają oni w twoim imieniu, tworząc projekty e-maili, planując spotkania czy wyszukując dokumenty. Działają jak twoje przedłużenie, jak bardzo szybki asystent, który wykonuje twoje polecenia. Po drugie, agenci autonomiczni. Są oni nowsi i bardziej interesujący. Działają we własnym imieniu, mając własny adres e-mail i własną tożsamość. Nie musisz ich za każdym razem prosić o reakcję. Przejmują inicjatywę. Agenci autonomiczni posiadają pełne konto użytkownika. Możesz dodać ich do czatu grupowego w Teams tak samo, jak dodałbyś ludzkiego współpracownika. Śledzą konwersacje i włączają się, gdy mogą pomóc, śledząc otwarte zadania, odpowiadając na pytania o pracę zespołu, a nawet wdrażając nowych członków zespołu przez przesyłanie im odpowiednich dokumentów i przedstawianie właściwym osobom. Oto konkretny przykład. Załóżmy, że masz agenta zarządzającego przepływem pracy. Dodajesz go do swojego czatu grupowego w Teams. Ktoś mówi, hej, potrzebuje raportu za trzeci kwartał na piątek. Agent zauważa, że to zadanie do wykonania. Tworzy zadanie, przypisuje je do odpowiedniej osoby i dodaje przypomnienie na czwartek, aby sprawdzić postępy. Nikt mu nie kazał tego robić. Po prostu zobaczył coś, co trzeba zrobić i to zrobił. Harness zarządza wszystkimi uprawnieniami w tle. Tylko upoważnieni użytkownicy mogą wchodzić w interakcję z agentem na czacie grupowym. Agent widzi tylko te wiadomości, które ma prawo widzieć, a resztę ignoruje. Przestrzega tych samych kontroli dostępu, co członkowie twojego zespołu. Oto dlaczego inżynieria Harness naprawdę się opłaca. Agent przestaje być hotbotem, którego otwierasz w karcie przeglądarki. Staje się produktywnym członkiem zespołu. Jest tam, gdzie ty pracuje tak jak twój zespół, a wszystko to możliwe dzięki temu, że Harness system otaczający model zarządza tożsamością, uprawnieniami, wdrażaniem i integracją. Bez Harness miałbyś tylko kolejne okno czatu do sprawdzania. Jednak każde potężne narzędzie wymaga zabezpieczeń. Porozmawiajmy o mechanizmach kontrolnych, które czynią to wszystko bezpiecznym. Odpowiedzialna sztuczna inteligencja i ład korporacyjny w systemie Harness. Oto w czym rzecz. Inżynieria Harness nie polega tylko na zwiększaniu możliwości agentów. Chodzi o to, by uczynić je bezpiecznymi i godnymi zaufania. Agent, który potrafi wysyłać e-maile, modyfikować pliki i działać na czatach grupowych, jest potężny, ale ta moc wymaga kontroli. Pomyśl o tym, jak oddaniu pracownikowi kluczy do budynku. Chcesz, żeby wykonywał swoją pracę, ale ustalasz też zasady dotyczące tego, do czego i kiedy ma dostęp. Podejście firmy Microsoft opiera się na standardzie odpowiedzialnej sztucznej inteligencji. Sześć zasad wyznacza wszystko sprawiedliwość, niezawodność i bezpieczeństwo, prywatność, inkluzywność, przejrzystość i odpowiedzialność. To nie tylko ładne hasła wypisane na plakacie. To rzeczywisty fundament, na którym od podstaw zaprojektowano całą platformę. Harness to miejsce, w którym te zasady stają się rzeczywistym kodem. Mechanizmy ochronne ograniczają działania agenta. Haki cyklu życia pozwalają egzekwować zasady na każdym etapie pracy agenta. Przed uruchomieniem agenta, po nim, przed wywołaniem narzędzia, po uzyskaniu wyniku możesz wstawić własne kontrole w dowolnym momencie. Chcesz zablokować agentowi dostęp do określonych baz danych? Możesz to zrobić. Chcesz wymagać zatwierdzenia przez człowieka, zanim agent wyśle e-mail? To również możesz zrobić. Obie te rzeczy można łatwo skonfigurować. Well-Architected Framework platformy Azure zawiera dedykowane wskazówki dla obciążeń AI. Obejmuje wszystko od szyfrowania danych po reagowanie na incydenty. Chodzi o to, że budowanie systemu AI nie różni się zasadniczo od budowania jakiegokolwiek innego systemu dla przedsiębiorstw. Nadal potrzebujesz bezpieczeństwa, niezawodności i doskonałości operacyjnej. Well-Architected Framework oferuje uporządkowane podejście do tych kwestii, byś się w tym nie pogubił. Oprócz tego istnieje Cloud Adoption Framework. Zapewnia on czterostopniowy proces zarządzania sztuczną inteligencją. Po pierwsze, identyfikacja zagrożeń. Co może pójść nie tak? Po drugie, pomiar skutków. Jak poważne mogą być konsekwencje? Po trzecie, mitygacja za pomocą kontroli. Jakie mechanizmy wdrożyć, by temu zapobiec? Po czwarte, działanie z monitoringiem. Jak wykrywać problemy, gdy się pojawią? To praktyczne podejście krok po kroku, które zmienia abstrakcyjne obawy w konkretne działania. W przypadku systemów agentowych oznacza to kilka kluczowych kwestii. Limity liczby kroków, aby agent nie działał w nieskończoność. Ograniczenia narzędzi, by miał dostęp tylko do tego, co niezbędne. Wymóg akceptacji przez człowieka przy działaniach wysokiego ryzyka. Ścieżki audytu, dzięki którym każda decyzja jest rejestrowana i możliwa do sprawdzenia. Filtry bezpieczeństwa treści, które wyłapują problematyczne wyniki, zanim ktokolwiek je zobaczy. Każdy element współpracuje, by trzymać agenta na krótkiej smyczy. Microsoft zapewnia wbudowane zabezpieczenia treści i ewaluatory w ramach Foundry. Możesz przetestować agenta według określonych kryteriów przed wdrożeniem. Czy trzyma się tematu? Czy odpowiednio obsługuje wrażliwe dane? Czy odrzuca prośby, których nie powinien spełniać? Możesz automatycznie uruchamiać te oceny i uzyskać wynik przed udostępnieniem agenta zespołowi. W ten sposób wykrywasz problemy wcześniej, a nie dopiero gdy coś pójdzie nie tak. Oto pełny obraz od prostego zapytania pobezpiecznego, produkcyjnego agenta autonomicznego. Model wykonuje pracę myślową, a cała otoczka zajmuje się resztą, koordynacją, zabezpieczeniami i zarządzaniem. Podsumujmy zatem te transformacje. Zaczęliśmy od prostego promptowania. Wpisujesz zapytanie, otrzymujesz odpowiedź. To sprawdzało się w prostych zadaniach. Potem przeszliśmy do inżynierii kontekstu. Zarządzaj tym, co widzi model, ładując odpowiednie informacje w odpowiednim czasie. To działało w bardziej złożonych zadaniach. A teraz dotarliśmy do pełnej inżynierii systemów nadzorczych. Zbuduj kompletny system wokół modelu z pamięcią, narzędziami, koordynacją i zabezpieczeniami. Oto kluczowy wniosek. Agent jest tak niezawodny, jak system, który go otacza. Model ma znaczenie absolutnie, ale to system nadzorczy decyduje o powodzeniu wdrożenia. Możesz mieć najlepszy model na świecie, ale bez dobrego systemu zawiedzie w rzeczywistych zadaniach. Możesz też mieć przeciętny model z doskonałym systemem nadzorczym, który zawsze przekroczy oczekiwania. Oto Twoje wyzwanie. W kolejnym projekcie, a i myśl wykraczającą poza sam prompt. Nie pytaj, co powinienem powiedzieć modelowi. Zapytaj, jaki system muszę wokół niego zbudować. Ta zmiana myślenia odróżnia DEMA od systemów produkcyjnych. W kolejnym odcinku zagłębimy się w jeden element tego systemu – pamięć. Jak agenci uczą się z czasem, jak pamiętają swoje działania i jak to wpływa na ich możliwości. Zasubskrybuj, aby niczego nie przegapić.