Praktyczny poradnik tworzenia agentów AI dla początkujących

Czym jest agent AI i czym różni się od bota?

Czym właściwie jest agent AI? I dlaczego to coś więcej niż chatbot?

Agent AI odbiera informacje ze swojego otoczenia, podejmuje decyzje i samodzielnie działa, by osiągnąć określone cele. Prosty bot trzyma się sztywnego scenariusza. Agent ma natomiast autonomię i potrafi dostosować się do sytuacji, co zasadniczo odróżnia go od mniej złożonych poprzedników.

Agent składa się z czterech podstawowych elementów: * Model: „Mózg” agenta, zwykle duży model językowy (LLM), który pozwala mu rozumieć, rozumować i planować złożone zadania. * Percepcja: Czujniki lub źródła danych, z których agent czerpie informacje o otoczeniu, na przykład tekst strony internetowej albo surowe dane z API. * Pamięć: Dzięki niej agent zachowuje kontekst wcześniejszych działań i obserwacji.

* Narzędzia: „Ręce” agenta. Są to funkcje lub zewnętrzne API, za pomocą których oddziałuje on na otoczenie i wykonuje zadania.

Wyobraź sobie agenta wykrywającego oszustwa: mógłby analizować wzorce transakcji, oznaczać anomalie i kierować niejednoznaczne przypadki do weryfikacji przez człowieka. Ten przykład pokazuje cykl działania agenta, ale nie opisuje rzeczywistego wdrożenia AIGROW w banku.

Rodzaje agentów AI

Nie wszyscy agenci działają tak samo.

Można ich podzielić na typy według stopnia zaawansowania: od prostych reakcji po tworzenie modelu otoczenia, uczenie się i dążenie do celów. Znajomość tych typów pomoże ci nie komplikować prostego zadania ani nie wybierać zbyt ograniczonego rozwiązania do trudnego problemu.

Oto pięć głównych kategorii agentów AI: 1. Prości agenci reaktywni: Najbardziej podstawowy typ. Działają według reguł „jeśli, to”, reagując na bieżące sygnały, i nie pamiętają przeszłości.

Dobrym przykładem jest termostat: jeśli temperatura spadnie poniżej X, włącza ogrzewanie. 2. Agenci reaktywni z modelem otoczenia: Tworzą i aktualizują wewnętrzny model świata.

Dzięki tej mapie radzą sobie w środowiskach, których nie mogą w pełni obserwować, bo pamiętają zmiany zachodzące w czasie. Przykładem jest robot odkurzający, który zapamiętuje układ pomieszczenia. 3.

Agenci zorientowani na cel: To znacznie bardziej zaawansowany typ. Nie ograniczają się do reagowania: mają jasno określone cele i planują sekwencje działań prowadzące do pożądanego stanu.

Pomyśl o nawigacji GPS, która oblicza najlepszą trasę do celu. Tak działa agent zorientowany na cel. 4.

Agenci maksymalizujący użyteczność: Gdy do celu prowadzi kilka dróg, wybierają tę o najwyższej „użyteczności”, czyli największej korzyści. Ważą zalety i wady, by podjąć optymalną decyzję. Klasyczny przykład to agent giełdowy, który zawiera transakcje w celu maksymalizacji zysku.

5. Agenci uczący się: Najbardziej zaawansowany typ. Analizują informacje zwrotne o wcześniejszych działaniach i modyfikują własne mechanizmy, by z czasem podejmować lepsze decyzje.

Prawie wszyscy współcześni agenci oparci na generatywnej AI mają pewną zdolność uczenia się.

W tym poradniku skupimy się na budowie agentów, którzy łączą model otoczenia, dążenie do celu i elementy uczenia się, aby wykonywać przydatną pracę.

Krok 1: Określ zadanie agenta za pomocą modelu PEAS

Zatrzymaj się. Zanim napiszesz pierwszą linijkę kodu, przygotuj plan.

Projekt agenta wymaga precyzyjnego planu przed rozpoczęciem wdrożenia. Model PEAS obejmuje miary skuteczności, środowisko, elementy wykonawcze i czujniki. Pomaga określić zadanie oraz warunki działania, zanim wybierzesz narzędzia.

PEAS dzieli zadanie na cztery elementy: * P, miara skuteczności: Po czym poznasz, że agent działa dobrze? Potrzebujesz liczby. „Poprawa zadowolenia klientów” nie jest użyteczną miarą.

„Skrócenie średniego czasu odpowiedzi na zgłoszenie o 30%” to dobra miara, bo jest konkretna, mierzalna i powiązana z celem biznesowym. * E, środowisko: Gdzie działa agent? Uwzględnij oprogramowanie i sprzęt, na których pracuje, dostępne dane oraz obowiązujące go zasady.

Dla agenta wsparcia mogą to być system obsługi zgłoszeń, baza wiedzy i wewnętrzne API firmy. * A, elementy wykonawcze: Jak agent podejmuje działania? Chodzi o narzędzia, za pomocą których wpływa na otoczenie.

Może na przykład wysłać e-mail, zaktualizować rekord w bazie danych albo wywołać zewnętrzne API. * S, czujniki: Skąd agent czerpie informacje? Czujniki to źródła danych wejściowych, na przykład przychodzący e-mail, wiadomość użytkownika na czacie lub nowe dane z narzędzia monitorującego.

Zobaczmy to na przykładzie agenta rezerwującego sale konferencyjne. * Skuteczność: Rezerwacja sali spełniającej wszystkie kryteria (termin, liczba miejsc, sprzęt audiowizualny) w mniej niż 60 sekund, przy minimalizacji konfliktów rezerwacji. * Środowisko: Kalendarz Google używany w firmie, API do rezerwacji sal i interfejs Slack dla użytkowników.

* Elementy wykonawcze: Calendar API (do tworzenia wydarzeń) i Slack API (do wysyłania potwierdzeń). * Czujniki: Wiadomości użytkowników w Slack oraz Calendar API (do sprawdzania dostępnych terminów).

Model PEAS daje ci jasno określony zakres i mierzalny cel. To nie jest opcjonalny dodatek, lecz niezbędny pierwszy krok w każdym poważnym projekcie.

Krok 2: Zbuduj podstawy agenta w Pythonie z użyciem frameworka

Plan jest gotowy, więc czas zabrać się do budowy.

Teraz przejdziemy od teorii do kodu i zbudujemy twojego pierwszego agenta. Użyjemy Pythona, niekwestionowanego lidera w tworzeniu rozwiązań AI, oraz frameworka dla agentów, który wybieramy do większości projektów automatyzacji procesów: CrewAI.

Dlaczego CrewAI?

To dobry wybór na początek, bo ma bardzo intuicyjną strukturę. Cały framework opiera się na „zespole” agentów: każdy ma określoną rolę, a wszyscy współpracują nad wspólnym celem. Dzięki temu od początku łatwiej utrzymać porządek w projekcie.

Zbudujemy prostego agenta badawczego. Użytkownik podaje temat, a nasz zespół zbiera informacje i pisze krótki raport. Nie lekceważ tego podejścia: według najnowszych danych z agentów programistycznych korzysta już 85% programistów, a agenci piszą 46% kodu dla swoich użytkowników.

Warto wykorzystać ich możliwości.

Przygotowanie projektu 1. Zainstaluj biblioteki: Potrzebujesz `crewai`, `crewai-tools` oraz biblioteki do wybranego modelu LLM. Użyjemy OpenAI.

pip install crewai crewai-tools 'crewai[openai]'

1. Ustaw klucz API: Utwórz w katalogu projektu plik `.env` i dodaj do niego swój klucz API OpenAI.

OPENAI_API_KEY="your-api-key-here"

Pisanie kodu Teraz utwórz plik Pythona, na przykład `main.py`. Całego agenta można zbudować w mniej niż 40 linijkach kodu.

import os
from crewai import Agent, Task, Crew
from crewai_tools import SerperDevTool


# Load environment variables
from dotenv import load_dotenv
load_dotenv()


# Set the model you want to use
os.environ["OPENAI_MODEL_NAME"] = "gpt-4o-mini"


# 1. Define Tools
# We'll use a search tool for our researcher
search_tool = SerperDevTool()


# 2. Create Agents
# First, a researcher agent
researcher = Agent(
 role='Senior Research Analyst',
 goal='Uncover groundbreaking technologies and trends',
 backstory='You are a master of sniffing out emerging tech and analyzing its impact.',
 verbose=True,
 tools=[search_tool]
)


# Second, a writer agent
writer = Agent(
 role='Tech Content Strategist',
 goal='Craft compelling content on tech advancements',
 backstory='You turn complex technical concepts into engaging, easy-to-understand narratives.',
 verbose=True
)


# 3. Define Tasks
# A research task for the researcher agent
research_task = Task(
 description='Identify the top 3 most exciting AI trends in 2026.',
 expected_output='A bullet-point list of the top 3 trends with a brief explanation for each.',
 agent=researcher
)


# A writing task for the writer agent
write_task = Task(
 description='Compose an insightful blog post about the top 3 AI trends identified.',
 expected_output='A well-structured blog post of about 4 paragraphs.',
 agent=writer
)


# 4. Assemble the Crew
# Create the crew with the agents and tasks
tech_crew = Crew(
 agents=[researcher, writer],
 tasks=[research_task, write_task],
 verbose=2 # Verbose output shows the agent's thought process
)


# 5. Kick off the work!
result = tech_crew.kickoff()


print("\n\n########################")
print("## Here is the result:")
print("########################\n")
print(result)

Ten prosty skrypt tworzy zespół dwóch współpracujących agentów. `researcher` znajduje informacje, a `writer` wykorzystuje je do przygotowania raportu. Uruchomienie skryptu pokazuje podstawy budowy agentów w praktyce i przygotowuje cię do bardziej złożonych projektów.

Krok 3: Oceń, zabezpiecz i wdróż swojego agenta AI (AgentOps)

Agent działający na twoim laptopie to prototyp. Nic więcej.

Aby wdrożyć go na produkcję i zacząć czerpać z niego realną wartość, potrzebujesz uporządkowanego procesu. Nazywamy go AgentOps. Obejmuje trzy niezbędne etapy: ewaluację, zabezpieczenie i wdrożenie. Początkujący niemal zawsze je pomijają, dlatego ich projekty nie przynoszą wymiernych efektów.

1. Ewaluacja Jak udowodnić, że agent działa? Trzeba systematycznie mierzyć jego skuteczność.

• Określ mierniki sukcesu: Najpierw ustal konkretne kluczowe wskaźniki efektywności (KPI) powiązane z twoim modelem PEAS. Czy chcesz skrócić czas rozwiązywania zgłoszeń, zwiększyć konwersję sprzedaży, czy doprowadzić do końca określony proces? Jeśli nie możesz czegoś zmierzyć, nie możesz tego poprawić.
• Przygotuj zestaw testowy: Zbuduj wzorcowy zestaw różnorodnych, trudnych danych wejściowych. Uwzględnij typowe przypadki, nietypowe sytuacje brzegowe, a nawet przykłady zaprojektowane po to, by skłonić agenta do błędu.
• Zautomatyzuj ewaluację: Po każdej zmianie automatycznie uruchamiaj agenta na tym zestawie. Porównanie wyników ze sprawdzonym punktem odniesienia pozwoli ci natychmiast wykryć regresje i zapobiec stopniowemu pogarszaniu się jego działania.

2. Niezbędne zabezpieczenia Autonomiczny agent z dostępem do narzędzi może wyrządzić poważne szkody.

Przejęty agent mógłby usunąć bazy danych, opróżnić konta bankowe lub ujawnić dane wrażliwe. Musisz go zabezpieczyć.

• Zasada najmniejszych uprawnień: Przyznaj agentowi tylko te uprawnienia, które są niezbędne do wykonania zadania. Ani jednego więcej. Jeśli ma jedynie odczytywać dane z bazy, nigdy nie dawaj mu prawa zapisu.
• Człowiek w procesie decyzyjnym: Przy każdym działaniu o dużych konsekwencjach (na przykład zwrocie ponad $100 lub usunięciu użytkownika) wymagaj zgody człowieka. Agent może wykonać całą pracę przygotowawczą i przekazać ostatni krok do zatwierdzenia przez człowieka.
• Filtrowanie danych wejściowych i wyjściowych: Traktuj każde dane wejściowe jako potencjalnie wrogie. Filtruj je, aby chronić agenta przed prompt injection, czyli próbą skłonienia go przez atakującego do wykonania cudzych, szkodliwych instrukcji zamiast twoich.

3. Wdrożenie na produkcję Wdrożenie agenta to coś więcej niż uruchomienie `python main.py` na serwerze.

• Korzystaj ze środowiska chmurowego: Platformy takie jak AWS, Google Cloud czy Azure zapewniają infrastrukturę, którą możesz skalować wraz ze wzrostem potrzeb.
• Umieść aplikację w kontenerze: Spakuj agenta i wszystkie jego zależności do kontenera Docker. Dzięki temu możesz go przenosić między środowiskami i mieć pewność, że wszędzie działa tak samo.
• Skonfiguruj rejestrowanie i monitorowanie: Zapisuj każdą decyzję, każde wywołanie narzędzia i każdy wynik. Bez narzędzi do obserwowania działania usługi, które pozwalają na bieżąco śledzić skuteczność, koszty i liczbę błędów, działasz po omacku.

Uporządkowany cykl AgentOps to nie tylko dobra praktyka. To różnica między projektem hobbystycznym a systemem produkcyjnym, któremu możesz zaufać.

Dlaczego większość pierwszych projektów z agentami się nie udaje (i jak zadbać o sukces swojego)

Prawda jest niewygodna: większość pierwszych projektów z agentami kończy się niepowodzeniem.

Wiele projektów zatrzymuje się, bo nikt wcześniej nie określił procesu, uprawnień, przypadków testowych ani osoby odpowiedzialnej za działanie systemu. Wybór modelu nie naprawi braku jasno określonego zakresu ani testu akceptacyjnego.

Dobrze określony zakres projektu wskazuje proces, miernik sukcesu, dozwolone działania, sposób eskalacji i dopuszczalny poziom błędów. Cel taki jak obsługa zapytań o status zamówienia w określonym czasie da się przetestować. Cel polegający na zbudowaniu agenta obsługi klienta jest zbyt ogólny.

To podstawowe ograniczenie projektowe, a nie szczegół, którym można zająć się później.

1. Brak systemu ewaluacji: Skąd wiesz, czy zmiany pomagają, czy szkodzą? Bez ustandaryzowanego zestawu testów, czyli zestawu wzorcowego, możesz tylko zgadywać. Każda zmiana promptu lub narzędzia grozi wprowadzeniem błędów, których nie zauważysz przez wiele tygodni. Rzetelna, zautomatyzowana ewaluacja jest niezbędna przy każdym poważnym wdrożeniu.
2. Zbyt wczesne dążenie do pełnej autonomii: Wielu początkujących wyobraża sobie agenta, który działa całkowicie samodzielnie i nie wymaga nadzoru człowieka. To ryzykowne podejście. Bezpieczniej zacząć od sytuacji, w której agent przygotowuje działania do zatwierdzenia przez człowieka. Zwiększaj jego samodzielność dopiero wtedy, gdy uzasadniają to reprezentatywne testy i wyniki monitorowania na produkcji. Taki model z udziałem człowieka w procesie decyzyjnym buduje zaufanie i, co ważniejsze, zapewnia niezbędną kontrolę bezpieczeństwa.

Skuteczne tworzenie agentów nie polega na znalezieniu idealnego promptu. Wymaga rzetelnej pracy inżynieryjnej, jasnych celów i realistycznego podejścia do automatyzacji.

Jak wybrać odpowiedni framework dla agenta AI?

Wybór frameworka ma duże znaczenie.

Wpływa na tempo pracy, możliwości agenta i trudność późniejszego utrzymania projektu. Przy tylu dostępnych opcjach łatwo utknąć na etapie wyboru. Porównajmy więc trzy popularne rozwiązania: LangChain, AutoGen i CrewAI.

Framework dobieraj do procesu i sprawdzaj na reprezentatywnym prototypie. Zanim podejmiesz decyzję, porównaj obsługę stanu, integrację narzędzi, obserwowalność, sposób wdrożenia, utrzymanie i licencję, stosując te same testy akceptacyjne.

Co powinien wybrać początkujący? Jeśli korzystasz z tego poradnika, nasza rekomendacja jest prosta: zacznij od CrewAI.

Podział na role łatwo zrozumieć, a wydajny system wielu agentów można zbudować przy zaskakująco niewielkiej ilości kodu. Co ważniejsze, CrewAI narzuca projektowi przejrzystą strukturę, która pomaga uniknąć typowych błędów projektowych.

Gdy zdobędziesz więcej doświadczenia, możesz przejść na LangChain (a konkretnie LangGraph), by zyskać dokładniejszą kontrolę nad złożonym przebiegiem wykonywania zadań, lub poznać AutoGen do zaawansowanych badań. Jeśli jednak chcesz szybko zbudować agenta, który skutecznie działa, CrewAI będzie najlepszym wyborem.