Agentów AI nauczysz się tworzyć, jeśli najpierw zrozumiesz ich pętlę (cel, narzędzia, wynik, kontrola), a potem zbudujesz pierwszego agenta z pomocą innego agenta, który pisze kod za ciebie, podczas gdy ty opisujesz zadanie i oceniasz efekt. Nie musisz pisać kodu ręcznie, ale musisz umieć jasno opisać, czego chcesz, i sprawdzić, czy agent to zrobił.
Piszę z perspektywy kogoś, kto buduje agentów na co dzień: Lex (asystent AI dla prawników), Halo Angela (głosowa recepcjonistka dla salonów beauty). Tekst jest praktyczny i uczciwy co do tego, co naprawdę oznacza „bez pisania kodu”.
Czym jest agent AI i czym różni się od czatu?
Czat odpowiada na pytania. Agent wykonuje zadania: sam wybiera narzędzia, uruchamia je, czyta wyniki i decyduje o kolejnym kroku, aż osiągnie cel albo poprosi o pomoc. Przełom w moim rozumieniu przyszedł, gdy zrozumiałem pojęcie tool use: model nie generuje odpowiedzi, tylko wywołanie funkcji, którą ktoś wykonuje, a wynik wraca do modelu i pętla trwa. To wszystko, co jest tajemnicą agentów, tylko opakowane w modne słowa.
| Cecha | Czat z AI | Automatyzacja (przepływ) | Agent AI |
|---|---|---|---|
| Co robi | Odpowiada na pytanie | Wykonuje z góry ustalone kroki | Wybiera kroki i narzędzia sam |
| Kto decyduje o kolejnym kroku | Ty | Projektant przepływu | Model, w granicach, które ustawiłeś |
| Przykład | „Napisz ofertę dla klienta” | Faktura wpada na maila, trafia do arkusza | Czyta wiadomości, szuka danych, przygotowuje odpowiedź do zatwierdzenia |
| Główne ryzyko | Błędna odpowiedź | Zepsuty krok | Zbyt szerokie uprawnienia i koszty |
Jeśli zastanawiasz się, czy zacząć od agentów, czy od klasycznych automatyzacji, przeczytaj Kurs n8n czy agenci AI.
Czy da się nauczyć tworzyć agentów AI bez pisania kodu?
Tak, w sensie pisania linijek ręcznie. W praktyce kod pisze inny agent (na przykład Claude Code, Codex albo Cursor), a ty opisujesz zadanie po polsku. Ta metoda ma nazwę vibe coding i opisałem ją w tekście Co to jest vibe coding. Są jednak rzeczy, których nie da się pominąć:
- Jasne opisywanie celu. Agent zrobi to, o co poprosisz, więc niejasna prośba daje niejasny wynik.
- Czytanie wyników. Nie piszesz kodu, ale musisz umieć stwierdzić, czy wynik działa na prawdziwych danych. Nie wystarczy, że wygląda dobrze.
- Rozumienie ograniczeń. Co agent może zrobić sam, a co wymaga twojej zgody. To decyzje projektowe, nie techniczne.
- Cierpliwość do błędów. Mój pierwszy agent powstał w pięć dni, a uruchomienie go bez nadzoru zajęło kolejne dwa tygodnie, bo co chwilę robił coś nieoczekiwanego.
Jak krok po kroku nauczyć się tworzyć agentów AI?
- Poznaj model i polecenia. Przez tydzień rozmawiaj z asystentem AI o swoich zadaniach. Ucz się precyzyjnie formułować cel, dawać kontekst i kryteria „gotowe”.
- Zrozum pętlę agenta. Przeczytaj, jak działa tool use: model, lista narzędzi, funkcja, która wykonuje wywołania, i wynik wracający do modelu. Nie zaczynaj od ciężkich frameworków, bo ukrywają przed tobą, jak to działa. Ja zaczynałem od najprostszej wersji.
- Wybierz jedno wąskie zadanie. Na przykład: „czytaj nowe wiadomości, sklasyfikuj je i przygotuj szkic odpowiedzi”. Wąskie zadanie ma jasne kryteria sukcesu.
- Poproś agenta kodującego o zbudowanie pierwszej wersji. Opisz cel, wejścia, wyjścia i ograniczenia. Poproś o prosty plan, zanim zacznie pisać.
- Testuj na prawdziwych przykładach. Daj agentowi dwadzieścia prawdziwych wiadomości, nie jeden przykład, który sam sobie wymyślił. Sprawdź, gdzie się myli.
- Dodaj ograniczenia. Limity prób, maksymalny koszt, lista dozwolonych narzędzi i bramka zgody na wszystko, co jest nieodwracalne: wysyłkę wiadomości, płatność, usuwanie danych.
- Obserwuj tydzień. Przeglądaj logi. Agenci dryfują: po kilku tygodniach potrafią zacząć optymalizować pod złą metrykę.
Jakich narzędzi potrzebujesz do tworzenia agentów AI?
Na początek wystarczą dwa elementy: model, z którym rozmawiasz, i agent kodujący, który buduje rzeczy za ciebie. Używam Claude Code, Codex i Cursor, a kryteria wyboru opisałem w tekście Claude Code, Codex czy Cursor. Kolejny element to sposób podłączania narzędzi: ja używam MCP (Model Context Protocol), żeby agent widział zewnętrzne usługi jak natywne funkcje, i opisałem to w tekście MCP, pamięć i agenci.
Nie szukaj „najlepszego” zestawu. Narzędzia zmieniają się co miesiąc, a zasady pozostają: wąski zakres, jasny cel, testy na prawdziwych danych, limity.
Jakie błędy popełniają początkujący twórcy agentów?
Wszystkie poniższe zrobiłem sam, więc wiem, że kosztują:
- Agent bez limitów. Agent monitorujący, który po fałszywym wykryciu problemu zbyt agresywnie restartował usługi, spowodował u mnie niepotrzebne restarty i chwilowe blokady po stronie dostawcy. Od tej pory każda automatyzacja ma limity i bramkę na akcje krytyczne.
- Zaufanie do raportu zamiast do wyniku. W jednym z moich agentów model „wywołał” narzędzie, którego nie miał, i raportował, że wysłał trzy maile. Nie wysłał żadnego. Teraz każde narzędzie ma sztywną walidację, a agent nie może wywołać niczego spoza listy.
- Eksplozja kosztów. Agent w pętli potrafi zużyć sporo zapytań do modelu. Ustaw budżet dzienny, zanim go uruchomisz.
- Za szeroki zakres. „Zarządzaj moją firmą” nie jest zadaniem. „Przygotuj szkic odpowiedzi na zapytania ofertowe” jest.
Jakie agenty możesz zbudować na początek?
Dobre pierwsze projekty mają trzy cechy: jasny cel, łatwą do sprawdzenia odpowiedź i niskie ryzyko błędu. Przykłady z mojej praktyki i z programu mentoringu:
- Agent szukający firm z danymi kontaktowymi. Program, który zbiera informacje ze stron internetowych w wybranej branży. Na prelekcji zbudowałem taki w 10 minut, na żywo.
- Agent piszący oferty i odpowiedzi. Czyta wiadomość, szuka kontekstu, przygotowuje szkic do zatwierdzenia. Nie wysyła sam.
- Agent głosowy, wirtualna recepcja. Odbiera telefon, zbiera dane i umawia wizytę. Takim produktem jest Halo Angela: potwierdza dane, dopiero potem rusza kalendarz, a trudną sprawę oddaje człowiekowi.
- Agent monitorujący. Sprawdza stan infrastruktury i raportuje tylko wtedy, gdy coś odbiega od normy. Tak działa u mnie monitoring własnych serwerów.
Gdzie nauczyć się tworzyć agentów AI po polsku?
Opcje są trzy: materiały darmowe i dokumentacja narzędzi, kursy nagrane oraz szkolenia i mentoringi na żywo. Różnicę między kursem a mentoringiem opisałem w tekście Mentoring AI czy kurs online, ceny w tekście Ile kosztuje kurs AI w Polsce, a zestawienie ofert na stronie najlepsze kursy AI.
Jeśli wolisz uczyć się razem ze mną, w AI Master Mentoring w szóstym tygodniu budujesz dwóch cyfrowych pracowników: agenta do ofert i wirtualną recepcję. Wcześniej uczysz się budować aplikacje i narzędzia, a później pracujesz nad projektem dla prawdziwej firmy. Opis programu jest też na stronie mentoring AI. Możesz też zacząć od konsultacji 1:1 (60 minut online, 2 000 zł), na której rozbieramy twój konkretny pomysł na agenta.
Jak opisać zadanie agentowi, żeby je wykonał?
Jakość agenta zależy w dużej części od jakości opisu, który mu dajesz. Używam prostego szablonu i polecam go na początek. Przed zleceniem budowy odpowiedz na siedem pytań:
- Cel. Jedno zdanie: co agent ma osiągnąć, na przykład „przygotuj szkic odpowiedzi na każde nowe zapytanie ofertowe”.
- Wejście. Skąd bierze dane (skrzynka, formularz, arkusz) i jak wyglądają.
- Wyjście. Co ma oddać: szkic wiadomości, wpis w tabeli, raport.
- Narzędzia. Do czego agent ma dostęp. Im krótsza lista, tym mniej niespodzianek.
- Ograniczenia. Czego nie wolno mu robić bez zgody: wysyłać, płacić, usuwać.
- Kryterium „gotowe”. Po czym poznasz, że wynik jest dobry. Bez tego agent oceni swoją pracę sam.
- Kto zatwierdza. Człowiek, który widzi wynik przed skutkami.
Taki opis zajmuje kwadrans, a oszczędza dni poprawek. Wklej go agentowi kodującemu i poproś, żeby przed rozpoczęciem pracy streścił, jak go zrozumiał. Jeśli streszczenie się nie zgadza, popraw opis, zanim powstanie jakikolwiek kod.
Po co agentowi pamięć i jak ją zapewnić?
Agent, który zaczyna każde zadanie od zera, popełnia te same błędy. Dlatego zapisuję decyzje, ustalenia i zasady tam, gdzie agent znajdzie je następnym razem. W prostym wariancie to zwykły plik z zasadami projektu. W bardziej zaawansowanym to pamięć długoterminowa, którą opisałem w tekście o moim stacku. Na start wystarczy plik z zasadami: kim jest użytkownik, czego unikać, jak nazywamy rzeczy. Dodaj do niego każdą lekcję, którą przerabiasz po raz drugi.
Jak testować agenta, zanim dasz mu prawdziwe dane?
Pierwszy test powinien odbyć się na danych, których pomyłka nic nie kosztuje. Zbierz dwadzieścia do trzydziestu przykładów z prawdziwej pracy, w tym kilka dziwnych: pustą wiadomość, wiadomość w innym języku, wiadomość z błędami. Uruchom agenta na nich w trybie „tylko szkic”, bez wysyłania czegokolwiek. Policz, w ilu przypadkach wynik jest dobry, w ilu do poprawki i w ilu groźny. Dopiero gdy groźnych wyników nie ma, przełącz agenta na prawdziwe dane, nadal z zatwierdzaniem przez człowieka. Luzować kontrolę możesz stopniowo, tylko tam, gdzie błąd nic nie kosztuje.
FAQ
Jak nauczyć się tworzyć agentów AI?
Zrozum pętlę agenta (cel, narzędzia, wynik, kontrola), wybierz jedno wąskie zadanie i zbuduj pierwszą wersję z pomocą agenta kodującego. Testuj na prawdziwych przykładach i dodaj limity oraz bramkę zgody na akcje nieodwracalne.
Czy trzeba umieć pisać kod, żeby tworzyć agentów AI?
Nie musisz pisać kodu ręcznie, bo robi to agent kodujący. Musisz za to umieć jasno opisać zadanie i ocenić wynik. Im lepiej rozumiesz, jak działa oprogramowanie, tym łatwiej wyłapiesz błędy.
Czym różni się agent AI od zwykłego czatu?
Czat odpowiada na pytania, a agent samodzielnie wybiera narzędzia i kroki, żeby wykonać zadanie. Dlatego agent wymaga limitów i kontroli, których zwykły czat nie potrzebuje.
Ile czasu zajmuje nauka tworzenia agentów AI?
Pierwszy prosty agent może powstać w tydzień. Uruchomienie go tak, żeby działał bez nadzoru, zajmuje zwykle dłużej, bo trzeba dopracować limity i przypadki brzegowe. Mój pierwszy agent powstał w pięć dni, a stabilny stał się po kolejnych dwóch tygodniach.
Czy na agentach AI można zarabiać?
Firmy płacą za rozwiązania konkretnych problemów, ale nie obiecuję żadnych zarobków. Realne przykłady i modele opisuję w tekście Jak zarabiać na agentach AI.