Prosty agent bywa gotowy w jedno popołudnie, jeśli dokumenty są uporządkowane, a integracje standardowe. Trudność zwykle nie leży w technice, bo gotowe platformy składają agenta z bloków. Leży w dwóch decyzjach, które zapadają przed pierwszym kliknięciem: jakie zadanie mu dać i ile wolno mu zepsuć. Poniżej rozpisujemy sześć kroków od pustego przepływu do działającego agenta, koszty, które pojawią się po drodze, i pięć błędów zjadających pierwsze wdrożenia. Jeśli szukasz najpierw samej definicji, mamy osobny tekst o tym, czym jest agent AI i czego nie potrafi.
Wybierz zadanie, którego pomyłka nic nie kosztuje
Pierwszy agent nie powinien być tym, który najbardziej się przyda. Powinien być tym, przy którym błąd jest widoczny i tani.
Na początek wybierz zadanie, które tylko odczytuje dane, zwraca wynik do zatwierdzenia i powtarza się na tyle często, żeby po tygodniu dało się ocenić, czy agent działa.
Zły kandydat wygląda odwrotnie i kusi najbardziej. Wysyła coś na zewnątrz, dotyka faktur albo bazy klientów, a jego pomyłkę widać dopiero u odbiorcy. Do takich zadań wraca się w trzecim miesiącu, nie w pierwszym tygodniu.
Warto też sprawdzić, czy agent jest tu w ogóle potrzebny. Jeśli proces ma stałe kroki i nie zdarzają się w nim wyjątki, tańsza i pewniejsza będzie zwykła automatyzacja. Rozgraniczenie rozłożyliśmy na części w tekście o tym, kiedy wystarczy automatyzacja, a kiedy potrzebny jest agent.
Z czego składa się agent AI
W typowym przepływie znajdziesz cztery rzeczy. W każdym narzędziu nazywają się inaczej, a robią to samo.
- Wejście albo wyzwalacz. To, co uruchamia przepływ: wiadomość, formularz, nowy plik, godzina w harmonogramie. Formalnie należy do przepływu, nie do samego agenta.
- Instrukcja. Opis zadania, jego granic i oczekiwanej formy odpowiedzi.
- Model pracujący w pętli sterującej. Warstwa decyzyjna, która czyta stan zadania, wybiera narzędzie i ocenia wynik.
- Narzędzia. Wszystko, czym agent działa na świecie: wyszukiwarka po dokumentach, baza danych, skrzynka pocztowa, interfejs programistyczny zewnętrznej usługi.
Piąta część, pamięć, jest opcjonalna. Może trzymać historię bieżącej rozmowy albo informacje przenoszone między zadaniami. Samo przechowywanie generuje zwykle niewielki koszt bazy albo serwera. Większy rachunek pojawia się dopiero wtedy, gdy zapisane dane wracają do modelu przy każdym kroku albo gdy przeszukuje je osobna usługa.
Jak stworzyć agenta AI krok po kroku
Poniższa kolejność nie jest przypadkowa. Każdy krok zamyka jedno źródło błędów, zanim otworzy się następne.
Krok 1: opisz cel jednym zdaniem
Napisz, co agent ma osiągnąć, bez mówienia jak. “Odpowiedz na pytanie o procedurę urlopową na podstawie plików z folderu kadrowego” jest dobrym celem. “Otwórz plik, przeczytaj akapit trzeci” to już instrukcja, czyli zwykła automatyzacja w przebraniu.
Jeśli celu nie da się zapisać jednym zdaniem, zadanie jest za duże. Podziel je i zbuduj agenta do pierwszej części.
Krok 2: wybierz środowisko i podłącz model
Najprostsza droga bez kodowania prowadzi przez platformę przepływów, w której agenta układa się z bloków. Popularne w Polsce są n8n, Make i Zapier. Pierwsza z nich ma darmową wersję do samodzielnego uruchomienia, co przy nauce ma znaczenie. Jak ją postawić bez płacenia za serwer, opisaliśmy w poradniku o darmowym n8n na Oracle Cloud.
Model podłącza się kluczem dostępowym z konta u dostawcy. Na start wybierz model średniej klasy. Najmocniejszy przyda się dopiero wtedy, gdy zobaczysz, że agent myli się na etapie decyzji, a nie na etapie danych.
Krok 3: daj agentowi jedno narzędzie i sprawdź je osobno
Tu pada najwięcej pierwszych wdrożeń. Kusi, żeby od razu podłączyć pocztę, kalendarz, bazę i dysk. Efekt jest taki, że agent wybiera złe narzędzie, a ty nie wiesz, czy zawinił model, czy integracja.
Dodawaj po jednym i po każdym uruchom agenta na trzech przykładach. Kiedy któryś przestanie działać, od razu wiadomo, co się zmieniło. Zewnętrzne aplikacje podłącza się przez gotowe integracje platformy, przez ich interfejsy programistyczne albo przez MCP, czyli otwarty standard udostępniania modelom narzędzi i danych, opisany w oficjalnej dokumentacji protokołu.
Każde nowe narzędzie to decyzja o zaufaniu, nie czynność techniczna. Zanim je podłączysz, sprawdź, jakich danych wymaga i z czyich poświadczeń korzysta.
Krok 4: ogranicz uprawnienia do minimum
Reguła zapisana w instrukcji agenta nie jest zabezpieczeniem. Model traktuje ją jak sugestię i przy konflikcie z celem potrafi ją pominąć. Działają te ograniczenia, które są egzekwowane poza modelem, bo agent nie może ich obejść.
W praktyce oznacza to osobne konto dla agenta, klucz z dostępem tylko do jednego folderu albo jednej bazy i brak uprawnień do usuwania czegokolwiek. Klucz o zakresie szerszym, niż wymaga zadanie, jest jedną z częstszych przyczyn kosztownych wpadek.
Krok 5: postaw człowieka przed krokiem nieodwracalnym
Wysłanie wiadomości, zapłata, usunięcie pliku, zmiana ustawień. Każde z tych działań powinno zatrzymać agenta i poprosić o zgodę. Większość platform ma na to gotowy blok oczekiwania na zatwierdzenie.
Ten krok kosztuje wygodę i zwraca się przy pierwszym nietypowym przebiegu. Zdjęcie zatwierdzania z pojedynczej operacji można rozważyć dopiero wtedy, gdy masz wyniki testów na trudnych danych, podgląd tego, co agent robi, i sposób cofnięcia skutków. Sam upływ czasu nie jest przesłanką.
Krok 6: przetestuj na trudnych i błędnych danych
Trzy poprawne przykłady nie mówią nic. Interesujące jest to, co agent zrobi z dokumentem w innym formacie, z pustym polem, ze skanem kiepskiej jakości i z pytaniem, na które w danych nie ma odpowiedzi.
Ostatni przypadek jest najważniejszy. Agent, który zamiast przyznać się do braku danych zaczyna zgadywać, nie nadaje się do niczego, co ogląda klient. Jeśli platforma pozwala, zapisuj przebiegi. Bez zapisu nie odtworzysz, dlaczego agent podjął dziwną decyzję trzy dni temu.
Przykład od początku do końca: agent odpowiadający z twoich dokumentów
To częsty pierwszy projekt, więc rozpiszmy go w całości. Opis jest niezależny od platformy, bo wszędzie sprowadza się do tych samych trzech przebiegów.
Przygotowanie zbioru
Pobierasz pliki do jednego miejsca. Z każdego wyciągasz sam tekst, a ze skanów rozpoznajesz go osobnym krokiem. Tekst dzielisz na fragmenty po kilkaset słów, z niewielkim zachodzeniem na siebie, żeby zdanie przecięte na granicy nie zgubiło sensu. Każdy fragment zamieniasz na wektor, czyli listę liczb opisującą jego znaczenie. W bazie zapisujesz wektor razem z oryginalnym tekstem fragmentu i z metadanymi, co najmniej nazwą pliku i numerem fragmentu. Bez zapisanego tekstu sam wektor nie pozwoli później odtworzyć treści. Ten przebieg uruchamiasz raz, a potem przy każdej zmianie dokumentów.
Obsługa pytania
Pytanie użytkownika też zamieniasz na wektor. Wyszukujesz kilka fragmentów najbliższych temu wektorowi i wstawiasz je do polecenia dla modelu razem z nazwami plików. W samym poleceniu żądasz dwóch rzeczy: żeby model wskazał źródło przy każdym twierdzeniu i żeby odmówił odpowiedzi, gdy dołączone fragmenty jej nie zawierają.
Tu mieszka najczęstsze nieporozumienie. Model nie odpowiada wyłącznie z tego, co dostał. Nadal może sięgnąć po wiedzę z treningu albo po prostu zmyślić. Dołączone fragmenty przechylają go we właściwą stronę, ale niczego nie gwarantują. Dlatego obowiązek cytowania i wyraźna zgoda na odpowiedź “nie wiem” są częścią rozwiązania, a nie ozdobnikiem.
Test na trzech pytaniach
Przygotuj trzy pytania: jedno z jasną odpowiedzią w dokumentach, jedno bez odpowiedzi i jedno niejednoznaczne. Pierwsze sprawdza, czy wyszukiwanie działa. Drugie sprawdza, czy agent umie się przyznać do braku danych. Trzecie sprawdza, czy agent prosi o doprecyzowanie albo pokazuje kilka możliwych odczytów, zamiast arbitralnie wybrać jeden.
Co psuje ten układ najczęściej
Pierwsza pułapka to za duże kawałki: gdy fragment obejmuje pół dokumentu, do odpowiedzi trafia mnóstwo treści niezwiązanej z pytaniem. Druga to brak wskazania źródła, bo agent podający nazwę pliku jest sprawdzalny, a agent bez tego jest tylko przekonujący.
Warto też z góry ustalić, co trafia do zbioru. Dokumenty kadrowe i umowy niosą dane osobowe, więc decyzja o wrzuceniu ich do usługi zewnętrznej jest decyzją o powierzeniu tych danych, a nie kwestią techniczną.
Ile kosztuje zbudowanie agenta AI
Na starcie koszty są niższe, niż się wydaje. Rosną dopiero razem z ruchem.
Środowisko przepływów bywa bezpłatne, jeśli uruchomisz je samodzielnie. Samo oprogramowanie nic wtedy nie kosztuje, ale nadal płacisz za serwer i za czas na jego utrzymanie. Wersje w chmurze zaczynają się od kilkudziesięciu złotych miesięcznie, przy czym każdy dostawca liczy inaczej: jeden wykonane przepływy, drugi pojedyncze działania, trzeci kredyty. Przed wyborem planu warto sprawdzić, co dokładnie jest jednostką rozliczeniową, bo od tego zależy, czy najniższy plan wystarczy.
Osobno rozliczasz model, według ilości przetworzonego tekstu. Rachunek rośnie z liczbą uruchomień, z długością przesyłanego kontekstu oraz z liczbą kroków i ponowień w pętli. Dlatego agent zapętlony na trudnym pytaniu potrafi kosztować wielokrotnie więcej niż dziesięć prostych przebiegów, mimo że zadanie było jedno.
Trzecia pozycja nie ma cennika i bywa największa. To czas na nadzór, bo agent zaczyna odpowiadać gorzej, kiedy zmieni się format wejściowych plików albo dojdzie nowy typ dokumentu.
Najczęstsze błędy przy tworzeniu agentów AI
Pięć rzeczy, które psują pierwsze wdrożenia częściej niż wybór modelu.
Za duże pierwsze zadanie. Agent obsługujący cały proces sprzedaży nie ruszy. Agent odpowiadający na jedno powtarzalne pytanie ruszy w popołudnie.
Zbyt szerokie uprawnienia. Klucz obejmujący więcej niż jedno zadanie może zostać użyty poza tym zadaniem, a agent nie ma powodu się przed tym powstrzymać.
Instrukcja zamiast bariery. Zdanie “nie usuwaj niczego” w instrukcji nie jest zabezpieczeniem, w odróżnieniu od braku prawa do usuwania.
Brak zapisu przebiegów. Bez niego każda dziwna decyzja agenta zostaje na zawsze zagadką.
Testowanie wyłącznie na dobrych danych. Wdrożenie sprawdza się dopiero na dokumencie, który odbiega od wzorca.
Jeśli wolisz przejść tę drogę z prowadzeniem zamiast metodą prób, porównaliśmy polskie kursy i szkolenia o agentach AI wraz z cenami. Gotowy przepis na agenta zbudowanego konkretnie w n8n opisaliśmy natomiast w osobnym przewodniku po agentach w tym narzędziu.
Agenci AI · Kodożercy
Twoje przepływy w n8n mogą podejmować decyzje
Kurs Agenci AI od Kodożerców pokazuje, jak dołożyć do n8n warstwę, która czyta dokumenty, dobiera kolejny krok i pyta o zgodę, zanim zrobi coś nieodwracalnego. Budujesz to na własnych integracjach, moduł po module.
Sprawdź, jak to zbudować →
Najczęstsze pytania o budowanie agentów AI
Ile trwa zbudowanie pierwszego agenta AI?
Prosty prototyp odpowiadający na pytania z kilkunastu dokumentów może powstać w jedno popołudnie, jeśli pliki są uporządkowane, a integracje standardowe. Więcej czasu zajmuje zwykle nie budowanie, tylko przygotowanie danych wejściowych. Wdrożenie, które ma wytrzymać codzienne użycie w firmie i mieć nadzór, to raczej kwestia tygodni niż godzin.
Czy da się zbudować agenta AI bez programowania?
Da się, jeśli korzystasz z platformy przepływów składanej z bloków. Kod bywa potrzebny przy nietypowej integracji, ale wtedy zwykle wystarczy poprosić o niego model i sprawdzić wynik. Warto natomiast rozumieć, co dzieje się w każdym kroku, bo bez tego nie ograniczysz agentowi uprawnień.
Czy agent AI musi działać w chmurze?
Nie. Środowisko przepływów można uruchomić na własnym serwerze, a model również da się uruchomić lokalnie. Praca w całości u siebie ma sens przy danych, których nie wolno wysyłać na zewnątrz. Wymaga jednak mocniejszego sprzętu, a różnica w jakości odpowiedzi zależy od wybranego modelu i od zastosowania.
Jak sprawdzić, czy agent działa dobrze?
Zbierz dwadzieścia realnych przypadków z przeszłości, w tym kilka nietypowych, i przepuść je przez agenta. Porównaj wynik z tym, co zrobił człowiek. Ta sama lista posłuży potem do sprawdzenia, czy zmiana w agencie czegoś nie zepsuła.
Czy jeden agent może obsługiwać kilka zadań?
Technicznie tak, w praktyce lepiej nie na początku. Agent z jednym celem i wąskim zestawem narzędzi jest przewidywalny i łatwy do naprawienia. Kilka osobnych agentów o jasnych zakresach sprawdza się lepiej niż jeden, który próbuje wszystkiego.
Podsumowanie
Budowa agenta AI rozkłada się na sześć kroków i tylko dwa z nich są techniczne. Reszta to decyzje: jakie zadanie wybrać, ile uprawnień nadać, w którym miejscu postawić człowieka i na jakich danych sprawdzić wynik. Kolejność ma znaczenie, bo każdy krok zamyka jedno źródło błędów, zanim otworzy się następne. Największą pułapką pierwszego wdrożenia nie jest wybór modelu ani platformy, tylko zbyt ambitne pierwsze zadanie połączone ze zbyt szerokimi uprawnieniami. Agent, który czyta dane i oddaje wynik człowiekowi do sprawdzenia, nauczy cię więcej w tydzień niż miesiąc czytania o architekturach.
Newsletter · DevstockAcademy & Kodożercy
Bądź na bieżąco ze światem IT, AI i automatyzacji
Co wtorek: newsy z branży, praktyczne tipy i narzędzia które warto znać. Zero spamu.
