Jeśli czytasz o AI od kilku tygodni, masz już pewnie w głowie worek skrótów: LLM, RAG, MCP, A2A, guardrails. Ta mapa układa je w cztery warstwy - od modelu, który generuje tekst, po mechanizmy pilnujące, żeby nie zrobił czegoś głupiego. Nie musisz jej zapamiętywać. Wracaj tutaj, kiedy natkniesz się na hasło, którego nie umiesz umiejscowić.
Zacznij od tej sekcji, nawet jeśli resztę mapy tylko przewiniesz wzrokiem. Te trzy elementy to podstawa: model, który generuje odpowiedzi, i dwa sposoby na dostarczenie mu wiedzy - z Twoich dokumentów i z poprzednich rozmów.
LLM (Large Language Models)
Model wytrenowany na ogromnej ilości tekstu, który przewiduje kolejne tokeny i dzięki temu potrafi pisać, streszczać i rozumować w języku naturalnym. To silnik, z którego korzystasz w ChatGPT czy Claude. Cały rozdział: Modele językowe LLM.
Zastosowania: generowanie kodu, streszczanie długich tekstów, chatbot, wyciąganie wniosków z danych.
RAG (Retrieval Augmented Generation)
Sam model zna tylko to, co było w danych treningowych. RAG dokłada mu wyszukiwarkę: zanim odpowie, znajduje właściwe fragmenty Twoich dokumentów i opiera odpowiedź na nich, zamiast zgadywać. Cały rozdział: RAG - AI na Twoich dokumentach.
Zastosowania: asystent po firmowej bazie wiedzy, analiza dokumentów prawnych, przegląd literatury naukowej, obsługa klienta.
Pamięć długoterminowa
Zwykła rozmowa z modelem kończy się razem z sesją. Pamięć zapisuje, co już ustaliliście, i wraca do tego w kolejnych rozmowach - zamiast pytać Cię o to samo od nowa.
Zastosowania: asystent nauki pamiętający Twoje postępy, wsparcie klienta z historią zgłoszeń, długi projekt badawczy, planer pracy.
Tu narosło najwięcej marketingowego szumu. Pod hasłami “agentic AI”, “autonomiczni agenci”, “agenci rozumujący” czy “autonomiczne podejmowanie decyzji” sprzedaje się w praktyce jedną ideę: model nie czeka na Twój kolejny prompt, tylko sam rozbija cel na kroki i je wykonuje. Różnią się głównie tym, jak daleko puszczasz go bez zaglądania mu przez ramię - dlatego zamiast pięciu haseł zostawiam dwa realne rozróżnienia.
Agenci AI (agentic AI)
Dostają cel zamiast pojedynczego polecenia. Sami planują kroki, wykonują je, sprawdzają wynik i poprawiają się po drodze - bez Twojej akceptacji na każdym etapie. To samo kryje się pod hasłami “autonomiczni agenci”, “agenci rozumujący i planujący” oraz “autonomiczne podejmowanie decyzji”. Cały rozdział: Agenci AI.
Zastosowania: asystent badawczy zbierający i porządkujący materiały, automatyzacja wieloetapowego workflow, przeglądanie stron i wypełnianie formularzy za Ciebie, samodzielne wprowadzanie zmian w plikach projektu.
Systemy Multi-Agent
Kilku agentów pracuje jednocześnie: dzielą się zadaniami, uzgadniają wyniki albo wzajemnie się sprawdzają. Ma to sens dopiero wtedy, gdy problem rozpada się na role, których jeden model nie ogarnie naraz.
Zastosowania: koordynacja rozproszonych robotów, sterowanie ruchem ulicznym, symulacje rynkowe, planowanie reagowania na katastrofy.
Sam model tylko generuje tekst. Dopiero ta warstwa pozwala mu coś faktycznie zrobić: odpytać bazę, odczytać plik, wywołać zewnętrzne API.
MCP (Model Context Protocol)
Otwarty standard opisujący, jak model ma sięgać do zewnętrznych narzędzi, danych i usług. Zamiast pisać osobną integrację pod każdy model, podłączasz narzędzie raz - i rozumie je każdy klient obsługujący MCP. Praktyczny przewodnik: Serwery MCP.
Zastosowania: zapytania do bazy danych, dostęp do systemu plików, podpinanie firmowych usług, warstwa orkiestracji narzędzi.
Protokół A2A (Agent-to-Agent)
To samo, ale poziom wyżej: standard rozmowy między agentami. Pozwala im przekazywać sobie zadania i uzgadniać wyniki, nawet jeśli pochodzą od różnych dostawców.
Zastosowania: delegowanie zadań między agentami, koordynacja wieloplatformowa, workflow niezależny od dostawcy.
Wywoływanie narzędzi (tool calling / tool use)
Mechanizm, w którym model zamiast odpowiadać tekstem zgłasza: “wywołaj tę funkcję z tymi argumentami”. Tool calling i tool use to dwie nazwy tego samego mechanizmu: OpenAI mówi zwykle o wywoływaniu funkcji (function calling), Anthropic o użyciu narzędzi (tool use). Sytuację, w której agent sam wybiera i łączy kolejne narzędzia krok po kroku, opisuje osobne pojęcie - pętla decyzyjna agenta (agentic loop), którą poznałeś w rozdziale o agentach AI.
Zastosowania: pobieranie aktualnych danych, zapytania do bazy, generowanie raportów, asystent debugowania kodu.
Orkiestracja działań
Kiedy zadanie wymaga kilku narzędzi i agentów, ktoś musi pilnować kolejności i zależności. Tym zajmuje się warstwa orkiestracji - odpowiednik kierownika projektu.
Zastosowania: wieloetapowa automatyzacja zadań, koordynacja potoków danych, routing zgłoszeń klientów.
Framework agentów
Gotowa infrastruktura do budowania agentów: obsługa narzędzi, pamięci, pętli decyzyjnej. Sięgasz po nią wtedy, gdy nie chcesz pisać tego wszystkiego od zera.
Zastosowania: tworzenie własnych agentów, konfiguracja automatyzacji, koordynacja wielu agentów.
Im więcej autonomii dajesz systemowi, tym ważniejsza staje się ta warstwa. To ona decyduje, czy błąd modelu kosztuje Cię minutę, czy klienta.
Zabezpieczenia (guardrails)
Twarde granice, których system nie przekroczy niezależnie od tego, co wygeneruje model: filtry treści, reguły prywatności, blokady na wrażliwe działania.
Zastosowania: moderacja treści, ochrona danych osobowych, kontrola zgodności z polityką firmy.
Człowiek w pętli (human-in-the-loop)
Punkt, w którym system zatrzymuje się i czeka na Twoją decyzję. Zwykle stawia się go tam, gdzie pomyłka jest kosztowna albo nieodwracalna.
Zastosowania: zatwierdzanie decyzji o dużej stawce, walidacja diagnozy medycznej, moderacja treści, kontrola jakości modelu.
made with ❤️ by aitomate.pl - Łukasz Podgórski