Piszę o tym, co dzieje się w firmach, które kupiły AI: gdzie rosną koszty, gdzie spada jakość kodu i co z tym zrobić. Każda liczba w tekstach ma źródło, do którego możesz kliknąć i sprawdzić sam.
Bez „10 promptów, które zmienią Twoje życie”. Jeśli czegoś nie wiem albo badanie jest słabe, piszę to wprost.
Model z otwartymi wagami ma dziś najlepszy wynik w Terminal-Bench 4.0. Same jego wagi zajmują jednak około 1400 GB. Co się zmieniło w modelach lokalnych i jak to sprawdzić u siebie.
TypeSafe wypuścił Jev, model, który nie pisze tekstu, tylko zwraca typowaną decyzję. Ten sam podział pracy da się zbudować w ADK. Sprawdziłem, co schemat odpowiedzi gwarantuje, a czego nie.
Opus 5.5 ma tańszy cennik niż Opus 5, a na najwyższym poziomie myślenia kosztuje tyle samo. Porównuję nowe modele po koszcie zadania i zużyciu tokenów, a nie po cenie za milion.
Pi to otwarty agent do kodu w terminalu, który celowo nie ma MCP, subagentów ani trybu planu. Zmierzyłem, ile wysyła do modelu na starcie, i opisuję, dla kogo to dobry wybór.
Od 27 lipca artykuł 4 AI Act wymaga działań wspierających kompetencje, a nie zapewnienia ich poziomu. Rozbieram nowe brzmienie, stanowisko Komisji i to, co w praktyce wystarczy, także gdy szkolenie nie jest odpowiedzią.
Agent przy każdym kroku wysyła modelowi całą dotychczasową historię. Liczę na oficjalnym cenniku, skąd bierze się rachunek, ile zmienia cache i które decyzje obniżają koszt najbardziej.
Czat podpowiada, agent wykonuje. Wyjaśniam bez kodu, czym jedno różni się od drugiego, dlaczego błąd agenta kosztuje inaczej niż błąd czatu i jakie trzy pytania zadać przed wdrożeniem.
Specyfikacja przed kodem zamienia jedną dużą decyzję modelu na kilka małych, które da się sprawdzić. Zbieram, co mówią badania, jak robią to Spec Kit i Kiro i kiedy ten narzut się nie zwraca.
Sprawdziłem w ADK 2.9.0, co trafia do modelu z definicji narzędzia. Cały docstring idzie jako jeden opis, opis z Field znika, a typ zwracany widzi tylko Vertex AI. Z tego wynikają proste zasady pisania narzędzi.
Zmierzyłem pięć tokenizatorów na oficjalnym polskim i angielskim tekście AI Act. Polska wersja zużywa od 1,6 do 2,1 raza więcej tokenów. Pokazuję, skąd ta różnica i co z nią zrobić.
AGENTS.md ma już pomiar w recenzowanym badaniu: agenci pracują szybciej i taniej. Za to skuteczność zostaje ta sama. Rozbieram, co z tego wynika dla treści takiego pliku i dlaczego popularne szablony szkodzą.
Cache promptu wygląda na darmową optymalizację, a jest zakładem: zapis kosztuje więcej niż jego brak. Mechanizm u Anthropic i OpenAI, liczby z cenników i poprawki od najtańszej.
Digital Omnibus przesunął obowiązki dla systemów wysokiego ryzyka o kilkanaście miesięcy. Artykuł 50 nie został przesunięty i obowiązuje od 2 sierpnia 2026. Wyliczam, co dokładnie zaczęło obowiązywać i kogo to dotyczy.
Protokół agent-to-agent zamienia agenta w mikrousługę wywoływalną po HTTP, niezależnie od języka i frameworka. Jak to wygląda w kodzie i kiedy rozdzielenie agentów na osobne procesy się opłaca.
Zatwierdzanie przez człowieka wygląda na prosty warunek w kodzie. W systemie agentowym to punkt zatrzymania całego grafu, a najczęstszy błąd polega na tym, że decyduje o nim model zamiast kodu.
Właściwe pytanie brzmi „kiedy przestać robić to lokalnie”, a nie „co jest lepsze”. Trzy opcje RAG w ADK, jedna różnica, która przesądza o wyborze, i koszty bez tabeli cen.
Agenta nie da się sprawdzić przez assert, bo poprawnych odpowiedzi jest wiele. Opisuję, czym ADK to zastępuje, dlaczego wielostopniowy pipeline wywala AgentEvaluator i jak to obejść bez rezygnacji z testów.
Google przepisał Agent Development Kit z drzewa agentów na graf węzłów. Przeniosłem 24 moduły szkoleniowe i opisuję, co się zmieniło, oraz cztery miejsca, w których migracja psuje się po cichu.
Okno kontekstowe, stan sesji i pamięć długoterminowa to trzy różne mechanizmy, mylone w każdej rozmowie o wdrożeniu. Rozdzielam je i wyjaśniam, dlaczego trzeci z nich to zbiór danych osobowych, a nie funkcja.
Dystans między chatbotem a systemem wieloagentowym z narzędziami i MCP mierzy się w liniach kodu i jest krótszy, niż się wydaje. Przechodzę tę drogę krok po kroku i pokazuję, co rośnie szybciej niż kod.
Slajd „95% wdrożeń AI kończy się porażką” trafił do każdej prezentacji sprzedażowej. Sprawdzam, skąd pochodzi ta liczba, i podaję pięć wskaźników, które policzysz we własnej firmie w tydzień.
Odpowiedź z cytatem ze źródła wygląda na sprawdzalną. Badanie z ICTIR 2025 pokazuje, że do 57% takich cytatów nie odzwierciedla tego, z czego model faktycznie skorzystał. Co to zmienia w wyborze architektury.
W randomizowanym badaniu programiści z AI pracowali 19% wolniej, a byli przekonani, że 20% szybciej. METR zaktualizował ten wynik. Sprawdzam, co z niego zostało i co dodają dane GitClear oraz DORA.
Chroma przetestowała 18 czołowych modeli i pokazała, że jakość odpowiedzi spada wraz z długością wejścia, nawet przy prostych zadaniach. Co to znaczy dla sposobu, w jaki Twój zespół buduje prompty.
Embeddingi to mapa, na której odległość mierzy sens. Wyjaśniam mechanizm bez matematyki i pokazuję, dlaczego słynne „król − mężczyzna + kobieta = królowa” nie działa tak, jak wszyscy opowiadają.
Największy błąd przy pierwszym kontakcie z AI to potraktowanie modelu jak rozmówcy, który się domyśli. Proponuję model myślowy, który to naprawia, i pięć współrzędnych dobrego polecenia.
Token, okno kontekstowe, embedding, RAG, agent, MCP. Każde pojęcie: definicja, analogia z życia, co z tego wynika dla Ciebie i jaki mit najczęściej się z nim wiąże.