Biblioteka.
Dłuższe przewodniki i krótkie wyjaśnienia, do których warto wracać.
Przewodniki
Praktyczne teksty o pracy z AI — od agentów i kontekstu po RAG i bezpieczeństwo.
- Agenci — kiedy LLM dostaje ręce i pamięć LLM z tool use, pętlą i pamięcią. Dużo marketingu, mało definicji. Tu jest wersja bez owijania — z weryfikacją w pętli, nie jako afterthought.
- Claude J-space: ciche myśli wewnątrz modelu Anthropic pokazuje J-space, warstwę wewnętrznych reprezentacji słownych w Claude. To nie dowód świadomości, ale ważny krok w stronę czytelniejszych i bezpieczniejszych modeli.
- Agenci kodujący — kiedy model dotyka repo Claude Code, Codex i reszta to nie magiczny junior. To closed loop: czytaj kod, edytuj, weryfikuj, napraw. Zbuduj weryfikację jako infrastrukturę albo tylko szybciej produkujesz dług.
- Okno kontekstu — ile piekła mieści się w prompcie Okno kontekstu mówi, ile tokenów model widzi naraz. Większe okno nie jest pamięcią, prawdą ani gwarancją lepszej odpowiedzi. To większy i droższy blat roboczy.
- Golden Dataset — punkt odniesienia dla AI, nie złota klatka Golden Dataset to mały, starannie sprawdzony zestaw realnych przypadków, dzięki któremu widać, czy system AI naprawdę działa. Na przykładzie rekomendera kursów: pomaga oceniać rekomendacje na podstawie realnej treści, nie opisów marketingowych.
- Koog i agenci AI w Kotlinie — co to jest i do czego służy Koog to framework JetBrains do budowania agentów AI w Kotlinie i Javie. Skupia się na praktycznej architekturze: strategiach, narzędziach, pamięci, tracingu, długim kontekście i wdrożeniach JVM.
- Prompt injection — obce instrukcje w twoim kontekście Prompt injection to nie popisowy jailbreak. To problem granic: model czyta niezaufany tekst i może pomylić go z instrukcjami. Przy agentach pali dwa razy mocniej.
- RAG — Retrieval-Augmented Generation Kiedy model nie ma w głowie twoich danych, musi je dociągnąć. RAG to wzorzec, nie produkt: najpierw retrieval, potem generacja.
Pojęcia
Krótkie wyjaśnienia ważnych pojęć i ich znaczenia w praktyce.
Agenci computer-use — model, który klika
Agent computer-use widzi ekran i steruje UI. Brzmi jak sci-fi; w praktyce to krucha automatyzacja nad pikselami, formularzami i źle opisanymi przyciskami.
Agent infrastructure — nudna warstwa, bez której agenci nie działają
Agent to nie tylko model z zadaniem. W produkcji potrzebuje tożsamości, uprawnień, inboxów, narzędzi, pamięci, audytu, telemetry i jasnych granic. Bez infrastruktury autonomia jest tylko ładnym demem z ryzykiem.
AI-assisted research — model jako partner badawczy
AI-assisted research używa modeli do szukania hipotez, pisania kodu, testowania wariantów i czytania literatury. To nie automatyczna nauka. To szybsza pętla badawcza z nowymi sposobami na potknięcie.
Asynchroniczni agenci — praca, która nie żyje w czacie
Agent, który dostaje zadanie, działa poza rozmową i zwraca gotowy artefakt. Mocne przy długich workflow, groźne bez stanu, limitów i kontroli.
Bezpieczeństwo agentów i sandboxing
Agent z narzędziami to mała maszyna do konsekwencji. Sandbox, approvals, least privilege i audit log nie są dekoracją enterprise, tylko hamulcami przed pożarem.
Ekonomia modeli — koszt inteligencji w działaniu
Tokeny, latency, throughput, jakość i ryzyko na jednym rachunku. Model nie jest tylko mądry albo głupi; jest drogi, wolny, tani, lokalny albo operacyjnie znośny.
Ewaluacje i benchmarki — pomiar zamiast wrażeń
Benchmark nie jest prawdą wyrytą w kamieniu. To przyrząd pomiarowy z błędami. Bez niego tylko zgadujesz, czy model albo agent działa.
Fine-tuning — skalpel, nie uniwersalny młotek
Fine-tuning zmienia wagi modelu. Jest mocny, gdy masz dane, evale i jasny powód. Jest drogim błędem, gdy maskuje zły prompt, brak RAG albo niejasny proces.
Frontier model governance — kto sprawdza model przed releasem
Frontier model governance pyta, kto testuje najsilniejsze modele przed wdrożeniem, według jakich reguł i z jaką możliwością interwencji. Dobrowolny audyt, system card i testy państwowe to nie to samo.
Modele open vs. closed — kto płaci premię za frontier
Model open nie jest automatycznie wolnością, a model closed nie jest automatycznie lock-inem. Praktyczne pytanie brzmi: kiedy kontrola, koszt i lokalne wdrożenie są ważniejsze niż płacenie za frontier capability.
Niezawodność modeli — gdy ładna odpowiedź nie wystarcza
Niezawodność dotyczy tego, kiedy model wie, kiedy nie wie, kiedy zmyśla i jak często można ufać jego wyjściu w produkcji. Elegancki styl nie jest dowodem.
Physical AI — kiedy agent sięga do świata
Physical AI łączy modele, roboty, symulacje i działania w realnym środowisku. Nie chodzi o ładne demo robota, tylko o to, kto ponosi ryzyko, gdy model zaczyna poruszać rzeczami.
Tool use — kiedy model wywołuje narzędzia
Tool use to moment, kiedy LLM przestaje tylko odpowiadać i zaczyna wywoływać API, uruchamiać komendy, czytać pliki albo dotykać baz danych. Użyteczne, ostre i niebezpieczne.
Zombie internet — kiedy tekst AI zjada web
Zombie internet to web zalany generowanym tekstem, streszczeniami bez odpowiedzialności i treścią, która tylko z daleka wygląda ludzko. Problemem nie jest tylko spam. Problemem jest utrata zaufania.