Shippy ukazuje, že agent pro ostrý provoz začíná u hranic a auditů

Ai2 na Hugging Face popsala architekturu Shippy, maritime AI agenta pro real-time maritime domain awareness ve Skylight. Systém odpovídá na dotazy analytiků nad živými satelitními a lodními signály, ne nad statickým datasetem.

Shippy staví agenta jako verzovaný provozní systém

Autoři dělí agenta na soul, skills a config. Soul je system prompt s hranicemi chování. Skills jsou markdown soubory se strukturovaným frontmatterem. Config určuje agent harness, model a runtime. Shippy podle článku používá OpenClaw a Claude Opus 4.6.

Agent umí dotazovat Skylight API na events a vessel data, hledat hranice EEZ a MPA, interpretovat vessel track data a generovat odkazy do mapy. Důležité je, že nesmí dělat právní závěry o porušení zákona a nemá spekulovat za hranicí dat.

Deterministické nástroje zužují prostor, kde se agent může splést

Ai2 popisuje rané prototypy, ve kterých agent skládal API volání sám. Výsledkem byly chyby v pagination, geometrii a filtrech. Proto Shippy komunikuje se Skylight přes účelovou CLI vrstvu s typovanými flagy, nápovědou, chybovými zprávami a výstupem do JSON souborů.

To je praktická lekce pro enterprise agenty: čím rizikovější doména, tím méně volnosti má mít model u rozhraní. Agent může plánovat a vysvětlovat, ale nástroje musí být předvídatelné.

Izolace je tady bezpečnostní prvek, ne jen infrastruktura

Skylight podle článku slouží stovkám vládních agentur a NGO ve více než 70 zemích. Každý uživatel Shippy běží ve vlastní dočasné izolované session, kterou Mothership nasazuje jako samostatné Kubernetes prostředí. JWT uživatele omezuje API volání na jeho data.

To je správná úroveň paranoie. U agenta, který může spouštět kód, zapisovat soubory a pracovat s citlivými provozními daty, je sdílená session pozvánka k incidentu.

Evals musí měřit celý agent, ne jen modelovou odpověď

Ai2 proto hodnotí Shippy scénáři od domain expertů, váženými rubrikami a LLM judge skóre od 0 do 1. Testuje se celý systém: model, skills, sandbox a přístup k živým datům.

Další signál bude, zda podobné evals zvládnou zachytit regresi při změně modelu, skillu nebo CLI. U provozních agentů se kvalita neláme v benchmarku, ale ve chvíli, kdy špatný dotaz pošle člověka na špatné místo.

Lilithin verdikt

Shippy připomíná ostrého agenta jako hlídače na molu: musí vědět, kam smí vkročit, komu patří mapa a kdy zavolat člověka.