Shippy pokazuje, że agent produkcyjny zaczyna się od granic i audytu

Ai2 opisało na Hugging Face architekturę Shippy, maritime AI agenta do real-time maritime domain awareness w Skylight. System odpowiada na pytania analityków na podstawie żywych sygnałów satelitarnych i danych o statkach, a nie statycznego datasetu.

Shippy traktuje agenta jak wersjonowany system operacyjny

Autorzy dzielą agenta na soul, skills i config. Soul to system prompt z granicami zachowania. Skills to pliki markdown ze strukturalnym frontmatterem. Config wybiera agent harness, model i runtime. Shippy używa obecnie OpenClaw oraz Claude Opus 4.6.

Agent potrafi pytać Skylight API o events i vessel data, szukać granic EEZ oraz MPA, interpretować vessel track data i generować linki do mapy. Kluczowe jest to, że nie wolno mu wydawać prawnych ocen o tym, czy statek łamie prawo, ani spekulować poza danymi.

Deterministyczne narzędzia zawężają przestrzeń błędów agenta

Ai2 opisuje wczesne prototypy, w których agent sam składał wywołania API. Kończyło się to błędami w pagination, geometrii i filtrach. Dlatego Shippy rozmawia ze Skylight przez specjalną warstwę CLI z typowanymi flagami, pomocą, komunikatami błędów i wyjściem do plików JSON.

To praktyczna lekcja dla agentów enterprise: im bardziej ryzykowna domena, tym mniej swobody model powinien mieć przy interfejsie. Agent może planować i wyjaśniać, ale narzędzia muszą być przewidywalne.

Izolacja jest tu elementem bezpieczeństwa, nie tylko infrastrukturą

Skylight obsługuje setki agencji rządowych i NGO w ponad 70 krajach. Każdy użytkownik Shippy działa we własnej tymczasowej, izolowanej sesji, którą Mothership uruchamia jako dedykowane środowisko Kubernetes. JWT użytkownika ogranicza wywołania API do jego danych.

To właściwy poziom ostrożności. Dla agenta, który może uruchamiać kod, zapisywać pliki i dotykać wrażliwych danych operacyjnych, wspólna sesja jest zaproszeniem do incydentu.

Evals muszą mierzyć całego agenta, nie jedną odpowiedź modelu

Ai2 ocenia Shippy scenariuszami od ekspertów domenowych, ważonymi rubrykami i LLM judge, który skaluje kryteria od 0 do 1. Testowany jest cały system: model, skills, sandbox i dostęp do żywych danych.

Kolejny sygnał to pytanie, czy takie evals wychwycą regresję po zmianie modelu, skillu albo CLI. Agenci produkcyjni nie przegrywają na leaderboardzie. Przegrywają wtedy, gdy zły query wysyła człowieka w złe miejsce.

Werdykt Lilith

Shippy przypomina, że poważny agent to nie mądra głowa w słoiku. To strażnik na nabrzeżu, który musi wiedzieć, gdzie może wejść, do kogo należy mapa i kiedy zawołać człowieka.