Architecture

Testowanie kodu Go uruchamianego współbieżnie zawsze wymagało pewnej dyscypliny. Gorutyny są tanie, kanały proste, a anulowanie kontekstu jest idiomsatyczne — pracownicy tła i timery są wszędzie w rzeczywistych usługach Go.

Pierwszy rok protokołu Agent2Agent Google (zazwyczaj skracanego do A2A) był dość niezwykły.

Agenci pollingowi to jedna z najmniej glamour części architektury asystentów AI, ale jednocześnie jedna z najbardziej przydatnych.

Architektura agentów AI zaczyna dzielić się na dwie warstwy.

Protokół A2A, skrótem od Agent2Agent Protocol, to otwarty standard komunikacji między niezależnymi systemami agentów AI.

CQRS to jeden z tych wzorców, który jest często przesadnie promowany, nadmiernie skomplikowany i niekiedy błędnie diagnozowany jako lekarstwo na nudny, zwykły CRUD.

Modele językowe (LLM) są nieprzewidywalne. Mogą halucynować, wyciekać dane, generować szkodliwe treści lub odmawiać spełnienia legalnych żądań. Mechanizmy ochronne (guardrails) ograniczają zachowanie modelu, nie tracąc przy tym jego możliwości.

Pamięć przekształca asystentów z reaktywnych w trwałych, ale to również miejsce, w którym wiele systemów cicho się psuje. Ankiety wskazują, że podział na pamięć krótko- i długoterminową nie jest już wystarczający dla współczesnej pamięci agentów; OpenAI i SDK LangGraph wskazują na prostszą architekturę — pamięć roboczą, trwały stan i mechanizmy odzyskiwania danych.

Produkcjny asystent AI to nie „LLM z promptem”. To system, który przyjmuje intencję, utrzymuje stan, decyduje, kiedy pobierać dane lub wykonywać akcje, oraz udostępnia wystarczająco szczegółowych danych środowiska uruchomieniowego do debugowania awarii.

Większość współczesnych systemów wiedzy optymalizuje wyszukiwanie (retrieval), co jest zrozumiałe. Wyszukiwanie jest widoczne, łatwe do demonstracji i wydaje się magiczne, gdy działa poprawnie. Wpisujesz pytanie, otrzymujesz odpowiedź.

Premisa jest prosta: skompilowana wiedza jest bardziej ponownie wykorzystywalna niż pobrane fragmenty. RAG stał się domyślną odpowiedzią na proste pytanie – jak zapewnić LLM dostęp do zewnętrznej wiedzy?

PKM, RAG, wiki, systemy pamięci AI oraz teraz praktyczne, wspomagane przez AI przepływy pracy, są często omawiane tak, jakby rozwiązywały ten sam problem. Nie rozwiązyują. Wszystkie one mają do czynienia z wiedzą, ale działają na różnych warstwach:

Większość tutoriali dotyczących „strukturyzowanego wyjścia” (structured output) w LLM jest nieodpowiedzialna. Uczą, jak grzecznie poprosić o JSON, a potem liczą, że model zachowa się poprawnie. To nie jest walidacja. To optymizm z nawiasami klamrowymi.

Współczesne asystenty nadal zapominają wszystko po zamknięciu karty, chyba że dane są utrwalone poza oknem kontekstu. Dostawcy pamięci agentów to usługi lub biblioteki przechowujące fakty i streszczenia między sesjami – często integrowane jako wtyczki, dzięki czemu framework pozostaje lekki, a pamięć skalowalna.

Wiesz, jak to działa. Otwierasz czat z agentem AI, opisujesz swój projekt, dzielicz się preferencjami, wykonujesz pewne zadania i zamykasz kartę. Wraca się tydzień później, a rozmowa wygląda tak, jakbyś miał do czynienia z obcą osobą — cały kontekst zniknął, wszystkie preferencje zostały zapomniane, a projekt trzeba wyjaśnić od zera.

OpenClaw wygląda prosto w demonstracjach. W środowisku produkcyjnym staje się on systemem.