Agent kontra chat: pętla cel → plan → działanie

Wszystko, co do tej pory studiowałeś, było dialogiem: ty pytasz → on odpowiada → ty decydujesz, co dalej. Agent sam przejmuje „co dalej”. Na poprzedniej lekcji uzgodniliśmy roboczą definicję agenta; teraz rozłożymy na czynniki pierwsze mechanizm, na którym opiera się cały kurs — pętlę.

Pętla agenta

1. Cel: „znajdź 10 odpowiednich miejsc reklamowych i zbierz ich ceny w tabeli”.
2. Plan: agent dzieli cel na kroki: szukaj miejsc → otwórz każde → znajdź cennik → zapisz.
3. Działanie: wywołuje narzędzie — zewnętrzną operację dostępną dla modelu: search, czytaj stronę, zapisz do arkusza. Narzędzia to „ręce”, których brakowało chatowi w 2022 roku.
4. Obserwacja: otrzymuje wynik działania i ocenia: czy zadziałało? czy jest wystarczająco danych? Wynik każdego działania dosłownie nazywa się obserwacją.
5. Powtórz — od kroku 2, aż cel zostanie osiągnięty (lub zostanie osiągnięty limit tur — zabezpieczenie przed nieskończonymi pętlami, omówione w module o niezawodności).

Kluczowa różnica w stosunku do chatu: model podejmuje decyzje wewnątrz pętli, nie ty. Ty ustalasz cel, granice i narzędzia — agent sam buduje trasę.

Mini-śledzenie: trzy tury oczami agenta

Oto jak pętla wygląda od środka — na przykładzie naszego zadania z miejscami:

• Tura 1. Myśl: Potrzebuję listy miejsc. Działanie: search „reklama na blogach kulinarnych”. Obserwacja: 12 linków, 7 wygląda jak blogi.
• Tura 2. Myśl: otwórz pierwszy. Działanie: open link #1. Obserwacja: strona nie załadowała się — błąd.
• Tura 3. Myśl: martwy link — oznacz go, weź następny. Działanie: open link #2. Obserwacja: jest strona „Advertise” z ceną. Zapisuję do tabeli.

Spójrz na turę 2: narzędzie zwróciło błąd — a agent zrewidował plan zamiast uparcie iść dalej. Obserwacja to to, co sprawia, że pętla żyje. Pamiętasz AutoGPT z poprzedniej lekcji? Zawiodło dokładnie tutaj: przekonało się, że krok się powiódł i przeciągnęło wymyślony „sukces” do kolejnych tur.

Agent to nie nowy model

Usuńmy magię: wewnątrz agenta działa ten sam model językowy co w chacie. Różnica to uprząż wokół niego: pętla, narzędzia i pamięć (to, co agent zachowuje między turami — osobna lekcja przed nami). Zatem agent dziedziczy wszystkie słabości modelu: może się mylić, może „widzieć” rzeczy, których nie ma. A pętla wzmacnia zarówno umiejętności, jak i błędy: błędna obserwacja w turze 2 staje się danymi wejściowymi tury 3.

Odpowiedź: chat musi dostarczyć wszystko za jednym razem, podczas gdy agent może próbować, patrzeć na wynik i poprawiać się. Nie więcej inteligencji — więcej prób, a każda kolejna opiera się na rzeczywistości (obserwacjach), a nie na zgadywaniu.

Już widziałeś agentów

• Głębokie badania — agent wyszukiwania: planuje zapytania, czyta źródła, składa raport. Jego pętla: zapytanie → czytaj → „czego brakuje?” → nowe zapytanie.
• Agenci kodujący (Claude Code, Replit i inni) — piszą kod, uruchamiają go, widzą błąd, naprawiają go. Uruchomienie kodu to ich „obserwacja”.
• Węzeł agenta w n8n — narzędzie do automatyzacji, które nasza platforma omawia w osobnym kursie: sam węzeł decyduje, czy sprawdzić arkusz, czy uruchomić wyszukiwanie.

Ten sam wzorzec za każdym razem — teraz znasz jego nazwę i widzisz jego pętlę.

Kiedy potrzebujesz agenta, a kiedy wystarczy chat lub workflow

• Jednoetapowa odpowiedź → chat.
• Stały łańcuch kroków → workflow (strzałki w n8n): człowiek napisał trasę z góry — taniej i bardziej przewidywalnie.
• Kroki nieznane z góry, zależne od ustaleń → agent.

Klasyczny błąd początkującego to agent tam, gdzie wystarczyłby workflow. Agent nie jest „fajniejszy” — jest „bardziej elastyczny, ale za cenę”: każda tura to osobne wywołanie modelu, więc jest droższy, wolniejszy, mniej przewidywalny. Cała lekcja poświęcona jest temu wyborowi — zaraz po mapie zastosowań.

Sandbox: poczuj różnicę na własnej skórze

Wyślij dwa prompty jeden po drugim i porównaj. Najpierw zwykły chat:

Answer in one paragraph: how do I plan a new product launch?

Teraz spraw, aby model działał jak agent:

Act as an autonomous agent. GOAL: plan a new product launch.
Work in a loop: Thought → Action (tool call) → Observation.
Tools are imaginary only: search(query), calendar_add(event),
send_email(to, text). Show 5 turns of the loop, invent plausible
observations. After turn 5 — STOP and a brief summary: done vs remaining.

Kontrast między pierwszą a drugą odpowiedzią to definicja agenta: nie „odpowiedź”, ale „praca w pętli”.

Zrób to teraz

Uruchom oba prompty z sandboxa. W drugiej odpowiedzi znajdź turę, w której obserwacja zmieniła plan. Jeśli takiej nie ma — dodaj linię „w turze 3 narzędzie zwraca błąd” do promptu i obserwuj, jak model zmienia trasę.