O czym jest ten film
- Autor od dawna używa lokalnego modelu Qwen 27B jako codziennego narzędzia i sprawdza, ile realnie zyskuje przy przejściu z wersji 3.6 na 3.8.
- Wnioski z testów własnych: poprawa jest odczuwalna (ok. 30%), ale znacznie mniejsza, niż zapowiadały benchmarki i niż autor się spodziewał.
- Porównanie kwantyzacji Q5 i Q6 — starsza wersja w Q6 wypadła w teście wyszukiwania błędów lepiej niż nowsza w Q5.
- Prawdziwym przełomem okazuje się nie model, lecz nowy harness wypuszczony przez DeepSeek (wersja deweloperska, licencja MIT).
- Harness radykalnie zmienia zarządzanie oknem kontekstu — sesje trwają znacznie dłużej, kompaktowanie jest solidniejsze.
- Efekt praktyczny: autor przez dobę intensywnej pracy ani razu nie musiał przełączyć się na model frontierowy.
- Powód odejścia autora od Hermesa: wprowadzenie płatnej subskrypcji i poczucie bycia gościem w cudzym systemie.
- Filozofia „wszystko jest wtyczką” jako punkt styczny między DeepSeek Harness a budowanym przez społeczność autora Resonant OS.
- Demonstracja: agent „Augmentor” sterujący przeglądarką, zbudowany w całości lokalnym modelem.
- Szczegółowy przegląd wymagań sprzętowych: ile VRAM, która kwantyzacja, jakie karty i jaka przepustowość pamięci.
Redakcyjne tłumaczenie
Model, na który czekałem
Wyszedł Qwen 3.8 27B. To jest właśnie ten model, na który czekałem. Poprzedniej wersji — 3.6 27B — używam od dłuższego czasu i stała się moim codziennym narzędziem. Wykonuję nią jakieś 80% pracy. Bardzo ją lubię. Kupiłem nowy komputer tylko po to, żeby ją uruchamiać. Dziś chodzi u mnie na karcie 5090 i działa świetnie.
Możecie więc sobie wyobrazić, jak bardzo czekałem na nową wersję. I niestety mam co do niej mieszane uczucia. Chcę to wyjaśnić, bo jest tu coś naprawdę ważnego do zrozumienia — ale mam też o tym modelu absolutnie znakomitą wiadomość.
Co pokazują benchmarki
To są liczby opublikowane przez Qwen i to jest powód, dla którego wiele osób porównuje ten model do Opusa 4.6. Mnie osobiście to porównanie mało interesuje. Bardziej zależy mi na zrozumieniu, co zyskuję względem tego, co miałem wcześniej, i co mogę uruchomić dzisiaj.
Widzę, że w niektórych scenariuszach różnica nie jest duża. Ale w innych — jak kodowanie agentowe — przepaść jest ogromna: z 13,3 na 42,2. To skok kolosalny. W inżynierii oprogramowania z 49,3 na 79. To kolejny wielki krok naprzód. W zaawansowanych zadaniach agentowych z 10,6 na 20 — czyli stuprocentowa poprawa. Różnice bywają naprawdę zauważalne.
Dlaczego mimo to mam mieszane uczucia
Skąd więc te mieszane odczucia? Stąd, że przetestowałem to sam. Porównałem Qwena 3.6 27B w kwantyzacji Q6 z Qwenem 3.8 27B w kwantyzacji Q5. W moim teście polegającym na wyszukiwaniu błędów Q6 znalazł o jeden błąd więcej niż Q5 — mimo że Q5 to nowsza wersja modelu.
(Informacja dodatkowa: kwantyzacja to sposób kompresji modelu przez zmniejszenie precyzji jego wag. Q5, Q6, Q8 oznaczają kolejno wyższą precyzję — model jest wtedy dokładniejszy, ale zajmuje więcej pamięci i działa wolniej.)
Przerwałem więc test i pomyślałem: to rozczarowujące, ale porównajmy je przy tej samej kwantyzacji. Zainstalowałem też Qwena 3.8 27B w Q6. Wtedy różnicę już było widać — ale nadal nie była tak duża, jak liczyłem. To prawdopodobnie jakieś 30% poprawy. Zauważalne, ale to nie jest inny poziom. Spodziewałem się znacznie więcej.
Punkt odniesienia: co potrafi zrobić rozumowanie
Spodziewałem się więcej, bo widziałem, jak wiele daje samo rozszerzenie rozumowania. Weźmy GPT 5.6 Luna: bez rozumowania — 27. Gdy zaczynamy zwiększać rozumowanie, wynik idzie na 34, potem 39, potem 47, a w trybie maksymalnym 52. Ten skok jest niesamowity — ponad dwukrotny wzrost możliwości.
A teraz spójrzmy na Qwena 3.6 27B: bez rozumowania 31, z rozumowaniem 38. Zakładałem, że nowy model będzie lepszy jako model, a do tego dojdzie zwiększone rozumowanie — i że to nas wypchnie znacznie wyżej. Jesteśmy gdzieś w okolicach 40, a liczyłem, że dojdziemy do pięćdziesięciu kilku. Zważywszy, że Qwen bez rozumowania ma 31, a Luna bez rozumowania 27, potencjalnie mogliśmy przekroczyć 50 i dobić do poziomu DeepSeeka wersji 4 Pro albo GLM 5.2 Max. To byłoby wspaniałe osiągnięcie. Ale się nie stało. Prawdopodobnie oczekiwałem zbyt wiele.
Dobra wiadomość: inteligencja to nie tylko model
A teraz dobra wiadomość. Ten model jest zdolny. Ale inteligencja to nie tylko sam model — to również harness, który go otacza.
(Informacja dodatkowa: „harness” to warstwa oprogramowania wokół modelu — zarządza kontekstem, narzędziami, pętlą agentową i pamięcią. To ona decyduje, jak model faktycznie pracuje na dłuższych zadaniach.)
Mówię teraz o harnessie, bo znalazłem zabójcze połączenie tego modelu z konkretnym harnessem.
Dlaczego odszedłem od Hermesa
Do tej pory używałem Hermesa i open code. Uważam Hermesa za fantastyczny system, ale kiedy niedawno zaczęli mocno promować własną subskrypcję, poczułem, że to już nie jest w porządku. Poczułem się jak klient, jak gość we własnym środowisku pracy. Właśnie dlatego buduję razem ze swoją społecznością Resonant OS — żebyśmy mogli być jego współwłaścicielami, żeby był nasz.
W momencie, w którym zaczęli forsować tę subskrypcję, w momencie, w którym ludzie zaczęli mnie pytać, czy trzeba wykupić abonament, żeby używać Hermesa — zobaczyłem, że Hermes skręcił w złą stronę. Byłem więc już otwarty na to, żeby poszukać czegoś innego.
W Resonant OS przyjąłem założenie, że wszystko musi być dodatkiem. Wszystkie elementy mają być możliwe do dołożenia przez społeczność. Żeby dało się je dostosowywać, zmieniać, podmieniać — pamięć, głównego agenta, dowolną część. Żeby istniał system, który możemy wspólnie budować i wspólnie modyfikować.
Odkrycie: DeepSeek Harness
I w pewnym momencie zupełnie przypadkiem trafiłem na nowy harness, który wyszedł niedawno — chyba niecały tydzień temu. DeepSeek wypuścił DeepSeek Harness. Uważam, że to najlepsze możliwe połączenie dla Qwena 3.8 27B.
Zacząłem go używać. Wyjaśnię tu trochę, choć prawdopodobnie będę musiał poświęcić temu osobny film, bo ten harness robi coś, czego nie robi żaden inny.
Co się stało? Zacząłem go używać razem z nową wersją Qwena i wszystko, co dotąd chciałem zbudować — zbudowałem. Wcześniej Qwena 3.6 27B używałem powiedzmy w 80% przypadków. Czasem trafiał na problem, którego nie potrafił rozwiązać, i musiałem przełączyć się na jakiś model frontierowy. Teraz, z DeepSeek Harness i nowym 3.8 27B, ani razu nie miałem potrzeby przesiadki na inny model.
Kiedy wszedłem na ich stronę, przeczytałem: wszystko jest wtyczką. W moim świecie wszystko jest dodatkiem. U nich wtyczką. To zarezonowało i pomyślałem: muszę się temu przyjrzeć. Przychodziłem z pozycji kogoś, kto nie jest już pewien Hermesa. Widzę hasło „wszystko jest wtyczką” — pełna zgodność. Zainstalowałem. Właściwie nawet nie instalowałem sam — poprosiłem Hermesa, żeby zainstalował mi to i skonfigurował z nowym modelem. I jest znakomicie.
Jak działa zarządzanie kontekstem
Tak to wygląda. Nie mogę pokazać go w trakcie pracy, bo podczas działania nie mogę nagrywać ekranu — z powodu zarządzania pamięcią przy formacie, w którym nagrywam.
To nie jest gotowy produkt. Sami nazywają to podglądem deweloperskim. Nie jest skończony, sporo rzeczy może brakować, nie wszystko działa idealnie. Czasem nie wykonuje kompaktowania we właściwym momencie i to potrafi wyłożyć system — nic groźnego, bo wystarczy powiedzieć „wznów pracę” i wszystko rusza dalej bez problemów. To wciąż wersja podglądowa.
Ale to, co zrobili: zmienili sposób zarządzania oknem kontekstu. To, co się tu dzieje, jest nie do wiary. W środku jest mnóstwo nowych elementów. System śledzi wszystko, co zostało zrobione, i — dzięki jakimś swoim mechanizmom — potrzebuje mniej okna kontekstu. Nie umiem tego wyjaśnić, bo sam jeszcze tego nie ogarniam. Muszę doczytać i lepiej zrozumieć. Ale wiem tyle: te 131 tysięcy tokenów, które mam dostępne dla tego modelu na moim 5090, po prostu starczają na dłużej. Kompaktowanie jest znacznie solidniejsze. System prowadzi rozmowę i buduje przez tak długi czas, że to niewiarygodne. Nie wiem, czy widać, ale tutaj miał 38 milionów tokenów wejściowych — i wciąż działa bez zadyszki.
Co udało się zbudować: agent Augmentor
Co przy jego pomocy zbudowałem? Zbudowałem Augmentora. To mój agent — tak go nazywam. Jest częścią Resonant OS. Zbudowałem Augmentora napędzanego tym DeepSeek Harness. Przejmuje on pełną kontrolę nad przeglądarką: chodzi po niej, klika i wykonuje za mnie zadania.
Poprosiłem go tutaj, żeby sprawdził moje ostatnie filmy, przejrzał komentarze i zaproponował kilka pomysłów na nowe materiały. To był sposób, żeby wysłać agenta do przeglądarki, żeby poklikał i zebrał informacje.
Oto, co z tego wyszło. Sprawdził cztery, pięć różnych filmów, przejrzał część komentarzy i zaproponował parę pomysłów. Same pomysły nie mają tu znaczenia — szczerze, może są wartościowe, może nie, ale to nieistotne, bo agent nie dostał żadnej instrukcji o tym, o czym jest ten kanał. Na razie ma bardzo mało kontekstu. Po prostu poszedł i zebrał informacje. Ważne jest to, co był w stanie zrobić.
Całość zbudowałem tym Qwenem 3.8. Działa całkiem dobrze. Owszem, drobiazgi wymagają dopracowania. Ale najważniejsze: ani razu nie potrzebowałem większego modelu. A wcześniej przy zadaniach tej złożoności zdarzało się to zawsze.
Kolejny „moment DeepSeeka” — tym razem nie w modelu
Mamy więc kolejny moment DeepSeeka — tyle że tym razem ten moment nie dotyczy modelu, tylko harnessu, i to również w wykonaniu DeepSeeka. Jestem teraz szalenie ciekaw, co ten harness potrafi w połączeniu z mocniejszym modelem.
Jeśli śledzicie ten kanał, wiecie, że jestem zdecydowanym zwolennikiem lokalnej AI i suwerenności AI — czyli tego, że trzeba mieć na własność sprzęt i infrastrukturę, żeby móc wszystkiemu ufać i wszystko kontrolować. To droga, która nie jest dla każdego, i nie jest to sytuacja zero-jedynkowa. To, co widzę przy DeepSeek Harness, to że ta droga staje się coraz lepsza — bo mamy teraz harness na licencji MIT, co oznacza, że można go użyć we własnym projekcie, wdrożyć, zmienić, zrobić z nim, co się chce, także komercyjnie.
Moja sugestia: jeśli oglądacie ten film, to prawdopodobnie dlatego, że macie dostęp do tego modelu. Ale nawet jeśli nie — wypróbujcie ten DeepSeek Harness. A jeśli należycie do szczęśliwców, którzy mają dwa DGX Sparki albo odpowiednik, spróbujcie DeepSeeka wersji 4 Flash, bo da się go uruchomić na dwóch takich maszynach z tym harnessem i prawdopodobnie razem zadziałają wyśmienicie.
Po kilku miesiącach zmagań z tą całą AI znowu jestem podekscytowany. Myślę, że to podobny moment jak wtedy, gdy pojawiło się open claw, które chyba nazywało się wcześniej clawbot — już nawet nie pamiętam. Kiedy to wyszło, był to potężny krok naprzód, bo wreszcie każdy dostał agenta, który potrafi dużo: przejąć kontrolę nad komputerem, pracować za ciebie. Teraz uważam, że to, co DeepSeek zrobił z harnessem, jest skokiem tego samego kalibru — pozwala temu modelowi zrobić o tyle więcej, że to niewiarygodne.
Muszę to oczywiście testować dłużej. Nie mogę powiedzieć, że to ostateczne rozwiązanie. Ale na tę chwilę tak to czuję: nigdy nie potrzebowałem mocniejszego modelu, gdy używam tego harnessu. Tego samego nie mogę powiedzieć o Hermesie ani o open code. To zabójcza kombinacja. Muszę ten harness zrozumieć jeszcze lepiej. Na razie nie jest w pełni skończony, a mimo to działa zaskakująco dobrze.
Na waszym miejscu zacząłbym od wejścia na stronę harnessu DeepSeeka i przeczytania jej w całości. Jak mówiłem, zrobię o tym osobny film — ale oni zdecydowanie zarządzają tym wszystkim inaczej. To, co da się dziś osiągnąć tym harnessem w połączeniu z Qwenem 3.8 27B, robi wrażenie. To będzie od teraz mój nowy sposób pracy — muszę się przemigrować z Hermesa i nauczyć tego od nowa.
Dobra strona jest taka, że tego agenta już właściwie zbudowałem. Augmentor może być dodatkiem do Resonant OS — co znów pokazuje, jak ważne jest budowanie w formie dodatków czy, jak oni to nazywają, wtyczek, bo teraz łatwo dokładać nowe rzeczy. A w co sam nie mogę uwierzyć: zbudowałem to w stu procentach lokalną AI, bez potrzeby sięgania po mocniejszy system. Wszystko, o co prosiłem, zostało zrobione — bez gubienia wątku i tak dalej.
Jedna rzecz, którą chcę powiedzieć o DeepSeek Harness w połączeniu z Qwenem 3.8 27B: zużywają mnóstwo tokenów. Naprawdę mnóstwo. Ale efekt jest. Wiemy, że kierunek był taki: zwiększ czas myślenia, a wyniki będą lepsze. Tutaj dokładnie to się dzieje i jest to niesamowite.
Jakiego sprzętu potrzeba
Zobaczmy, jaki sprzęt jest potrzebny do uruchomienia tego modelu. Teoretycznie, według Qwena, wystarczy 12 GB pamięci. Docelowo — 48 GB. I zgadzam się co do tych 48 GB, bo zyskujesz wtedy większe okno kontekstu.
Ja mam 32 GB. Kwantyzacja Q6 zajmuje 25 GB — i patrzcie, tracę tylko 0,2% względem Q8. Kompromis jest więc całkiem akceptowalny. Przy Q5 tracisz trochę więcej: 1,4. Ktoś powie, że 1,4 to niedużo — a licząc od samej góry tracisz 1,6, co też nie jest tak wiele. Ale w moim wcześniejszym teście z wyszukiwaniem błędów Q6 znalazł o jeden błąd więcej niż Q5. To trochę irytujące.
Moja sugestia: jeśli zależy ci na większym oknie kontekstu, Q5 jest w porządku. Jeśli musisz wykonywać bardziej zaawansowaną pracę, przejdź na Q6.
Wyjaśniam to, bo ważne jest, żeby zrozumieć, gdzie leżą granice. Przy 16 GB zaczynasz sporo tracić. Przy 12 GB tracisz bardzo dużo. Tych dwóch wariantów nigdy nie próbowałem, więc nie powiem wam, ile dokładnie się traci — to musicie przetestować sami. Ale wiedząc, że absolutne minimum to 12 GB, docelowo chcesz być w okolicach 24, 32, a jeśli możesz — 48 GB.
Przepustowość, czyli druga połowa równania
Kolejny element, który trzeba wziąć pod uwagę: rozmiar pamięci decyduje o tym, czy model w ogóle się zmieści, ale szybkość jego działania zależy od przepustowości pamięci. Zestawiłem to tutaj — użyłem Perplexity do zebrania tych danych — dla wariantów 32 GB i 24 GB.
Przy 32 GB najlepszy jest 5090. Ma nieprawdopodobną przepustowość: 1792 GB/s. To oznacza, że na moim sprzęcie model pracuje z prędkością około 100–110 tokenów na sekundę. Radzi sobie znakomicie. Karta AMD osiąga 640 GB/s — czyli prawie trzy razy wolniej. To daje wyobrażenie, czego się spodziewać.
(Informacja dodatkowa: przepustowość pamięci przekłada się na prędkość generowania tokenów niemal wprost — przy każdym tokenie model musi przeczytać całość swoich wag z pamięci.)
Przy 24 GB VRAM mamy inne możliwości. Jest wariant z przyzwoitą przepustowością, a 3090 osiąga to samo. Zaletą 3090 jest to, że z drugiej ręki można je znaleźć znacznie taniej. Tu jest wersja 3090 Ti, a tu zwykły 3090 — różnica praktycznie żadna, nie ma to większego znaczenia. Z oferty AMD jest karta, która nadal jest w sprzedaży, nie jest tak droga jak tamte, a prędkość ma niemal na tym samym poziomie.
To są karty 24 GB. Gdybym był w Europie i mógł sobie na to pozwolić — dwie takie razem dają 48 GB. Przy 48 GB nie uruchamiałbym Q8. Wybrałbym Q6, ale ze znacznie większym oknem kontekstu. Miejcie na uwadze, że na moich 32 GB mam okno kontekstu 131 tysięcy tokenów; przy 48 GB dałoby się mieć chyba jakieś 260 tysięcy, co jest miłym bonusem. Pamiętajcie też, że Q8 będzie działać wolniej niż Q6, Q6 wolniej niż Q5 i tak dalej — przepustowość. To trzeba brać pod uwagę. Jeśli chcecie kupować nowy sprzęt, ta karta jest naprawdę dobra. Jeśli szukacie używanego — ta jest niezła.
Jeszcze jedno: ten model działa na DGX Sparku i osiąga tam, zależnie od kwantyzacji, około 20–30 tokenów na sekundę. Przy 30 tokenach na sekundę masz w praktyce system, który działa i nadaje się do użytku. Prawdopodobnie uruchomię go i przetestuję na moim GX10 — to wersja DGX Sparka od Asusa. Ma 128 GB pamięci, więc mogę go uruchomić z naprawdę dużym oknem kontekstu i w wielu instancjach jednocześnie. To byłaby przewaga.
Podsumowanie
Podsumowując: model nie jest tak dobry, jak bym chciał. Nie zrobił skoku, którego oczekiwałem i pragnąłem. Prawdopodobnie zobaczymy go dopiero przy czwartej wersji. Ale w połączeniu z DeepSeek Harness zobaczyłem coś, czego nie widziałem nigdy wcześniej. Za wcześnie na ostateczne sądy, ale przez ostatnie 24 godziny używałem tego intensywnie i ani razu nie poczułem, że potrzebuję większego modelu. Ani razu.
To każe mi myśleć, że coś się zmienia i że lokalna AI z każdym dniem zyskuje na wartości.
Jeśli interesuje was ten rodzaj treści i chcecie dołączyć do naszej społeczności — najpierw łapka i subskrypcja. W opisie znajdziecie link do naszego Discorda oraz artykuł, w którym wchodzę głębiej we wszystko, o czym tu mówię, wraz ze wszystkimi omawianymi linkami. Jeśli się uda, udostępnię też Augmentora napędzanego DeepSeek Harness. To rozszerzenie do przeglądarki — po jego dodaniu dostajecie taki panel boczny, który jest po prostu świetny. Naprawdę świetny.
Mówię „jeśli się uda”, bo brakuje jeszcze możliwości dodania własnego modelu. Na razie nie ma systemu konfiguracji, w którym wpiszecie własne API albo lokalny model. Owszem, przez kod dałoby się poprosić agenta, żeby model dodał — ale chcę, żeby dało się to zrobić przez interfejs, żeby każdy mógł po prostu wpisać swoje dane i uruchomić to lokalnie albo u dowolnego dostawcy chmurowego. Jeśli zdążę, wrzucę kod tego agenta do artykułu na Substacku. Jeśli nie — udostępnię go w najbliższym czasie.
Dzięki, że dotrwaliście do końca. Jeszcze raz: łapka i subskrypcja, obejrzyjcie następny film, dołączcie na Discorda. Ciao.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Harness bywa ważniejszy od modelu
Na czym polega: Ten sam lokalny model 27B raz wymagał przesiadki na model frontierowy, a raz — po zmianie harnessu — nie wymagał jej ani razu. Zmienna, która się zmieniła, to nie parametry modelu, lecz warstwa zarządzająca kontekstem, narzędziami i pętlą agentową.
Jak stosować: Zanim zainwestujesz w większy model albo mocniejszy sprzęt, przetestuj ten sam model na innym harnessie. To zmiana za darmo, a według doświadczeń autora potrafi dać więcej niż generacyjny skok modelu.
Na co uważać: To relacja opisana z jednego, 24-godzinnego doświadczenia jednej osoby, na jej własnym zestawie zadań. Autor sam podkreśla, że musi testować dłużej. Nie traktuj tego jak zmierzonego wyniku.
2.Benchmarki producenta a twoja praca to dwie różne rzeczy
Na czym polega: Karta benchmarkowa Qwena pokazuje skoki rzędu 100% i przeskok z 49,3 na 79 punktów. Własny test autora dał odczucie poprawy o jakieś 30%.
Jak stosować: Przygotuj sobie stały, powtarzalny zestaw zadań z własnej pracy (autor używa wyszukiwania błędów w kodzie) i puszczaj go przy każdej zmianie modelu. To jedyny wskaźnik, który mówi coś o twoim przypadku.
Na co uważać: Test autora był nieformalny i porównywał najpierw różne kwantyzacje — czyli mierzył dwie zmienne naraz. Jeśli powtarzasz taki test, zmieniaj po jednej rzeczy.
3.Kwantyzacja potrafi zjeść cały zysk z nowej wersji modelu
Na czym polega: Starszy Qwen 3.6 w Q6 znalazł o jeden błąd więcej niż nowszy 3.8 w Q5. Różnica na papierze między Q5 a Q6 wygląda niepozornie (ok. 1,4 vs 0,2 punktu straty względem Q8), ale w praktycznym zadaniu okazała się decydująca.
Jak stosować: Porównując modele, zawsze zestawiaj tę samą kwantyzację. Do zadań wymagających precyzji — analiza kodu, szukanie błędów — wybieraj Q6. Q5 rezerwuj na sytuacje, gdzie priorytetem jest większe okno kontekstu.
Na co uważać: „O jeden błąd więcej” w pojedynczym teście to obserwacja, nie dowód. Ale kierunek zależności jest sensowny i tani do zweryfikowania u siebie.
4.Okno kontekstu to nie tylko liczba tokenów, ale też sposób gospodarowania nimi
Na czym polega: Te same 131 tysięcy tokenów w DeepSeek Harness starczają na dużo dłuższą pracę. Autor podaje sesję z 38 milionami tokenów wejściowych, która wciąż działała, dzięki solidniejszemu kompaktowaniu i śledzeniu wykonanych czynności.
Jak stosować: Jeśli twoje długie sesje agentowe rozpadają się w połowie, szukaj rozwiązania w mechanice kompaktowania, a nie w większym oknie kontekstu.
Na co uważać: Autor otwarcie mówi, że sam nie rozumie, jak to działa, i musi doczytać. Nie przyjmuj mechanizmu na wiarę — sprawdź, czy w twoim scenariuszu też się utrzymuje.
5.„Developer preview” oznacza realne awarie — sprawdź, czy dasz radę je znieść
Na czym polega: DeepSeek Harness bywa niekompletny i czasem wykonuje kompaktowanie w złym momencie, co wywala sesję. Powrót polega na poleceniu „wznów pracę”.
Jak stosować: Jeśli konsekwencją awarii jest tylko jedna komenda, ryzyko jest do przyjęcia nawet w codziennej pracy. Wyrób sobie nawyk częstych commitów, żeby crash nigdy nie kosztował więcej niż kilka minut.
Na co uważać: Nie wystawiaj na tym niczego produkcyjnego ani zadań uruchamianych bez nadzoru — wersja podglądowa może się zmienić między wydaniami w sposób, na który nie jesteś przygotowany.
6.Architektura wtyczkowa jest kryterium wyboru narzędzia, nie ozdobnikiem
Na czym polega: Autor wybiera narzędzia po tym, czy da się w nich wymienić pamięć, głównego agenta i pozostałe elementy. Dzięki temu jego agent Augmentor od razu daje się podpiąć jako dodatek do Resonant OS.
Jak stosować: Oceniając harness lub framework agentowy, sprawdź konkretnie: czy podmienisz warstwę pamięci, czy podmienisz model, czy dołożysz własne narzędzie bez forka. Jeśli którakolwiek odpowiedź brzmi „nie”, policz koszt późniejszej migracji.
Na co uważać: Deklaracja „wszystko jest wtyczką” na stronie projektu to marketing do czasu, aż sam napiszesz i podepniesz jedną wtyczkę. Zweryfikuj to na małym przykładzie.
7.Model licencyjny i biznesowy dostawcy to ryzyko techniczne
Na czym polega: Autor porzucił Hermesa nie z powodów technicznych — dalej uważa go za fantastyczny system — lecz dlatego, że wprowadzenie subskrypcji zmieniło jego pozycję z gospodarza na gościa. DeepSeek Harness wybrał między innymi za licencję MIT: wolno go używać, modyfikować i wdrażać komercyjnie.
Jak stosować: Sprawdzaj licencję zanim zbudujesz na czymś swój stały sposób pracy. Przy narzędziach, na których opierasz codzienną pracę, licencja permisywna realnie ogranicza ryzyko.
Na co uważać: Migracja i tak kosztuje — autor sam mówi, że musi się przemigrować i nauczyć nowego narzędzia od zera. Sama licencja nie unieważnia tego kosztu, tylko daje ci prawo do wyjścia.
8.Jakość agenta kupujesz tokenami
Na czym polega: Zestaw DeepSeek Harness plus Qwen 3.8 zużywa bardzo dużo tokenów. Autor uznaje to za akceptowalną cenę — dłuższe myślenie przekłada się na lepszy wynik.
Jak stosować: Lokalnie tokeny kosztują prąd i czas, nie pieniądze za API, więc ten kompromis wypada tu znacznie korzystniej. To jeden z mocniejszych argumentów za lokalnym uruchomieniem w zadaniach agentowych.
Na co uważać: Jeśli podłączysz ten sam harness do modelu przez API, ten sam zużywający dużo tokenów wzorzec przełoży się wprost na rachunek. Zmierz koszt na jednym zadaniu przed skalowaniem.
9.Przy zakupie sprzętu licz osobno pojemność i osobno przepustowość
Na czym polega: Pojemność VRAM decyduje o tym, czy model i okno kontekstu się zmieszczą; przepustowość decyduje o prędkości. 5090 z 1792 GB/s daje 100–110 tokenów na sekundę, karta AMD z 640 GB/s jest prawie trzykrotnie wolniejsza przy tym samym modelu.
Jak stosować: Minimum to 12 GB, sensowny zakres to 24–32 GB, docelowo 48 GB. Przy 48 GB autor radzi wybrać Q6 z dużo większym oknem kontekstu (ok. 260 tys. tokenów) zamiast Q8. Z drugiej ręki 3090 daje dobry stosunek ceny do przepustowości.
Na co uważać: Wyższa kwantyzacja działa wolniej — Q8 wolniej niż Q6, Q6 wolniej niż Q5. Zysk na jakości płacisz prędkością. Autor przyznaje też, że wariantów 12 i 16 GB nigdy nie testował.
10.Około 30 tokenów na sekundę to próg używalności
Na czym polega: Na DGX Sparku model osiąga 20–30 tokenów na sekundę. Autor uznaje, że przy 30 masz system, który realnie nadaje się do pracy — mimo że to trzykrotnie mniej niż na 5090.
Jak stosować: Traktuj to jako minimalną poprzeczkę przy ocenie konfiguracji. Sprzęt typu DGX Spark ze 128 GB pamięci rekompensuje niższą prędkość bardzo dużym oknem kontekstu i możliwością uruchomienia wielu instancji naraz.
Na co uważać: To liczba z zapowiedzi, nie z własnego testu autora — sam mówi, że dopiero zamierza to sprawdzić na swoim GX10. Przy pracy agentowej zużywającej mnóstwo tokenów niższa prędkość boli bardziej niż w zwykłym czacie.