O czym jest ten film
- W erze AI szumu przybywa szybciej niż wartościowych informacji, a czas i uwaga inżyniera to zasoby, które warto chronić — autor pokazuje system filtrujący newsy automatycznie.
- Główna teza: najlepsi inżynierowie przechodzą od pracy „w pętli”, przez „blisko pętli”, do „poza pętlą” — bo agenci potrafią dziś przejąć 80% lub więcej bieżących zadań.
- Recepta na agenta proaktywnego: trwały agent (stan zapisany w bazie danych) plus wyzwalacz w izolowanym środowisku; taki agent pracuje sam, a na człowieka tylko czeka.
- Demo: kurator newsów AI działający na Macu mini M4, dostępny z przeglądarki, terminala i CLI jako „odłączeni klienci” jednego trwałego rdzenia.
- Metoda porządkowania informacji w trzy wiadra: hype (emocje bez pokrycia), fakt (prawda, ale jeszcze nie do wykorzystania) i sygnał (informacja, na którą można zareagować teraz).
- Architektura warstwowa: harmonogram cron → API → trwały agent na Pi Durable, bazy SQLite, tani klasyfikator Jev oraz SDK współdzielone przez wszystkie interfejsy.
- Przepływ przetwarzania: zbieranie → bramkowanie → deduplikacja → ranking → decyzja agenta, co trafi na ekran; kandydatów jest maksymalnie siedem na cykl.
- Pętla zwrotna: głosowanie kart w górę i w dół oraz rozmowa z agentem („podnieś wagę Gemini”) zmieniają wagi słów kluczowych i źródeł — czyli feed uczy się gustu użytkownika.
- Ekonomia tokenów: tanie modele (Jev, GPT-6 Luna, Haiku 5.5, DeepSeek V4.1 Flash) bramkują droższe wywołania, dzięki czemu agent działający co minutę prawie nie podnosi rachunku.
- Na końcu promocja autorskiego produktu „agentic engineering” fazy trzeciej: zapisy przedpremierowe trwają, premiera pod koniec listopada.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Sortuj napływające informacje na hype, fakt i sygnał
Na czym polega: Autor dzieli każdą nową informację na trzy kategorie. Hype to szum napędzany emocjami, fakt jest prawdziwy, ale niekoniecznie użyteczny, a sygnał to coś, na co możesz zareagować już dziś.
Jak stosować: Przy przeglądaniu newsletterów, kanałów i portali zadawaj jedno pytanie: „Czy to zmienia moją najbliższą decyzję?”. Jeśli nie — to co najwyżej fakt, może poczekać; jeśli tylko rozgrzewa emocje — wyrzuć.
Na co uważać: Fakt może być imponujący i wciąż bezużyteczny (np. wielki zbiór dowodów matematycznych): prawdziwość nie jest równoznaczna z przydatnością. Nie pozwól, by ciekawość zajmowała okno uwagi zarezerwowane dla działania.
2.Sygnał definiuj przez możliwość działania, nie przez ważność tematu
Na czym polega: W demo sygnałem okazuje się premiera modelu dostępnego od razu przez API — bo można ją wykorzystać natychmiast, a nie dopiero „kiedyś”.
Jak stosować: W audycie swoich źródeł informacji oznacz każdą pozycję według tego, czy pozwala działać w tym tygodniu. Tylko te trzymaj na wierzchu; resztę przenieś do archiwum lub usuń.
Na co uważać: Sygnał jest względny: to, co pilne dla programisty modeli, bywa szumem dla kogoś innego. Buduj własną definicję zamiast kopiować cudze listy „najważniejszych”.
3.Agent proaktywny to trwały agent plus wyzwalacz w sandboxie
Na czym polega: Konkretny przepis z filmu: agent, którego stan przeżywa restarty dzięki bazie SQLite, uruchamiany cyklicznie (co minutę przez crona) w odizolowanym środowisku. Nie czeka na polecenia — wykonuje pracę, a potem czeka na odbiór wyników.
Jak stosować: Wybierz jedno powtarzalne zadanie (np. przegląd newsów, monitoring alertów), zaprojektuj je jako cykliczny przepływ z zapisem stanu w bazie i udostępnij przez API, żeby mieć dostęp z dowolnego urządzenia.
Na co uważać: Bez trwałości i izolacji to zwykły skrypt: awaria w środku cyklu pożera wyniki, a brak sandboxa naraża resztę infrastruktury na błędy agenta.
4.Mierz swoje umiejętności skalą: w pętli — blisko pętli — poza pętlą
Na czym polega: Autor proponuje model dojrzałości pracy z agentami: najpierw człowiek wykonuje każdy krok, potem tylko odbiera wartość i daje feedback, wreszcie system działa w pełni sam. Liczba autonomicznych wątków pracy działających całą dobę jest jego zdaniem bezpośrednią miarą rzemiosła.
Jak stosować: Zrób tygodniowy przegląd zadań i podziel je na trzy grupy: wykonane ręcznie, jedynie zatwierdzone oraz zrobione bez twojego udziału. Celuj w systematyczne przesuwanie zadań w prawo tej skali.
Na co uważać: Skok od razu do pełnej autonomii zwykle kończy się chaosem i spalonymi tokenami. Pośredni stopień — „blisko pętli” — to bezpieczna droga, bo pozwala korygować kurs, zanim system zaszyje się w błędzie.
5.Stawiaj tani klasyfikator przed drogim modelem
Na czym polega: W całym potoku przetwarzania pierwszą selekcję robi Jev — bardzo tani i szybki klasyfikator (poniżej pół sekundy na wywołanie). Dopiero on przepuszcza treści do droższych modeli językowych, co trzyma koszty w ryzach mimo pracy co minutę.
Jak stosować: W każdym potoku z dużą ilością danych wstaw najpierw punktowanie lub klasyfikację tanim modelem, a kosztowne rozumowanie rezerwuj dla wąskiej grupy kandydatów, które przeszły filtr.
Na co uważać: Nawet groszowe wywołania uruchamiane co minutę potrafią urosnąć do zauważalnej kwoty. Pilnuj zużycia tokenów od pierwszego dnia i miej próg alarmowy.
6.Jeden trwały rdzeń, wielu odłączonych klientów
Na czym polega: Przeglądarka, interfejs terminalowy, CLI i cron to w tej architekturze wyłącznie cienkie klienty, które odpytują to samo API. Stan i logika siedzą w jednym miejscu — na Macu mini albo w chmurowym sandboxie — dzięki czemu wszystko jest zawsze zsynchronizowane.
Jak stosować: Traktuj agenta jak usługę: rdzeń z bazą danych plus osobne, proste interfejsy dla różnych sytuacji użycia. Wtedy z każdego urządzenia widzisz to samo i masz pełną historię wykonań.
Na co uważać: Jeśli stan zacznie „uciekać” do klientów (lokalne cache, sesje), pojawią się rozjazdy danych. Klienci mają zostawać głupi i lecy — cała inteligencja i pamięć należą do rdzenia.
7.Zbuduj koło napędowe danych wokół decyzji użytkownika
Na czym polega: Każdy głos w górę lub w dół nad kartą newsa to realna informacja o gustie. System przenosi ją do algorytmów rankingowych, więc im dłużej z niego korzystasz, tym lepiej feed odpowiada twoim priorytetom.
Jak stosować: Projektując własny produkt, spraw, by każda interakcja (klik, głos, odrzucenie) modyfikowała wagi — słów kluczowych, źródeł, kategorii. Feedback musi trafiać do trwałych ustawień, nie ginąć w logach.
Na co uważać: System uczący się wyłącznie z twoich głosów z czasem może zawęzić perspektywę do jednej niszy. Od czasu do czasu celowo dosypuj tematy spoza głównej ścieżki, żeby nie stracić szerszego kontekstu.
8.Konfiguruj agenta rozmową, a nie klikaniem po ustawieniach
Na czym polega: Zamiast grzebać w panelu, autor pisze do agenta naturalnym językiem: „zwiększ wagę Gemini; jeśli brak takiego słowa kluczowego, dodaj je”. Agent kolejkuje zadanie, edytuje plik ustawień i podnosi wagę z 1,2 na 1,3 — zmiana działa we wszystkich kolejnych cyklach.
Jak stosować: Daj agentowi narzędzie do edycji własnej konfiguracji i traktuj rozmowę jako główny interfejs strojenia. To skraca drogę od spostrzeżenia („to mnie interesuje”) do zmiany w systemie.
Na co uważać: Jasno ogranicz, co agent może modyfikować — biała lista parametrów rankingowych tak, klucze API czy uprawnienia już nie. Swoboda edycji własnego „gustu” nie może otwierać drzwi do reszty systemu.
9.Dawaj agentom wąski, celowy zestaw narzędzi
Na czym polega: Newsowy agent nie czyta plików i nie dotyka kodu. Ma dziesięć specjalistycznych akcji: przebieg po newsach, lista kandydatów, czytanie pozycji, przeszukiwanie sieci, scrapowanie URL, badanie źródeł, klasyfikacja przez Jev, prezentacja newsów, oś czasu i pytanie o gust.
Jak stosować: Przy projektowaniu agenta produktowego definiuj akcje pod konkretną domenę zamiast ogólnych uprawnień. Unikalne akcje to też przewaga: trudno je skopiować razem z kodem.
Na co uważać: Szeroki zestaw możliwości zwiększa ryzyko pomyłki i koszt każdego cyklu. Zanim dodasz narzędzie, sprawdź, czy na prawdę jest potrzebne do zadania, które agent ma wykonywać.
10.Deduplikuj semantycznie, nie tylko hashem treści
Na czym polega: W przepływie deduplikacja działa dwustopniowo: najpierw hash zawartości (najtańsze), a gdy on nie rozstrzyga — klasyfikator ocenia, czy to ta sama historia opowiedziana innymi słowami lub w innym źródle.
Jak stosować: W każdym agregatorze lub monitoringu łącz oba mechanizmy: hash łapie identyczne duplikaty, podobieństwo znaczeniowe łapie te, które unikły prostego porównania. Weryfikację „czy to fakt” rób dopiero na odfiltrowanej, unikalnej liście.
Na co uważać: To samo wydarzenie relacjonowane w kilkunastu wersjach ominie każdy hash — bez drugiej warstwy feed zaleje ci powtórka jednej historii i cała oszczędność na tokenach pójdzie w analizowanie tych samych treści.
Redakcyjne tłumaczenie
Szum zagłusza sygnał
Cześć, inżynierowie — tu IndyDevDan. W czasach AI szumu jest już wykładniczo więcej niż wartościowych informacji: clickbait, przereklamowane technologie i nieustanne wyłudzanie uwagi. Pewnie sami to znacie — ja na pewno. Dla inżyniera czas i uwaga to najcenniejsze zasoby, jakie ma. W tym odcinku pokażę, jak oddzielam hype od faktów i sygnału za pomocą jednej, moim zdaniem kluczowej, wschodzącej technologii: agentów proaktywnych.
Najważniejsza jest jednak lekcja nadrzędna — ważniejsza niż narzędzia, których użyjemy. Najlepsi inżynierowie przechodzą dziś od pracy „w pętli”, przez „blisko pętli”, do „poza pętlą”. Dlaczego ta zmiana ma takie znaczenie? Bo przy odpowiednim zapleczu technicznym agenci potrafią samodzielnie wykonać osiemdziesiąt procent albo więcej z tego, co robicie teraz ręcznie. Kłopot w tym, że skok z „w pętli” prosto do „poza pętlą” rzadko się udaje. I właśnie tę lukę wypełniają agenci proaktywni. Taki agent nie czeka, aż zaczniesz pracować. Najpierw pracuje za ciebie, a dopiero potem czeka. Kiedy masz chwilę, wchodzisz, odbierasz wartość, dajesz feedback i zajmujesz się swoim.
(Informacja dodatkowa: „człowiek w pętli” — human in the loop — to model współpracy z AI, w którym każdy krok systemu wymaga zatwierdzenia lub promptu ze strony człowieka.)
Jeśli chcesz podnieść swoje rzemiosło agentowe tą drogą — zostań z nami i przefiltrujmy hałas razem z trwałym agentem newsowym. A co, gdyby twój agent nigdy się nie zatrzymywał?
Agent, który nie czeka na polecenia
Uruchommy aplikację. Po jednej stronie typowy agent, po drugiej interfejs generowany na żywo. Widać, że nasz kurator właśnie wyłapał pełne uruchomienie Gemini 4 Argon w API Google. Na pierwszy rzut oka nic specjalnego — można pomyśleć, że to odtworzenie ChatGPT. Nie tak prędko.
Do tego agenta mam dostęp na dwa sposoby, i zwróćcie uwagę: nie pracuję na urządzeniu, na którym patrzę. Wgląd mam w adres URL prowadzący do mojego Maca mini M4. Czyli przeglądarka, którą oglądamy, to klient odłączony. Idźmy dalej, bo o to właśnie chodzi w proaktywności — ten agent nie czeka na mnie. Otwórzcie mój terminal: dzieje się tam coś naprawdę ciekawego. Agent w terminalu i agent w przeglądarce są zsynchronizowane. Dlaczego? Bo oba to wyłącznie klienci. Prawdziwy agent działa na Macu mini. Przeglądarka i interfejs terminalowy — oba oparte na modelu GPT-6 Luna — łączą się z trwałym agentem uruchomionym bezpośrednio na M4. I widać to goło w oko: ręce mam z dala od klawiatury. Co minutę, w każdym cyklu harmonogramu, praca po prostu się wydarza. System nie czeka, aż zacznę działać — działa dla mnie i czeka na kolejne uruchomienie.
Ten agent jest proaktywny, wmontowany w system, bardziej przypomina produkt, który funkcjonuje beze mnie, ale dla mnie. A definicja jest banalnie prosta: agent proaktywny to agent trwały plus wyzwalacz, zamknięte w izolowanym środowisku. Mogę teraz bez końca klikać odświeżanie i dostawać najświeższe dane. Trwałość oznacza, że wszystko opiera się na bazach SQLite — a właściwie na dowolnej bazie, jaką wybierzecie. To, na co patrzymy, to tylko klient: cienki interfejs do API, a w nim siedzi właściwy, trwały agent.
To był temat zeszłotygodniowego odcinka, w którym budowaliśmy dyżurnego agenta od incydentów — również proaktywnego. I wracam do tego tematu tydzień po tygodniu, bo to technologia o wysokiej wartości, krytyczna dla przejścia od „w pętli” (gdzie jesteśmy teraz), przez „blisko pętli”, aż po pełne „poza pętlą” — co zawdzięczamy rosnącej inteligencji modeli i spadającym kosztom.
Ten system chodzi u mnie od ponad doby. Bez przerwy zbiera newsy i je przesiewa, a Jev odgrywa w potoku kluczową rolę bramki przed droższymi wywołaniami modeli. Nawet bardzo tani model Luna to wciąż wywołanie językowe, które zjada tokeny, moc obliczeniową — a więc i pieniądze. Dlatego na przedzie stoi Jev: bramkuje, filtruje, wybiera właściwe kawałki informacji. Dzięki temu przejście od „w pętli” do „poza pętlą” robi się płynne. System pracuje dla mnie beze mnie.
Trzy wiadra: hype, fakt, sygnał
Interfejs jest dość standardowy — agent po jednej stronie, generowany ekran po drugiej, do tego ładna oś czasu. Za chwilę rozbiorę funkcjonalność na czynniki pierwsze, bo dziś ważniejsze jest to, JAK coś jest zbudowane, niż CO budujesz. Kod jest już praktycznie darmowy i bez końca kopiowalny — pokazuje to cała moda na odgryzanie cudzych rozwiązań, pokazują to też matematycy, którzy dostali od OpenAI ogromny zbiór dowodów. Teraz liczą się twój gust, twój osąd i umiejętność projektowania systemów o unikalnych właściwościach.
Zanim przejdziemy do architektury agenta, który wyłapuje newsy warte twojej uwagi (akurat dostaję mnóstwo wpisów o premierze Gemini 4 Argon — świeżynka, którą system sam mi przyniósł, nie musiałem jej szukać), opowiem, jak przyłożyłem do tego własny gust i doświadczenie.
W głowie dzielę nadchodzące informacje na trzy wiadra: hype, fakty i sygnał. Hype to nadmiar uwagi i wzrost zainteresowania napędzany emocjami bez pokrycia — sam temat z natury rzuca się w oczy i podnieca. Dalej mamy fakty: one są obiektywnie prawdziwe. To bliski kuzyn sygnału, ale warto ich nie mylić, bo nie każdy fakt jest informacją, na którą da się realnie zareagować. Przykład: OpenAI wypuściło ten wielki zbiór dowodów matematycznych. Czy ty, inżynier, możesz na tym dziś coś zbudować? Nie bardzo. A jednak jest to wspaniałe i prawdziwe — nadchodzi nowa fala matematyki, która w przyszłości odblokuje sporo dla nas wszystkich. Ale to fakt, na razie nie sygnał. No i sygnał: coś, na co możesz zareagować tu i teraz. Gemini 4 Argon to nowy model językowych rozumowań, stan obecnej techniki, dostępny przez API — możesz go użyć już dziś. Zapowiedź pojawiła się z tydzień temu, a właśnie w chwili nagrywania doszło pełne udostępnienie. To informacja, na którą można działać. I tak właśnie filtruję szum w erze AI.
Architektura warstwowa
Mając taki osąd — czyli zastosowany w praktyce gust — mogę zbudować architekturę, która go odwzorowuje. Widzicie wynik końcowy, ale chcę pokazać, dlaczego inżynieria oprogramowania wciąż się liczy i dlaczego mieć opinię oraz wizję produktu jest ważniejsze niż kiedykolwiek — zwłaszcza że wszyscy dookoła kopiują, odgryzają cudze rozwiązania i wypluwają byle co, co im strzeli do głowy.
Całość wygląda tak: harmonogram cron odpala API, a API to nasze newsowe biuro — trwały agent na Pi Durable. Szczegóły Pi Durable rozkładaliśmy na części w zeszłym tygodniu; odcinek zbiera sporo wejść i słusznie, bo coraz więcej inżynierów łapie ten koncept. Temat jest na tyle istotny, że musiałem go powtórzyć tydzień po tygodniu — to dla mnie informacja najwyższej próby. Pi Durable pozwala tworzyć trwałe zadania, wszystko wyzwalane przez API, wszystko odizolowane. To mój Mac mini — mogę to wdrożyć gdziekolwiek, i wdrożyłem. Wcześniej działaliśmy na lokalnym adresie; ta instancja chodzi w sandboxie exe.dev, jest skupiona na innym zbiorze tematów (między innymi „muse”), sama zadaje mi pytania. To tzw. dwukierunkowy system promptów: ja odpytuję ją, ona odpytuje mnie — i buduje własny, odrębny feed, całkowicie osobny od feedu na M4, który jest lepiej dostrojony. Testuję więc na Macu i w chmurze; „odłączeni klienci” to hasło przewodnie pracy z trwałymi agentami. I ta machina po prostu toczy się dalej. Dostęp mam z interfejsu terminalowego, z CLI i z przeglądarki. Całość to aplikacja klient-serwer z wyraźnie rozdzielonymi, ruchomymi częściami.
(Informacja dodatkowa: exe.dev to serwis zdalnych środowisk-sandboxów, pozwalający uruchamiać aplikacje poza własnym sprzętem, bez prowadzenia serwera.)
Budowa jest warstwowa. Na spodzie bazy SQLite. Wyżej Pi Durable — pozdrowienia dla Mario i Armina. Na tym fundamentcie trwały agent, moja autorska implementacja, wystawiony przez API. Obok Jev, który wykonuje mnóstwo klasyfikacji, filtrowania i rankingu za grosze. A na końcu SDK, z którego korzystają przeglądarka, interfejs terminalowy, cron i CLI. Buduję więc architekturę przenośną między zastosowaniami, projektowaną od pierwszej linijki „pod agenta proaktywnego”. Bo kiedy siadam coś tworzyć, nie chodzi tylko o „to coś” — chodzi o sposób, w jaki jest zrobione, o całą konstrukcję dokoła.
W erze AI nie brakuje strachu, niepewności i zwątpienia. Coraz głośniej mówi się, że generowanie kodu jest już rozwiązane, że matematyka jest rozwiązana, że inżynieria oprogramowania jest rozwiązana. Zupełnie się z tym nie zgadzam. Nadal będą potrzebni ludzie z rękami na klawiaturze, którzy doprowadzą do właściwych rezultatów: wybiorą właściwą architekturę, zadanają właściwe pytania i poprowadzą modele we właściwym kierunku. Oczywiście, są poziomy zaawansowania — na tym kanale nieustannie o tym mówimy — ale nie traćcie wiary w swoje umiejętności. Robicie to od lat, ja uprawiam inżynierię od ponad piętnastu lat. Agenci weszli właśnie na scenę. To nowe narzędzie — tyle. Traktujcie je jak narzędzie. Nie dajcie się tak przerazić, żeby przestać dowozić efekty, bo z właściwym zestawem narzędzi zdziałacie dziś więcej niż kiedykolwiek.
Przepływ pracy: zbierz, odfiltruj, deduplikuj, uszereguj
Jak to działa w praktyce? Oto deweloperski przepływ. Na najwyższym poziomie uruchamia się nowy cykl zbierania (u mnie co minutę, więc danych przychodzi mnóstwo). W jego ramach leci zadanie: zbieramy, bramkujemy, deduplikujemy, rankujemy. Wracają kandydaci, a trwały agent — na podstawie rankingów — decyduje, co faktycznie trafi na ekran. Tyle architektury. A Jev siedzi w każdym z tych punktów.
To znakomity sposób na klasyfikowanie dużych ilości tekstu na wiele sposobów naraz. Jev jest, jak wiecie, bardzo tani, niezawodny i szybki. Możecie sobie taki komponent napisać sami — ja wolę oszczędzić czas i wziąć gotowego, to dobry klasyfikator ogólnego przeznaczenia. Duże wolumeny informacji przerabiamy w czasie poniżej pół sekundy na wywołanie. Przykładowe pytania, które mu zadajemy: czy ten news jest istotny? Czy to duplikat? Czy to ta sama historia? Jeśli treści nie da się porównać hashem — a zaczynamy zawsze od hasha zawartości — klasyfikator jest znakomitym zabezpieczeniem. Dalej: weryfikacja doniesienia — czy to faktycznie fakt; zestawiamy wiele źródeł i sprawdzamy, gdzie się pokrywają. A na końcu sama prezentacja.
W pętli, blisko pętli, poza pętlą — miara twoich umiejętności
I tu dochodzimy do wielkiej idei, nadrzędnej lekcji tego, co pokazuję. Chcemy przejść od „w pętli” przez „blisko pętli” do „poza pętlą”. W tym rzecz dla inżynierów agentowych, bo to bezpośrednia miara umiejętności. Nie chodzi o siedzenie w terminalu i wyćwiczanie się w wymianie promptów — powtarzam to już milion razy. Prawdziwa przewaga to właśnie ten ruch: w, blisko, poza. Co on oznacza? Że masz więcej autonomicznych systemów pracujących na twoje Konto przez całą dobę, wykonujących prawdziwą robotę. Oczywiście tokeny, które zużywasz, muszą przynosić pożytek — kod, który piszesz, i to, co uruchamiasz, musi być użyteczne. Dokonując tego przejścia, podnosisz poziom własnego rzemiosła: przybywa wątków pracy działających w twoim imieniu, nocą i dniem. To nowy model myślenia, który polecam inżynierom: najpierw jesteś w pętli, potem blisko niej, w końcu zupełnie poza nią. I mam nadzieję, że widzicie, jak ten system jest dosłownym wcieleniem tamtego modelu.
Koło napędowe danych — funkcje produktu
Przejdźmy od inżynierii i architektury do tego, co widać na ekranie — do funkcji.
Jedną rzecz powinien dziś robić każdy w swoim oprogramowaniu: budować koło napędowe danych. Chodzi o pętlę zwrotną między działaniami użytkowników a tym, jak kod i agenty biorą ten feedback i ulepszają produkt. Newsy — zbieranie i przesiewanie informacji — są do tego znakomitym przykładem. Nie przypadkiem ćwiczę na tym przypadku: mogę wejść i zagłosować kartą w górę albo w dół. To prawdziwa informacja o tym, jaki sygnał i jakie fakty są dla mnie ważne.
Mogę po prostu dać łapkę w górę i wzmocnić w algorytmach rankingowych doniesienie o premierze modelu. Kliknięcie otwiera pełny link — można przeczytać i zanurkować w szczegóły. Widać, jak sprzedawany jest nam tu benchmark w stylu „zaufaj mi, bracie”, a w oficjalnym poście jest pewnie znacznie więcej. Oficjalne komunikat Google DeepMind sprzed 35 minut mogę otworzyć i przejrzeć — nagrywam w idealnym momencie: proaktywny cykl właśnie wyłapał premierę i zasila nią feed. Zobaczymy, czy ten model da nam coś unikalnego, ale to informacja, na której mi zależy. A klasyfikator Jev ocenił: „tak, to głównie sygnał, sporo faktów — nowa premiera modelu”. Nie ma o co kruszyć kopii. Do tego odrobina hype’u — 66 na 100 — bo laboratoria zawsze muszą nagrzewać swoje premiery. Czyli ocena bardzo sensowna.
To jedna z kluczowych funkcji: łapka w górę wzmacnia ważność tematu w rankingu. Zróbmy to na żywo. Przekażę do agenta: „zwiększ wagę Gemini; jeśli takie słowo kluczowe nie istnieje, dodaj je”. Mówię do agenta bezpośrednio, komunikat trafia do kolejki — akurat kończy cykl zbierania, więc mój wpis pojawi się za moment. No i jest. Widzę swoją wiadomość, mogę się do niej od razu odwołać: zwiększ wagę Gemini, a jeśli brak — dodaj słowo kluczowe. I proszę: kolejkuję się zadanie, agent czyta moje pliki gustu. To cała konfiguracja systemu. W ustawieniach widać wszystkie obserwowane słowa kluczowe i linki, z których maszyna normalnie korzysta — wszystko da się tu stroić i dostosowywać. Sprowadzanie informacji to kwestia wag: na czym zależy ci najbardziej? System pozwala mi podbijać i ściskać ważność tego, co do mnie dociera. I zobaczcie: agent wyedytował słowo kluczowe, podniósł wagę Gemini z 1,2 na 1,3. We wszystkich kolejnych przebiegach będzie wiedział, że to temat ważny dla mnie osobiście.
Czym więc właściwie jest ta aplikacja? To feed newsów o wysokiej wartości, skrojony pod mój gust, napędzany pętlą zwrotną między mną a moimi trwałymi agentami — konkretnie całą moją architekturą trwałych agentów. Właśnie przyszedł nowy wpis: „Bankowi nadzorcy zaostrzają nadzór nad AI”. Trochę sygnału, trochę faktów — ale mogę się tego pozbyć. Jest tam może coś istotnego, jednak po prostu zminusuję i wypada z mojego strumienia. To naprawdę ważna funkcja: mogę dowolnie regulować, co ma do mnie docierać. Twój sygnał — to, na czym ci zależy — wymaga dostrajania. Widać listę tematów, dla stałych widzów kanału wszystkie oczywiste. Są też źródła — zaczynam stroić wagi stron. Pozdrowienia dla Hacker News, Latent Space, Pi, Claude Code, Anthropic Codex, OpenAI i Simona Willisona.
(Informacja dodatkowa: Simon Willison i Latent Space to cenione wśród inżynierów AI źródła komentarza i analiz, często wyznaczające agendę dyskusji o modelach językowych.)
Wąski zestaw narzędzi agenta
Całość zasila agent z autorskim zestawem narzędzi. To ważne dla inżynierów tkwiących po uszy w czystym inżynieringowym światku: budujcie produkty, w których agenty mają unikalne akcje — powinny umieć rzeczy, które wyróżniają wasze rozwiązanie. Ten newsowy agent nie czyta plików i nie zmienia kodu. Ma konkretne narzędzia do zbierania, filtrowania i kuratorowania informacji: uruchom przebieg newsowy, wypisz kandydatów, przeczytaj pozycje, przeszukaj sieć, zescrapuj adres, zbadaj pozycje, sklasyfikuj przez Jev (potężne pozdrowienia dla Jev i zespołu Type Safe), przedstaw newsy, przedstaw oś czasu, zapytaj o gust — i tak dalej. To wszystko narzędzia zbudowane w moim harnessie, czyli oprawie, w której agent dostaje gotowe funkcje do wywoływania — stworzone z agentem „w pętli”, żeby system mógł wstać na nogi. Buduję system, który buduje systemy. Po to w ogóle wchodzisz w pętlę: po to, żeby pracować nad czymś, co będzie pracować dla ciebie przy coraz mniejszej dawce twojej uwagi. Chcesz być blisko pętli albo poza nią — i spędzać w niej coraz mniej czasu. To jest wielki, nadrzędny motyw.
Mamy więc porządny zestaw narzędzi i właśnie wpadły dwie nowe pozycje — dwa świeże wpisów z Hacker News. Po lewej widać słowa kluczowe: „coding agents” i „agentic engineering”. Wygląda obiecująco. A agent po prostu będzie działał dalej: tyknięcie co minutę, maksymalnie siedem kart, ranking przez Jev. System jest bardzo potężny, świetna aplikacja. Trwałego agenta stawiam na Pi Durable — jak w zeszłym tygodniu; kto chce zgłębić tę konkretną implementację, odsyłam do tamtego odcinka. I pozdrowienia dla agenta Pi, mojego ulubionego open-source’owego narzędzia do kodowania z agentami. Bo zgadnijcie: mam kontrolę, mogę go dostosować i rozszerzać, jak chcę. Dokładnie tak samo jest z ich implementacją trwałego agenta. I to jest nowa zmiana myślenia, którą odblokowują trwali agenci: tworzą ten środkowy stopień — ułatwiają przejście od „w pętli” do „poza pętlą”. To centralna idea produktu „agentic engineering” fazy trzeciej, który buduję teraz dla zaawansowanych inżynierów pracujących z agentami każdego dnia. Link w opisie, wczesna rejestracja dostępna — nie przegapcie, bo ten skok do „poza pętlą” to naprawdę dźwignia narastająca jak procent składany, ośmielę się powiedzieć: wykładnicza — waszych możliwości inżynierskich. Pierwsze oznaki widać już dziś, wystarczy przyswoić sobie pracę „blisko pętli”. Najpierw jesteś w pętli, potem blisko niej — mniej czasu — w końcu całkiem poza nią. I na każdym poziomie (to nie jest pisanie kodu „na czucie”, to nie vibe coding) rośnie wymóg, żebyście umieli ten system zaprojektować tak, by był użyteczny i działał bez was. Tak samo przy „blisko pętli”. To nowa rama umysłowa, którą polecam inżynierom. I to jest kierunek — da wam najwięcej dźwigni, ale musicie dokonać tego przejścia: w, blisko, poza.
Trwali agenci to fundament
Na niższym poziomie zostaje główny motyw: trwali agenci są potężni. Ten newsowy kurator i zeszłotygodniowy agent od incydentów na dyżurze to konkretne przykłady, jak wygląda zbudowanie systemu agentowego w konkretny sposób, z konkretnym rezultatem, który działa dla ciebie beze ciebie. System będzie toczył się dalej: wszystkie wykonania i wszystkie ślady operacji mamy zmapowane, można w dowolnej chwili wejść i prześledzić. Mamy porządne ustawienia z ważonymi słowami kluczowymi, którymi można sterować głosami. Trwały agent działa na moim M4 i w chmurze exe.dev. Dobra, mamy ładne trafienie od Jeva — algorytm będę dalej dostrajał.
Link w opisie prowadzi do całego systemu newsowego. Chodzi o to, żeby przyspieszyć wam ruch między „w pętli”, „blisko pętli” i „poza pętlą”. Weźcie to, przeróbcie, zróbcie swoje. Nie dam wam moich ustawień — musicie wybrać własne. Możecie zrobić snapshot i wgrać do systemu tyle moich konfiguracji, ile chcecie, ale wprowadziliśmy tu sporo ulepszeń i jestem bardzo zadowolony z tej wczesnej wersji. Będę na tym dalej budował — znowu: link w opisie. Myślcie o tym, jak tworzyć agentów, którzy pracują dla was bez was. Agent proaktywny nie czeka, aż zaczniesz pracować — pracuje dla ciebie, a potem czeka.
Produkt „faza trzecia” i ekonomia tokenów
Na kanale nieustannie zmierzamy do inżynierii „poza pętlą”. Jeśli jeszcze tego nie zrobiliście — zapiszcie się na produkt „agentic engineering” fazy trzeciej, który właśnie buduję. Praktyczny, dla średnio- i wysokozaawansowanego inżyniera agentowego. Tutaj skupiamy się czysto na fazie trzeciej; członkowie fazy drugiej — taktycznego kodowania agentowego — dostaną zniżkę. Rejestracja mailowa trwa, za parę tygodni przedsprzedaż, a pod koniec listopada premiera — czas start. Nie mogę się doczekać, żeby pokazać więcej. Link w opisie. Ten skok będzie masywny, bo kiedy system „poza pętlą” zacznie pracować na twój rachunek i narastać — już się nie zatrzyma. A trwali agenci to kluczowy krok w tym kierunku. W trzeciej fazie pójdziemy z tym znacznie dalej.
Do opisu podlinkowałem cały system newsowego agenta. Weźcie go, przerabiajcie, dodawajcie kolejnych dostawców API i źródeł, żeby z całego śmiecia lecącego na was w erze AI zostawały tylko najważniejsze kawałki. Widzicie, że mam przyzwoity strumień informacji, ale do poprawienia jest jeszcze mnóstwo. Koszty ledwo drgnęły — pilnuję ekonomii tokenów, żeby nie zbankrutować, generując wartość. Kluczową rolę odegrają tu Jev i tanie modele: Luna i Haiku 5.5, a także inne, jak DeepSeek V4.1 Flash.
Terminal wciąż zsynchronizowany — test na żywo
Klient terminalowy pozostaje idealnie zsynchronizowany. Mogę zapytać: „jaki był ostatni wpis, który dodałeś?” — i dostanę odpowiedź spójną z przeglądarką. Akurat czeka w kolejce do zakończenia cyklu. No i jest: „jaki był ostatni wpis, który dodałeś?”. Nowy post Anthropic: „liczba merge’ów kodu wzrosła niemal dziesięciokrotnie od maja”. Poprawnie skategoryzowany jako głównie hype — trochę faktów, trochę sygnału, ale przede wszystkim rozdmuchiwanie. W pełni się zgadzam. Łapka w górę. Modele pracują dalej.
Na koniec
Kto chce więcej o agentach proaktywnych — link w opisie do zeszłotygodniowego odcinka, w którym na Pi Durable budowaliśmy dyżurnego agenta od incydentów. Agenci proaktywni to przyszłość inżynierii: agenty, które pracują dla ciebie w tle i czekają na twój feedback, budując koło napędowe danych — dla ciebie i dla użytkowników twoich produktów. Ja buduję ich coraz więcej, po całym stacku, na wszystkich urządzeniach, w chmurze i w produktach — bo wartość tych informacji jest wysoka i bogata. Polecam wam to samo. Koniecznie zapiszcie się na produkt fazy trzeciej, jeśli jeszcze nie — i trzymajcie oko na sygnał. Jeśli dotarliście do końca, dajcie algorytmowi YouTube znać, że to informacja, na której wam zależy. Wiecie, gdzie mnie szukać — każdy poniedziałek. Trzymajcie fokus i budujcie dalej.