Autonomiczni agenci: czym są i jak działają

Czym jest autonomiczny agent

Autonomiczny agent to system AI, który samodzielnie dąży do celu. Człowiek opisuje oczekiwany rezultat, a agent ustala kolejne kroki i je wykonuje.

Załóżmy, że ktoś chce wybrać jedno z trzech narzędzi do zarządzania projektami. Autonomiczny agent może wyszukać każde z nich, otworzyć jego stronę z cennikiem, zanotować różnice i przedstawić gotowe porównanie. Człowiek wyznacza cel i ocenia wynik, a agent wykonuje całą pracę pomiędzy tymi etapami.

Wiele współczesnych agentów programowych korzysta z dużego modelu językowego, aby interpretować polecenia i decydować, co zrobić dalej. Niektóre modele przetwarzają również obrazy lub dźwięk. Aby przeszukiwać internet, klikać przyciski czy wysyłać e-maile, agent potrzebuje oprogramowania, które łączy model z narzędziami i wykonuje jego żądania.

W przykładzie z narzędziami do zarządzania projektami LLM i agent działałyby następująco:

1. LLM odczytuje cel i formułuje żądanie wyszukania cennika pierwszego narzędzia.
2. Oprogramowanie agenta przeprowadza wyszukiwanie i przekazuje wyniki z powrotem do LLM w postaci tekstu.
3. LLM odczytuje wyniki, wybiera kolejny krok (otwarcie strony z cennikiem) i formułuje nowe żądanie.
4. Cykl powtarza się, dopóki LLM nie uzna, że porównanie jest gotowe, i nie napisze ostatecznej odpowiedzi.

Powiększ

Poziomy autonomii

W systemie agentowej AI (czyli AI stworzonej do podejmowania działań, a nie tylko odpowiadania na pytania) autonomia jest decyzją projektową. Ten sam agent może zostać skonfigurowany tak, by pytał przed każdym krokiem albo by samodzielnie wykonał całe zadanie.

Naukowcy z Uniwersytetu Waszyngtońskiego proponują pięciopoziomowy model, który opisuje różne stopnie autonomii, jakie może mieć agent:

Na poziomie 4 agent mógłby samodzielnie przeprowadzić rozeznanie i przygotować projekt zamówienia, ale wstrzymałby się przed jego złożeniem. Na poziomie 5 złożyłby również zamówienie.

Autonomiczni agenci AI a automatyzacja i chatboty

Autonomiczni agenci różnią się od chatbotów i automatyzacji przepływów pracy pod dwoma względami: sami decydują o kolejnych krokach i podejmują działania w innych aplikacjach oraz witrynach.

Chatbot odpowiada na pytania w trakcie rozmowy, ale zazwyczaj nie działa poza nią. Automatyzacja przepływów pracy podejmuje działania, ale wyłącznie według kroków, które ktoś wcześniej skonfigurował. Popularnym jej rodzajem jest zrobotyzowana automatyzacja procesów (RPA) – oprogramowanie, które powtarza proste, oparte na regułach zadania, takie jak kopiowanie danych z jednego systemu do drugiego.

Autonomiczny agent łączy obie te cechy: działa w innym oprogramowaniu i sam wybiera kroki prowadzące do celu – w ramach udostępnionych mu narzędzi, uprawnień i instrukcji.

Różnicę dobrze widać na przykładzie skargi dotyczącej opóźnionego zamówienia. Chatbot mógłby odpowiedzieć gotowym wyjaśnieniem zasad wysyłki. Automatyzacja przepływów pracy mogłaby wysłać standardową wiadomość e-mail „Opóźnienie zamówienia”. Autonomiczny agent mógłby sprawdzić zamówienie, ustalić, że zaginęło w transporcie, wysłać produkt zastępczy i poinformować klienta.

Jak działają autonomiczni agenci

Autonomiczny agent wykonuje zadanie dzięki czterem umiejętnościom: planowaniu kroków, korzystaniu z narzędzi, zapamiętywaniu tego, co już zrobił, i sprawdzaniu własnych wyników. Przy większych zadaniach niektórzy agenci dzielą też pracę w ramach zespołu agentów.

1. Dzielenie celów na części i planowanie

Cel jest zwykle zbyt duży, by zrealizować go w jednym kroku, dlatego pierwszym zadaniem agenta jest podzielenie go na mniejsze zadania. Jeśli na przykład użytkownik poprosi agenta o zaplanowanie wyjazdu integracyjnego zespołu, agent może podzielić ten cel na wybór terminu, znalezienie miejsc mieszczących się w budżecie, sprawdzenie dostępności i przygotowanie zaproszenia.

W zależności od tego, jak zostali zbudowani, agenci mogą planować z góry lub na bieżąco. Planowanie z góry oznacza rozpisanie wszystkich kroków przed rozpoczęciem pracy, co sprawdza się przy krótkich, przewidywalnych zadaniach. Planowanie na bieżąco polega na rozplanowaniu jednego lub dwóch kolejnych kroków, wykonaniu ich i korygowaniu planu na podstawie uzyskanych wyników. Gdyby miejsce wybrane w pierwszej kolejności było już zarezerwowane, agent mógłby przejść do kolejnej opcji bez zaczynania od nowa.

Powiększ

Według przeglądu autonomicznych agentów opartych na LLM opracowanego przez chiński Uniwersytet Renmin to drugie podejście lepiej radzi sobie ze złożonymi zadaniami, ponieważ trudno napisać idealny plan, zanim zobaczy się jakiekolwiek wyniki. Wielu agentów łączy oba podejścia: najpierw szkicuje pełny plan, a następnie koryguje go w trakcie pracy.

2. Działanie za pomocą narzędzi

Mając gotowy plan, agent realizuje go zadanie po zadaniu, wybierając do każdego odpowiednie narzędzie.

• Aby znaleźć miejsca, może skorzystać z wyszukiwarki internetowej i wpisać zapytanie w rodzaju „miejsca na wyjazd integracyjny dla 20 osób w pobliżu Austin”.
• Aby sprawdzić dostępność, może otworzyć w przeglądarce stronę rezerwacji każdego miejsca i odczytać kalendarz.
• Aby wysłać zaproszenie, może połączyć się z pocztą e-mail danej osoby przez API – połączenie, które pozwala jednemu programowi żądać danych lub działań od innego.

Po każdym działaniu agent odczytuje otrzymany wynik i decyduje o kolejnym ruchu. Jeśli wyszukiwanie zwróci pięć miejsc, sprawdza ich dostępność. Jeśli strona rezerwacji się nie ładuje, szuka numeru telefonu do danego miejsca albo przechodzi do kolejnej opcji.

To, jakie narzędzia ma agent, decyduje o tym, które zadania może wykonać samodzielnie. Bez dostępu do poczty e-mail może przygotować zaproszenie, ale nie może go wysłać.

3. Śledzenie postępów dzięki pamięci

W trakcie pracy agent musi śledzić, co już zrobił i czego się dowiedział. Gdy sprawdzi trzy miejsca, musi wiedzieć, które były już zajęte, które miały wolne terminy i ile kosztuje każde z nich. Te informacje są przechowywane w oknie kontekstowym LLM, czyli w zakresie tekstu, który model może jednocześnie uwzględnić.

Długie zadania mogą przerosnąć okno kontekstowe. Agenci z pamięcią długoterminową radzą sobie z tym, zapisując informacje poza modelem, zwykle w bazie danych, i pobierając tylko to, czego potrzebuje bieżący krok.

Pamięć długoterminowa działa też między zadaniami. Gdy przyjdzie pora na zaplanowanie przyszłorocznego wyjazdu integracyjnego, agent może ponownie wykorzystać tegoroczną listę miejsc i budżet albo przypomnieć sobie, że zespół woli miejsca oddalone o najwyżej godzinę jazdy samochodem.

4. Sprawdzanie wyników i korygowanie działań

W trakcie pracy wielu agentów wypatruje sygnałów, że któryś krok się nie powiódł. Jeśli formularz rezerwacji zwróci błąd albo wyszukiwanie nie da żadnych wyników, agent próbuje innego podejścia. Gdy dochodzi do decyzji, której nie powinien podejmować sam – na przykład czy miejsce nieco przekraczające budżet jest do przyjęcia – pyta człowieka i dostosowuje się do odpowiedzi.

Przed przekazaniem efektów pracy wielu agentów sprawdza swoje wyniki. LLM ponownie odczytuje to, co wygenerował, porównuje to z celem i wypisuje wszystko, czego brakuje lub co jest błędne. Agent wprowadza poprawki i sprawdza ponownie, aż wynik będzie zgodny z celem. Jeśli na przykład w zaproszeniu brakuje adresu miejsca, weryfikacja to wychwytuje, a agent dodaje adres przed wysłaniem.

5. Dzielenie pracy między agentów

Niektóre zadania przebiegają szybciej, gdy dzieli się je między kilku agentów. Agent prowadzący dzieli pracę i przekazuje jej części subagentom.

Perplexity Computer działa właśnie w ten sposób. Człowiek opisuje oczekiwany rezultat, Computer dzieli go na zadania i podzadania, po czym tworzy subagentów, którzy je realizują. Subagenci mogą przeszukiwać internet, generować dokumenty, przetwarzać dane lub wywoływać połączone usługi przez API.

Gdy Computer napotyka problem, tworzy nowych subagentów, którzy go rozwiązują. Każdy subagent może też działać na innym modelu AI, dzięki czemu każda część pracy trafia do modelu, który najlepiej się do niej nadaje.

W przykładzie z wyjazdem integracyjnym jeden subagent mógłby więc wyszukiwać miejsca, drugi sprawdzać kalendarze członków zespołu, a trzeci analizować opcje podróży.

Powiększ

Jak ludzie korzystają z autonomicznych agentów

Ludzie korzystają z autonomicznych agentów głównie w codziennej pracy umysłowej: do wyszukiwania informacji, pisania, obsługi poczty e-mail i nauki. W badaniu przeprowadzonym przez naukowców z Harvardu i Perplexity zadania związane z produktywnością i nauką stanowiły 57% zapytań agentowych. Poniższe przykłady pokazują, co agent robi przy każdym rodzaju pracy.

Badania i analizy

Praca badawcza dobrze pasuje do możliwości agentów, ponieważ składa się z wielu drobnych kroków. Agent może wyszukiwać, otwierać źródła, czytać je i porównywać ich treść. Weźmy zapytanie w rodzaju „znajdź trzy niedawne badania dotyczące pracy zdalnej i produktywności, a następnie podsumuj wnioski z każdego z nich”. Agent wyszukuje badania i otwiera te najbardziej trafne. Odczytuje wnioski z każdego z nich i pisze podsumowanie z linkami do wszystkich źródeł. Jeśli badanie jest dostępne tylko za paywallem, agent przechodzi do następnego. We wspomnianym badaniu podsumowywanie i analiza prac badawczych stanowią 7% zapytań agentowych.

Dokumenty, poczta e-mail i kalendarze

Agenci często pracują w narzędziach, z których ludzie korzystają na co dzień. W badaniu Harvardu i Perplexity narzędzia Google do obsługi dokumentów oraz poczta e-mail były dwiema najczęstszymi kategoriami – łącznie stanowiły około jednej czwartej zapytań agentowych. Weźmy zapytanie w rodzaju „przejrzyj nieprzeczytane e-maile z tego tygodnia, oznacz wszystko, co przyszło od klientów, i przygotuj odpowiedzi na prośby o umówienie spotkań”. Agent otwiera skrzynkę odbiorczą i sortuje wiadomości. Sprawdza w kalendarzu wolne terminy i przygotowuje projekt odpowiedzi na każdą prośbę. Może zapisać wersje robocze bez wysyłania, aby człowiek mógł najpierw przejrzeć każdą z nich.

Nauka i zajęcia

Studenci korzystają z agentów do nauki. W badaniu zajęcia i prace zaliczeniowe stanowią największą pojedynczą kategorię wykorzystania agentów – 13% zapytań agentowych. Zapytanie w rodzaju „przepytaj mnie z czwartego rozdziału lektur do mojego kursu” kieruje agenta na stronę kursu, gdzie czyta on rozdział, układa pytania dotyczące najważniejszych zagadnień i sprawdza odpowiedzi studenta. To samo podejście sprawdza się u każdego, kto uczy się nowego tematu, na przykład u pracownika, który musi szybko zapoznać się z nieznaną mu branżą.

Zakupy i porównania

Zakupy stanowią 10% zapytań agentowych – to przede wszystkim wyszukiwanie i porównywanie produktów. Poproszony o „znalezienie biurka do pracy na stojąco za mniej niż 400 USD z dobrymi opiniami” agent przeszukuje kilka sklepów, filtruje wyniki według ceny i oceny, porównuje najlepsze propozycje i może dodać najlepszą z nich do koszyka. Agent porównujący oferty w wielu witrynach może zaoszczędzić sporo czasu, ponieważ człowiek nie musi już otwierać i porównywać każdej oferty osobno.

Siedem najlepszych praktyk korzystania z autonomicznych agentów

1. Zaczynanie od zadań łatwych do sprawdzenia

Najlepsze zadania na początek to takie, w których błąd łatwo zauważyć, a jego naprawa niewiele kosztuje. Dobrym punktem wyjścia są podsumowania badań i porównania produktów. Jeśli agent podaje linki do źródeł, sprawdzenie jego pracy zajmuje kilka minut. Wraz ze wzrostem zaufania można mu powierzać dłuższe zadania, składające się z większej liczby kroków.

2. Jasne określanie oczekiwanych rezultatów i ograniczeń

Agent może podejmować lepsze decyzje, gdy wie, dlaczego zadanie jest ważne. Dobre zapytanie przypomina zlecenie dla wykonawcy: zawiera cel, odbiorców, to, co już wiadomo, i to, co zostało wykluczone. Polecenie „Porównaj tych trzech dostawców na potrzeby notatki dla zarządu; zarząd przywiązuje największą wagę do ryzyka związanego z wdrożeniem, a już wykluczyliśmy wszystkich, którzy nie spełniają wymogów SOC 2” daje agentowi to, czego potrzebuje, aby samodzielnie podejmować decyzje wymagające oceny sytuacji.

3. Dodawanie punktów kontrolnych wymagających zatwierdzenia

Niektórych działań nie da się cofnąć, np. wysłania e-maila, dokonania zakupu, usunięcia plików czy przesłania formularza. Jeśli agent na to pozwala, skonfiguruj go tak, aby przed takimi krokami wstrzymywał się i prosił o zgodę. Punkt zatrzymania można też określić w samym zapytaniu. Polecenia takie jak „Przygotuj wersje robocze odpowiedzi, ale ich nie wysyłaj” lub „Dodaj najlepszą opcję do koszyka, ale nie finalizuj zakupu” dokładnie wskazują agentowi, gdzie ma się zatrzymać i oddać kontrolę.

4. Przegląd planu przed rozpoczęciem pracy

W przypadku większego zadania poproś agenta, aby przed rozpoczęciem przedstawił zarys swojego planu. Przejrzenie planu zajmuje minutę, a skorygowanie nieporozumienia na tym etapie jest znacznie tańsze niż wykrycie go w gotowym rezultacie pracy.

5. Ograniczanie dostępu do tego, czego wymaga zadanie

Każde konto, do którego agent ma dostęp, to konto, w którym może podejmować działania. Podłączanie tylko tych aplikacji, których wymaga zadanie, sprawia, że dane wrażliwe pozostają poza zasięgiem agenta, i ogranicza ryzyko, że coś pójdzie nie tak. Agent wyszukujący informacje o dostawcach nie potrzebuje dostępu do poczty e-mail. Agent przygotowujący wersje robocze odpowiedzi go potrzebuje, ale może nie potrzebować uprawnień do ich wysyłania.

6. Wbudowywanie weryfikacji w zapytanie

Agenci już teraz sprawdzają własne wyniki, więc zapytanie może wskazać im, na co mają zwracać uwagę. Określenie, jak wygląda dobry wynik („każda liczba musi mieć źródło z 2025 roku lub późniejsze”), sprawia, że agent stosuje ten standard, zanim przekaże swoją pracę. Poproszenie go, aby oddzielał potwierdzone fakty od własnych wniosków i oznaczał założenia, przyspiesza weryfikację przez człowieka i pozwala lepiej ją ukierunkować.

7. Ponowne wykorzystywanie tego, co działa

Zapytanie, które dało dobry wynik, może stać się szablonem dla kolejnego podobnego zadania. Przekazanie agentowi przykładu dobrego wyniku, np. raportu z poprzedniego kwartału, często daje więcej niż opisywanie formatu słowami. Zadania cykliczne mogą stać się stałymi przepływami pracy.

Jak Perplexity podchodzi do autonomicznych agentów

Perplexity oferuje dwóch autonomicznych agentów. Comet Assistant wykonuje codzienne zadania w przeglądarce, a Perplexity Computer podejmuje się większych projektów, które mogą trwać godzinami lub dłużej.

Comet Assistant jest wbudowany w Comet – przeglądarkę AI od Perplexity. Działa na stronach internetowych, które użytkownik ma już otwarte, dzięki czemu może planować spotkania, edytować dokumenty, wysyłać e-maile i rezerwować loty bez przełączania się między narzędziami.

Computer działa w chmurze i, jak opisano wcześniej, dzieli każdy cel między subagentów. Łączy się z setkami usług, a użytkownicy mogą wybierać konkretne modele AI do konkretnych części pracy. Computer jest dostępny dla subskrybentów planów Pro i Max.

Poznaj Comet Assistant, aby wypróbować agenta w przeglądarce, lub Perplexity Computer, aby powierzyć mu większy projekt.

Najczęściej zadawane pytania

Czy autonomiczny agent to to samo co agentowa AI?

Nie, choć te pojęcia częściowo się pokrywają. Agentowa AI zwykle oznacza szerszą kategorię systemów AI, które dążą do celów, planując i podejmując działania. Autonomiczny agent to konkretny system z tej kategorii, który wykonuje swoją pracę przy niewielkiej liczbie zatwierdzeń poszczególnych kroków.

Czy wszyscy agenci AI są autonomiczni?

Nie. Niektórzy agenci wykonują każdy krok tylko na polecenie człowieka, a inni samodzielnie realizują całe zadanie. Opisane wcześniej poziomy autonomii pokazują pełen zakres – od agentów, którymi człowiek steruje krok po kroku, po agentów, których człowiek jedynie monitoruje.

Czy autonomiczni agenci mogą dokonywać zakupów lub płatności?

Niektórzy agenci mogą pomagać w zakupach, w zależności od strony internetowej, uprawnień i zabezpieczeń. Comet Assistant może porównywać produkty i pomagać w procesie finalizacji zakupu. Funkcja Instant Buy od Perplexity umożliwia uprawnionym użytkownikom w USA kupowanie obsługiwanych produktów bezpośrednio w Perplexity, a PayPal jest dostępny jako jedna z opcji płatności.

Czy korzystanie z autonomicznych agentów wymaga umiejętności programowania?

Z wielu gotowych agentów można korzystać bez programowania. Niektóre platformy pozwalają też tworzyć agentów za pomocą instrukcji w języku naturalnym lub interfejsu graficznego. Programowanie może się przydać przy niestandardowych integracjach, debugowaniu i bardziej wyspecjalizowanych zachowaniach.