Jak stworzyć agenta AI w Claude? Napisz w Pythonie pętlę, w której model prosi o wywołanie narzędzia, Twój kod je wykonuje i odsyła wynik, a całość zatrzymują limit kroków oraz zgoda człowieka na operacje, które coś zmieniają. Tak wygląda szkielet większości agentów, a pełną ścieżkę pokazuje kurs Agenci AI: jak stworzyć agenta w Claude i innych narzędziach: 24 lekcje w 8 modułach, jeden przykład przez cały czas, czyli agent obsługi zamówień sklepu internetowego. Przyda się podstawowa znajomość Pythona. Stan na: listopad 2026, nazwy bibliotek i modeli zmieniają się szybko, więc przy każdym narzędziu zerkaj do aktualnej dokumentacji dostawcy.
Najpierw ustal, czy w ogóle potrzebujesz agenta
Słowo „agent” jest dziś doklejane prawie do każdego produktu, więc pierwszy moduł kursu porządkuje pojęcia. Chatbot odpowiada na pytania. Workflow z modelem językowym wykonuje z góry ustalone kroki, a model jest tylko jednym z nich. Agent sam decyduje, jaki będzie następny krok, i ma do tego narzędzia. Każde z tych rozwiązań ma sens w innej sytuacji, a agent bywa po prostu droższym i mniej przewidywalnym wyborem niż zwykły skrypt.
Kurs daje na to prostą kartę czterech kryteriów, którą oceniasz kandydatów na pierwsze zadanie w firmie. Dzięki niej pilotaż zaczynasz od czegoś, co da się zmierzyć i w razie porażki łatwo cofnąć, a nie od najbardziej efektownego pomysłu z listy.
Pętla, narzędzia i function calling
Model językowy sam niczego nie wykonuje. Dostaje tekst, opisy narzędzi i historię, a zwraca tekst albo prośbę o wywołanie funkcji. Resztę robi Twój kod. W lekcji o pętli agenta rozpisujesz jeden obrót krok po kroku: co robi model, co robi program i po jakich sygnałach pętla musi się zatrzymać. To ostatnie jest ważniejsze, niż się wydaje, bo agent bez warunku stopu potrafi krążyć w kółko i palić tokeny.
Moduł o narzędziach pokazuje function calling na przykładzie API Claude, OpenAI i Gemini, tak żebyś rozpoznawał te same elementy u każdego dostawcy. Uczysz się pisać opis narzędzia jak instrukcję obsługi dla modelu, definiować parametry w JSON Schema z listami dozwolonych wartości i włączać tryb ścisły (strict). Potem dochodzą wywołania równoległe, odsyłanie błędów w taki sposób, żeby model mógł się poprawić, i podział na narzędzia tylko czytające oraz zapisujące. Te drugie wymagają zgody człowieka. W sklepie internetowym sprawdzenie statusu paczki to zwykłe odczytanie, a zwrot pieniędzy to już decyzja, którą ktoś zatwierdza.
Jeśli chcesz najpierw zrozumieć, jak wygląda automatyzacja po stronie klienta, zajrzyj do kursu AI w obsłudze klienta.
Do tego dochodzi instrukcja systemowa w sześciu blokach: rola, cel, narzędzia, granice, sytuacje niepewne i format. Kurs rozdziela zasady, które może pilnować sama instrukcja, od tych, które musi pilnować kod. Przykład fikcyjny: zdanie „nigdy nie zwracaj więcej niż wartość zamówienia” lepiej wpisać jako warunek w funkcji niż liczyć na to, że model zawsze je zapamięta.
Pamięć agenta i RAG
API nie pamięta rozmowy. Pamięta ją Twój kod, który przy każdym wywołaniu odsyła potrzebną historię. Moduł czwarty rozdziela pamięć rozmowy od pamięci długotrwałej i uczy dobierać technikę do długich zadań. Jest tu też temat, który łatwo pominąć: czego agent nie powinien zapamiętywać ze względu na RODO.
Potem budujesz prosty potok RAG: dzielisz dokumenty na fragmenty, wyszukujesz pasujące, wstawiasz je do promptu z oznaczonymi źródłami i sprawdzasz, gdzie wyszukiwanie zawodzi. Dochodzi liczenie podobieństwa cosinusowego wektorów i zapis fragmentów w PostgreSQL z rozszerzeniem pgvector. Lekcja pomaga też zdecydować, kiedy wystarczy baza, którą już masz, a kiedy opłaca się osobna baza wektorowa.
Planowanie, samoocena i frameworki
Moduł o rozumowaniu omawia Chain-of-Thought, ReAct i Tree of Thoughts oraz poziom effort w nowszych modelach, czyli sposób, żeby nie przepłacać za myślenie tam, gdzie zadanie jest proste. Dalej rozbijasz złożone zadanie na plan z zależnościami, sprawdzasz go kodem przed wykonaniem i wybierasz wzorzec pracy: łańcuch, routing, równoległość albo koordynatora z wykonawcami. Ostatnia lekcja modułu to pętla samooceny: najpierw tanie sprawdzenia w kodzie, potem ocena modelem według rubryki, z jasnym warunkiem zatrzymania.
Moduł szósty przechodzi przez frameworki: agent w LangChain z funkcją create_agent, proces zwrotu jako graf stanów w LangGraph z zatwierdzeniem przez człowieka, zespoły ról w CrewAI. Ekosystem opisuje stan z października 2026: Microsoft Agent Framework jako następca AutoGen, OpenAI Agents SDK, Google ADK, Claude Agent SDK i protokół MCP. Stan na: listopad 2026 wygląda podobnie, ale to właśnie ta warstwa zmienia się najszybciej, więc traktuj ją jako mapę, nie jako stały wybór.
Projekt, testy, wdrożenie i bezpieczeństwo
W projekcie końcowym piszesz agenta obsługi zamówień w Pythonie z Claude API: z definicjami narzędzi, pętlą z limitem kroków i zatwierdzaniem oraz modelem skryptowym, dzięki któremu całość działa bez sieci i bez kosztów. Masz do tego 10 testów, które uruchamiasz bez klucza API. Osobna lekcja uczy testować na trzech poziomach: narzędzia, pętla i ewaluacja z prawdziwym modelem. Liczysz pass@k oraz pass^k, żeby odróżnić agenta, któremu czasem się udaje, od takiego, który działa powtarzalnie.
Ostatni moduł dotyczy produkcji: architektury wdrożenia, limitów API i błędów 429, ochrony kluczy oraz tego, ile oszczędza cache promptu. Potem logi przebiegu, metryki jakości, czasu i kosztu oraz alerty, które liczysz skryptem na 200 rozmowach z pilotażu. Na koniec bezpieczeństwo: ryzyka z OWASP Top 10 dla aplikacji z modelami językowymi, zabezpieczenia w kodzie oraz obowiązki wynikające z RODO i art. 50 AI Act, które sprawdzasz przed udostępnieniem agenta klientom. Szerzej o przepisach mówi kurs AI Act dla pracowników. To materiał edukacyjny, a nie porada prawna, więc przy wdrożeniu w firmie skonsultuj wymagania z prawnikiem.
Czego unikać
- Budowania agenta tam, gdzie wystarczy workflow albo zwykły skrypt. Mniej autonomii to często mniej problemów.
- Pętli bez limitu kroków i bez warunku stopu.
- Zostawiania modelowi decyzji o rzeczach nieodwracalnych, takich jak zwroty pieniędzy czy usuwanie danych, bez zgody człowieka.
- Wyboru modelu na podstawie rankingów zamiast własnych testów i kosztu na załatwioną sprawę.
- Wdrożenia bez monitorowania. Jeśli nie widzisz przebiegu rozmów, nie wiesz, co agent robi.
- Zapisywania w pamięci długotrwałej danych osobowych tylko dlatego, że technicznie się da.
Zbuduj agenta, któremu możesz zaufać, bo masz go pod kontrolą kodu i testów.
Zobacz program kursu: Agenci AI: jak stworzyć agenta w Claude i innych narzędziach
Szkolisz zespół? Sprawdź kursy dla firm: https://vita.edu.pl/dla-firm/katalog