Kurs Mastering AI Agents

Wprowadzenie do przykładów agentów AI

W czwartym odcinku kursu „Mastering AI Agents” przechodzimy od teorii do praktyki, analizując konkretne przykłady agentów AI oraz przepływów pracy, które często są z nimi mylone. Za pomocą narzędzia n8n – otwartego, niskokodowego kreatora przepływów pracy – autor kursu pokazuje, jak odróżnić sekwencyjne przepływy pracy od prawdziwych agentów AI. W tym artykule, opartym na transkrypcie odcinka, przyjrzymy się trzem przykładom, które ilustrują kluczowe różnice. Gotowy? Zaczynamy!

Narzędzie n8n: Wizualny kreator przepływów pracy

n8n to open-source’owe narzędzie do automatyzacji, które umożliwia tworzenie przepływów pracy i agentów AI w sposób wizualny, nawet dla osób bez zaawansowanej wiedzy programistycznej. W kursie wykorzystujemy n8n do prototypowania agentów, co zostanie dokładniej omówione w kolejnych modułach. Nawet jeśli nie znasz n8n, przykłady są intuicyjne i łatwe do zrozumienia.

Zrzut ekranu: Interfejs n8n pokazujący wizualny kreator przepływów pracy.

Przykład 1: Sekwencyjny przepływ pracy (nie agent AI)

Pierwszy przykład to przepływ pracy, który generuje posty na media społecznościowe (X, LinkedIn) i blog na podstawie tematu podanego przez użytkownika, np. „sztuczna inteligencja” lub „rynek akcji”. Przepływ ten działa w trzech stałych krokach:

1. Generuje post na X i publikuje go.
2. Generuje post na LinkedIn i publikuje go.
3. Tworzy wpis na blog.

Na końcu przepływ zawiera węzeł „AI agent”, który podsumowuje, co zostało opublikowane na każdej platformie, korzystając z historii rozmowy. Choć używa modelu językowego, nie jest to agent AI, ponieważ kroki są z góry określone i nie ma miejsca na decyzje modelu – zawsze wykonuje te same trzy działania. Taki deterministyczny przepływ jest idealny do powtarzalnych zadań, ale nie wymaga inteligencji agenta.

Zrzut ekranu: Schemat przepływu pracy w n8n dla generowania postów na media społecznościowe.

Przykład 2: Chatbot, który nie jest agentem AI

Drugi przykład to chatbot „Tech Stack Expert”, który prowadzi rozmowę, zadając pytania o projekt, jaki użytkownik chce zbudować, a następnie rekomenduje technologie (frontend, backend, baza danych, uwierzytelnianie, hosting, integracje AI). Choć rozmowa wydaje się inteligentna – chatbot potwierdza odpowiedzi i prowadzi użytkownika przez proces – nie jest to agent AI. Dlaczego? Brakuje mu narzędzi do interakcji z otoczeniem. Cała logika rozmowy jest zapisana w system prompt, a model językowy jedynie generuje odpowiedzi, bez podejmowania decyzji o użyciu zewnętrznych narzędzi, takich jak wyszukiwanie w internecie czy analiza danych.

Zrzut ekranu: Schemat chatbota w n8n, pokazujący brak integracji z narzędziami.

Przykład 3: Prawdziwy agent AI z Google Docs

Trzeci przykład to prawdziwy agent AI, który spełnia wszystkie kryteria: interakcja z otoczeniem, niedeterministyczne decyzje i pamięć długoterminowa. Agent ten działa z Google Docs, zapisując ważne informacje z rozmowy (np. notatki) i odwołując się do nich w przyszłości. Na przykład, gdy użytkownik mówi „muszę nauczyć się budować agentów AI”, agent może zdecydować, czy zapisać to w notatkach, czy nie. W jednym przypadku (np. na powitanie „cześć”) nie używa narzędzi, a w innym (np. na ważne stwierdzenie) zapisuje dane w Google Docs. Po wyczyszczeniu historii rozmowy (pamięci krótkoterminowej) agent nadal może odwołać się do notatek w Google Docs, co pokazuje użycie pamięci długoterminowej. Niedeterministyczność polega na tym, że liczba wywołań narzędzi (0, 1 lub więcej) zależy od decyzji agenta.

Zrzut ekranu: Schemat agenta AI w n8n z integracją z Google Docs.

Przykład 4: Agent AI dla GitHub

Ostatni przykład to agent AI zbudowany dla kanału YouTube autora, który analizuje repozytorium GitHub. Użytkownik podaje URL repozytorium (np. projektu Archon, open-source’owego kreatora agentów AI), a agent odpowiada na pytania, korzystając z kodu i dokumentacji. Na przykład, gdy użytkownik pyta o zmiany w każdej wersji projektu, agent:

• Analizuje strukturę repozytorium, by znaleźć pliki README.
• Indywidualnie przegląda każdy README, aby zidentyfikować zmiany.
• Decyduje, ile plików musi sprawdzić (0, 1 lub więcej), w zależności od pytania.

W przypadku Archon agent wywołał narzędzie trzy razy, aby przeanalizować trzy wersje README. To pokazuje niedeterministyczność i interakcję z otoczeniem (repozytorium GitHub), co czyni go prawdziwym agentem AI, a nie zwykłym przepływem pracy czy chatbotem.

Zrzut ekranu: Schemat agenta AI w n8n analizującego repozytorium GitHub.

Podsumowanie: Agent AI kontra przepływ pracy

Te przykłady jasno pokazują różnice między agentami AI a przepływami pracy:

• Przepływ pracy: Sekwencyjny, deterministyczny, bez decyzji modelu językowego (np. generowanie postów).
• Chatbot: Inteligentny w rozmowie, ale bez narzędzi do interakcji z otoczeniem (np. Tech Stack Expert).
• Agent AI: Niedeterministyczny, podejmuje decyzje o użyciu narzędzi i aktywnie oddziałuje na środowisko (np. Google Docs, GitHub).

W kolejnych odcinkach kursu „Mastering AI Agents” dowiesz się, jak używać n8n do budowania własnych agentów AI, korzystając z tych zasad.

Call to Action: Śledź kolejny odcinek kursu „Mastering AI Agents”, aby nauczyć się tworzyć własne agenty AI z n8n!

Źródło: Transkrypt czwartego odcinka kursu „Mastering AI Agents”