Agentic AI
Software 3.0

Czego się nauczysz?

✅ Mapowania złożoności systemów AI (7 poziomów autonomii AI) i rozumienie, czym jest Software 3.0 w praktyce, aby objąć właściwą strategię i plan działania, który zawsze prowadzi do jednego - kontroli i umiejętności zarządzania systemem, jak inżynier
✅ Zarządzać kontekstem - kluczowe w tworzeniu agentów AI
✅ Poznasz podstawowe narzędzia i techniki (m.in. Jinja), które pozwolą rozpocząć pracę z inżynierią kontekstu.
✅ Jakie są 4 główne problemy z kontekstem (Poisoning, Distraction, Confusion, Clash), które niszczą projekty AI w produkcji i jak sobie z nimi radzić.
✅ Jak zarządzać złożonością promptów - sprawdzony i stabilny silnik do szablonów (organizacja pod produkcyjne rozwiązania - łatwo w urzymaniu)
✅ Jak dynamicznie składać finalny kontekst z wielu sygnałów: narzędzi (actions), pamięci (memory) i wiedzy (knowledge base).
✅ Jak metodycznie przekształcać niejasny problem biznesowy w solidną, techniczną architekturę agenta AI, gotową do implementacji
✅ Zrozumienie i praktyczne wdrożenie dwukierunkowej komunikacji głosowej w systemach AI.


Co będziesz robić?
👉 "prompt-as-code" i jak używać modeli Pydantic do tworzenia precyzyjnych Structured Outputs
👉 mapować naturalną konwersację na techniczną strukturę messages (role user i assistant)
👉 pisać skuteczny system_prompt, który steruje zachowaniem LLM-a, włączając w to inicjację rozmowy i logikę negocjacji
👉 iteracyjnie symulować i testować działanie agenta na różnych etapach rozmowy


Co zbudujesz?

💪 AI Taxi Dispatcher - dzwonisz i zamawiasz taksówkę z pomocą AI

Do Twego CV ląduje konkretny use case, a wraz z nim konkret:

• Ewolucja głosów AI
• Analiza dźwięk z perspektywy AI
• Wyposażanie agenta w głos i słuch
• Sterowanie emocjami AI bez kodowania
• Kompromisy jakości dźwięku
• Wielojęzyczne interakcje
• STT do realistycznego brzmienia

Aha-moment:
🤗 Zrozumiesz, dlaczego statyczne, szablonowe prompty to za mało, gdy budujemy inteligentne systemy. Pokażę Ci, jak dynamicznie konstruować kontekst dla modelu, aby był on świadomy historii rozmowy, dostępnych narzędzi i swojej aktualnej misji.


Co wyjaśni ten moduł?

🤔 Dlaczego inżynieria kontekstu jest sercem systemów poziomu 4, a jednocześnie potrafić ją sprawnie zaimplementować na poziomie kodu.

Czego się nauczysz?

✅ Stateless vs Stateful: zobaczysz w kodzie (na żywym organizmie), jaka jest różnica w jakości odpowiedzi między "głupim" chatbotem z amnezją a agentem, który zna historię i preferencje użytkownika.
✅ Blueprint architektury pamięci: poznasz nasz autorski, 7-warstwowy model pamięci (od Constitutional po Resource Memory), który pozwala budować stabilne systemy produkcyjne.
✅ Projektowania przez redukcję: na przykładzie Restaurant Concierge vs Taxi Dispatcher nauczysz się decydować, które warstwy pamięci są krytyczne dla danego biznesu, a które można bezpiecznie pominąć.
✅ Dowiesz się, dlaczego "nieskończone okno kontekstowe" to pułapka i jak inżyniersko balansować między kosztem, opóźnieniem (latency) a precyzją modelu.
✅ Implementować warstwy pamięci w rozwiązaniach agentowych.
✅ Przekształcać prototyp z lekcji w solidną, modularną architekturę MVP, która przetrwa zderzenie z rzeczywistością.
✅ Nadawać agentom Skille.

Co będziesz robić?
👉 Mapowanie abstrakcji na kod: przekładać teoretyczne warstwy pamięci na twarde struktury danych w Pydantic
👉 Zaimplementujesz cztery kluczowe operacje na pamięci: Write (zapisz), Select (wybierz), Compress (skompresuj) oraz Isolate (izoluj).
👉 Zbudujesz spójne źródła prawdy dla całego systemu, eliminując chaos w zarządzaniu stanem
👉Zaimplementujesz mechanizm Sliding Window (przesuwne okno) i poznasz koncepcję "Czystej Kartki" dla Sub-agentów, aby unikać problemu Lost in the Middle
👉 Budować system do debugowania agentów

Co zbudujesz?

💪 AI Language Coach (Tutor) - dzwonisz i zamawiasz taksówkę z pomocą AI

Zaprojektowanie systemu "śledzenie wiedzy", który przekształca pasywnego chatbota w aktywnego tutora, stosującego strategie pedagogiczne zamiast prostego odpowiadania na pytania.


Aha-moment:
🤗 Pamięć to nie baza danych - to proces selekcji. Twoim celem nie jest zapamiętanie wszystkiego, ale dostarczenie właściwego faktu we właściwym momencie.


Co wyjaśni ten moduł?

🤔 Inteligencja bez pamięci jest irytująca – na kodzie udowadniamy, że nawet najdroższy model bez kontekstu zachowuje się jak "inteligentny amnezjak". To inżynieria pamięci, a nie sam model, decyduje o tym, czy system w kółko zadaje te same pytania, czy proaktywnie rozwiązuje problem.

Czego się nauczysz?
✅ Zrozumiesz fundamentalną różnicę między Hostem, Klientem a Serwerem w architekturze MCP i dowiesz się, dlaczego to Twoja aplikacja jest Hostem
✅ Nauczysz się precyzyjnie rozróżniać narzędzia, zasoby i prompty, aby nie kazać agentowi wykonywać akcji na statycznych plikach.
✅ Komunikacji procesów i zrozumiesz, jak to działa pod maską oraz dlaczego lokalne studio to świetny poligon, ale koszmar na produkcji
✅ Czego nie możesz robić, jak nie chcesz koszmaru na produkcji (demo wszystko przyjmie jeśli chodzi o MCP... ale co dalej?)
✅ Zarządzać chaosem narzędzi (MCP pod maską i opanowanie metod ochrony agenta przed zalewem tysięcy narzędzi)
✅ Zrozumienie MCP Gateway jako centralnego punktu kontroli oraz transformacja surowego API w inteligentne narzędzie agentowe.
✅ Na czym polega rewolucja "Code Mode" i dlaczego jest ona koszmarem dla działów bezpieczeństwa?
✅ Projektować i implementować adaptacyjny mechanizmu doboru narzędzi z wykorzystaniem dynamicznych modeli danych.
✅ Przekujesz teoretyczny plan działania w fizyczne wywołania API i sformatowany raport, domykając tym samym pętlę request-response w architekturze agentowej.


Co będziesz robić?
👉 Napiszesz od zera własną implementację serwera i klienta w Pythonie, zamiast polegać na gotowych czarnych skrzynkach.
👉 Używać opisów funkcji i typy zmiennych w Pythonie, które stają się precyzyjną instrukcją sterującą dla modelu językowego
👉 Używać Structured Output i Pydantic jako "ogniowej ściany" chroniącej przed prompt injection
👉 Implementować warstwę Discovery oddzieloną od warstwy Execution
👉 Implementować Resource Memory i zarządzać zaufanymi domenami.
👉 Wymuszać weryfikowalność odpowiedzi poprzez techniczny mechanizm cytowań
👉 Projektować system AI odpornych na zmiany zewnętrznych protokołów i narzędzi.


Aha-moment:
🤗 Stabilność ponad nowinki. Uczymy się wzorców architektonicznych, które przetrwają zmianę wersji biblioteki. Narzędzia się zmieniają, architektura pozostaje.


Co wyjaśni ten moduł?
🤔 MCP to jedynie detal techniczny. Traktuj ten protokół jak złącze - często podaje się analogię do USB-C. Jest świetny, bo standaryzuje wtyczkę, ale ważniejszy jest problem biznesowy, który rozwiązujesz, a nie specyfikacja kabla.

Czego się nauczysz?
✅ Jak wymusić na modelu logiczne myślenie i bezpiecznie delegować mu zadania wymagające planowania, zamiast tylko generowania tekstu.
✅ Dlaczego przeskok z poziomu kontekstu na poziom strategii jest trudnym testem inżynierskim?
✅ Jak unikać kosztownych błędów metodą brute-force i dlaczego samo pytanie modelu nie wystarczy?
✅ W jaki sposób krystalizowanie myśli poprzez schematy danych zwiększa przewidywalność systemów?
✅ Jakie nowe kategorie zagrożeń pojawiają się w momencie nadania modelom autonomii decyzyjnej?
✅ Jak zaimplementować trzy kluczowe wzorce wnioskowania, które porządkują chaos generatywny?
✅ Czym różni się podejście statyczne od adaptacyjnego w systemach AI
✅ Zmieniać statyczne definicje w autonomiczny system, implementując funkcję dispatch i domykając pętlę sprzężenia zwrotnego, która zamienia probabilistyczne plany w deterministyczne działanie.


Co będziesz robić?
👉 pętla ReAct i Dispatch w kontekście dużych modeli językowych
👉 Schema-Guided Reasoning do weryfikacji decyzji
👉 zarządzać opóźnieniami wynikającymi z procesu myślowego agenta
👉 dzielić pamięć agenta na warstwy konstytucyjne i epizodyczne
👉 budować lejek decyzyjny ograniczający halucynacje modelu

Co zbudujesz?

💪Stworzysz w pełni autonomiczny system rezerwacji, który samodzielnie wykryje i naprawi błędy w nieprecyzyjnych danych wejściowych bez udziału człowieka.

💪Zbudujesz system klasy Deep Research, który nie tylko wyszukuje informacje, ale samodzielnie tworzy strategię badań, weryfikuje sprzeczne źródła i adaptuje swój plan działania w czasie rzeczywistym.

Do Twego CV lądują konkretne use case, a wraz z nim konkret:

• zaprojektujesz struktury danych dla wielowymiarowego planu badawczego
• stworzysz logikę strategicznej dekompozycji zapytania użytkownika
• zbudujesz system zarządzania stanem wiedzy i pamięcią agenta
• zaimplementujesz dynamiczny prompt sterujący procesem decyzyjnym
• zdefiniujesz przestrzeń akcji dla silnika wnioskowania
• uruchomisz pętlę schema guided reasoning z obsługą błędów
• wygenerujesz końcowy raport z precyzyjnym cytowaniem źródeł

Aha-moment:
🤗 Umiesz tworzyć MVP (Minimum Viable Product) systemu klasy Perplexity. Oczywiście, musisz mieć świadomość, że zbudowanie produkcyjnego "Google Killera" to nie jest kwestia dwóch godzin kodowania. Tutaj wciąż jest masa przestrzeni na tuning: optymalizację promptów, lepsze filtrowanie domen, czy bardziej wyrafinowane heurystyki decyzyjne. Jednak... naszym celem jest pokazanie Ci, jak spiąć ten proces end-to-end. Po tym module Masz to w rekach - działający szkielet, który możesz rozwijać w nieskończoność.

Czego się nauczysz?
✅ Dlaczego gotowe frameworki do ewaluacji są często bezużyteczne w produkcji
✅ Jak projektować testy binarne zamiast abstrakcyjnych skal punktowych
✅ Jak analizować surowe logi konwersacji pod kątem twardych danych
✅ Jak stworzyć hierarchię testów od pojedynczego sprawdzenia do pełnego rankingu
✅ Jak napisać swój pierwszy inżynierski test logiczny w Pythonie
✅ Budować kompletny system inżynierski, który transformuje statyczny kontrakt jakości w dynamicznego, cyfrowego sędziego, zdolnego do automatycznej i precyzyjnej oceny setek dialogów jednocześnie.
✅ Generować czytelne raporty biznesowe i metryki jakości


Co będziesz robić?
👉 Analiza struktury kontraktu jakości w formacie Markdown
👉 Implementacja parsera reguł przy użyciu wyrażeń regularnych
👉 Dynamiczne generowanie modeli danych Pydantic w czasie rzeczywistym
👉 Wykorzystanie Structured Output do stabilnej obsługi złożonych formularzy
👉 Projektowanie promptu systemowego dla Sędziego z techniką Few-Shot
👉 Orkiestracja procesu ewaluacji z podziałem na obszary tematyczne

Co zbudujesz?

💪 Zbudujesz od zera i poddasz ocenie jakościowej kompletny system agentowy klasy Software 3.0, który łączy wielowarstwową pamięć z ustrukturyzowanym procesem decyzyjnym.

Do Twego CV lądują konkretne use case, a wraz z nim konkret:

• Jak zastosować DDD Lite do mapowania nietrywialnego problemu psychologicznego
• Jak wygenerować syntetyczne "Ground Truth" (scenariusze) do testowania agenta
• Jak zaprojektować maszynę stanów dla procesu opartego na refleksji, a nie transakcji
• Jak wymusić na modelu "myślenie przed mówieniem" przy użyciu Structured Output
• Jak stworzyć wykonywalny plik Leaderboard Card z kryteriami MUST-HAVE
• Jak napisać System Prompt realizujący precyzyjne metryki jakości
• Jak zainicjalizować profesjonalną strukturę plików (Scaffolding) pod duży projekt