Model w przeglądarce odpowiada na pytania. Aplikacja na komputerze z dostępem do jednego folderu robi już coś więcej, ale to dopiero początek. Harness agenta AI to całe środowisko, w którym agenci pracują. Wiedzą, co wolno, pamiętają, co ustalono, uczą się na własnych błędach i są sprawdzani, zanim cokolwiek wyjdzie na zewnątrz.

Najlepsze w harnessie jest to, że budujesz go sam, pod swoją firmę. Nie musi być duży pierwszego dnia. Musi rosnąć i nie cofać się. Najbliższa analogia to tworzenie stanowisk pracy. Nie zatrudniasz „sztucznej inteligencji”. Tworzysz stanowisko z zakresem obowiązków, dostępem do wiedzy, przełożonym i okresem próbnym, a potem obsadzasz je modelem. Taki pracownik rozwija się razem z firmą, bo jego środowisko rośnie razem z nią. To jest różnica między firmą, która używa AI jako czatu, a firmą, która ma w AI zespół.

Tak pracujemy na co dzień. Mamy agentów o stałych rolach w kilku zespołach i dziesiątki jednorazowych, powoływanych do jednego zadania. W większym zadaniu pracuje ich naraz kilkunastu. Przy każdej części jest jedna rzecz do zrobienia u siebie.

Co to jest harness agenta AI?

Harness agenta AI to wszystko, co otacza model i decyduje o tym, jak agent pracuje: skąd bierze wiedzę o firmie, co mu wolno, kto sprawdza jego wynik i czego uczy się z błędów. Model daje rozum. Harness daje kontekst, pamięć, uprawnienia, reguły uruchamiane automatycznie, dziennik pracy, sędziów i pętlę uczenia. Jeden model w dwóch różnych harnessach to dwaj różni pracownicy.

U nas pod jednym harnessem pracuje kilka zespołów agentów. Jeden buduje strony, drugi pisze treści i mierzy, jak stronę widzą Google i czaty AI. Kolejne porządkują wiedzę firmy, prowadzą media społecznościowe i opiekują się klientami po dostawie.

Nad nimi stoi orkiestrator. To agent, który dostaje zadanie i rozpisuje je na graf: kto co robi, w jakiej kolejności i kto ocenia wynik. Potem powołuje do tego subagentów. Subagent dostaje wąski brief i oddaje krótki raport, nie całą swoją pracę. Projektowanie takich grafów to osobna umiejętność, u nas nazywana roboczo graph engineering, i wrócimy do niej w osobnym tekście.

Zasady AI dla całej firmy, czyli politykę i nadzór, opisaliśmy osobno w artykule o zarządzaniu AI w firmie.

Z czego składa się harness agenta AI?

Z pięciu części. Każda odpowiada na jedno pytanie właściciela firmy. Uprawnienia, czyli to, co agentowi wolno, siedzą w hookach.

Część Pytanie Co to daje
Kontekst i pamięć Skąd agent bierze wiedzę o firmie? agent zna firmę, a nie tylko świat
Hooki Czego agent nie zrobi nigdy, nawet gdy bardzo chce? reguła, która nie prosi, tylko zatrzymuje
Logi Co się stało i dlaczego? każdy błąd da się odtworzyć
Sędziowie Kto sprawdza pracę, zanim wyjdzie? drugi agent ocenia wynik według kryteriów
Pętla uczenia Co się dzieje z błędem po tym, jak go zauważysz? błąd zamienia się w regułę z dowodem

Słowa „hook” i „log” zostają po angielsku, bo tak nazywają je narzędzia, w których będziesz to ustawiać. Hook to program, który uruchamia się sam w określonym momencie pracy agenta. Na przykład tuż przed zapisem pliku albo przed wysłaniem wiadomości. Log to dziennik, w którym zapisuje się, co agent zrobił, kiedy i z jakiego powodu.

Skąd agent AI bierze wiedzę o firmie?

Agent potrzebuje dwóch rzeczy. Kontekstu, czyli wiedzy o firmie podanej na starcie pracy: cennika, ustaleń z klientami, procedur, tego, kto za co odpowiada. I pamięci, czyli tego, co sam zapisuje między zadaniami: decyzje, otwarte sprawy, lekcje. Kontekst opisaliśmy szczegółowo w artykule o warstwie kontekstu. Tu chodzi o pamięć, bo to ona najszybciej psuje się po cichu.

Pamięć to odpowiedzialność, nie plik. Każdy wpis w pamięci naszych agentów ma dwie etykiety. Pierwsza mówi, czym jest: na przykład decyzją właściciela, faktem z dowodem albo notatką z sesji. Druga mówi, skąd pochodzi: od człowieka, z researchu albo z pracy agenta. Hook zatrzymuje wpis bez etykiet i każe go poprawić od razu. Sprawy otwarte dostają datę przeglądu, po której agent sam o nie pyta, zamiast nosić je w nieskończoność. Dzięki temu po trzech miesiącach dalej wiadomo, które zdanie w pamięci jest decyzją szefa, a które notatką z jednej rozmowy.

To co innego niż „pamięć” w czacie w przeglądarce. Czat zapisuje wspomnienia z Twoich rozmów i sam decyduje, które z nich przywołać. Nie wiesz, co zapamiętał, skąd to wziął ani kiedy o tym zapomni. Pamięć w harnessie ma schemat: każdy wpis ma autora i rodzaj, a sprawy otwarte datę przeglądu, więc da się ją przejrzeć, poprawić i wyczyścić. Pierwsza jest wygodna dla jednej osoby. Druga nadaje się dla firmy.

Do zrobienia u siebie: nie siadaj do tego ręcznie, bo nikt tego nie wytrzyma. Daj agentowi swoją pamięć, choćby to był jeden dokument, i poproś, żeby przepytał Cię z niej w formie wywiadu: to decyzja, fakt czy notatka? Kto to powiedział? Do kiedy obowiązuje? Agent sam dopisze etykiety, a zapyta tylko tam, gdzie nie wie. Zdania, na które nie ma odpowiedzi, wylatują. Po takim wywiadzie agent obsługi klienta, który „pamięta” rabat 12% dla firmy X, umie wskazać, skąd to wie i od kiedy.

Czym są hooki w agencie AI?

Hook to reguła zapisana w kodzie, która sama zatrzymuje agenta przed niedozwoloną akcją. Instrukcja to prośba. Hook to gwarancja. Agent może zignorować instrukcję. Nie ze złej woli: każda reguła zapisana w instrukcji działa do momentu, w którym model uzna, że tym razem jest inaczej. A uzna, prędzej czy później. Dlatego wszystko, co agent ma robić zawsze albo nie robić nigdy, przenosimy z instrukcji do hooka. Hook nie czyta instrukcji i nie ma zdania. Sprawdza warunek i przepuszcza albo zatrzymuje. Działa też wtedy, gdy ktoś przekona model podrzuconym tekstem, czyli przez prompt injection: model może ulec, hook nie.

Mamy listę warunków, które każda nasza strona musi spełniać. Jeden z nich: animacje mają się wyłączać, gdy użytkownik włączył w telefonie opcję „ogranicz ruch”. Agent, który poprawia stronę, ma tę listę przed oczami. Gdy poprawka mu nie wychodzi, może pójść na skróty: zamiast naprawić kod, usunąć warunek z listy. W jego raporcie wszystko jest wtedy w porządku, bo warunku już nie ma.

Dlatego hook ogląda każdą zmianę kodu i sprawdza dwie rzeczy. Czy z kodu nie zniknęło coś, czego lista wymaga. I czy agent nie zmienił listy w tej samej poprawce, w której zmienił kod. Jeśli tak, poprawka nie wchodzi. Listę wolno zmienić, ale osobno i z własnym opisem, tak żeby człowiek zobaczył to w historii zmian. Agent dalej może naprawiać, ile chce. Nie może już schować obniżenia wymagań w środku poprawki.

Hooki działają w obie strony. Elev, nasz agent na X, publikuje sam, bo ma hooki, które pilnują limitów dziennych i tego, o czym nie wolno mu pisać. Najpierw dostał wąski zakres i kontrolę, samodzielność przyszła później. Gdzie agent ma się zatrzymać i czekać na człowieka, rozpisaliśmy w artykule o human in the loop.

Do zrobienia u siebie: poproś agenta, żeby wypisał z własnej instrukcji każde zdanie ze słowem „zawsze” albo „nigdy”. Każde z nich to kandydat na hook. Zacznij od tego, którego złamanie najdrożej kosztuje: wysyłka na zewnątrz, zmiana ceny, usunięcie danych.

Po co agentowi AI logi?

Log to zapis każdej akcji agenta, z którego widać, co zrobił i dlaczego. To najtańsza część harnessu i najłatwiej ją pominąć. Każdy wpis ma datę, cel i wynik. Każde zadziałanie hooka też: która reguła, w którym pliku, co zatrzymała. U nas od czerwca uzbierało się ponad 1 100 takich wpisów od samych hooków.

Co kilka tygodni czytamy wpisy i zadajemy dwa pytania. Reguła, która zatrzymuje agenta często, dostaje pytanie, czy problem nie leży gdzie indziej: może w instrukcji, może w kontekście. Reguła, która nie zadziałała ani razu, dostaje pytanie, czy jest jeszcze potrzebna, bo harness, który tylko rośnie, w końcu przeszkadza bardziej, niż pomaga. Z logu bierze się też odpowiedź na pytanie klienta „dlaczego agent tak napisał”. Dla systemów wysokiego ryzyka taki dziennik będzie obowiązkiem według AI Act (art. 12 i art. 26 ust. 6) najwcześniej od 2 grudnia 2027 roku (stan na październik 2026).

Do zrobienia u siebie: jeden plik albo jedna tabela, do której agent dopisuje każdą akcję wychodzącą poza firmę. Raz w miesiącu przeczytaj ją w całości. Pierwszy raz zajmie godzinę.

Kto sprawdza pracę agenta AI?

Gotową pracę agenta, czyli ofertę, raport albo zmianę na stronie, ocenia u nas osobny sędzia. Sędzia to osobny subagent, który dostaje tylko wynik i listę kryteriów. Nie widział, jak praca powstawała, więc nie broni cudzych wyborów. Przy pracy, która idzie do klienta, sędziów jest dwóch, i celowo są to różne modele, bo każdy ma inne słabości.

Na końcu i tak czyta człowiek, niezależnie od tego, ilu sędziów było przed nim. Sędziowie nie zastępują tej lektury. Sprawiają, że człowiek dostaje pracę, w której proste błędy są już wyłapane, i może skupić się na tym, czego model nie wie.

Sprawdzamy też sprawdzających. W październiku przejrzeliśmy 23 pary werdyktów z własnej pracy. W 11 parach sędziowie się różnili, a w 10 z tych 11 ostrzejszy był ten sam model. To znaczy, że przy zasadzie „jedno »nie« wystarczy” o wyniku decydował w praktyce jeden sędzia, a drugi głównie potwierdzał. Zobaczyliśmy też, że sędziowie przepuszczali teksty poprawne i nudne, bo nudy nikt nie wpisał w kryteria. Sędzia sprawdza to, co ma zapisane. Dlatego przy tekstach człowiek czyta surową wersję jeszcze przed sędziami, a kryteria rosną o każdą rzecz, której sędziowie nie złapali.

Do zrobienia u siebie: poproś agenta, żeby zaproponował pięć kryteriów dobrej odpowiedzi, i popraw je. Raz w miesiącu daj mu 20 prawdziwych pytań z poprzedniego miesiąca. Wynik przeczytaj sam. Po zmianie modelu egzamin idzie od nowa.

Jak rozwijać harness agenta AI?

Potrzebna jest pętla, w której każdy błąd zostawia ślad, a każda ważniejsza zmiana musi udowodnić, że jest lepsza od poprzedniej.

Agent, który w trakcie pracy odkryje coś nowego, nie dopisuje od razu reguły do swojej wiedzy. Na przykład tego, że pewne narzędzie zawodzi w konkretnej sytuacji. Zapisuje kandydata na lekcję. Po zadaniu osobny przegląd sprawdza, czy kandydat jest prawdziwą lekcją, czy jednorazowym zbiegiem okoliczności.

Dopiero potem osobny agent od porządku w wiedzy scala lekcję z resztą, razem z dowodem: plikiem i wersją, w której to widać. Wpis bez dowodu zostaje notatką i nie udaje faktu. Gdy we wrześniu 2026 przerobiliśmy tak nasz plik lekcji, ze 140 luźnych wpisów zostały 64. Przy nich jest 138 odnośników do plików i wersji, bo jedna lekcja ma często kilka dowodów.

Druga zasada: zmiana w harnessie nie może zepsuć tego, co już działało. Sprawdzamy to na prawdziwych zadaniach z przeszłości. Zanim zmienimy instrukcję agenta, bierzemy polecenia z ostatnich tygodni, dla których wiemy, jaka odpowiedź była dobra. Dzielimy je na dwie połowy. Na pierwszej połowie piszemy i dopracowujemy nową instrukcję. Drugiej połowy nie oglądamy do końca pracy. Na koniec puszczamy starą i nową instrukcję na tej schowanej połowie i liczymy trafienia. Nowa musi mieć ich więcej. Jeśli ma mniej, wraca stara.

Instrukcję łatwo dopasować do zadań, które się widziało. Agent ma działać na zadaniach, których nikt jeszcze nie widział, i tylko schowana połowa to sprawdza.

W tym samym miesiącu poprawiliśmy tak podpowiedź, która mówi agentowi, po jakie narzędzie sięgnąć. Wzięliśmy 84 polecenia, po 42 na każdą połowę. Na schowanej połowie stara wersja trafiała w 39% przypadków, nowa w 68%.

Do zrobienia u siebie: każ agentowi prowadzić plik „lekcje” z trzema kolumnami: co się stało, co z tego wynika, gdzie jest dowód. Ty tylko odpowiadasz, gdy pyta, czy coś było jednorazowe, czy się powtórzy. Wpis bez trzeciej kolumny nie wchodzi. Zanim zmienisz instrukcję agenta, puść starą i nową na tych samych 20 pytaniach z zeszłego miesiąca.

Ile kosztuje harness i czego nie załatwi?

Harness kosztuje w trzech miejscach. Po pierwsze, każda praca, którą ogląda sędzia, przechodzi przez model dwa razy, więc koszt modelu dla tej jednej pracy rośnie mniej więcej dwukrotnie. To nadal ułamek kosztu godziny człowieka, który musiałby ją sprawdzać od zera. Po drugie, godzina w miesiącu na przeczytanie logu i decyzje, które z niego wynikają. Po trzecie, czas na wywiady, w których agent pyta, a Ty odpowiadasz. Ten ostatni koszt jest największy na początku i prawie znika po kilku tygodniach, bo agent pyta tylko o nowe rzeczy.

Harness nie załatwi trzech rzeczy. Nie naprawi procesu, który bez agenta też nie działa. Jeśli nikt w firmie nie wie, kto zatwierdza rabat, hook tego nie rozstrzygnie. Nie zastąpi decyzji, kto odpowiada za agenta, bo log i sędziowie pokazują błąd, ale ktoś musi go przeczytać. I nie zrobi z modelu specjalisty w zadaniu, którego model nie umie.

Który harness agenta AI jest najlepszy?

Nie ma jednego najlepszego. Jest kilka gotowych środowisk, w których agent od razu dostaje uprawnienia, kontekst firmy, hooki i wybór modelu. Różnią się tym, ile dają na start i ile zostawiają Tobie.

Wszystkie te narzędzia różnią się modelem i licencją, ale części z tego artykułu są w każdym: kontekst, uprawnienia, pamięć, log, kontrola. Dlatego porównanie dwóch narzędzi albo dwóch modeli robi się tak samo jak test z poprzedniej sekcji. Ten sam zestaw zadań, ta sama schowana połowa, liczysz trafienia. Rankingom z sieci nie musisz wierzyć.

Do zrobienia u siebie: zacznij od gotowego harnessu, nie od biblioteki. Wybierz taki, który ma wbudowane punkty zgody człowieka i hooki, bo tych dwóch rzeczy nie chcesz pisać od zera. Model zmieniaj dopiero wtedy, gdy masz zestaw zadań, na którym porównasz stary z nowym.

Od czego zacząć budowę harnessu?

Od logu, potem jeden hook na kroku, którego nie da się cofnąć. Nie od wszystkiego naraz i nie ręcznie. Każdy z tych kroków robi agent: prowadzi wywiad, Ty odpowiadasz, agent zapisuje i pilnuje. Kolejność, którą polecamy, idzie od najtańszego do najtrudniejszego:

  1. Log. Jeden plik, każda akcja agenta na zewnątrz z datą. Dzień pracy.
  2. Pierwszy hook. Przy kroku, którego nie da się cofnąć: wysyłka, płatność, usunięcie. Zanim agent to zrobi, człowiek mówi „tak”.
  3. Pamięć z etykietami. Kto powiedział, do kiedy obowiązuje. Reszta wylatuje.
  4. Egzamin. 20 prawdziwych pytań raz w miesiącu i człowiek, który czyta wynik.
  5. Plik lekcji z dowodem. Każdy błąd agenta kończy się wpisem, a wpis, który się powtarza, staje się hookiem albo poprawką kontekstu.

Harness wystarcza, gdy każdy krok, którego nie da się cofnąć, ma hook albo człowieka. Każdy błąd da się odtworzyć z logu. Ważniejsza zmiana w harnessie przeszła test na starych zadaniach. Kto to ma, może dokładać agentów i swobody bez strachu, że system cofnie się po cichu.

Budujemy agentów z zatwierdzaniem przez człowieka od pierwszego dnia. Agent wewnętrzny z zatwierdzaniem przez człowieka zaczyna się od 12 000 zł plus od 900 zł miesięcznie (cennik na październik 2026). Wdrożenie zespołu jest w cenie. Jeśli agenta już masz, w ramach AI Trust Layer sprawdzamy jego bezpieczeństwo: uprawnienia, odporność na prompt injection, dane i zgodność z AI Act. Raport z listą napraw dostajesz w 5 dni.

Najczęstsze pytania

Czym jest harness w agentic AI?

Tym samym, co harness agenta: środowiskiem wokół modelu, które daje mu kontekst, uprawnienia, pamięć, dziennik i kontrolę jakości. „Agentic AI” to zbiorcza nazwa systemów, w których model wykonuje zadania w narzędziach firmy, a nie tylko odpowiada na pytania.

Czy Claude Code to przykład harnessu?

Tak. Claude Code, narzędzie Anthropic dla programistów, ma wbudowane uprawnienia, pamięć projektu, hooki i punkty, w których agent pyta człowieka o zgodę. Model jest ten sam, co w oknie czatu. Różnica leży w tym, co wokół.

Kim jest harness engineer?

Osobą, która projektuje i rozwija środowisko agenta, czyli zajmuje się harness engineering: co widzi, co mu wolno, kto go sprawdza, jak się uczy. W firmie na 20 osób tę pracę robi ten, kto agenta wdraża, i dobrze, bo zna procesy, których agent ma pilnować.

Czy agent zrobiony w ChatGPT albo Gemini ma harness?

Ma, ale ustawiony przez dostawcę: limity, filtry, pamięć konta. Firma odpowiada za resztę: co agent dostaje jako kontekst, kto ma do niego dostęp i co dzieje się z jego odpowiedziami. Logu i egzaminu taki agent zwykle nie ma, więc te dwie rzeczy trzeba zbudować obok.

Po co budować własny harness, skoro są gotowe?

Gotowy harness daje mechanikę: uprawnienia, pamięć, hooki, subagentów. Nie daje treści: Twoich reguł, Twojej pamięci firmy, Twoich sędziów i Twojego logu. To właśnie buduje się samemu, na gotowym narzędziu. Własny harness od zera, z biblioteki, ma sens dopiero wtedy, gdy agent ma wejść do Twojego produktu, a nie pracować obok zespołu.

Ile kosztuje zbudowanie agenta AI razem z harnessem?

U nas agent wewnętrzny z zatwierdzaniem przez człowieka kosztuje od 12 000 zł plus od 900 zł miesięcznie (cennik na październik 2026). Szerszy obraz kosztów AI w firmie opisaliśmy w artykule o kosztach AI dla firmy.

Agent AI z nadzorem człowieka w Twojej firmie

Budujemy agentów wewnętrznych z zatwierdzaniem przez człowieka. Wdrożenie zespołu jest w cenie: na Twoim procesie pokazujemy, jak zatwierdzać, poprawiać i odrzucać pracę agenta. Zaczynamy od rozmowy o jednym procesie, który ma zrobić agent.

Porozmawiajmy o agencie
Czytasz nas regularnie? Dodaj do preferowanych źródeł