O czym jest ten film
- Autor (Callum z kanału Wanderloots) dzieli pracę ze sztuczną inteligencją na trzy poziomy: zwykły czat, agentów oraz samodoskonalące się automatyzacje — od najprostszego do najbardziej zaawansowanego.
- Cały materiał to sponsorowany przegląd narzędzia ChatLLM od Abacus AI, które za jeden abonament (od 7 dolarów miesięcznie) daje dostęp do wielu czołowych modeli — dla porównania najtańsze plany pro u ChatGPT i Claude’a kosztują po 20 dolarów.
- Sercem poziomu czatu jest Route LLM: funkcja, która sama kieruje zapytanie do modelu o odpowiedniej mocy (w rodzinie GPT: Luna, Terra, Soul i Astra), by optymalizować zużycie kredytów.
- Testy autora pokazują rozpiętość kosztów: proste pytanie — 2 kredyty (Luna), trudniejsze — 31 (Terra), a wymuszenie mocniejszego Soula podwaja cenę względem Terry (88 kontra 44 kredyty) przy niewielkim zysku jakości.
- Projekty porządkują rozmowy, pliki, własne instrukcje i pamięć agenta w jednym miejscu — i można je współdzielić z zespołem.
- Zadania uruchamiają się według harmonogramu lub wyzwalacza: przykłady to poranny raport z rynków technologicznych i cotygodniowy przegląd nowości AI wysyłany mailem.
- Zadania samodoskonalące się po każdym przebiegu same porównują wynik z poprzednim i korygują własną strategię, dążąc do lepszej wartości wybranej metryki.
- Główny przykład: agent buduje zadanie łączące tygodniowe newsy AI z wynikami S&P 500 — miara korelacji wzrosła po pierwszym cyklu z 0,325 do 0,9; konfiguracja pochłonęła około 1100 kredytów.
- Agenci osobistyi działają całodobowo: gotowy „szef sztabu” przygotowuje poranne briefingi, szkicuje odpowiedzi (nigdy ich nie wysyła) i pilnuje terminów; można zbudować cały zespół takich agentów.
- Cennik: plan podstawowy 7–10 dolarów (20 tysięcy kredytów, limitowane akcje agenta), Pro za 20 dolarów — pełny dostęp do agentów i superkomputera; po wyczerpaniu kredytów zostają modele bez limitu.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Zacznij od jednego małego, powtarzalnego zadania
Na czym polega: Najważniejsza rada z całego materiału: nie rzucaj się od razu na całą baterię agentów. Wybierz jedną drobną czynność, która wraca regularnie (np. cotygodniowy przegląd nowości w branży), i dopiero wokół niej buduj automatyzację.
Jak stosować: Zdefiniuj zadanie jednym zdaniem, stwórz dla niego projekt, dodaj kontekst (pliki, instrukcje) i sprawdź, czy da się je zamienić w zadanie cykliczne albo agenta. Gdy pierwszy proces działa, powielaj schemat na kolejne obszary.
Na co uważać: Złożoność rośnie bardzo szybko — nawet pozornie proste zadanie samodoskonalące potrafi zżerać kilka tysięcy kredytów miesięcznie. Tego lepiej uczyć się na jednym procesie niż na dziesięciu naraz.
2.Automatyczny dobór modelu to domyślny punkt wyjścia
Na czym polega: Route LLM sam kieruje zapytanie do silnika o odpowiedniej mocy — w teście proste pytanie trafiło do Luny za 2 kredyty, trudniejsze do Terry za 31 — chroniąc budżet przed przepłacaniem.
Jak stosować: Na starcie pozwól systemowi wybierać za ciebie. Dopiero gdy odpowiedź wydaje się za płytka, wygeneruj ją ponownie na mocniejszym modelu i porównaj zysk jakości z dodatkowym kosztem.
Na co uważać: Wyższy model nie daje proporcjonalnie lepszego rezultatu: w przykładzie Soul kosztował dwukrotnie więcej niż Terra, a różnica sprowadzała się głównie do bardziej rozbudowanych przykładów.
3.Pilnuj zużycia kredytów przy każdym typie zadania
Na czym polega: Koszt pojedynczej odpowiedzi potrafi się różnić kilkudziesięciokrotnie — od 2 do 88 kredytów w samym filmie — a zadania cykliczne mnożą te pojedyncze uruchomienia z tygodnia na tydzień.
Jak stosować: Przez tydzień czy dwa zapisuj, ile „kosztują” poszczególne rodziny zadań (research, analiza, redagowanie) i na tej podstawie decyduj, co delegować mocniejszym modelom, a co zostawić tańszym.
Na co uważać: Przy zadaniach samodoskonalących licz od razu koszt miesięczny: konfiguracja to około 1100–1200 kredytów, każdy przebieg 500–1000, co przy rytmie tygodniowym daje blisko 4800 kredytów miesięcznie.
4.Projekty trzymają kontekst w jednym miejscu
Na czym polega: Zamiast rozrzuconych rozmów tworzysz projekt: osobne czaty, wgrane pliki, podpięta chmura i własne instrukcje obowiązujące w każdej rozmowie tego projektu. Projekt można też współdzielić i współpracować w nim z innymi.
Jak stosować: Każdemu stałemu obszarowi pracy poświęć osobny projekt, opisz w instrukcjach, czego od niego oczekujesz, wgraj potrzebne dokumenty — i dopiero wtedy pytaj model, jak może pomóc.
Na co uważać: Pusty projekt, bez instrukcji i plików, działa jak zwykły czat bez pamięci — każdy nowy wątek zacznie od zera i będziesz tłumaczyć wszystko od nowa.
5.Powtarzalne czynności przenoś do zadań cyklicznych
Na czym polega: Zadania uruchamiają się same — według harmonogramu albo wyzwalacza (np. nadejście konkretnej wiadomości) — i mogą kończyć się raportem wysyłanym prosto na twoją skrzynkę.
Jak stosować: Uruchom jedno zadanie, obejrzyj jego przebieg i źródła, po czym doprecyzuj instrukcję: dopisz brakujące tematy lub serwisy i sprawdź, czy kolejny raport jest lepszy.
Na co uważać: To poprawianie ręczne. Jeśli chcesz, by system sam wyciągał wnioski z każdego przebiegu, potrzebujesz wyższego poziomu — zadań samodoskonalących.
6.Samodoskonalenie działa tylko z dobrze dobraną metryką
Na czym polega: Zadanie samodoskonalące po każdym przebiegu zestawia wynik z poprzednim i modyfikuje własną strategię, by podnieść wartość wybranej miary. W przykładzie korelacja newsów AI z S&P 500 wzrosła z 0,325 do 0,9 już po jednym cyklu.
Jak stosować: Wskaż liczbę, która faktycznie świadczy o jakości (np. wspomniana korelacja), pozwól agentowi dopytać o szczegóły przed startem i akceptuj plan dopiero wtedy, gdy widzisz, że logicznie prowadzi do tej miary.
Na co uważać: Źle dobrana miara uszlachetni liczbę, a nie rzeczywistą jakość — system „nauczy się” poprawiać wskaźnik zamiast robić lepszy research.
7.Agent to mózg z rękami — dawaj mu zadania wieloetapowe
Na czym polega: Czat odpowiada na pojedyncze pytanie; agent planuje sekwencję kroków, bierze do ręki narzędzia, sprawdza wyniki i koryguje kurs. Mózg plus dłonie — jak ujmuje to autor.
Jak stosować: Gdy praca ma więcej niż jeden krok (zbierz, porównaj, napisz, wyślij), przełącz się na tryb agenta i najpierw przejrzyj przedstawiony plan, a dopiero potem zgódź się na wykonanie.
Na co uważać: Autonomia kosztuje — sesja agentowa zużywa wielokrotnie więcej kredytów niż czat, więc na początku trzymaj agenta krótko i poszerzaj jego pole manewru stopniowo.
8.Integracje decydują o użyteczności agenta
Na czym polega: Po podpięciu poczty, Slacka, GitHuba, Dysku Google czy Teams (ponad 440 integracji) agent potrafi krzyżować źródła: przy mailu na dany temat sprawdzi dyskusje zespołu i dane projektowe, a potem zaproponuje następny krok.
Jak stosować: Najpierw wskaż wyzwalacz i dwa–trzy źródła do zestawienia, oceń jakość podsumowań, dopiero potem dokładaj kolejne integracje.
Na co uważać: Każde podpięcie to kwestia uprawnień. Zaczynaj od dostępu wyłącznie do odczytu i na starcie nie dawaj agentowi prawa do wysyłania czegokolwiek w twoim imieniu.
9.Agenta osobistego wdrażaj pojedynczo, według ról
Na czym polega: Agenci osobistyi pracują całą dobę: gotowy „szef sztabu” przygotowuje poranny briefing z maili i terminów, szkicuje odpowiedzi (ale nigdy ich nie wysyła), przypomina o spotkaniach i pamięta twoje ustalenia.
Jak stosować: Wybierz jedną rolę z szablonów (szef sztabu, selekcja poczty, finanse osobiste, monitor nowości, przegląd rynkowy), podłącz minimalny zestaw integracji i obserwuj przez tydzień, co realnie odciąża.
Na co uważać: Pełna praca całodobowa ma sens głównie na droższym planie (na tańszym obowiązuje limit akcji agenta), a niektóre funkcje — jak podpięcie konta bankowego — wymagają świadomej decyzji, nawet jeśli agent ma dostęp tylko do odczytu.
10.Abonament dobieraj pod rzeczywiste zużycie
Na czym polega: Plan podstawowy (7–10 dolarów miesięcznie) daje 20 000 kredytów i limitowany dostęp do agenta; Pro (20 dolarów) — pełny dostęp do agentów i superkomputera. Nawet po wyczerpaniu kredytów zostają modele bez limitu, więc praca nie zamiera.
Jak stosować: Zacznij od tańszego planu i naucz się oszczędnie gospodarować kredytami na słabszych modelach; awansuj dopiero wtedy, gdy limity zaczynają cię realnie blokować.
Na co uważać: Największy apetyt na kredyty mają agenci i zadania samodoskonalące — zanim się na nie zdecydujesz, policz ich miesięczny koszt.
Redakcyjne tłumaczenie
Trzy poziomy, jedna ścieżka
Uważam, że to jedno z najciekawszych możliwych zastosowań sztucznej inteligencji. AI bywa przytłaczająca: którego modelu używać? Czym właściwie są agenci? Jak zapamiętują to, nad czym pracujesz? Czym jest samodoskonalenie? Materii jest tak dużo, że trudno wiedzieć, od czego zacząć — nie mówiąc już o tym, jak systematycznie się rozwijać.
Dlatego w tym materiale dzielę całą drogę na trzy poziomy. Najpierw czat — poziom, który większość z was zna choćby z prób — wraz z tym, jak testować różne modele pod własne potrzeby. Potem agenci: jak przejść od rozmowy do agenta i po co w ogóle to robić. Na końcu automatyzacje, w tym własne procesy, które same się doskonalą.
Narzędzie: ChatLLM od Abacus AI
Do dzisiejszego pokazu używam ChatLLM od Abacus AI, sponsora tego odcinka — platformy spajającej wszystko w jednym miejscu, dzięki której można pojmować i wykorzystywać AI na każdym poziomie zaawansowania. Największa zaleta jest taka, że czołowe modele różnych firm dostajesz w jednej subskrypcji: wejściem jest kwota 7 dolarów miesięcznie, podczas gdy najtańsze płatne konta pro u ChatGPT i Claude’a kosztują po 20 dolarów.
(Informacja dodatkowa: cały film ma charakter sponsorowanego przeglądu jednego produktu — ceny i możliwości warto zweryfikować na stronie Abacus AI.)
(Informacja dodatkowa: ChatLLM rozlicza pracę modeli w wewnętrznej walucie „kredytów” — im mocniejszy model, tym droższe pojedyncze zapytanie.)
Czat: poziom, który zna każdy
Ekran startowy nie niesie niespodzianek: standardowe pole rozmowy, przycisk plus do wgrywania plików z komputera oraz opcja dodawania integracji — a ta zrobi się później bardzo ważna. Po jej wybraniu wyskakuje lista 447 konektorów: poczta, Dysk Google, Slack, GitHub, Teams… W kilka chwil podpinasz narzędzia, które potem przekażesz agentowi do dyspozycji. Jest też przełącznik trybów — czat, agent, boty — czyli kolejne poziomy AI, które omawiamy po kolei, od najprostszego wzwyż, żeby widać było, jak wszystko składa się w całość.
Route LLM, czyli automatyczny dobór modelu
Kluczową funkcją jest tu Route LLM: system sam wybiera najlepszy model do twojego zapytania. Weźmy rodzinę modeli GPT — do dyspozycji są cztery warianty: Luna, Terra, Soul i Astra, każdy zużywający inną liczbę kredytów. Przy banalnym zadaniu wystarczy Luna i kredyty zostają w kieszeni; przy wymagającym można sięgnąć po Soula albo Astrę. Ale nie musisz tej decyzji podejmować sam — Route LLM oceni zadanie i dobierze silnik tak, by jakość odpowiedzi szła w parze z rozsądnym kosztem.
Liczy się rachunek: od 2 do 88 kredytów
Sprawdźmy to w praktyce. Proszę o wyjaśnienie, czym jest agent AI, możliwie prosto. Pytanie jest podstawowe, więc Route LLM skierował je do GPT 6 Luna — najtańsza z możliwych opcji, do tego należąca do puli modeli bez limitu. Odpowiedź: agent to taki cyfrowy pomocnik — dostaje cel, sam ustala kroki do jego osiągnięcia, sięga po narzędzia, gdy trzeba, a na koniec melduje, co zrobił. Całość kosztowała 2 kredyty. Można tę samą odpowiedź wygenerować ponownie mocniejszym GPT 6.1 Soul — każdy stopień wyżej to po prostu więcej kredytów.
Teraz pytanie trudniejsze — o samodoskonalące się AI. Tutaj Route LLM wybrał GPT 6.1 Terra, stopień powyżej Luny: zapytanie wymagało już nieco mocniejszego silnika, żeby zaprojektować cały system. Zużycie: 31 kredytów. W odpowiedzi padła zresztą gotowa definicja, której użyjemy dalej: samodoskonalące się AI to układ, w którym próbujesz wykonać zadanie, sprawdzasz wynik, coś poprawiasz i powtarzasz — żeby zobaczyć, czy wyszło lepiej. A szczerze mówiąc, grafika, którą model do tego wygenerował, zrobiła na mnie spore wrażenie.
Kolejny krok: jak to się ma do pracy przeciętnego pracownika wiedzy? Znów Terra — pytanie nie podniosło poprzeczki na mocniejszy model. Z odpowiedzi: agent może poprawiać się w pisaniu e-maili, streszczać notatki ze spotkań dokładnie tak, jak lubisz, prowadzić research i doszlifowywać go po każdej twojej uwadze. Rachunek: 44 kredyty. A co, gdy wymusimy Soula? Struktura odpowiedzi wygląda niemal identycznie, ale wyjaśnienia i przykłady są bardziej szczegółowe — koszt: 88 kredytów, czyli dokładnie dwukrotność Terry.
I tu jest pole do twoich decyzji. Przy własnych procesach warto poeksperymentować, który model ma sens przy którym zadaniu — i tak stopniowo oszczędzać kredyty.
Projekty: kontekst zamknięty w jednym miejscu
Poza Route LLM po lewej stronie czeka sporo funkcji, które warto krótko przejrzeć, bo idealnie do siebie pasują. Pierwsza: projekty. Po wejściu w jeden z nich — na przykład z moimi tutorialami — rozmowy grupują się w środku tego jednego obszaru. Do projektu wgrywasz pliki albo podpinasz istniejący dysk chmurowy i sprowadzasz dokumenty do wspólnej przestrzeni, dzięki czemu model pracuje na twojej wiedzy, a nie na pustce. Projekt można dostosować: własne instrukcje sprawiają, że każda rozmowa rozumie lepiej, co próbujesz osiągnąć. Da się też zaprosić agentów do środka — o tym za moment — i wchodzi w to pamięć: agent pamięta, nad czym pracujesz. Smaczek: projekty można udostępniać innym i po prostu na nich współpracować.
Na pasku bocznym trzymam swoje projekty, każdy z odrębnymi ustawieniami. Przykładowe pytanie w jednym z nich — jak najlepiej zacząć z agentowym AI — Route LLM skierował do GPT 6.1 Terry, czyli najoszczędniejszego modelu, który dał potrzebną jakość. Odpowiedź jest rozsądna: zacznij od jednego małego, powtarzalnego zadania i zbuduj wokół niego agenta, zamiast startować z całą zgrają agentów naraz. Moja praktyczna wskazówka brzmi tak samo: utwórz projekt, dopisz instrukcje, wgraj potrzebne pliki — a potem po prostu zapytaj, jak AI może ci pomóc. Narzędzia zmieniają się nieustannie i łatwo się w tym zatracić; gdy zapytasz wprost, system przeprowadzi cię przez to, co ma sens w twoich procesach. I jak sama podpowiedź sugeruje — czas przełączyć się z czatu na agenta.
Zadania cykliczne i wyzwalacze
Zanim jednak uruchomimy agenta, wróćmy do owej rady o jednym małym zadaniu. Na lewym pasku widnieje pozycja „zadania samodoskonalące” — to nowość, a część o samodoskonaleniu zostawiam na później. Na razie Same zadania. Mam już dwa gotowe: jeden robi codziennie rano analizę rynku spółek technologicznych i przynosi raport, drugi raz w tygodniu przeszukuje świat pod kątem nowości w AI. Zadania można budować według harmonogramu albo wyzwalacza. Gdy brakuje ci pomysłu, przewiń w dół — czeka tam mnóstwo podpowiedzi dla nauki, biznesu i codziennej pracy.
Wejdźmy w to tygodniowe wyszukiwanie nowości i kliknijmy edycję. Instrukcja wygląda tak: „Wyszukaj najważniejsze postępy w AI i przeanalizuj, jak wpływają na zarządzanie wiedzą, automatyzację i wydajność. Przygotuj materiał wysokiej jakości ze szczegółowymi wnioskami”. Ten prompt uruchamia się raz na tydzień zgodnie z moim harmonogramem, a raport przychodzi do mnie mailem. Uruchamiam zadanie teraz — i fajna rzecz: cały proces widać na żywo, łącznie ze źródłami, po które agent sięga. Gotowe: raport jest, a kopia ląduje w skrzynce, czyli dokładnie tam, gdzie i tak pracujesz. I co istotne, każdą iterację można ręcznie doszlifować: jeśli zabrakło jakiegoś źródła albo tematu, poprawiasz instrukcję i następnego dnia zadanie wychodzi odrobinę lepiej.
Pętla samodoskonalenia
I dochodzimy do sedna. Zadanie samodoskonalące można połączyć z agentem, który poprawia się przy każdym przebiegu. Zamiast samemu majstrować przy prompcie, definiujesz oczekiwany rezultat i poziom jakości — a system przy każdym uruchomieniu sprawdza wynik, zestawia go z poprzednim i sam coś w sobie kręci, żeby wyjść odrobinkę lepiej. Kreator podpowiada, jak taki prompt ułożyć: „Stwórz agenta samodoskonalącego się, który za każdym razem wykonuje określoną czynność, mierzy konkretną metrykę definiującą sukces, a po każdym przebiegu poprawia się. Zanim zaczniesz, zadaj mi pytania doprecyzowujące wszystko, co musisz wiedzieć”. Szacunkowy koszt: 1200 kredytów. Jeśli chcesz taki cykl powtarzać co tydzień — żeby w przyszłym miesiącu radził sobie jeszcze lepiej — licz około 4800 kredytów miesięcznie.
Agenci: mózg z rękami
Przejście z czatu do agenta to moment, w którym wychodzimy poza odpowiadanie na pojedyncze pytania. Agent planuje ciągi kroków, korzysta z różnych narzędzi, ogląda wyniki i koryguje podejście. Kluczowa metafora: jeśli model językowy jest jak mózg, to agent to mózg z rękami — potrafi realnie chwycić narzędzie i coś zrobić. W interfejsie mamy dwa typy: sesję agentową, włączaną przyciskiem trybu, oraz agentów osobistych, gdzie zaczyna się prawdziwa personalizacja.
Główny agent pamięta i łączy akcje w czasie — nie tylko pojedyncze wyszukiwanie — oraz sięga po wszystkie wspomniane integracje. Wyobraźcie sobie: przychodzi mail powiązany z konkretnym tematem, agent sprawdza na Slacku, czy temat łączy się z tym, o czym rozmawia zespół, zestawia to z GitHubem, kalendarzem, danymi o wynikach firmy, Google Analytics, social mediami czy roadmapą — i na tej podstawie składa podsumowanie z rekomendacją najlepszego następnego kroku. Może być tak złożone, jak tylko zechcesz. Mówimy tu o standardowym agencie Abacus AI (dawniej nosił nazwę Deep Agent) — małem osobny materiał o budowaniu aplikacji i bardziej złożonych, pełnostkowych procesów, dostępny też w aplikacji na komputer.
Warsztat: newsy AI kontra S&P 500
Wróćmy jednak do zadania samodoskonalącego i spróbujmy zbudować takie razem z agentem. Mój prompt: „Ustaw proszę zadanie samodoskonalące, które co tydzień sprawdza najnowsze wiadomości o AI, a potem zestawia je z wynikami giełdy — żeby zobaczyć, czy newsy korelują z zachowaniem rynku. Jeśli nie, zadanie ma się poprawić przy następnym uruchomieniu tak, by analiza była bardziej na czasie i dotyczyła wiadomości, które realnie poruszają rynkiem. Zanim zaczniesz, zadaj mi pytania doprecyzowujące”.
Moja logika jest taka: newsów jest bez liku, ale mnóstwo z nich piszą boty albo po prostu nic ciekawego nie wnosi. Ciekawe stają się w chwili, gdy mają realny, mierzalny wpływ — a taką miarą byd choćby giełda. To czyni z tego świetny kandydat na zadanie samodoskonalące: nie tylko robi research, ale od razu widzi, jak świat ten research interpretuje i jak odbija się to na rynkach.
Agent zadał mi pokaźną serię pytań o to, co właściwie ma znaczyć „samodoskonalenie” tego systemu. Normalnie przeszedłbym po kolei i każdą odpowiedź dopasował pod siebie, ale można też po prostu powiedzieć: działaj według własnego osądu. Dodałem tylko: jako punkt odniesienia bierz S&P 500. I agent ruszył z planem — nazwał go punktem kontrolnym rekurencyjnego samodoskonalenia (RSI). Kroki: zebrać newsy AI z minionego tygodnia, zestawić je z wynikiem S&P 500, przygotować tygodniowy raport w Markdownie, a na koniec zaktualizować podręcznik strategii tak, by premiował te typy newsów i źródła, które w tym tygodniu faktycznie poruszyły rynkiem. Plan brzmi rozsądnie: metryką jest korelacja — im wyżej, tym lepiej — a tygodniowy przebieg zużywa około 500–1000 kredytów. Fajnie widzieć, jak jedno zdanie przełożenia zamienia się w konkretny plan działania. Akceptuję.
Zadanie działa teraz w tle: agent ustawił punktację tego, co będzie śledził, zbuduje podręcznik strategii i ustali trend na newsach z zeszłego tygodnia jako punkt startowy. Konfiguracja pochłonęła 1100 kredytów. Klikam przebieg próbny, żeby ustawić wartość wyjściową — i cała filozofia tego systemu sprowadza się do jednego: chcemy patrzeć, jak wynik rośnie z przebiegu na przebieg.
Wynik? Po pierwszym cyklu samodoskonalenia miara wzrosła z 0,325 do 0,9. Jakość researchu poszybowała — agent zdecydowanie lepiej znajduje konkretne artykuły i tematy powiązane ze zmianami na rynku. I tak będzie co tydzień: każde kolejne uruchomienie odrobinę lepsze, bo system coraz lepiej rozumie, jaki typ newsów naprawdę porusza rynkiem. Nic nie stoi na przeszkodzie, by zduplikować to zadanie dla innego obszaru badań. Dla mnie to jeden z najciekawszych możliwych zastosowań AI — a wszystko ustawiłem jedną rozmową z agentem, dostając wymierną liczbę pokazującą, jak system radzi sobie coraz lepiej.
Wariant z agentem-koordynatorem
To wszystko powstało w zwykłej sesji agenta, dołączonej do czatu na pasku. Jest jednak druga droga: projekt z agentem-koordynatorem, który prowadzi całość — planuje, deleguje i raportuje. Nasz bot „newsy i rynki” równie dobrze mógłby być projektem: własne instrukcje, dodatkowe osoby w grupie, a po kliknięciu „utwórz” w środku zasiada agent prowadzący. Po co? Choćby po to, by dołożyć pliki personalizujące rynek — na przykład mój portfel akcji, pod który filtrowane byłyby newsy. Albo by zlecić badania w sektorze, który mnie interesuje inwestycyjnie, i śledzić na bieżąco, jak się zmienia, zanim w ogóle wejdę w ten rynek. Oczywiście: to żadna porada inwestycyjna — po prostu pomysł, jak połączyć newsy z czymś namacalnym. Ten mechanizm zadziała przy dowolnym systemie danych. I znowu wraca rada z początku: jedno małe, powtarzalne zadanie, a złożoność dokładamy stopniowo.
Agenci osobistyi: zespół na całą dobę
Zróbmy więc podsumowanie drogi: czat, potem projekty porządkujące te rozmowy, potem agent wbudowany w projekt. Ale można pójść dalej — agent działający całą dobę, w pełni samodzielny, realizujący automatyzacje według kryteriów, które mu ustalisz. Uwaga praktyczna: pełnia możliwości otwiera się na planie Pro, bo na tańszych planach obowiązuje miesięczny limit akcji agenta.
Do wyboru mamy gotowe role: szef sztabu, selekcja poczty, finanse osobiste, monitor badań, przegląd rynkowy — ten ostatni zresztą właśnie zbudowałem na własną rękę, łącząc dwa wątki. Można też startować od zera. Zerknijmy na szefa sztabu. Jego zadania: codzienny, personalizowany poranny briefing na podstawie maili i terminów; automatyczne szkice odpowiedzi — nigdy bez wysłania; kontakt przez SMS-a lub e-maila; codzienne przygotowanie do spotkań. Dalej kreator prowadzi przez osobowość i instrukcje, po czym podłączamy narzędzia — ja na razie pomijam, choć bez tego agent nie czytałby mojej poczty. Wybieramy kanały kontaktu: WhatsApp, Telegram. Można nawet podpiąć konto bankowe i dostawać podpowiedzi oszczędnościowe na podstawie napływających transakcji — dostęp ma wyłącznie do odczytu, więc nic w banku za ciebie nie zrobi; ja jednak też pomijam. I gotowe: szef sztabu działa jako agent osobisty.
Sedno tej konstrukcji: taki agent pracuje, kiedy ciebie nie ma. Uruchamia zadania zgodnie z harmonogramem, pamięta wszystko, co mu powiedziałeś — ma wbudowaną pamięć — i sam daje znać, gdy potrzebuje decyzji. To jest właśnie różnica między czatem, który reaguje na twoje pytania, a prawdziwym agentem, który działa z własnej inicjatywy na podstawie odebranych instrukcji. Dla mnie to jeden z najbardziej ekscytujących kierunków w AI. Bo jeśli musisz agentowi dyktować każdy krok, to po co komu ten agent — znowu pracujesz nad zadaniem we dwoje. Znacznie lepiej zarządzać zespołem agentów: produktywność, komunikacja, social media, research, finanse, marketing — wszyscy pracują samodzielnie, a z czasem coraz sprawniej. Kto chce pójść o krok dalej, znajdzie na kanale mój materiał o superkomputerze Abacus AI, w którym ustawiam agenta Hermes działającego nieprzerwanie — to bardziej konfigurowalna wersja takiego szefa sztabu, choć dostępna tylko na planie Pro.
Abonament: podstawowy czy Pro
Czas więc na pieniądze. Są dwa plany. Podstawowy kosztuje 10 dolarów miesięcznie (obecnie w promocji 7) i daje 20 000 kredytów oraz ograniczony dostęp do agenta. Pro to 20 dolarów: więcej kredytów, pełny, nieograniczony dostęp do agenta oraz do superkomputera. Który wybrać? Moim zdaniem: jeśli Twoim głównym narzędziem jest czat, podpięte masz kilka integracji i korzystasz okazjonalnie — zacznij od podstawowego i awansuj, gdy poczujesz potrzebę. Warto najpierw nauczyć się pracować z AI efektywnie przy mniejszej puli kredytów; na niższych modelach i tak wyślesz tysiące wiadomości i zdziałasz całkiem sporo. I bardzo przyjemna rzecz: część modeli jest dostępna bez limitu, więc nawet po wyczerpaniu kredytów twoja praca nie zamiera — po prostu schodzisz na słabszy model.
Na koniec: eksperymentować i pytać
Jak widać, w Abacus AI jest znacznie więcej niż to, co zdążyłem pokazać, a kluczem jest po prostu odnalezienie tego, co działa u ciebie. I tu wraca najlepsza rada: zapytaj samo AI, jak może pomóc w twoim biznesie, badaniach, nauce czy marketingu. To potężne narzędzie — ale pomaga tym bardziej, im więcej pracy włożysz w jego kontekst i w wyjaśnienie, co właściwie chcesz osiągnąć. Czaty, zadania, zadania samodoskonalące, agenci, agenci osobistyi — układ, który sprawdzi się u ciebie, musisz wypracować sam. Eksperymentujcie.
Efekt dzisiejszego dnia? Własny agent, który co tydzień uruchamia automatyzację, za każdym razem radzi sobie lepiej, opiera się na realnych danych i jest dopasowany do mojej wiedzy. Kto chce pociągnąć temat dalej — na kanule czekają playlisty o Abacus AI i o pracy agentowej w ogóle. Dziękuję za obejrzenie i do zobaczenia w następnym odcinku.