Red Hat, IBM i Google ogłosiły llm-d 1.0 — rozproszony system obsługi wnioskowania LLM natywny dla Kubernetes, który wykroczył poza demonstrowanie pojedynczych technik wydajnościowych i stał się gotowy do pełnej eksploatacji produkcyjnej. Wersja dodaje wielodostępową kontrolę jakości usług, operacje bez przestojów oraz obsługę świadomą agentów, dzięki czemu ten sam endpoint może efektywnie obsługiwać zarówno ludzi, jak i autonomiczne agenty. W jednym teście router świadomy prefiksów llm-d osiągnął 97% ponownego wykorzystania cache w obciążeniu agentowym związanym z kodowaniem, a IBM/Red Hat uruchomili 3000 jednoczesnych agentów inżynierii oprogramowania za 5-10 razy mniej niż koszt tego samego modelu jako usługi hostowanej.
AWS wprowadził strukturyzowane odpowiedzi dla wszystkich modeli Anthropic Claude dostępnych w Amazon Bedrock — zarówno w standardowym endpoincie runtime, jak i nowszym endpoincie Mantle przeznaczonym do zadań agentowych. Zamiast liczyć na to, że model zwróci poprawny JSON, deweloperzy mogą teraz wymusić dokładną zgodność odpowiedzi ze schematem dzięki ograniczonemu dekodowaniu, które blokuje generowanie tokenów łamiących format. Dodatkowa funkcja, strict tool use, zapewnia taką samą gwarancję dla parametrów wywołań narzędzi, dzięki czemu przepływy pracy agentów nie zawodzą przez błędnie sformatowane dane wejściowe.
AWS opublikował framework zarządzania o nazwie Trust in Depth, mający umożliwić agentom AI działanie z większą autonomią przy zachowaniu egzekwowalnych ograniczeń. Łączy on określanie zakresu uprawnień agenta przed wdrożeniem, nadawanie każdemu agentowi weryfikowalnej tożsamości, egzekwowanie granic w czasie działania poprzez bramki polityk oraz obserwację zachowania agenta po fakcie. Framework opiera się na automatycznym wnioskowaniu (dowodzie matematycznym) dla precyzyjnie określonych reguł oraz na ludzkim osądzie w niejednoznacznych przypadkach, wykorzystując narzędzia AWS: Bedrock AgentCore, Guardrails, Kiro, Strands, Agent Registry i CloudWatch Omni.
Google wydało Apigee hybrid 1.17.0 (14 września 2026), dodając obsługę Model Context Protocol (MCP), która działa całkowicie we własnym klastrze Kubernetes klienta, a nie w infrastrukturze zarządzanej przez Google. Pozwala to organizacjom z wymogami rezydencji danych lub regulacyjnymi zamienić istniejące API opisane w OpenAPI w narzędzia wywoływane przez agentów AI, bez wychodzenia ruchu MCP poza ich sieć. Funkcja wykorzystuje istniejącą tożsamość Apigee, polityki bezpieczeństwa i kontrolę opartą na produktach API, i jest opcjonalną, domyślnie wyłączoną funkcją, włączaną poprzez aktualizację Helm chart.
Cohere zbudowało kontrolowane środowisko testowe, aby zbadać, jak powinny być organizowane zespoły agentów kodujących — testując, gdzie deleguje się pracę, jak agent wiodący czeka na pracowników, jakie modele pełnią jakie role, wielkość zespołu i wzorce komunikacji. W teście ProgramBench dobrze zorganizowane zespoły przewyższyły pojedyncze agenty nawet o ~10 punktów procentowych, ale kosztowały 3–7 razy więcej. Kluczowy wniosek: delegowanie pracownikom wyłącznie eksploracji i planowania dało taki sam wynik jak delegowanie wszystkich etapów (implementacji i weryfikacji) za połowę kosztu, a silny agent wiodący z 16 tanimi pracownikami planowania osiągnął wynik 61,8% wobec 63,2% dla zespołu złożonego z samych silnych modeli, obniżając koszt z 510 do 155 dolarów.
Orca Security zbudowała Discovery AI — agenta na Amazon Bedrock, który zamienia proste pytania w języku naturalnym na ustrukturyzowane zapytania do systemu Sonar, śledzącego ponad 900 typów zasobów chmurowych. Zamiast jednego dużego modelu z całym schematem wczytywanym do każdego promptu, wersja produkcyjna rozdziela pracę na dziewięć wyspecjalizowanych etapów i kilka różnych modeli bazowych. Efekt: znacznie niższe koszty, szybsze odpowiedzi i lepsza dokładność przy złożonych zapytaniach; system działa od marca 2026 roku.
AWS opublikowało wraz z Postman techniczny opis tego, jak powstał Agent Mode – natywny dla AI interfejs Postman do testowania API i dokumentacji, działający produkcyjnie na dużą skalę. Zespół odkrył, że największą przeszkodą nie była jakość modelu, lecz nadmiar narzędzi i brak kontekstu. Wpis opisuje wzorce architektoniczne: dynamiczny dobór narzędzi, dostęp oparty na schematach, dedykowane moduły kontekstu oraz możliwości Amazon Bedrock – elastyczność modeli, wnioskowanie między regionami, kontrolę rezydencji danych i prompt caching.
AWS opublikował studium przypadku dotyczące Amazon Bedrock AgentCore payments – zarządzanej funkcji pozwalającej agentom AI samodzielnie płacić za usługi, np. zapytania do modelu, pojedynczo, przy użyciu protokołu płatności x402. Firma Incarna wykorzystała tę funkcję, by jej agenci mogli płacić BlockRun, routerowi inferencji od wielu dostawców, za każde pojedyncze wywołanie modelu, rozliczając się w stablecoinie USDC w sieci Base. AWS twierdzi, że Incarna skróciła czas integracji z planowanych dwóch–trzech miesięcy do trzech dni i około 200 linii kodu. W fazie beta agenci przetworzyli ponad 1000 płatności w zakresie od 0,001 do 0,05 USD za wywołanie.
Google przedstawił AQuA (Ambient Quality Agent) – narzędzie działające nieprzerwanie obok produkcyjnych agentów AI w projekcie Google Cloud, wykrywające awarie niewidoczne w logach ani kontrolach stanu, takie jak pominięte kroki walidacji czy utracony kontekst między pod-agentami. Narzędzie pobiera losowe próbki śladów sesji produkcyjnych, ocenia je według listy kontrolnej, grupuje powtarzające się wzorce błędów, weryfikuje klastry na podstawie pełnych transkrypcji i śledzi ich status w czasie jako nowe, powtarzające się lub rozwiązane. Na żądanie może także prześledzić przyczynę błędu aż do konkretnej linii kodu lub promptu, korzystając z niezmiennego zrzutu kodu źródłowego zarejestrowanego w momencie wdrożenia.
Google Cloud ogłosił Gemini agent – zunifikowanego agenta łączącego czat, pracę wiedzową, tworzenie treści i kodowanie w jednym interfejsie, dostępnym z różnych urządzeń i kanałów. Działa bezpośrednio w Gmail, Docs, Sheets, Slides, Chat i Calendar, łączy się z narzędziami firmowymi i bazami danych przez MCP oraz rejestr narzędzi, a także orkiestruje wiele modeli – w tym rodzinę Gemini od Google i Claude od Anthropic – aby równoważyć jakość i koszty. Google przedstawił też funkcje bezpieczeństwa/zarządzania, mechanizmy kontroli kosztów takie jak Smart Routing i limity wydatków oraz wyniki klientów, np. BNP Paribas, Bradesco i Orange Spain.
Google Cloud wprowadził, w wersji public preview, zdalny serwer MCP, który udostępnia narzędzia wiersza poleceń gcloud i bq agentom AI za pośrednictwem dwóch narzędzi: run_gcloud_command i run_bq_command. Serwer działa w izolowanym, ograniczonym sieciowo środowisku sandbox w infrastrukturze Google Cloud, eliminując konieczność instalowania i utrzymywania lokalnych binariów CLI przez agentów. Wykorzystuje Agent Identity, OAuth 2.0 i IAM do uwierzytelniania, integruje się z Model Armor w celu wykrywania prompt injection oraz obsługuje Cloud Audit Logging zapewniający pełną widoczność wywołań narzędzi.
Google ogłosił, że jego Antigravity SDK obsługuje teraz uruchamianie agentowych przepływów pracy lokalnie i offline, z początkowym wsparciem dla Gemma 4 26B A4B działającego poprzez LiteRT z Google AI Edge. Deweloperzy mogą budować agentów działających całkowicie na urządzeniu, bez kosztów API w chmurze czy zależności od internetu. Google zademonstrował również hybrydowy wzorzec 'Architect-Builder', w którym model chmurowy (Gemini 3.8 Flash) planuje zadania, a lokalny rój instancji Gemma 4 26B wykonuje ciężką pracę, utrzymując kod źródłowy poza chmurą.