Przejdź do treści
czwartek, 19 listopada 2026
Tenesys AI News
Subskrypcja

Agenci AI

Agenci AI, MCP, tool i function calling, agenci programistyczni i przeglądarkowi, systemy wieloagentowe.

“Automation” — 19 artykułów ✕

Agenci· Ważne· 🧪 Warte przetestowania

Skalowanie autonomicznych operacji bezpieczeństwa z Amazon Bedrock AgentCore

Firma Greenlight Financial zautomatyzowała ponad 90% obsługi incydentów bezpieczeństwa i ryzyka (łącznie 4000 spraw miesięcznie), wdrażając wielopoziomową architekturę agentów na platformie Amazon Bedrock AgentCore. System wykorzystuje nadzorcę 1. poziomu do wstępnej triażu oraz nadzorcę 2. poziomu do głębokich analiz, znacząco odciążając analityków.

AWS Machine Learning
Agenci· Ważne· 🧪 Warte przetestowania

Amazon wprowadza Web Answer do zautomatyzowanych badań agentowych

Firma Amazon udostępniła Web Answer w ramach Bedrock AgentCore – zarządzane narzędzie, które upraszcza badania internetowe prowadzone przez agentów. Automatyzuje ono cały potok, od wyszukiwania i weryfikacji faktów po syntezę odpowiedzi z cytatami, dostarczając wyniki przez MCP.

AWS Machine Learning
Agenci· Ważne· 🧪 Warte przetestowania

Mistral AI rozszerza platformę Studio do wdrażania agentów w przedsiębiorstwach

Mistral AI wprowadziło znaczące aktualizacje do Mistral Studio, platformy zaprojektowanej do przenoszenia projektów AI z etapu pilotażowego do produkcji. Nowości obejmują zarządzanych agentów, zaawansowaną orkiestrację procesów (workflow) oraz monitoring klasy korporacyjnej, umożliwiając wdrażanie w chmurze, VPC lub lokalnie.

Mistral AI
Agenci· Ważne· 🧪 Warte przetestowania

Amazon Quick wprowadza Smart Approvals do przepływów pracy agentów AI

Amazon Quick uruchomił funkcję Smart Approvals, aby zautomatyzować rutynowe zadania agentów przy jednoczesnym zachowaniu nadzoru ludzkiego nad krytycznymi decyzjami. System wykorzystuje klasyfikator do oceny żądanych działań w oparciu o kontekst konwersacji i polityki użytkownika, eliminując niepotrzebne przerywanie pracy bez pomijania ustalonych kontroli bezpieczeństwa.

AWS Machine Learning
Agenci· Ważne· 🧪 Warte przetestowania

Automatyzacja optymalizacji agentów z NVIDIA NeMo

NVIDIA wprowadziła workflow pozwalający na przekształcenie błędów agentów wykrytych w środowisku produkcyjnym w ustrukturyzowane testy przy użyciu NeMo Compass i NeMo Eval Author. Proces ten analizuje logi, identyfikuje powtarzające się problemy, generuje celowane testy i waliduje wprowadzane poprawki.

NVIDIA Developer
Agenci· Ważne· 🧪 Warte przetestowania

Anthropic wprowadza Claude Duet, aktywnego agenta AI działającego w tle

Claude Duet to agent w fazie testów, zaprojektowany do działania w tle bez konieczności ciągłego wydawania poleceń przez użytkownika. Proaktywnie skanuje podłączone aplikacje, tworzy podsumowania i wykonuje zadania, prosząc o autoryzację człowieka w przypadku wrażliwych działań.

Zapier
Agenci· Ważne· 🧪 Warte przetestowania

Nowy hybrydowy agent 4B osiąga rekordową skuteczność w obsłudze komputera

Opublikowano badania nad Mage-VL-Cowork, agentem o 4 miliardach parametrów, który łączy interakcję z GUI z wykonywaniem poleceń w terminalu. Dzięki frameworkowi Mage-CUA-Forge koszty przygotowania zadań treningowych zostały zredukowane o 82,6%, przy jednoczesnym uzyskaniu wyniku 66% w benchmarku OSWorld-Verified.

arXiv cs.CL
Agenci· Ważne· 🧪 Warte przetestowania

Podgląd aplikacji internetowych w czasie rzeczywistym dla agentów programistycznych Amazon Bedrock

Amazon Bedrock AgentCore wspiera teraz „Session endpoints”, umożliwiając programistom podgląd i interakcję z aplikacjami internetowymi w trakcie ich tworzenia przez agenta AI. Dzięki kierowaniu ruchu przez uwierzytelnioną, izolowaną sesję microVM, zmiany w przeglądarce pojawiają się natychmiast, bez konieczności przeprowadzania osobnych wdrożeń.

AWS Machine Learning
Agenci· Ważne· 🧪 Warte przetestowania

Google udostępnia funkcję Computer Use w wersji ogólnodostępnej

Google przeniosło narzędzie Computer Use do fazy ogólnej dostępności w ramach ekosystemu Gemini API. Funkcja ta umożliwia modelom interakcję z interfejsami komputerowymi w celu wykonywania zadań i jest teraz w pełni obsługiwana w produkcyjnych API: Interactions oraz GenerateContent.

Gemini API Changelog
Agenci· Ważne· 🧪 Warte przetestowania

Skalowanie testów UI za pomocą Amazon Nova Act i języka naturalnego

Amazon umożliwił automatyzację UI opartą na intencjach, łącząc Nova Act z narzędziem Bedrock AgentCore Browser Tool. Pozwala to zespołom definiować przepływy testowe za pomocą instrukcji w języku naturalnym, zamiast utrzymywać sztywne bazy kodu oparte na selektorach.

AWS Machine Learning
Agenci· Ważne· 🧪 Warte przetestowania

Skalowanie dostępu do wewnętrznych API dla agentów AI poprzez zarządzane bramki MCP

MoEngage skutecznie zintegrowało ponad 400 wewnętrznych REST API jako narzędzia dla agentów za pomocą Amazon Bedrock AgentCore Gateway. Podejście to wyeliminowało potrzebę ręcznej konserwacji serwerów MCP, złożonej konfiguracji sieci oraz ryzyka związanego z wystawianiem usług do publicznego internetu.

AWS Machine Learning
Agenci· Ważne· 🧪 Warte przetestowania

Automatyczna ocena jakości agentów AI

Google wprowadziło nową przestrzeń nazw w Agents CLI do oceny agentów, wspierającą proces „hill-climbing” – iteracyjne doskonalenie wydajności poprzez testowanie, ocenianie i analizę. Narzędzie pozwala śledzić regresje, porównując ślady działań agentów po zmianach w modelach lub promptach, wykrywając problemy, których nie wyłapują standardowe testy jednostkowe.

Google Developers
Agenci· Ważne· 🧪 Warte przetestowania

Google Cloud wprowadza IAM Helper do automatyzacji bezpiecznego dostępu dla agentów

Google Cloud udostępniło IAM Helper, zestaw komponentów dla agentów AI, zaprojektowany w celu automatyzacji złożonych procesów zarządzania tożsamością i dostępem (IAM). Dzięki integracji z silnikami IAM Google Cloud za pośrednictwem MCP (Model Context Protocol), narzędzia te umożliwiają autonomicznym agentom samodzielne rozwiązywanie problemów (np. błędów 403), symulowanie wpływu polityk oraz wnioskowanie o dostęp just-in-time.

Google Cloud AI
Agenci· Ważne· 🧪 Warte przetestowania

Agents CLI od Google zyskuje system rozszerzeń obsługujący LangChain i inne frameworki poza ADK

Google dodało System Rozszerzeń (Extension System) do swojego narzędzia Agents CLI (od wersji 1.5.0, a pierwszorzędowe rozszerzenie LangChain pojawiło się w v1.8.0), które pozwala deweloperom nadpisywać lub dodawać polecenia CLI bez forkowania narzędzia. Wcześniej pipeline wdrożeń, ewaluacji i monitoringu w Agents CLI był ściśle powiązany z własnym Agent Development Kit (ADK) Google; teraz zespoły mogą tworzyć, uruchamiać, wdrażać i ewaluować projekty LangChain, LangGraph lub Deep Agents przez ten sam interfejs poleceń. Rozszerzenia są dystrybuowane jako katalogi w repozytoriach Git, przypinane do konkretnego commit SHA w pliku lockfile, i mogą być instalowane na poziomie projektu lub użytkownika. System pozwala też zespołom platformowym w firmach owijać polecenia, np. deploy, własnymi politykami, takimi jak skany zgodności czy bramki SSO. Funkcja w wersji 1.8.0 oznaczona jest jako eksperymentalna.

Google Developers
Agenci· Ważne· 🧪 Warte przetestowania

AWS wprowadza Agent Registry – wykrywanie narzędzi w czasie wykonania dla agentów MCP

AWS zaprezentował Agent Registry – zarządzaną usługę katalogową dla serwerów Model Context Protocol (MCP), agentów i umiejętności agentów. Zamiast na sztywno kodować każde narzędzie w orkiestratorze, agenci mogą teraz wyszukiwać w zatwierdzonym, wersjonowanym katalogu w czasie wykonania i budować klienta na podstawie zwróconego deskryptora. Przykładowe rozwiązanie demonstruje pętlę Discover → Instantiate → Execute z wykorzystaniem Amazon Bedrock AgentCore Gateway i AgentCore runtime, a modelem bazowym jest Anthropic Claude Sonnet.

AWS Machine Learning
Agenci· Ważne· 🧪 Warte przetestowania

Amazon Bedrock wymusza zgodny ze schematem JSON dla wszystkich modeli Claude

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 Machine Learning
Agenci· Ważne· 🧪 Warte przetestowania

AWS przedstawia framework „Trust in Depth”, by agenci AI działali bardziej autonomicznie bez utraty kontroli

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.

AWS Machine Learning
Agenci· Ważne· 🧪 Warte przetestowania

Badanie Cohere: dobrze zorganizowane zespoły agentów przewyższają pojedyncze agenty kodujące za ułamek kosztów

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.

Cohere