Google pokazuje, jak zbudować agenta AI, który nie wysypie się w produkcji

Prototyp działa na demo. Potem wrzucasz go do produkcji i nagle — cisza. Agent AI, który miał automatyzować research sprzedażowy, po prostu przestaje odpowiadać. Albo zwraca dane w formacie, którego nikt nie umie przetworzyć.

Zespół Google Developer Relations przeszedł przez to samo. I opisał, jak naprawili problem od podstaw. Ich rozwiązanie? Agent Development Kit (ADK) — framework, który zamienia kruchy skrypt w system gotowy na rzeczywiste obciążenie. Pięć lekcji z refaktoryzacji to konkretna instrukcja, jak unikać najczęstszych pułapek.

Monolityczny skrypt to bomba z opóźnionym zapłonem

Pierwszy prototyp agenta sprzedażowego był klasycznym monolitem. Jeden długi skrypt, który pobierał dane z LinkedIn, analizował je i generował raport. Działał — dopóki nie przestał.

Problem? Brak modularności. Gdy jeden element zawiódł, cały system milczał. Nie było sposobu, żeby sprawdzić, co poszło nie tak. Debugowanie przypominało zgadywankę.

Google zastąpił to orkiestracją sub-agentów. Każdy odpowiada za konkretne zadanie: jeden zbiera dane, drugi analizuje, trzeci formatuje wynik. Jeśli jeden zawiedzie, reszta działa dalej. System wie, gdzie jest problem, zamiast zgadywać po ciszy.

Orkiestracja to nie tylko bezpieczeństwo. To także skalowalność. Chcesz dodać nowe źródło danych? Dodajesz sub-agenta, nie przepisujesz całego systemu. MetaComp pokazał podobne podejście w finansach — modularność to standard, nie luksus.

Pydantic zamiast parsowania na chybił trafił

Drugi problem: niestabilne outputy. Agent zwracał dane w formacie, który zmieniał się za każdym razem. Czasem JSON, czasem tekst, czasem coś pomiędzy. Żaden system nie umie z tym pracować.

Rozwiązanie? Pydantic — biblioteka Python, która wymusza strukturę danych. Definiujesz schemat (np. "pole 'nazwa_firmy' to string, 'liczba_pracowników' to integer"), a agent musi się do niego dostosować. Jeśli nie — błąd, nie milczenie.

To eliminuje "ciche awarie" — sytuacje, gdy agent zwraca coś, ale w formacie, którego nikt nie rozumie. System albo działa, albo rzuca konkretny błąd. Bez zgadywania.

Walidacja w czasie rzeczywistym

Pydantic to nie tylko schemat. To także walidacja na bieżąco. Jeśli agent próbuje zwrócić "liczba_pracowników: 'dużo'", system odrzuci to natychmiast. Nie czekasz, aż ktoś odkryje problem w raporcie.

Zespół Google dodał także retry logic — jeśli agent zwróci błędny format, system próbuje ponownie. Maksymalnie trzy razy. Potem rzuca błąd i loguje problem. Proste, ale w produkcji robi różnicę.

Testy integracyjne, zanim cokolwiek pójdzie dalej

Trzecia lekcja: prototyp nie miał testów. Zespół zakładał, że "jak działa na demo, to zadziała wszędzie". Nie zadziałało. W produkcji pojawiły się edge case'y, których nikt nie przewidział.

Google dodał testy integracyjne dla każdego sub-agenta. Każdy scenariusz — od standardowego zapytania po brak danych — ma swój test. Jeśli coś się zmieni w kodzie, testy pokażą, co się zepsuło.

Dodatkowo: testy obciążeniowe. Agent musi obsłużyć 100 zapytań na minutę? Sprawdź to przed wdrożeniem, nie po. Platformy automatyzacji jak n8n czy Make oferują podobne mechanizmy — testuj, zanim coś pójdzie nie tak.

Logowanie i monitoring to nie opcja

Czwarta lekcja: brak logowania. Gdy agent milczał, nikt nie wiedział dlaczego. Zespół Google dodał szczegółowe logi dla każdego sub-agenta. Każde zapytanie, każda odpowiedź, każdy błąd — wszystko trafia do logu.

Monitoring w czasie rzeczywistym to drugi krok. System śledzi czas odpowiedzi, liczbę błędów, zużycie tokenów. Jeśli coś wykracza poza normę, alert trafia do zespołu. Nie czekasz, aż użytkownik zgłosi problem.

Koszty tokenów pod kontrolą

Monitoring to także kontrola kosztów. Agent sprzedażowy Google zużywał początkowo 10x więcej tokenów niż potrzeba. Dlaczego? Każdy sub-agent pobierał pełny kontekst, nawet jeśli nie był mu potrzebny.

Zespół dodał cache'owanie i ograniczył kontekst do minimum. Efekt? Koszty spadły o 80%, a czas odpowiedzi o 40%. To nie optymalizacja dla sportu — to różnica między opłacalnym systemem a dziurą w budżecie.

Dokumentacja to część kodu, nie dodatek

Piąta lekcja: brak dokumentacji. Prototyp miał komentarze w kodzie (czasem). Nikt nie wiedział, jak dodać nowy sub-agent, jak zmienić schemat danych, jak zintegrować zewnętrzne API.

Google dodał dokumentację na trzech poziomach: architektura (jak system działa jako całość), API (jak komunikować się z każdym sub-agentem), deployment (jak wdrożyć w produkcji). Każdy poziom ma przykłady kodu i typowe scenariusze.

Dokumentacja to nie koszt — to inwestycja. Nowy członek zespołu powinien uruchomić system w godzinę, nie w tydzień. Claude Code pokazał podobny problem — bez jasnej instrukcji, nawet dobry model nie wie, czego oczekujesz.

Agent Development Kit w praktyce

ADK to nie tylko zestaw narzędzi. To framework, który wymusza dobre praktyki. Orkiestracja sub-agentów? Wbudowana. Strukturalne outputy przez Pydantic? Standard. Logowanie i monitoring? Domyślnie włączone.

Google udostępnił ADK jako open source. Możesz go użyć z dowolnym modelem — od Gemini przez Claude po GPT-5. Framework nie narzuca dostawcy, tylko strukturę.

Zespół podkreśla: ADK to nie zamiennik myślenia. To narzędzie, które eliminuje typowe błędy. Musisz nadal zaprojektować architekturę, zdefiniować schematy, napisać testy. Framework dba o to, żebyś nie musiał wymyślać koła od nowa.

Kiedy ADK ma sens

ADK sprawdzi się, jeśli budujesz agenta, który ma działać dłużej niż tydzień. Prototyp na hackathon? Prawdopodobnie przesada. System, który ma obsługiwać setki użytkowników dziennie? Dokładnie to, czego potrzebujesz.

Framework wymaga znajomości Python i podstaw architektury systemów. Jeśli to Twój pierwszy agent AI, zacznij od prostszych narzędzi. Jeśli masz już prototyp, który się sypie w produkcji — ADK to konkretna odpowiedź.

Agenci AI przestają być eksperymentem

Google nie jest jedyny. Alipay dodał płatności dla agentów AI, OpenAI Codex kontroluje komputer, a A2UI generuje interfejsy w czasie rzeczywistym. Agenci stają się infrastrukturą, nie eksperymentem.

Różnica między prototypem a systemem produkcyjnym? Nie w inteligencji modelu. W architekturze, testach, monitoringu i dokumentacji. ADK pokazuje, że to nie magia — to inżynieria.

Masz prototyp, który działa na demo? Sprawdź, czy przetrwa kontakt z rzeczywistością. Orkiestracja, struktura, testy — to nie opcje. To minimum, jeśli chcesz, żeby ktoś użył Twojego agenta więcej niż raz.