Jak zbudować agenta AI z wieloma narzędziami - przewodnik

Agent AI to program, który sam decyduje, jakiego narzędzia użyć w danej sytuacji. Zamiast pisać osobny skrypt na każde zadanie, budujesz jeden system - a on sam wybiera, czy ma sprawdzić pogodę, przeszukać bazę danych, czy zapytać internet. W tym przewodniku pokażę, jak złożyć takiego agenta z gotowych komponentów - krok po kroku.

Zanim zaczniesz, upewnij się, że rozumiesz podstawy: czym są agenci AI i jak działają narzędzia (tools) Jeśli chodzi o modeli językowych. Jeśli to dla Ciebie nowe - przeczytaj najpierw tamten artykuł.

Czego potrzebujesz na start

Żeby zbudować agenta z wieloma narzędziami, musisz mieć:

• Podstawową wiedzę o tym, czym jest API i jak działają modele językowe
• Dostęp do modelu AI (GPT-5, Claude Opus 4.7, Gemini 3.1 Pro lub DeepSeek V4-Pro)
• Gotowe narzędzia (tools) - w tym przypadku: wyszukiwanie w bazie gości, sprawdzanie pogody, pobieranie statystyk
• Środowisko, w którym uruchomisz kod (lokalnie lub w chmurze)

Jeśli nie masz jeszcze gotowych narzędzi, musisz je najpierw zaimplementować i zapisać w osobnych plikach. Dopiero wtedy możesz je połączyć w jednego agenta.

Krok 1: Zaimportuj gotowe narzędzia

Zamiast pisać wszystko od nowa, importujesz narzędzia z osobnych plików. Otwierasz główny plik projektu i dodajesz:

1. Import bibliotek podstawowych (te, które obsługują komunikację z modelem AI)
2. Import narzędzi do pobierania informacji o gościach (retriever)
3. Import narzędzi do wyszukiwania w internecie, sprawdzania pogody i statystyk

Przykładowo, jeśli masz plik tools.py z narzędziem do sprawdzania pogody i plik retriever.py z narzędziem do pobierania danych gości - importujesz je do głównego skryptu. Składasz to jak klocki: każde narzędzie to osobny moduł, a Ty łączysz je w całość.

Dzięki temu nie musisz duplikować kodu. Raz napisane narzędzie możesz użyć w wielu projektach.

Krok 2: Połącz narzędzia w jednego agenta

Teraz łączysz wszystkie narzędzia w jeden system. Agent to obiekt, który:

1. Otrzymuje listę dostępnych narzędzi (np. "sprawdź pogodę", "znajdź gościa", "wyszukaj w internecie")
2. Dostaje zadanie od użytkownika (np. "Czy jutro będzie dobra pogoda na pokaz sztucznych ogni?")
3. Sam decyduje, które narzędzie użyć, żeby odpowiedzieć
4. Wywołuje wybrane narzędzie, pobiera wynik i formułuje odpowiedź

W praktyce tworzysz obiekt agenta i przekazujesz mu listę narzędzi. Konfiguracja zajmuje kilka linijek kodu - definiujesz model AI (np. GPT-5 lub Claude Opus 4.7), podajesz listę narzędzi i ewentualnie ustawienia pamięci konwersacji.

Dlaczego agent wybiera narzędzia sam?

Model AI (np. GPT-5) rozumie, do czego służy każde narzędzie, bo dostajesz mu ich opisy. Kiedy pytasz "Jaka będzie pogoda jutro?", model wie, że ma użyć narzędzia do sprawdzania pogody - nie musisz tego hardkodować.

To różnica między starym podejściem ("jeśli użytkownik pisze 'pogoda', uruchom funkcję X") a nowoczesnym (agent sam rozumie intencję i wybiera narzędzie). Działa to dzięki tokenizacji i embedingom - model "rozumie" semantykę pytania.

Krok 3: Przetestuj agenta na przykładach

Kiedy agent jest gotowy, testujesz go na różnych scenariuszach. Oto cztery typowe przypadki:

Przykład 1: Znajdź informacje o gościu

Pytasz agenta: "Kim jest Dr. Nikola Tesla?" Agent:

1. Analizuje pytanie i rozpoznaje, że chodzi o konkretną osobę
2. Wybiera narzędzie do przeszukiwania bazy gości
3. Pobiera dane (np. zawód, zainteresowania, osiągnięcia)
4. Formatuje odpowiedź w czytelny sposób

Wynik: dostaniesz zwięzłą informację o gościu - bez ręcznego przeszukiwania bazy.

Przykład 2: Sprawdź pogodę na pokaz sztucznych ogni

Pytasz: "Czy jutro będzie dobra pogoda na pokaz sztucznych ogni?" Agent:

1. Rozpoznaje, że chodzi o warunki atmosferyczne
2. Wywołuje narzędzie do sprawdzania pogody
3. Analizuje prognozę (temperatura, wiatr, opady)
4. Ocenia, czy warunki są odpowiednie do pokazu

Wynik może się różnić w zależności od rzeczywistej prognozy - agent pobiera dane na żywo.

Przykład 3: Zaimponuj badaczom AI

Pytasz: "Jakie najnowsze osiągnięcia ma zespół DeepMind?" Agent:

1. Rozpoznaje, że potrzebuje aktualnych informacji
2. Używa narzędzia do wyszukiwania w internecie
3. Filtruje wyniki i wybiera najważniejsze
4. Prezentuje je w formie krótkiego podsumowania

Przydatne, kiedy chcesz przygotować się do rozmowy z ekspertami - agent zbiera za Ciebie aktualne informacje.

Przykład 4: Połącz wiele narzędzi w jednym zapytaniu

Pytasz: "Przygotuj mnie do rozmowy z Dr. Teslą - kim jest i jakie są jego ostatnie projekty?" Agent:

1. Rozpoznaje, że potrzebuje danych z dwóch źródeł
2. Najpierw sprawdza bazę gości (kto to jest)
3. Potem wyszukuje w internecie (aktualne projekty)
4. Łączy obie informacje w jedną spójną odpowiedź

To pokazuje siłę agentów AI - potrafią łączyć dane z różnych źródeł bez Twojej ingerencji.

Krok 4: Dodaj pamięć konwersacji (opcjonalnie)

Standardowo agent nie pamięta poprzednich pytań. Jeśli zapytasz "Kim jest Dr. Tesla?", a potem "Jakie ma zainteresowania?", agent nie wie, że drugie pytanie dotyczy tej samej osoby.

Żeby to naprawić, dodajesz pamięć konwersacji. W praktyce:

1. Włączasz opcję zapamiętywania poprzednich wiadomości
2. Agent zapisuje historię rozmowy (pytania i odpowiedzi)
3. Przy kolejnym pytaniu analizuje kontekst z poprzednich wiadomości
4. Odpowiada, biorąc pod uwagę całą konwersację, nie tylko ostatnie pytanie

Uwaga: różne frameworki (smolagents, LlamaIndex, LangGraph) implementują pamięć inaczej. W niektórych musisz ją jawnie zapisywać między wywołaniami, w innych działa automatycznie. Sprawdź dokumentację swojego narzędzia.

Jeśli planujesz automatyzować zadania biurowe z AI, pamięć konwersacji to must-have - bez niej agent nie zrozumie kontekstu Twoich poleceń.

Najczęstsze pułapki i jak ich uniknąć

Kiedy budujesz agenta po raz pierwszy, łatwo o błędy. Oto trzy najczęstsze:

Pułapka 1: Zbyt ogólne opisy narzędzi

Jeśli opiszesz narzędzie jako "pobiera dane", agent nie wie, kiedy go użyć. Zamiast tego pisz konkretnie: "Pobiera informacje o gościach z bazy danych - imię, zawód, zainteresowania". Im precyzyjniejszy opis, tym lepiej agent dobiera narzędzia.

Pułapka 2: Brak testów na skrajnych przypadkach

Testujesz agenta na prostych pytaniach ("Jaka jest pogoda?") i działa. Ale co, jeśli użytkownik zapyta: "Czy jutro wieczorem o 19:30 będzie dobra pogoda na pokaz ogni w Warszawie?" Agent musi poradzić sobie z czasem, lokalizacją i kontekstem - przetestuj to.

Pułapka 3: Ignorowanie kosztów API

Każde wywołanie narzędzia to zapytanie do API - a to kosztuje. Jeśli agent wywołuje 5 narzędzi na jedno pytanie, koszty rosną. Monitoruj, ile tokenów zużywa agent i optymalizuj opisy narzędzi, żeby nie marnować zapytań.

Przy wyborze modelu pamiętaj: DeepSeek V4-Pro kosztuje ~7x mniej niż Claude Opus 4.7 przy porównywalnej jakości w zadaniach kodowania i matematyki. Jeśli budujesz prototyp, zacznij od tańszego modelu.

Kiedy warto budować agenta z wieloma narzędziami?

Agent z wieloma narzędziami ma sens, kiedy:

• Użytkownik zadaje różnorodne pytania (nie tylko jedno zadanie)
• Potrzebujesz danych z kilku źródeł (baza danych + internet + API)
• Chcesz zaoszczędzić czas na ręcznym przeszukiwaniu informacji
• Automatyzujesz powtarzalne zadania (np. przygotowanie briefów przed spotkaniami)

Nie warto budować agenta, jeśli:

• Masz jedno proste zadanie (np. tylko sprawdzanie pogody) - wystarczy jedno narzędzie
• Dane są statyczne i nie zmieniają się - lepiej użyć gotowej bazy wiedzy
• Koszty API przewyższają korzyści z automatyzacji

Jeśli zastanawiasz się, jak rozpoznać i naprawić halucynacje w dużych modelach językowych, pamiętaj: agent z wieloma narzędziami jest mniej podatny na halucynacje, bo pobiera dane z zewnętrznych źródeł zamiast generować je z pamięci modelu.

Co dalej z Twoim agentem

Masz teraz agenta, który łączy wiele narzędzi w jeden system. Potrafi przeszukiwać bazę danych, sprawdzać pogodę, wyszukiwać w internecie i łączyć dane z różnych źródeł - wszystko automatycznie.

Zacznij od prostego przypadku użycia. Nie buduj od razu skomplikowanego systemu - przetestuj agenta na jednym konkretnym zadaniu (np. przygotowanie briefu przed spotkaniem). Jak zadziała, dodawaj kolejne narzędzia.

Jeden krok na start: Wybierz jedno powtarzalne zadanie, które wykonujesz ręcznie (np. zbieranie informacji o kliencie przed rozmową). Zidentyfikuj, jakie narzędzia byłyby potrzebne (baza CRM? LinkedIn? Google?). Zacznij od zbudowania jednego narzędzia - resztę dodasz później.

Najczęstsze pytania

Czy mogę zbudować agenta AI bez umiejętności programowania?

Podstawowa wiedza o kodzie jest potrzebna - musisz rozumieć, jak importować moduły i wywoływać funkcje. Nie musisz być programistą. Jeśli potrafisz skopiować kod i zmienić nazwy zmiennych, dasz radę. Większość frameworków (LangChain, LlamaIndex) ma gotowe szablony - wystarczy je dostosować.

Ile kosztuje uruchomienie agenta AI z wieloma narzędziami?

Koszty zależą od modelu i liczby wywołań. DeepSeek V4-Pro: ~1.74 USD za milion tokenów wejściowych. Claude Opus 4.7: ~15 USD za milion tokenów wejściowych. Jeśli agent wywołuje 3 narzędzia na jedno pytanie i zużywa 5000 tokenów, to ~0.01 USD na DeepSeek lub ~0.08 USD na Claude. Testowanie prototypu to kilka dolarów miesięcznie.

Jak zapobiec halucynacjom agenta AI?

Agent pobierający dane z zewnętrznych narzędzi (baza danych, API, internet) halucynuje rzadziej niż model generujący odpowiedzi z pamięci. Musisz walidować wyniki - szczególnie przy wyszukiwaniu w internecie. Dodaj sprawdzanie źródeł i filtrowanie wyników. Jeśli agent ma wątpliwości, niech powie "nie wiem" zamiast wymyślać odpowiedź.

Czy mogę użyć polskich narzędzi i API w agencie AI?

Tak, o ile API zwraca dane w formacie JSON lub XML. Agent nie rozróżnia języka - dla niego to tylko dane. Możesz podłączyć polską bazę klientów, API GUS, czy lokalne serwisy pogodowe. Model AI (GPT-5, Claude, Gemini) rozumie polski, więc sformatuje odpowiedź po polsku bez problemu.

Jak długo trwa zbudowanie pierwszego agenta AI?

Jeśli masz gotowe narzędzia - kilka godzin. Jeśli budujesz narzędzia od zera (np. integracja z API) - 1-2 dni. Najtrudniejsza część to zrozumienie, jak agent wybiera narzędzia i debugowanie błędów. Jak już zbudujesz pierwszego agenta, kolejne idą szybciej - bo rozumiesz schemat.