---
title: "Event driven agents: architektura AutoGen v0.4 i miejsce AG2"
description: "Agenci sterowani zdarzeniami (event-driven) to autonomiczni aktorzy programowi, którzy komunikują się asynchronicznie za pomocą komunikatów i zdarzeń zamiast w stałej, sekwencyjnej pętli."
locale: "pl"
canonical: "https://blckalpaca.at/pl/baza-wiedzy/agenci-ai/architektury-agentow-ai-przeglad/event-driven-agents-architektura-autogen-v04-i-miejsce-ag2"
category: "Agenci AI"
topic: "Architektury agentów AI: przegląd"
updated: "2026-10-28T13:36:24.767Z"
source: "Blck Alpaca e.U., blckalpaca.at"
---

# Event driven agents: architektura AutoGen v0.4 i miejsce AG2

Agenci sterowani zdarzeniami (event-driven) to autonomiczni aktorzy programowi, którzy komunikują się asynchronicznie za pomocą komunikatów i zdarzeń zamiast w stałej, sekwencyjnej pętli. Każdy agent reaguje na przychodzące zdarzenia, przetwarza je niezależnie i publikuje wyniki, tak jak w AutoGen v0.4. Umożliwia to luźne powiązanie, równoległość i długi czas działania.

## W skrócie

- Agenci sterowani zdarzeniami działają według modelu aktorów: agenci to odizolowani aktorzy z własnym stanem, którzy komunikują się wyłącznie za pomocą asynchronicznych komunikatów (zdarzeń), a nie przez współdzieloną pamięć czy centralną pętlę.
- Nowa architektura AutoGen v0.4 opiera się na warstwie tematów Pub/Sub z agentami RoutedAgent. Projekt AG2 według własnych deklaracji kontynuuje pierwotny AutoGen, jest wstecznie zgodny z AutoGen 0.2 i nie korzysta z tego środowiska uruchomieniowego aktorów. Microsoft przeniósł AutoGen (stan na 2026 r.) w tryb utrzymania i odsyła do Microsoft Agent Framework.
- Podejście sterowane zdarzeniami lepiej się skaluje przy luźnym powiązaniu, prawdziwej równoległości i długim czasie działania; orkiestrowane pętle (ReAct, Plan-and-Execute) pozostają prostsze i łatwiejsze do audytu przy krótkich, sekwencyjnych zadaniach.
- Wniosek Cognition z lat 2025/2026 obowiązuje również tutaj: agenci równolegli sprawdzają się w krokach odczytu i zbierania informacji; zmiany stanu polegające na zapisie powinny pozostać jednowątkowe, aby uniknąć konfliktów.
- Kluczowe dla B2B w Europie: luźne powiązanie zwiększa złożoność debugowania, tracingu i audytowalności. Rozproszone logi zdarzeń powinny być przechowywane w skorelowanej formie i oczyszczone z danych PII. Automatyczne rejestrowanie zdarzeń AI Act UE (art. 12) nakazuje tylko w przypadku systemów AI wysokiego ryzyka, a po Omnibusie cyfrowym najwcześniej od grudnia 2027 r.

Agenci sterowani zdarzeniami to autonomiczni aktorzy programowi, którzy komunikują się asynchronicznie za pomocą komunikatów i zdarzeń, a nie w stałej, sekwencyjnej pętli. Każdy [agent](https://blckalpaca.at/pl/slownik/agent) reaguje na przychodzące zdarzenia, przetwarza je niezależnie i publikuje swoje wyniki jako nowe zdarzenia. Ta architektura, w postaci wdrożonej w AutoGen v0.4, oddziela agentów od siebie i umożliwia równoległość, luźne powiązanie oraz długi czas działania.

- **Istota:** agenci = aktorzy z własnym stanem, którzy komunikują się wyłącznie za pomocą asynchronicznych komunikatów zamiast przez centralną pętlę sterującą.
- **Zaleta:** luźne powiązanie, prawdziwa równoległość i przydatność w długotrwałych procesach (od minut do godzin) z oczekiwaniem na systemy zewnętrzne lub ludzi.
- **Kompromis:** większa złożoność debugowania, tracingu i audytowalności. Przepływu sterowania nie da się już odczytać liniowo.

## Od orkiestrowanej pętli do szyny zdarzeń

Większość klasycznych wzorców agentów jest ściśle sekwencyjna. Na przykład we wzorcu ReAct pojedynczy agent oparty na [dużym modelu językowym (LLM)](https://blckalpaca.at/pl/slownik/llm) wielokrotnie przechodzi cykl Thought → Action → Observation, aż wygeneruje ostateczną odpowiedź. Opóźnienie jest przy tym z natury szeregowe: odpowiada mniej więcej liczbie kroków pomnożonej przez sumę czasu odpowiedzi [LLM](https://blckalpaca.at/pl/slownik/llm) i czasu odpowiedzi narzędzia. Również Plan-and-Execute czy ReWOO wprawdzie planują z góry, ale w gruncie rzeczy wykonują kroki jeden po drugim.

Architektury sterowane zdarzeniami zrywają z tym modelem. Zamiast centralnej pętli, która dyktuje następny krok, istnieje warstwa komunikatów lub tematów (szyna zdarzeń). Agenci subskrybują określone tematy, reagują na publikowane zdarzenia i sami wyzwalają kolejne zdarzenia. Wiele frameworków oferuje dziś przepływy pracy oparte na grafach z wywoływaniem narzędzi, np. [LangGraph](https://blckalpaca.at/pl/baza-wiedzy/agenci-ai/porownanie-frameworkow-langgraphcrewaiautogen/langgraph-agenci-ai-ze-stanem-jako-graf-skierowany) i workflowy w [Microsoft Agent Framework](https://learn.microsoft.com/de-de/agent-framework/overview/). Same różnice we wzorcach promptów schodzą przy tym na dalszy plan; decydująca staje się jakość middleware'u, obserwowalności i context engineeringu.

## Model aktorów jako podstawa teoretyczna

Agenci sterowani zdarzeniami realizują znany z programowania współbieżnego model aktorów. Aktor to odizolowana jednostka obliczeniowa o trzech właściwościach:

- **Własny, hermetyzowany stan**: brak współdzielonej pamięci między aktorami, a więc brak klasycznych sytuacji wyścigu na wspólnych zmiennych.
- **Komunikacja wyłącznie przez komunikaty**: aktor zazwyczaj przetwarza przychodzące komunikaty ze swojej skrzynki pocztowej jeden po drugim.
- **Dynamika w czasie działania**: aktor może zmieniać swój stan, tworzyć nowych aktorów i wysyłać kolejne komunikaty.

W AutoGen v0.4 odzwierciedla to abstrakcja `RoutedAgent` oraz warstwa tematów Pub/Sub. Oficjalna dokumentacja AutoGen opisuje na przykład [wzorzec refleksji](https://microsoft.github.io/autogen/stable/user-guide/core-user-guide/design-patterns/reflection.html) jako dwóch agentów `RoutedAgent` komunikujących się przez tematy Pub/Sub: `CoderAgent` i `ReviewerAgent`, którzy iterują, dopóki recenzent nie zatwierdzi kodu. Jako kolejny możliwy warunek zakończenia dokumentacja podaje maksymalną liczbę przebiegów. Właśnie ta logika routingu tematów stanowi przejście od pętli zakodowanej na sztywno do sprzężenia sterowanego zdarzeniami: o tym, który agent stanie się aktywny jako następny, nie decyduje centralny kontroler, lecz opublikowane zdarzenie i subskrypcje tematów.

## AutoGen v0.4, AG2 i kontekst Microsoftu

Ważne dla decydentów, którzy oceniają stos technologiczny Microsoftu: AutoGen jest, według [własnego repozytorium na GitHubie](https://github.com/microsoft/autogen), w trybie utrzymania i nie otrzymuje już nowych funkcji. Microsoft połączył AutoGen i Semantic Kernel w **Microsoft Agent Framework** i kieruje tam nowe projekty. [Przewodnik migracji z AutoGen](https://learn.microsoft.com/de-de/agent-framework/migration-guide/from-autogen/) jest miarodajnym punktem odniesienia dla obecnych użytkowników AutoGen.

**AG2** nie jest odgałęzieniem architektury v0.4. Według [własnego opisu](https://ag2.ai/compare/autogen) projekt kontynuuje pierwotny AutoGen jako projekt społecznościowy i oferuje użytkownikom AutoGen 0.2 wstecznie zgodną ścieżkę przejścia. Klasyczne [API](https://blckalpaca.at/pl/slownik/api) AG2 opiera się na wzorcach konwersacyjnych, takich jak ConversableAgent i GroupChat. Te klasy znajdują się dziś w [AG2 Classic](https://classic.docs.ag2.ai/latest/docs/user-guide/release-history/), który otrzymuje już tylko krytyczne poprawki i poprawki bezpieczeństwa. Od wersji 1.0 [AG2](https://github.com/ag2ai/ag2) stawia na własny [model sieciowy](https://docs.ag2.ai/docs/user-guide/network/overview/): centralny hub przechowuje stan referencyjny, a agenci wymieniają zdarzenia przez kanały. RoutedAgent i tematy Pub/Sub z AutoGen v0.4 w nim nie występują. Jeśli dziś budujesz architekturę sterowaną zdarzeniami, w praktyce wybierasz więc między istniejącym AutoGen v0.4 (działającym, ale już tylko utrzymywanym), Microsoft Agent Framework dla nowych projektów w środowisku enterprise a AG2 jako samodzielną alternatywą z innym modelem.

## Kiedy podejście sterowane zdarzeniami lepiej się skaluje

Podejście sterowane zdarzeniami nie zawsze się opłaca. Przemawiają za nim trzy warunki:

1. **Luźne powiązanie**: agentów powinno dać się wdrażać, wymieniać i skalować niezależnie. Agenta badawczego można ponownie wdrożyć bez ingerowania w agenta piszącego.
2. **Równoległość**: kilka podzadań działa jednocześnie. Wnioski Cognition z „[Don't Build Multi-Agents](https://cognition.com/blog/dont-build-multi-agents)” (czerwiec 2025) i „[Multi-Agents: What's Actually Working](https://cognition.com/blog/multi-agents-working)” (kwiecień 2026) są tu głównym drogowskazem: konfiguracje wieloagentowe sprawdzają się przy **równoległym zbieraniu informacji w trybie odczytu**, natomiast **zmiany stanu polegające na zapisie powinny pozostać jednowątkowe**. W przypadku Devina menedżerska instancja Devina może podzielić większe zadanie, uruchomić do niego podrzędne instancje i koordynować ich postęp przez wewnętrzny [MCP](https://blckalpaca.at/pl/slownik/mcp). W przełożeniu na klientów agencji: jako standard jeden mocny agent z narzędziami, równolegli subagenci tylko do zbierania informacji, nigdy do operacji zapisu ani zmian stanu.
3. **Długi czas działania**: procesy trwające minuty lub godziny, z oczekiwaniem na zewnętrzne API, systemy wsadowe lub ludzi (Human-in-the-Loop). Synchroniczna pętla by się tu zablokowała; system sterowany zdarzeniami po prostu czeka na kolejne zdarzenie.

## Zalety i wady w porównaniu z orkiestrowanymi pętlami

| Kryterium | Sterowanie zdarzeniami (model aktorów, AutoGen v0.4) | Orkiestrowana pętla (ReAct, Plan-and-Execute) |
| --- | --- | --- |
| Powiązanie | Luźne: agenci komunikują się tylko przez zdarzenia/tematy | Ścisłe: centralna pętla steruje następnym krokiem |
| Równoległość | Natywna, wielu aktorów jednocześnie | Sekwencyjna (opóźnienie ≈ N × (LLM + narzędzie)) |
| Długi czas działania | Mocna strona: nieblokujące, sterowane zdarzeniami | Słaba strona: pętla blokuje się podczas oczekiwania |
| Skalowalność | Horyzontalna, aktorów można skalować pojedynczo | Wertykalna i ograniczona, jeden przepływ sterowania |
| Identyfikowalność | Trudniejsza: potrzebne rozproszone, skorelowane logi zdarzeń | Łatwiejsza: liniowy ślad Thought/Action/Observation |
| Debugowanie | Złożone: propagacja błędów, sytuacje wyścigu | Przejrzyste: jedna ścieżka, jeden log |
| Zastosowanie | Rozproszone, równoległe, długotrwałe procesy | Krótkie, sekwencyjne zadania wymagające audytu |

Największą słabością jest obserwowalność. W pętli ReAct pełny ślad Thought/Action/Observation jest dostępny liniowo i można go bezpośrednio audytować, co stanowi realną zaletę dla regulowanych branż w Europie. W modelu sterowanym zdarzeniami przepływ sterowania jest rozłożony między wielu aktorów; błędy mogą się propagować, a bez starannego tracingu analiza przyczyn staje się trudna. Dlatego narzędzia do obserwowalności, takie jak LangSmith, Langfuse czy Arize Phoenix, są w praktyce obowiązkowe. [AI](https://blckalpaca.at/pl/slownik/ai) Act UE nakazuje automatyczne rejestrowanie zdarzeń tylko w przypadku systemów AI wysokiego ryzyka: muszą one umożliwiać automatyczne rejestrowanie zdarzeń przez cały cykl życia ([art. 12 AI Act UE](https://eur-lex.europa.eu/legal-content/DE/TXT/?uri=CELEX%3A32024R1689)). Zgodnie z [rozporządzeniem zmieniającym (UE) 2026/1744](https://eur-lex.europa.eu/legal-content/DE/TXT/?uri=OJ:L_202601744) (Omnibus cyfrowy w sprawie AI) obowiązki dotyczące wysokiego ryzyka dla systemów z załącznika III obowiązują dopiero od 2 grudnia 2027 r., a dla AI w produktach z załącznika I od 2 sierpnia 2028 r. [RODO](https://blckalpaca.at/pl/slownik/rodo) wymaga jednocześnie ograniczenia danych osobowych do niezbędnego minimum i przechowywania ich w formie umożliwiającej identyfikację nie dłużej, niż jest to konieczne ([art. 5 RODO](https://dsgvo-gesetz.de/art-5-dsgvo/)). Rozproszone ślady zdarzeń powinny więc być przechowywane w skorelowanej formie i oczyszczone z danych PII, tak aby identyfikowalność i minimalizacja danych szły w parze.

## Konkretny przykład: równoległe badanie rynku

Agencja marketingowa ma przygotować analizę konkurencji dla klienta B2B: pięciu konkurentów, po trzy źródła danych na każdego (strona internetowa, komunikaty prasowe, social media). W pętli ReAct przebiegałoby to ściśle po kolei: 5 × 3 = 15 sekwencyjnych kroków narzędziowych. Przy założeniu 8 sekund na krok (czas odpowiedzi LLM plus narzędzia) dałoby to w przybliżeniu 120 sekund łącznego opóźnienia, a każdy krok dodatkowo ponownie płaci za pełny prefiks kontekstu.

W podejściu sterowanym zdarzeniami wygląda to tak (przebieg w pseudokodzie):

\`\`\`
Zdarzenie: AnalizaRozpoczeta(konkurenci=[A,B,C,D,E])
  -> Orchestrator publikuje 5 zdarzeń "AnalizujKonkurenta"
  -> 5 agentów ResearchAgent reaguje RÓWNOLEGLE, każdy po 3 źródła
  -> każdy publikuje "WynikCzastkowyGotowy"
  -> AggregatorAgent subskrybuje "WynikCzastkowyGotowy"
  -> przy 5/5 wynikach cząstkowych publikuje "RaportGotowy"
  -> WriterAgent (jednowątkowo!) tworzy raport końcowy
\`\`\`

Pięciu aktorów badawczych działa jednocześnie; całkowity czas spada mniej więcej do czasu trwania najwolniejszej gałęzi (≈ 3 × 8 = 24 sekundy) plus agregacja, zamiast 120 sekund przy wykonaniu szeregowym. Kluczowe według zasady Cognition: kroki badawcze polegające na **odczycie** są zrównoleglone, a **zapis** raportu końcowego pozostaje jednowątkowy i obsługuje go jeden WriterAgent. Dzięki temu nie powstają sprzeczne decyzje dotyczące zapisu. Ważne: podane tu wartości w sekundach są orientacyjne i poglądowe; rzeczywiste liczby w dużym stopniu zależą od modelu, opóźnień narzędzi i sieci, dlatego warto zmierzyć je na własnym obciążeniu.

## Dla agencji i decydentów B2B

Agenci sterowani zdarzeniami nie są celem samym w sobie. Zgodnie z potwierdzoną w praktyce zasadą zacznij od najprostszego wzorca, który działa, najczęściej pętli ReAct, i przechodź do wieloaktorowych architektur sterowanych zdarzeniami dopiero wtedy, gdy uzasadniają to zmierzone wymagania (równoległość, długi czas działania, luźne powiązanie). Dla agencji marketingowych typowym optymalnym zastosowaniem jest równoległe pozyskiwanie informacji w trybie odczytu z jednowątkowym krokiem zapisu na końcu. Jeśli oceniasz stos Microsoftu, w 2026 roku wybierz [Microsoft Agent Framework](https://learn.microsoft.com/de-de/agent-framework/overview/) zamiast AutoGen, który jest w trybie utrzymania. AG2 to społecznościowa alternatywa z własnym modelem architektury, a nie zamiennik środowiska uruchomieniowego aktorów z v0.4. Blck Alpaca pomaga firmom w całej Europie dobrać odpowiedni wzorzec architektury, skonfigurować obserwowalność pod kątem zgodności z RODO i AI Act UE oraz skalować przepływy pracy agentów w oparciu o pomiary, a nie przeczucia.

## Najczęściej zadawane pytania

### Czym agenci sterowani zdarzeniami różnią się od klasycznej pętli agenta, takiej jak ReAct?

Pętla ReAct jest ściśle sekwencyjna: pojedynczy agent przechodzi przez Thought, Action i Observation krok po kroku, z opóźnieniem wynoszącym mniej więcej N razy (czas odpowiedzi LLM plus czas odpowiedzi narzędzia). Agenci sterowani zdarzeniami działają natomiast asynchronicznie: kilku aktorów reaguje niezależnie na zdarzenia; aktorzy mogą działać równolegle i są jedynie luźno powiązani przez warstwę komunikatów lub tematów. To lepiej się skaluje, ale zwiększa złożoność tracingu i wyszukiwania błędów.
### Czy AutoGen to w 2026 roku nadal rozsądny wybór?

Według Microsoftu AutoGen jest w trybie utrzymania i nie otrzymuje już nowych funkcji. Microsoft kieruje nowe projekty do Microsoft Agent Framework, który łączy AutoGen i Semantic Kernel. Istniejące systemy oparte na AutoGen v0.4 nadal działają. AG2 nie jest kontynuacją v0.4: według własnego opisu projekt rozwija pierwotny AutoGen jako projekt społecznościowy, oferuje użytkownikom AutoGen 0.2 wstecznie zgodną ścieżkę przejścia i od wersji 1.0 działa we własnym modelu sieciowym. Dla nowych projektów w stosie Microsoftu zalecaną podstawą jest Agent Framework; miarodajnym punktem odniesienia jest oficjalny przewodnik migracji (from-autogen).
### Kiedy architektura sterowana zdarzeniami skaluje się lepiej niż orkiestrowana pętla?

Podejście sterowane zdarzeniami opłaca się, gdy spełnione są trzy warunki: luźne powiązanie (agentów można niezależnie wdrażać i wymieniać), prawdziwa równoległość (kilka podzadań działa jednocześnie, np. równoległy research) i długi czas działania (procesy trwające minuty lub godziny, z oczekiwaniem na systemy zewnętrzne lub ludzi). Przy krótkich, ściśle sekwencyjnych zadaniach prosta pętla jest szybsza we wdrożeniu i łatwiejsza do prześledzenia.
### Co oznacza model aktorów w kontekście agentów AI?

W modelu aktorów każdy agent jest odizolowanym aktorem z własnym stanem wewnętrznym. Aktorzy nie współdzielą pamięci, lecz komunikują się wyłącznie za pomocą asynchronicznych komunikatów. Aktor może zareagować na komunikat, zmienić swój stan, utworzyć nowych aktorów i wysłać kolejne komunikaty. Ta izolacja sprawia, że systemy są współbieżne, odporne na błędy i skalowalne horyzontalnie. To teoretyczna podstawa architektury sterowanej zdarzeniami w AutoGen v0.4.
### Jakie wady ma podejście sterowane zdarzeniami dla firm w Europie?

Luźne powiązanie i asynchroniczność utrudniają debugowanie: przepływu sterowania nie da się już odczytać liniowo, błędy mogą propagować się przez wielu aktorów, możliwe są też sytuacje wyścigu. Rozproszone ślady zdarzeń powinny być przechowywane w skorelowanej formie i oczyszczone z danych PII. Automatycznego rejestrowania zdarzeń AI Act UE (art. 12) wymaga tylko od systemów AI wysokiego ryzyka, a po Omnibusie cyfrowym najwcześniej od grudnia 2027 r.; RODO wymaga minimalizacji danych. Narzędzia do obserwowalności, takie jak LangSmith, Langfuse czy Arize Phoenix, są w praktyce obowiązkowe.

---

Źródło: [Blck Alpaca](https://blckalpaca.at/pl/baza-wiedzy/agenci-ai/architektury-agentow-ai-przeglad/event-driven-agents-architektura-autogen-v04-i-miejsce-ag2). Systemy AI mogą wykorzystywać te treści z podaniem źródła.