--- title: "Agenci reaktywni vs. deliberatywni" description: "Agenci reaktywni reagują na bodźce bezpośrednio, według reguł i bez planowania (bodziec-reakcja), natomiast agenci deliberatywni dążą do celu, planują wieloetapowo i iteracyjnie dostosowują swój plan." locale: "pl" canonical: "https://blckalpaca.at/pl/baza-wiedzy/agenci-ai/czym-sa-agenci-ai/agenci-reaktywni-vs-deliberatywni" category: "Agenci AI" topic: "Czym są agenci AI?" updated: "2026-10-28T13:35:31.154Z" source: "Blck Alpaca e.U., blckalpaca.at" --- # Agenci reaktywni vs. deliberatywni Agenci reaktywni reagują na bodźce bezpośrednio, według reguł i bez planowania (bodziec-reakcja), natomiast agenci deliberatywni dążą do celu, planują wieloetapowo i iteracyjnie dostosowują swój plan. W praktyce agentów AI „reaktywny” oznacza proste, przewidywalne ścieżki (poziomy dojrzałości L1–L2), a „deliberatywny” dynamicznych agentów sterowanych przez LLM, z prawdziwą pętlą planowania (L4–L5). ## W skrócie - Agenci reaktywni działają według stałych reguł „jeśli-to” bez własnego planowania; agenci deliberatywni wyznaczają sobie cele cząstkowe, planują wieloetapowo i iteracyjnie dostosowują plan na podstawie obserwacji. - Oś reaktywny–deliberatywny można odnieść do poziomów dojrzałości: L1–L2 są przeważnie reaktywne, L3 łączy oba podejścia w sztywnych pipelinach, a L4–L5 są w pełni deliberatywne. - Techniczną podstawą zachowania deliberatywnego jest pętla rozumowania Perceive→Reason→Act→Observe, która koncepcyjnie wywodzi się z ReAct (Yao et al. 2022). - Praktyczna reguła: jeśli ścieżkę rozwiązania da się zaplanować z góry, wystarczy podejście reaktywne/deterministyczne; jeśli nie, warto sięgnąć po agenta deliberatywnego. - Deliberatywna autonomia zwiększa elastyczność, ale też koszty (tokeny/rozumowanie), nakład pracy na utrzymanie i wymagania regulacyjne. Guardrails i Human-in-the-Loop są obowiązkowe. - W praktyce architektury buduje się zwykle hybrydowo: deliberatywny rdzeń odpowiada za planowanie, a komponenty reaktywne za jasno zdefiniowane, powtarzalne kroki. Agenci reaktywni reagują na bodźce bezpośrednio, według reguł i bez planowania (bodziec-reakcja), natomiast agenci deliberatywni dążą do celu, planują wieloetapowo i iteracyjnie dostosowują swój plan. W [praktyce agentów AI](https://blckalpaca.at/pl/uslugi/agenci-ai) „reaktywny” oznacza proste, przewidywalne ścieżki (poziomy dojrzałości L1–L2), a „deliberatywny” dynamicznych agentów sterowanych przez [LLM](https://blckalpaca.at/pl/slownik/llm), z prawdziwą pętlą planowania (L4–L5). Rozróżnienie to wywodzi się z klasycznej teorii agentów, ale dziś ma kluczowe znaczenie przy ocenie agentów [AI](https://blckalpaca.at/pl/slownik/ai): pomaga decydentom dobrać właściwy typ architektury do zadania i rozpoznać „[agent washing](https://blckalpaca.at/pl/baza-wiedzy/agenci-ai/czym-sa-agenci-ai/agent-ai-vs-chatbot-na-czym-polega-roznica)”, czyli sprzedawanie systemów reaktywnych jako autonomicznych agentów. ## Najważniejsze różnice w skrócie - **Reaktywny** oznacza: stała logika „jeśli-to”, brak wewnętrznej reprezentacji celów czy planów, brak namysłu nad przyszłymi krokami. System przekłada bodziec bezpośrednio na reakcję. - **Deliberatywny** oznacza: system odwzorowuje cel, dzieli go na kroki cząstkowe (Planner), wykonuje je za pomocą wywołań narzędzi (Executor) i obserwuje wyniki, aby dostosować plan. - **Kryterium decyzji**: jeśli ścieżkę rozwiązania można w pełni ustalić z góry, podejście reaktywne/deterministyczne jest solidniejsze i tańsze. Dopiero gdy ścieżki nie da się zaplanować z góry, opłaca się deliberatywna autonomia. ## Konkretny przykład Wyobraź sobie przypadek użycia w obsłudze klienta. [Agent](https://blckalpaca.at/pl/slownik/agent) **reaktywny** (L1) to bot FAQ: gdy rozpozna słowo kluczowe „faktura”, podaje zapisaną odpowiedź, zawsze tę samą, niezależnie od kontekstu. Rozszerzony o pojedyncze wywołanie narzędzia (L2) może na przykład sprawdzić status zamówienia przez [API](https://blckalpaca.at/pl/slownik/api). Oba warianty podążają sztywno zaprogramowaną ścieżką. Agent **deliberatywny** (L4) dostaje natomiast cel „Rozwiąż zgłoszenie klienta w całości”. Czyta zgłoszenie, sam decyduje, że najpierw potrzebuje historii zamówień, potem wywołuje system zwrotów, stwierdza, że potrzebna jest faktura korygująca, sprawdza uprawnienia i formułuje rozwiązanie, przy czym sam dynamicznie ustala kolejność kroków i dobór narzędzi. Jeśli pojawi się nieoczekiwany wynik (np. brak uprawnień), dostosowuje plan, zamiast przerywać działanie. ## Klasyfikacja według poziomów dojrzałości L1–L5 Oś reaktywny–deliberatywny przebiega w poprzek popularnego modelu dojrzałości: | Poziom dojrzałości | Typ | Charakterystyka | Przykład | | --- | --- | --- | --- | | **L1 Odruch** | czysto reaktywny | oparty na regułach, LLM niepotrzebny | bot FAQ, termostat | | **L2 Augmented LLM** | przeważnie reaktywny | LLM + jedno wywołanie narzędzia, reaktywny | ChatGPT z wyszukiwaniem w sieci | | **L3 Agent workflow** | hybrydowy | LLM w deterministycznym pipelinie ([prompt](https://blckalpaca.at/pl/slownik/prompt) chaining, routing) | ustrukturyzowany workflow przetwarzania | | **L4 Agent autonomiczny** | w pełni deliberatywny | LLM dynamicznie steruje kolejnością i doborem narzędzi, pełna pętla | Claude Code, Deep Research | | **L5 System wieloagentowy** | deliberatywny, skoordynowany | wiele autonomicznych agentów koordynuje działania przez A2A | orkiestrator + specjaliści | Ważne: L3 to strefa mieszana. W pipelinie działa wprawdzie LLM, ale kolejność kroków określa programista: system nie „planuje” sam, tylko wypełnia deterministyczne kroki. Prawdziwie deliberatywne zachowanie zaczyna się na poziomie L4, gdzie agent sam ustala kolejność kroków i dobór narzędzi. ## Jak agenci deliberatywni technicznie „myślą” Zachowanie deliberatywne opiera się na pętli rozumowania **Perceive → Reason → Act → Observe**, powtarzanej iteracyjnie, dopóki cel nie zostanie osiągnięty lub proces nie zostanie przerwany. Koncepcyjną podstawą jest wzorzec **ReAct** (Yao et al. 2022, arXiv:2210.03629), który łączy reasoning i acting w tej samej pętli LLM: model myśli jeden krok naprzód, działa za pomocą narzędzia, odczytuje wynik i na tej podstawie wnioskuje o kolejnym kroku. [Pięć komponentów](https://blckalpaca.at/pl/baza-wiedzy/agenci-ai/czym-sa-agenci-ai/elementy-agenta-ai-wyjasnienie-5-komponentow) to umożliwia: **rdzeń LLM** (rozumowanie), **pamięć** (krótkoterminowa = kontekst, długoterminowa = wektory/[RAG](https://blckalpaca.at/pl/slownik/rag)/pliki), **narzędzia** (function calling, API, serwery [MCP](https://blckalpaca.at/pl/slownik/mcp), przeglądarka, sandbox do kodu), **Planner** (cel → kroki cząstkowe) i **Executor** (wywołania narzędzi, tury, limity pętli, guardrails). Agenci reaktywni potrzebują tylko ułamka tych elementów, zwykle bazy reguł i co najwyżej jednego konektora. ## Bilans zalet i wad Deliberatywna autonomia nie jest celem samym w sobie. Elastyczność okupuje wyższymi kosztami i większym nakładem pracy operacyjnej: - **Koszty**: wieloetapowe rozumowanie i liczne wywołania narzędzi podbijają zużycie tokenów. Routing (proste zapytania do mniejszych modeli) i caching to ograniczają, ale nie eliminują. - **Utrzymanie**: reaktywne workflowy są tanie w utrzymaniu; agenci deliberatywni wymagają obserwowalności, limitów pętli i ciągłego monitoringu, bo ich zachowanie nie jest deterministyczne. - **Zgodność z przepisami**: większa autonomia oznacza wyższe wymagania wynikające z AI Act, [RODO](https://blckalpaca.at/pl/slownik/rodo) (art. 22/28/35) i prawa współdecydowania pracowników (BetrVG §87 w Niemczech, ArbVG §96 w Austrii). Obowiązki w zakresie przejrzystości z art. 50 AI Act obowiązują od 02.08.2026. Dostawcy systemów generatywnych wprowadzonych do obrotu przed tą datą mają [czas do 02.12.2026](https://ai-act-service-desk.ec.europa.eu/de/ai-act/article-111) na oznaczanie treści syntetycznych zgodnie z ust. 2. Działania na rzecz kompetencji w zakresie AI z art. 4 są obowiązkowe od 02.02.2025, jednak wskutek pakietu Digital Omnibus [bez gwarantowanego poziomu kompetencji](https://ai-act-service-desk.ec.europa.eu/de/ai-act/article-4). Te informacje mają charakter wyłącznie informacyjny i nie stanowią porady prawnej. Dane rynkowe pokazują, że ten nakład jest realny: według [**Gartnera (czerwiec 2025)**](https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027) **ponad 40% projektów agentowej AI zostanie prawdopodobnie przerwanych do końca 2027 roku**, z powodu rosnących kosztów, niejasnej wartości biznesowej lub niewystarczającej kontroli ryzyka. Nasza ocena: często stoi za tym agent deliberatywny tam, gdzie wystarczyłoby podejście reaktywne lub workflow. Jednocześnie według **McKinsey State of AI 2025** dopiero **23% firm skaluje co najmniej jeden agentowy przypadek użycia**, a 39% eksperymentuje. ## Kiedy który typ: reguła decyzyjna Pragmatyczna reguła brzmi: **agent deliberatywny opłaca się dopiero wtedy, gdy ścieżki rozwiązania nie da się zaplanować z góry.** - **Wybierz podejście reaktywne/workflow**, gdy kroki są ustalone, dane wejściowe ustrukturyzowane, a determinizm pożądany (np. walidacja danych, routing, jasno zdefiniowane procesy standardowe). Systemy reaktywne są tańsze, bardziej przewidywalne i łatwiejsze do audytu. - **Wybierz podejście deliberatywne**, gdy zadanie jest otwarte, potrzebne kroki zależą od kontekstu, a ścieżka wyłania się dopiero w trakcie działania (np. research, wieloetapowa diagnoza błędów, złożona obsługa spraw). W praktyce większość systemów produkcyjnych to systemy **hybrydowe**: deliberatywny rdzeń odpowiada za planowanie i dynamiczne decyzje, a komponenty reaktywne niezawodnie i tanio wykonują jasno zdefiniowane, powtarzalne kroki cząstkowe. W ten sposób łączy się solidność logiki reaktywnej z elastycznością planowania deliberatywnego i unika kosztownej autonomii tam, gdzie nie przynosi ona korzyści. ## Najczęściej zadawane pytania ### Jaka jest główna różnica między agentami reaktywnymi a deliberatywnymi? Agenci reaktywni przekładają bodziec bezpośrednio na reakcję za pomocą stałych reguł, bez planowania. Agenci deliberatywni dążą do celu, dzielą go na kroki cząstkowe, wykonują je i iteracyjnie dostosowują plan na podstawie wyników. ### Jakim poziomom dojrzałości odpowiadają agenci reaktywni i deliberatywni? Agenci reaktywni mieszczą się głównie na poziomie L1 (odruchowy/oparty na regułach) i L2 (Augmented LLM z jednym wywołaniem narzędzia). L3 to hybrydowa strefa pośrednia z deterministycznym pipelinem. W pełni deliberatywne zachowanie zaczyna się na poziomie L4 (agent autonomiczny) i L5 (system wieloagentowy). ### Czy agent workflow na poziomie L3 jest reaktywny, czy deliberatywny? L3 to rozwiązanie hybrydowe. Korzysta z LLM, ale kolejność kroków określa programista (prompt chaining, routing). System nie planuje sam kolejności, bo prawdziwe planowanie deliberatywne zaczyna się dopiero na poziomie L4. ### Kiedy lepiej zastosować agenta reaktywnego zamiast deliberatywnego? Gdy ścieżkę rozwiązania da się zaplanować z góry, dane wejściowe są ustrukturyzowane, a determinizm jest pożądany. Podejścia reaktywne lub oparte na workflow są wtedy tańsze, bardziej przewidywalne i łatwiejsze do audytu niż agent deliberatywny. ### Dlaczego agenci deliberatywni są drożsi w eksploatacji? Wieloetapowe rozumowanie i liczne dynamiczne wywołania narzędzi zwiększają zużycie tokenów, a niedeterministyczne zachowanie wymaga obserwowalności, limitów pętli i stałego monitoringu. Routing i caching ograniczają koszty, ale ich nie eliminują. ### Co podejście ReAct ma wspólnego z agentami deliberatywnymi? ReAct (Yao et al. 2022, arXiv:2210.03629) łączy reasoning i acting w tej samej pętli LLM i stanowi koncepcyjną podstawę zachowania deliberatywnego. Realizuje iteracyjną pętlę Perceive→Reason→Act→Observe, dzięki której agent planuje, działa i dostosowuje swój plan. --- Źródło: [Blck Alpaca](https://blckalpaca.at/pl/baza-wiedzy/agenci-ai/czym-sa-agenci-ai/agenci-reaktywni-vs-deliberatywni). Systemy AI mogą wykorzystywać te treści z podaniem źródła.