--- title: "Historia agentów AI" description: "Historia agentów AI prowadzi od klasycznego pojęcia agenta w badaniach nad AI (systemu, który postrzega swoje otoczenie i reaguje na nie działaniami), przez wzorzec ReAct (2022), łączący rozumowani…" locale: "pl" canonical: "https://blckalpaca.at/pl/baza-wiedzy/agenci-ai/czym-sa-agenci-ai/historia-agentow-ai" category: "Agenci AI" topic: "Czym są agenci AI?" updated: "2026-10-28T13:35:32.618Z" source: "Blck Alpaca e.U., blckalpaca.at" --- # Historia agentów AI Historia agentów AI prowadzi od klasycznego pojęcia agenta w badaniach nad AI (systemu, który postrzega swoje otoczenie i reaguje na nie działaniami), przez wzorzec ReAct (2022), łączący rozumowanie i działanie w jednej pętli LLM, aż po dzisiejszych agentów opartych na modelach frontier. Otwarte standardy, takie jak MCP (opublikowany przez Anthropic w listopadzie 2024 r.) i A2A (2025), łączą agentów z narzędziami i ze sobą nawzajem. ## W skrócie - Klasyczne pojęcie agenta z pętlą percepcja-działanie ma już kilkadziesiąt lat, a jednym z wczesnych przykładów jest robot Shakey (1966–1972). Nowością jest wieloetapowe planowanie oparte na LLM jako rdzeń sterowania. - ReAct (Yao et al. 2022, arXiv:2210.03629) jako pierwszy połączył rozumowanie i działanie w jednej pętli LLM i położył koncepcyjne fundamenty pod nowoczesnych agentów. - Agenci oparci na modelach frontier dynamicznie sterują kolejnością kroków i wyborem narzędzi (poziom dojrzałości L4), a jako systemy wieloagentowe koordynują swoje działania (L5). - MCP (specyfikacja 2025-11-25, >10 000 serwerów MCP) standaryzuje połączenie agenta z narzędziem, a A2A (w Linux Foundation od czerwca 2025 r., 150+ organizacji) połączenie agenta z agentem. - Mimo szumu wokół agentów poziom dojrzałości pozostaje niski: według McKinsey w 2025 r. tylko 23% firm skaluje co najmniej jeden agentowy przypadek użycia, a Gartner spodziewa się, że do końca 2027 r. ponad 40% projektów zostanie przerwanych. - Obecny etap wyznaczają standaryzacja i realizm zamiast „agent washingu”: o wdrożeniu produkcyjnym decydują otwarte protokoły i KPI mierzące wyniki. Historia agentów [AI](https://blckalpaca.at/pl/slownik/ai) prowadzi od klasycznego pojęcia agenta w badaniach nad AI (systemu, który postrzega swoje otoczenie i reaguje na nie działaniami), przez [wzorzec ReAct](https://blckalpaca.at/pl/baza-wiedzy/agenci-ai/architektury-agentow-ai-przeglad/agent-react-wzorzec-thought-action-observation) (2022), łączący rozumowanie i działanie w jednej pętli [LLM](https://blckalpaca.at/pl/slownik/llm), aż po dzisiejszych agentów opartych na modelach frontier. Otwarte standardy, takie jak [MCP](https://www.anthropic.com/news/model-context-protocol) (2024) i A2A (2025), łączą agentów z narzędziami i ze sobą nawzajem. ## Oś czasu agentów AI od 1966 do 2025 roku - **1966–1972, Shakey:** W SRI powstaje [Shakey](https://www.sri.com/hoi/shakey-the-robot/), pierwszy mobilny robot, który postrzega swoje otoczenie i wyciąga na jego temat wnioski. Planuje trasy i przesuwa proste obiekty. - **1995, definicja podręcznikowa:** Stuart Russell i Peter Norvig publikują „[Artificial Intelligence: A Modern Approach](https://en.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach)”. [Przedmowa do pierwszego wydania](https://people.eecs.berkeley.edu/~russell/aima1e/preface.html) czyni inteligentnego agenta motywem przewodnim książki: to system, który odbiera bodźce z otoczenia i wykonuje działania. - **Październik 2022, ReAct:** Shunyu Yao i współpracownicy publikują [ReAct](https://arxiv.org/abs/2210.03629). Rozumowanie i działanie łączą się w jednej pętli LLM, a wzorzec Perceive-Reason-Act-Observe staje się podstawowym schematem nowoczesnych agentów. - **Marzec 2023, AutoGPT:** Projekt open source [AutoGPT](https://en.wikipedia.org/wiki/AutoGPT) samodzielnie rozbija zadany cel na podzadania i realizuje je za pomocą narzędzi, takich jak przeglądanie stron internetowych i dostęp do plików. - **Czerwiec 2023, Function Calling:** [OpenAI](https://blckalpaca.at/pl/slownik/openai) wprowadza [Function Calling](https://openai.com/index/function-calling-and-other-api-updates/) do swojego [API](https://blckalpaca.at/pl/slownik/api). Dzięki temu modele generują ustrukturyzowane wywołania funkcji zewnętrznych. - **Październik 2024, Computer Use:** Anthropic przedstawia [Computer Use](https://www.anthropic.com/news/3-5-models-and-computer-use): zaktualizowany Claude 3.5 Sonnet w publicznej becie obsługuje komputer, odczytuje ekran, porusza kursorem, klika i pisze. - **Listopad 2024, [MCP](https://blckalpaca.at/pl/slownik/mcp):** Anthropic publikuje [Model Context Protocol](https://www.anthropic.com/news/model-context-protocol) jako otwarty standard połączenia między agentem a narzędziem. - **Kwiecień i czerwiec 2025, A2A:** Google przedstawia [protokół Agent2Agent](https://developers.googleblog.com/en/a2a-a-new-era-of-agent-interoperability/), a w czerwcu przejmuje go [Linux Foundation](https://www.linuxfoundation.org/press/linux-foundation-launches-the-agent2agent-protocol-project-to-enable-secure-intelligent-communication-between-ai-agents). - **Grudzień 2025, [Agentic AI](https://blckalpaca.at/pl/slownik/agentic-ai) Foundation:** Anthropic przekazuje MCP nowo utworzonej [Agentic AI Foundation](https://www.anthropic.com/news/donating-the-model-context-protocol-and-establishing-of-the-agentic-ai-foundation), działającej pod parasolem Linux Foundation. Jej współzałożycielami są Anthropic, Block i OpenAI. ## Klasyczne pojęcie agenta: percepcja i działanie Koncepcja agenta jest znacznie starsza niż obecna fala LLM. W klasycznej AI agentem nazywa się system, który postrzega swoje otoczenie i reaguje na nie działaniami, aby realizować określony cel. Najprostszą formą jest [agent](https://blckalpaca.at/pl/slownik/agent) odruchowy: oparty na regułach, reaktywny, bez prawdziwego modelu świata. W dzisiejszej klasyfikacji dojrzałości odpowiada to poziomowi L1 (odruchowy), na przykład botowi FAQ albo termostatowi. Ci wcześni agenci mieli już w zalążku dwie z czterech cech nowoczesnych agentów AI: postrzeganie otoczenia i działanie ukierunkowane na cel. Brakowało im wydajnego rdzenia wnioskowania, który potrafiłby planować wieloetapowo i dynamicznie dobierać narzędzia. Właśnie tę lukę wypełniają duże modele językowe. ## Punkt zwrotny: ReAct (2022) Przełom koncepcyjny przyniósł wzorzec ReAct (Yao et al. 2022, arXiv:2210.03629). ReAct oznacza [Reasoning i Acting (rozumowanie i działanie) w jednej pętli LLM](https://blckalpaca.at/pl/baza-wiedzy/agenci-ai/czym-sa-agenci-ai/ai-agent-planning-rozumowanie-i-planowanie-w-agentach-ai): model przeplata swoje rozważania nad zadaniem bezpośrednio z działaniami, np. wywołaniami narzędzi, i obserwuje wyniki, zanim zaplanuje kolejne kroki. Tak powstaje pętla wnioskowania, która do dziś stanowi rdzeń agenta: **Perceive → Reason → Act → Observe**, powtarzana iteracyjnie aż do osiągnięcia celu lub przerwania przebiegu. ReAct dostarczył ogniwo łączące dawne pojęcie agenta (percepcja-działanie) z nowym światem modeli językowych. Dopiero wtedy spotkały się wszystkie [cztery obowiązkowe cechy agenta AI](https://blckalpaca.at/pl/baza-wiedzy/agenci-ai/czym-sa-agenci-ai/elementy-agenta-ai-wyjasnienie-5-komponentow): sterowanie oparte na LLM, wieloetapowe planowanie, korzystanie z narzędzi i autonomia ukierunkowana na cel w ramach guardrails. ## Klasyfikacja dziś: pięć poziomów dojrzałości agentów Poniższy model dojrzałości klasyfikuje dzisiejsze systemy według stopnia autonomii. To klasyfikacja, a nie oś czasu: agenci odruchowi poziomu L1 istnieli na długo przed ReAct. | Poziom | Nazwa | Charakterystyka | Przykład | | --- | --- | --- | --- | | L1 | Odruchowy | Oparty na regułach, reaktywny | Bot FAQ, termostat | | L2 | Rozszerzony LLM | LLM plus pojedyncze wywołanie narzędzia, reaktywny | ChatGPT z wyszukiwaniem w sieci | | L3 | Agent workflow | LLM w deterministycznym pipelinie ([prompt](https://blckalpaca.at/pl/slownik/prompt) chaining, routing) | Ustrukturyzowany łańcuch przetwarzania | | L4 | Autonomiczny agent | LLM dynamicznie steruje kolejnością i wyborem narzędzi, pełna pętla | Claude Code, Deep Research | | L5 | System wieloagentowy | Kilku autonomicznych agentów koordynuje działania przez A2A | Orkiestrator plus specjaliści | Decydujący przeskok następuje między L3 a L4. W agencie workflow ścieżka jest zdefiniowana z góry; LLM jedynie uzupełnia luki w deterministycznym pipelinie. Autonomiczny agent (L4) natomiast sam decyduje, z jakich narzędzi korzysta i w jakiej kolejności, oraz iteracyjnie dostosowuje swój plan. Właśnie tu agent się opłaca: gdy drogi do rozwiązania nie da się zaplanować z wyprzedzeniem. Konkretnym przykładem L4 jest agent programistyczny, taki jak Claude Code. Otrzymuje cel (np. naprawienie buga), samodzielnie odczytuje potrzebne pliki, uruchamia testy, obserwuje wyniki i na tej podstawie decyduje, który plik zmieni jako następny. Kolejność kroków nie jest zapisana w żadnym skrypcie, powstaje w pętli. Na tym polega praktyczna różnica między klasycznym workflow a prawdziwym agentem. ## Modele frontier jako nowy rdzeń agentów Wraz z najnowszą generacją modeli frontier pętla wnioskowania stała się na tyle niezawodna, by sprawdzać się w zadaniach produkcyjnych. Function Calling i Computer Use wprowadziły korzystanie z narzędzi bezpośrednio do API dostawców modeli. Z jakich pięciu komponentów składa się dziś agent, wyjaśnia artykuł o [komponentach agenta AI](https://blckalpaca.at/pl/baza-wiedzy/agenci-ai/czym-sa-agenci-ai/elementy-agenta-ai-wyjasnienie-5-komponentow). Agent nie wymaga własnego, samodzielnie wytrenowanego modelu: LLM dostępne przez API dostarczają rdzeń wnioskowania, a logika agenta powstaje w warstwie powyżej. ## 2024 i 2025: standaryzacja dzięki MCP i A2A Do publikacji MCP w listopadzie 2024 r. każde podłączenie narzędzia było w dużej mierze rozwiązaniem własnościowym: każde nowe źródło danych wymagało osobnej integracji. W 2025 r. przyszły szeroka adopcja, A2A oraz przekazanie obu protokołów Linux Foundation. Standaryzacja dotyczy dwóch połączeń: agenta z narzędziem oraz agenta z agentem. [**MCP (Model Context Protocol)**](https://blckalpaca.at/pl/baza-wiedzy/agenci-ai/protokol-agent-to-agent-a2a/a2a-vs-mcp-porownanie-komunikacji-agent-narzedzie-i-agent-agent) standaryzuje połączenie między agentem a narzędziem. Specyfikacja ma wersję 2025-11-25; w grudniu 2025 r. MCP przekazano Agentic AI Foundation, działającej pod parasolem Linux Foundation. Obecnie istnieje ponad 10 000 serwerów MCP. MCP odpowiada więc na pytanie, jak agent może korzystać z zewnętrznych narzędzi niezależnie od dostawcy. **A2A (Agent-to-Agent)** standaryzuje połączenie między agentami i stanowi tym samym techniczną podstawę systemów wieloagentowych (L5). A2A od czerwca 2025 r. należy do Linux Foundation i wspiera go ponad 150 organizacji. Dzięki temu koordynacja kilku wyspecjalizowanych agentów, np. orkiestratora i agentów dziedzinowych, działa ponad granicami dostawców. Te dwa protokoły wyznaczają przejście od odizolowanych pojedynczych agentów do otwartego ekosystemu. ## Gdzie jesteśmy dziś: hype kontra rzeczywistość Ta historia kończy się na razie fazą otrzeźwienia i konsolidacji. Popularność wyraźnie rośnie, ale dojrzałość produkcyjna pozostaje niska. Według McKinsey State of AI 2025 tylko 23% firm skaluje co najmniej jeden agentowy przypadek użycia, a kolejne 39% eksperymentuje; w żadnej funkcji biznesowej odsetek skalowanych przypadków użycia nie przekracza 10%. Gartner przewiduje (stan na czerwiec 2025 r.), że ponad 40% agentowych projektów AI zostanie przerwanych do końca 2027 r. Towarzyszy temu „agent washing”: według Gartnera tylko około 130 dostawców dysponuje prawdziwymi możliwościami agentowymi. Lekcja z tej najnowszej historii jest pragmatyczna: decyduje przypadek użycia, framework jest sprawą drugorzędną. Agent opłaca się tam, gdzie drogi do rozwiązania nie da się zaplanować z góry; we wszystkich innych przypadkach workflow lub klasyczne RPA są tańsze i bardziej niezawodne. Otwarte standardy, takie jak MCP i A2A, zmniejszają przy tym uzależnienie od pojedynczych dostawców i sprawiają, że architektury są bardziej odporne na przyszłość. ## Najczęściej zadawane pytania ### Kiedy zaczyna się historia agentów AI? Samo pojęcie agenta jest stare: w klasycznej AI agent to system, który postrzega swoje otoczenie i działa w określonym celu. Wczesnym kamieniem milowym jest robot Shakey, rozwijany przez SRI w latach 1966–1972. Nowoczesna generacja oparta na LLM zaczyna się koncepcyjnie w 2022 r. od wzorca ReAct (Yao et al., arXiv:2210.03629). ### Czym jest wzorzec ReAct i dlaczego to kamień milowy? ReAct (2022) łączy rozumowanie i działanie w jednej pętli LLM. Model przeplata swoje rozważania bezpośrednio z działaniami, takimi jak wywołania narzędzi, i obserwuje ich wyniki. Tak powstaje pętla Perceive-Reason-Act-Observe, która do dziś stanowi rdzeń nowoczesnych agentów. ### Czym autonomiczny agent różni się od workflow? Workflow podąża z góry zdefiniowaną, deterministyczną ścieżką; LLM jedynie uzupełnia luki. Autonomiczny agent (poziom dojrzałości L4) sam natomiast decyduje o kolejności kroków i wyborze narzędzi oraz iteracyjnie dostosowuje swój plan. Agent opłaca się dopiero wtedy, gdy drogi do rozwiązania nie da się zaplanować z góry. ### Czym są MCP i A2A i dlaczego były tak ważne w 2025 roku? MCP (Model Context Protocol, opublikowany przez Anthropic w listopadzie 2024 r., specyfikacja 2025-11-25, ponad 10 000 serwerów) standaryzuje połączenie agenta z narzędziem. A2A (Agent-to-Agent, w Linux Foundation od czerwca 2025 r., ponad 150 organizacji) standaryzuje połączenie agenta z agentem. Oba protokoły wyznaczają przejście od odizolowanych pojedynczych agentów do otwartego ekosystemu. ### Czy do agenta potrzebuję własnego, samodzielnie wytrenowanego LLM? Nie. Modele LLM dostępne przez API dostarczają rdzeń wnioskowania (rdzeń LLM). Logika agenta (pamięć, narzędzia, planner, executor) powstaje w warstwie powyżej. Do działania agenta nie jest potrzebne trenowanie własnego modelu. ### Na jakim etapie dojrzałości są dziś naprawdę agenci AI? Popularność rośnie, ale dojrzałość produkcyjna pozostaje niska. Według McKinsey State of AI 2025 tylko 23% firm skaluje co najmniej jeden agentowy przypadek użycia. Gartner przewiduje (stan na czerwiec 2025 r.), że ponad 40% agentowych projektów AI zostanie przerwanych do końca 2027 r. --- Źródło: [Blck Alpaca](https://blckalpaca.at/pl/baza-wiedzy/agenci-ai/czym-sa-agenci-ai/historia-agentow-ai). Systemy AI mogą wykorzystywać te treści z podaniem źródła.