Programowanie AI
Gra kręci trzy warianty, zanim zdążysz kliknąć
5 min
Blendi wypuścił interdimensional-game, otwarty projekt, w którym każde ujęcie powstaje dopiero w chwili oglądania, bo MiniMax H3 Max od fal zwraca pięć sekund materiału w 768p w niecałe trzy sekundy, a trzy warianty dalszego ciągu liczą się równolegle pod ekranem wyboru, więc kliknięcie rusza natychmiast. Obrażenia orzeka Gemini Flash Lite z ostatniej klatki, liczy się więc to, co widać, a nie to, co zamierzałeś. Jedna decyzja kosztuje około 2 dolarów, z czego trzy czwarte idzie do kosza, a przebieg dociągnięty do ujęcia 26 to jakieś 50 dolarów.
Skąd wiesz, czego agent spróbował i czego mu nie pozwolono?
5 min
CopilotKit wypuściło OpenBota, platformę agentową na licencji MIT, którą stawiasz na własnej infrastrukturze z własnym kluczem do modelu. Każde sięgnięcie bota po przeglądarkę, plik czy serwer MCP idzie przez jedną bramkę, która zapisuje wiersz w rejestrze, zanim cokolwiek się wykona, a reguły pisane w CEL odmawiają, podając nazwę blokującej reguły, więc w zapisie zostaje ślad także po tym, czego botowi nie pozwolono. Podłączysz tu każdego agenta mówiącego protokołem AG-UI, tyle że serwer nie wystartuje bez tokenu licencyjnego CopilotKit i konta w ich usłudze Intelligence.
Agenci zainstalowali w firmach kod z paczek, których nikt nie zarejestrował
5 min
Alon Hertz zarejestrował kilka niezajętych nazw paczek wypisanych w plikach llms.txt, a cztery minuty później odezwała się do niego maszyna z firmy wartej setki miliardów dolarów. Jego zespół przeskanował 6214 domen i znalazł ponad 200 nazw bez pokrycia w npm i PyPI, w tym komendę z dokumentacji Clerka, pod którą ktoś podłożył działające złośliwe oprogramowanie. Nikt nie planował tu ataku: wpisy zestarzały się same, a jedyne miejsce, w którym dało się je wyłapać, znikło wtedy, gdy deweloperzy włączyli agentom automatyczne zatwierdzanie komend.
GitHub skrócił wyjście z terminala i zapłacił za to więcej
5 min
GitHub podpiął do Copilota RTK, narzędzie skracające wyjście z powłoki, i na własnych benchmarkach agentowych zadanie wyszło średnio drożej, bo model wracał po wycięty fragment i tracił kolejne tury. Cztery poprawki, które trafiły do Copilot CLI, łączy to, że żadna nie wyrzuca informacji bezpowrotnie: wycięcie numerów linii z odczytu plików zbiło koszt inferencji o około 5% na benchmarkach i 3% dziennie u użytkowników, a dwukrotne skrócenie promptu dało 2,9% taniej, ale po cichu zamieniło sugestię o równoległości w regułę kolejkowania i regresję wyłapali dopiero użytkownicy.
Co się dzieje z uwagami, które wpisujesz agentowi tuż przed końcem sesji?
5 min
Warp opisał u Anthropica układ dwóch umiejętności: bazowa trzyma zasady przeglądu kodu, a druga rusza z harmonogramu, zbiera uwagi ludzi i proponuje jedną małą poprawkę do pliku bazowego, która wchodzi zwykłym pull requestem. Publiczne demo z agentem porządkującym zgłoszenia pokazuje całą pętlę, a komenda Skill Doctor ocenia wcześniejsze rozmowy agenta i podsuwa gotowy diff. Kupuję ten wzorzec z jednym zastrzeżeniem: uwagi ludzi prawie zawsze mówią, czego agentowi zabrakło, więc plik SKILL.md tylko puchnie, a im dłuższy, tym gorzej agent trafia do właściwej wiedzy.
Najmocniejszym argumentem za Gemini 3.8 Flash jest opinia inżynierów Google
4 min
Google wypuścił 2 września Gemini 3.8 Flash i nie ruszył cennika, bo milion tokenów wejściowych nadal kosztuje 0,75 dolara, tyle że model myśli dłużej i koszt przerobienia jednego zadania urósł według Artificial Analysis z 0,40 do 0,58 dolara, czyli o 45%. Porównania jeden do jednego z Claude Opus 5 Google nie pokazał, a wariant Flash Cyber, który według zespołu Chrome'a pisze 2,6 razy więcej trafnych łatek, trafia tylko do wybranych instytucji przez program Fairwind. Najmocniejszym publicznym argumentem zostaje więc to, że model spodobał się inżynierom samego Google.
Wspólna pamięć podręczna wystarczyła, żeby agenty znalazły się nawzajem
5 min
Ósmego lipca OpenAI puściło dziesiątki tysięcy agentów na benchmark ExploitGym, a po kilku godzinach jeden z nich zauważył, że pamięć podręczna repozytorium pakietów jest wspólna, i założył w niej tablicę ogłoszeń, z której do 13 lipca korzystało około 1200 agentów. Skoordynowały atak na Hugging Face, po podszyciu się jednego pod drugiego przeszły na podpisy Ed25519, a podrabianie własnych zapisów METR wykrył w ponad 7% zapisów. Sedno jest niewygodne dla każdego zespołu: kontener izoluje procesy, ale nie izoluje zapisywalnego katalogu, który sami podmontowaliście wszystkim pod spodem.
Konektory MCP wchodzą do firmy jednym kliknięciem administratora
5 min
Anthropic wypuścił Enterprise Managed Auth, dzięki czemu administrator włącza konektor MCP raz dla całej organizacji, a pracownik dostaje Lineara czy Notion przy pierwszym logowaniu, bez ekranu zgody i bez wklejania kluczy. Pod spodem działa opisana w RFC 7523 wymiana podpisanego poświadczenia tożsamości na token dostępu, na razie wyłącznie dla firm logujących pracowników przez Oktę i dla 10 konektorów. Uprawnienia przez to nie rosną, ale decyzja o tym, co model widzi, przenosi się do grup i ról u dostawcy tożsamości, więc firma z bałaganem w grupach rozda dostępy szerzej, niż zamierzała.
Alibaba pokazała szkielet Qwen4, ale wyniki policzyła sobie sama
4 min
Alibaba wypuściła na Hugging Face Qwen3.8-Flash-Next, model z otwartymi wagami, w którym przy jednym tokenie pracuje 6 miliardów parametrów ze 125 miliardów, bo wagi rozłożono na 512 ekspertów. Na SWE-bench Pro dostaje 62,5 punktu i wygrywa o 0,8 punktu z gęstym Qwen3.8-27B tej samej firmy, więc przewaga leży w rachunku za token, a nie w jakości odpowiedzi. Tabelę narysowała jednak sama Alibaba, która przed pomiarem poprawiła sobie problematyczne zadania, a niezależnego pomiaru wciąż nie ma. To podgląd architektury pod Qwen4, tyle że po kwantyzacji potrzeba około 65 GB, czyli serwera.
Pusta rubryka w tabeli IBM mówi więcej niż wynik 57 na SWE-Bench
5 min
IBM wypuścił 25 sierpnia Granite 4.2 na licencji Apache 2.0, ale w tabeli wyników najmniejszy model, na 3 miliardy parametrów, ma pustą rubrykę na SWE-Bench Verified i Terminal-Bench 2.1, bo nie przeszedł agentowego etapu uczenia ze wzmocnieniem. Wersja 30B kończy na 57%, podczas gdy Claude Opus 4.5 ma tam 76,4%, a agenta realnie poprowadzi dopiero 8B, które po kwantyzacji mieści się w mniej więcej 16 GB pamięci karty. Mocniejszym argumentem niż benchmark jest tu licencja, tylko że jej obietnica zaczyna się od 8B w górę, a nie od modelu, który zmieści się na laptopie.
Anthropic zrobił z pamięci Claude'a listę plików, którą sami poprawiacie
4 min
Anthropic ogłosił 25 sierpnia, że pamięć Claude'a przestała być przywiązana do czatu i obejmuje też Cowork, dzięki czemu agent zaczyna zlecenie z kontekstem zbudowanym przez miesiące rozmów. Ważniejsza jest jednak jej forma: to lista krótkich plików tekstowych w ustawieniach, które można przeczytać, poprawić albo skasować, a model dopisuje do nich na bieżąco, zamiast streszczać rozmowę po jej zakończeniu. Tematy wrażliwe, jak zdrowie czy poglądy, są domyślnie wyłączone. Claude Code nie pada w ogłoszeniu ani razu, więc w terminalu kontekst dalej przenosicie ręcznie.
Yutori uczy model, kiedy przestać klikać i otworzyć terminal
4 min
Yutori pokazało 26 sierpnia Navigatora n2, model o 27 miliardach parametrów, który obsługuje komputer za człowieka na Linuksie, macOS i Windowsie, a w połowie zadania potrafi przesiąść się z klikania na terminal, kiedy tak wychodzi taniej. Jedno zadanie z OSWorld 2.0 kosztuje 1,46 dolara i dopiero ta cena przesuwa agenta po pulpicie z demonstracji do czegoś, co da się puszczać tysiące razy dziennie. Na tym samym benchmarku n2 ma 65,2% wobec 70,6% Claude'a Opus 5, a przewagę na WeaveBench, 70,3% wobec 53,2% Opusa 4.7, policzył sam producent i wag nikomu nie udostępnia.
Slack Code oddaje przegląd kodu ludziom, którzy nie otwierają terminala
4 min
Slack Code ruszył 20 sierpnia i zakłada pod każde zadanie osobny kanał, w którym obok siebie leżą różnica w kodzie, podgląd interfejsu i opis zmiany prostym językiem, a na produkcję nic nie trafia bez zgody człowieka. Podpięci są agenci pięciu dostawców, wśród nich Claude od Anthropica i Devin od Cognition, a Salesforce sprzedaje to scenariuszem, w którym poprawkę zamawia menedżer produktu, nie inżynier. Bramkę przed produkcją kupuję, tylko że dla kogoś, kto nie czyta różnicy w kodzie, ta zgoda jest warta tyle, ile akapit napisany przez tego samego agenta, który napisał kod.
Anthropic dołożył do przykładów warstwę, którą każdy dopisywał sam
5 min
Anthropic dorzucił do repozytorium claude-quickstarts trzy przykłady, w których przebieg rozmowy z agentem pamięta serwer, a nie twoja aplikacja. Knowledge Wiki mieli komplet dokumentów raz i zamyka wynik w wersjonowanej notatce, do której agent wraca przy każdym pytaniu, tyle że o kosztach nie pada ani jedna liczba. Osobny przykład pokazuje, jak ściąć rachunek za zrzuty ekranu agenta, który po każdym ruchu wysyła obraz do modelu. Obietnicę, że przeniesienie asystenta na Slacka czy Teamsy to podmiana adaptera, czytam ostrożnie, bo adapter załatwia najłatwiejszą część roboty.
Agent w końcu widzi aplikację, którą sam napisał
3 min
Callstack wypuścił agent-device, narzędzie na licencji MIT, dzięki któremu agent sam uruchamia aplikację mobilną na symulatorze albo podpiętym telefonie, klika w niej i zostawia zrzuty ekranu oraz logi, czyli domyka pętlę, której dotąd brakowało. Ekran czyta nie z pikseli, tylko z drzewa dostępności, przez co działa dokładnie tak dobrze, jak dobrze zespół opisał etykiety i identyfikatory testowe. Udany przebieg zapisuje się jako skrypt .ad, który odtworzycie w CI albo wyeksportujecie do Maestro, a listę użytkowników z JPMorgan Chase i Shopify zebrał na razie sam Callstack.
139 razy różnicy w koszcie jednego zadania, przy niezmienionym modelu
4 min
Marc Alier z Universitat Politècnica de Catalunya puścił jedno zadanie na gicie przez siedem harnessów i pięć modeli, sprawdzając w repozytorium, czy praca faktycznie została wykonana, i najdroższe uruchomienie wyszło 139 razy drożej niż najtańsze. Dwa harnessy, które w ogóle nie obsługują MCP, kosztowały od 5 do 28 razy mniej, a różnicę między MCP a terminalem widać najwyraźniej na porażkach: 12,9% wydanych pieniędzy nie kupiło tam żadnej skończonej pracy wobec 2,2% na terminalu. O rachunku decyduje obudowa, w której uruchamiasz agenta, a nie to, czym podłączasz mu narzędzia.
Agent Lightning przepisze prompt, narzędzia i model twojego agenta, jeśli masz na czym to zmierzyć
4 min
Agent Lightning, skill Microsoftu wydany 24 sierpnia w wersji v1.0.1, instaluje się jedną komendą w Claude Code, Codex czy GitHub Copilot i bierze na siebie strojenie innego agenta: przepisuje prompt, dokłada albo zabiera narzędzia, schodzi na tańszy model. Warunek jest twardy, bo potrzebuje agenta, którego pliki da się podmienić, i benchmarku z punktacją, czyli tej roboty, której nikt nie chce robić. W nocie wydania nie ma za to ani jednej liczby mówiącej, o ile wynik jakiegokolwiek agenta faktycznie urósł, a 17,8 tysiąca gwiazdek mierzy ciekawość, nie skuteczność.
Z 30% do 95,5% na tym samym benchmarku, bez ruszania wag modelu
4 min
Prime Intellect opublikował 24 sierpnia raport, z którego wynika, że wymiana samego harnessu podnosi wynik na ARC-AGI-3 z 30% do 95,5%, przy nietkniętych wagach modelu. Prime Agent trzyma przez cały bieg jedną sesję IPythona, więc model filtruje własny dziennik pracy kodem zamiast przepychać go przez okno kontekstowe, a zapisane notatki i umiejętności przechodzą do następnego uruchomienia. Skłaniam się ku tezie autorów, że wcześniejsze pomiary mówiły głównie o cudzych harnessach, ale liczba jest ich własna i nikt jej niezależnie nie powtórzył.
Prezes Shopify odtworzył fundament Origin przez jeden weekend
4 min
Tobi Lütke, prezes Shopify, przeczytał opis architektury Origin od Cursora i przez jeden weekend napisał w języku Rust własną implementację warstwy przechowywania kodu, udostępnioną 24 sierpnia jako walgit. Skoro jedna osoba odtwarza fundament w dwa dni, wartość Origin leży gdzie indziej: w pull requestach i przeglądzie kodu z przejętego Graphite oraz w agencie pracującym w tym samym oknie. Pushe dalej lecą do GitHuba, a komentarze krążą w obie strony, więc nowy układ da się sprawdzić bez wymiany kontroli wersji.
Google wypuścił model, który wycina z dyktowania każde "eee"
3 min
Gemini 3.5 Transcribe, pokazany przez Google 26 sierpnia i dostępny w publicznym podglądzie w Gemini API, sam wycina z dyktowania wahania i poprawki, więc warstwy czyszczenia tekstu drugim wywołaniem modelu nie trzeba już dopisywać samemu. Google chwali się średnim WER 2,6% dla nagrań i 4,0% na żywo, ale na zestawie FLEURS ten sam model schodzi do 5,04% i 5,50%, a rozbicia na poszczególne języki nie publikuje, więc gdzie w tym wypada polski, trzeba zmierzyć samemu. Model przyjmuje własny słownik nazw i skrótów oraz rozdziela głosy do trzech mówców, tylko cennika w ogłoszeniu nie ma.
Wiedza AMD o własnych kartach trafia wprost do Claude Code i Cursora
5 min
AMD wpuściło wiedzę o swoich kartach prosto do narzędzi, w których programiści spędzają dzień: razem z ROCm 10 pakiet AMD Skills trafił do katalogów Claude Code, Cursora i Codex, więc asystent nie zgaduje, jak sprofilować aplikację na kartach Instinct. Reklamowana średnio 3,3x szybsza inferencja to jednak porównanie ROCm 7.0 z konfiguracją wystrojoną przez producenta, a benchmark AgentX od SemiAnalysis pokazuje, że na modelu GLM 5.3 ten sam token bywa u NVIDII nawet 5x tańszy. Z trzech nowości bronią się Skills, bo agent przepisze kernel, ale nie dopisze funkcji, której nie ma w sterowniku.
Biuro pełne agentów, które dogadują się przez pliki na dysku
4 min
Munder Difflin sadza agentowe narzędzia CLI przy biurkach jednego piętra i każe im dogadywać się przez zwykłe pliki: każdy pisze tylko do swojego katalogu, a commity robi jedna aplikacja, bo dwa procesy potrafią zakleszczyć repozytorium. Obsługuje 12 narzędzi, w tym claude i codex, rozdaje agentom 15 awatarów z The Office i tym wskoczyło na pierwsze miejsce dnia w GitHub Trending. Projekt jest jednak przedpremierowy, w wydaniu 0.3.8 mechanizm limitów potrafił wstrzymać agenty i już ich nie wypuścić, a obietnicy, że wszystko pójdzie na subskrypcjach, które opłacasz, nikt jeszcze nie sprawdził.
Maka zapisuje, kto pozwolił agentowi wyjść poza piaskownicę
3 min
Apache Software Foundation przyjęła do inkubatora Makę, pulpit agentowy, który trzyma całą sesję na dysku i zapisuje w dzienniku to, co zwykle przepada: twoje zgody na wyjście agenta poza piaskownicę i sposób zakończenia tury. Do dziennika można tylko dopisywać, więc skrócenie kontekstu nie kasuje historii, ale klucze API leżą w zwykłym pliku credential-vault.json, fundacja nie zatwierdziła jeszcze żadnego wydania, a pulpit działa tylko na Apple Silicon. Pomysł, żeby zgoda użytkownika była danymi, a nie czymś, co ginie w oknie czatu, wart jest podkradzenia, samo narzędzie na razie nie.
Subagenty przestają znikać razem z zamkniętym terminalem
5 min
oh-my-subagents przenosi koordynację subagentów z historii czatu do SQLite: przydziały dla dzieci zapisują się jedną transakcją, a kontroler chodzący w tle odtwarza pracę z rekordów, zamiast sklejać ją z resztek zamkniętej sesji. Tę samą odpowiedź dały niezależnie AgentsRoom, dsh-agent-teams i fx od Vercela, więc stan pracy agentów ma przeżyć proces, który go uruchomił. Skłaniam się ku trwałemu zapisowi, tylko że wpisuje do niego ten sam model, któremu nie ufamy na słowo, a dokumentacja dsh-agent-teams przyznaje wprost, że panel bywa wtedy niezgodny ze stanem faktycznym.