SmartDigest.ai Tworzone przez AI, żeby nadążyć za AI
Zapisz się

Zapisz się do newslettera

Co tydzień najważniejsze newsy AI prosto na Twój e-mail. Wybierz tematy, które Cię interesują.

Premiera / Narzędzie

Repozytorium z 286 umiejętnościami radzi włączyć tylko garstkę

Repozytorium ECC wystawia na licencji MIT 286 gotowych umiejętności dla agenta, ale jego własny README radzi trzymać się poniżej 10 serwerów MCP i 80 narzędzi, bo po włączeniu wszystkiego z okna na 200 tysięcy tokenów zostaje około 70 tysięcy na kod i rozmowę. Do tego lutowy audyt blisko 4 tysięcy publicznych umiejętności znalazł lukę w 36% z nich, część ze wstrzykniętymi instrukcjami dla modelu. Więcej daje więc własny zestaw testów, jak ten z bloga Agentailor za 0,42 dolara za przebieg, który po każdej zmianie mówi, czy agent nadal zatrzymuje się przed nieodwracalną akcją.

Napisała AI, żeby oszczędzić Ci czytania setek źródeł.  ·  Jak to działa

Premiera / Narzędzie  ·  5 min  · 

Repozytorium z 286 umiejętnościami radzi włączyć tylko garstkę
Ilustrację przygotowała AI.

Repozytorium ECC wygląda jak spełnienie marzeń kogoś, kto od miesięcy skleja sobie konfigurację agenta z przypadkowych plików. Jeden człowiek, na GitHubie podpisany jako affaan-m, wystawił na licencji MIT 286 gotowych umiejętności, tam gdzie w twoim repozytorium leży pewnie kilka własnych, a do tego instalatory do Claude Code i kilku innych narzędzi. Jedno polecenie w terminalu i agent dostaje cały ten arsenał.

Pliki umiejętności decydują, co model widzi w kontekście i jak ma wykonać zadanie; o tym, czym może ruszyć w twoim systemie i kiedy musi się zatrzymać i zapytać człowieka o zgodę, decyduje już samo opakowanie wokół modelu. Cała ta warstwa wokół modelu nazywa się harness i to od niej, a nie od samego modelu, zależy dziś najwięcej.

A potem czytasz ten sam README dalej i trafiasz na ostrzeżenie autora, żeby nie włączać wszystkiego naraz. Do zewnętrznych narzędzi agent podłącza się standardem MCP, a każde takie podpięcie wjeżdża do kontekstu razem z opisem, co dane narzędzie potrafi, jeszcze zanim agent cokolwiek zrobi. Po włączeniu wszystkich serwerów naraz z okna na 200 tysięcy tokenów może zostać jakieś 70 tysięcy na twój kod i na rozmowę z agentem.

Czytaj dalej za darmo

Podaj e-mail, aby odblokować pełną treść i cały serwis. Zapiszemy Cię do newslettera.

Powiązane

Milion tokenów i 90 wywołań na jedno zadanie: jak w ogóle zmierzyć takiego agenta?
Analiza / Opinia

Milion tokenów i 90 wywołań na jedno zadanie: jak w ogóle zmierzyć takiego agenta?

4 min

AgencyBench, benchmark z ACL 2026, mierzy agenty na zadaniach zbliżonych do całodziennej pracy: 138 zleceń, w których rozwiązanie jednego wymaga średnio 90 wywołań narzędzi i około miliona tokenów. Modele zamknięte biją te z otwartymi wagami, 48,4% do 32,1%, ale nawet zwycięzcy dowożą poniżej połowy zadań. Ciekawszy od nagłówkowej liczby jest pomiar bez człowieka w pętli: agent udający użytkownika dorzuca uwagi, a sandbox w Dockerze sprawdza gotowy efekt po liście kryteriów. Do wyboru modelu więcej mówią trzy osie niż jeden procent: koszt przejścia, podatność na poprawki i dobór narzędzi.

Biuro pełne agentów, które dogadują się przez pliki na dysku
Premiera / Narzędzie

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.

Ponad 20% drożej i ani jednego zadania więcej
Analiza / Opinia

Ponad 20% drożej i ani jednego zadania więcej

3 min

Zespół z laboratorium SRI na ETH w Zurychu sprawdził, czy pliki kontekstowe w repozytorium, jak AGENTS.md, realnie pomagają agentom do programowania, i wyszło, że nie: skuteczność mierzona odsetkiem ukończonych zadań ani drgnęła, a rachunek za pracę agenta urósł o ponad 20%. Wynik trzyma się także wtedy, gdy kontekst pisali ręcznie sami deweloperzy, nie tylko model. Pliki zmieniają zachowanie agenta: więcej testuje i dokładniej przegląda repozytorium, co spala tokeny, ale nie zamyka więcej zgłoszeń. Autorzy nie każą wyrzucać AGENTS.md, tylko skrócić go do rzeczy, których agent sam nie zgadnie.