Słownik agentów AI: 60 pojęć AI wyjaśnionych prostym językiem (2026)

Każda strona produktowa AI dziś czyta się jak dyktando: agentowa, MCP, RAG, okno kontekstu, wywoływanie narzędzi, guardrails, orkiestracja. Idee stojące za tymi słowami są w większości proste, ale nikt nie wyjaśnia ich w jednym miejscu, i właśnie ta luka sprawia, że tak wielu ludzi „korzysta z AI”, nigdy nie zlecając jej prawdziwego zadania.

Ten słownik AI to naprawia. Obejmuje 60 pojęć, na które natrafisz, czytając o agentach AI, dużych modelach językowych i automatyzacji w 2026 roku, pogrupowanych tematycznie i wyjaśnionych prostym językiem z konkretnym przykładem. Dodaj go do zakładek, udostępnij zespołowi i korzystaj z niego razem z naszymi przewodnikami czym jest agentowa AI i jak działają subagenci AI. Tam, gdzie pojęcie ma znaczenie przy korzystaniu z Jobbit, o tym wspominamy.

Podstawowe pojęcia: słowa, których używa każdy

• Sztuczna inteligencja (AI): oprogramowanie wykonujące zadania, które normalnie wymagają ludzkiej inteligencji, takie jak rozumienie języka, rozpoznawanie obrazów czy podejmowanie decyzji. W 2026 roku termin ten odnosi się głównie do systemów zbudowanych na dużych modelach językowych.

• Uczenie maszynowe (ML): technika trenowania oprogramowania na przykładach zamiast pisania jawnych reguł. Filtr antyspamowy uczy się z milionów oznaczonych e-maili, zamiast dostawać każdą regułę ręcznie wpisaną.

• Głębokie uczenie (deep learning): uczenie maszynowe wykorzystujące sieci neuronowe o wielu warstwach. To ono umożliwiło powstanie dzisiejszego rozpoznawania obrazu, mowy i modeli językowych.

• AI generatywna: AI, która na podstawie promptu tworzy nową treść: tekst, obrazy, kod, audio lub wideo. ChatGPT, Claude, Gemini i Midjourney to produkty AI generatywnej.

• Duży model językowy (LLM): sieć neuronowa wytrenowana na ogromnych ilościach tekstu, która przewiduje kolejny token w sekwencji i przy okazji uczy się rozumować, pisać i wykonywać polecenia. GPT, Claude, Gemini, Llama, DeepSeek i Mistral to rodziny LLM-ów.

• Model bazowy (foundation model): duży model wytrenowany na szerokich danych, który można dostosować do wielu zadań. LLM-y to modele bazowe dla języka; istnieją odpowiedniki dla obrazu i wideo.

• Model multimodalny: model, który rozumie i tworzy więcej niż jeden rodzaj danych, zwykle tekst, obrazy, audio, a czasem wideo. Modele multimodalne pozwalają agentowi przeczytać zrzut ekranu albo zeskanowaną fakturę.

• Prompt: polecenie, które podajesz modelowi. Dobre formułowanie promptów to umiejętność; zobacz jak pisać prompty dla agentów AI.

• Prompt systemowy: ukryte instrukcje ustawione przez twórcę produktu, które kształtują zachowanie modelu w każdej rozmowie: jego rolę, ton, reguły i narzędzia.

• Inferencja: uruchomienie wytrenowanego modelu w celu wygenerowania odpowiedzi. Trenowanie odbywa się raz; inferencja zachodzi za każdym razem, gdy wysyłasz wiadomość, i to właśnie za nią płacisz.

Jak myślą modele: tokeny, kontekst i rozumowanie

• Token: jednostka, w której model czyta i pisze, odpowiadająca mniej więcej trzem czwartym angielskiego słowa. Cennik, limity i szybkość mierzy się w tokenach. „Milion tokenów” to około 750 tysięcy słów.

• Okno kontekstu: ilość tekstu, jaką model może uwzględnić naraz, w tym Twoją rozmowę, dokumenty i własną odpowiedź modelu. Większe okna pozwalają agentowi utrzymać w pamięci cały kod źródłowy albo stustronicową umowę.

• Inżynieria kontekstu (context engineering): sztuka decydowania, co trafia do okna kontekstu: które dokumenty, przykłady, wyniki narzędzi i wspomnienia, tak żeby model miał to, czego potrzebuje, i nic, co go rozprasza. W dużej mierze zastąpiła „prompt engineering” jako kluczową umiejętność w projektowaniu agentów.

• Model rozumujący: model wytrenowany, by „pomyśleć” przed odpowiedzią, generując kroki pośrednie, które poprawiają dokładność w matematyce, kodzie i planowaniu. Tryby rozumowania kosztują więcej tokenów, ale czynią agentów znacznie bardziej wiarygodnymi.

• Łańcuch rozumowania (chain of thought): rozumowanie krok po kroku, które model wypisuje po drodze do odpowiedzi. Modele rozumujące robią to natywnie; starsze modele można do tego skłonić odpowiednim promptem.

• Temperatura: ustawienie kontrolujące losowość. Niska temperatura daje spójne, przewidywalne wyniki; wyższa temperatura daje bardziej zróżnicowane, kreatywne wyniki.

• Halucynacja: pewne siebie, ale fałszywe stwierdzenie modelu, na przykład zmyślony cytat albo nieistniejąca funkcja produktu. Agenci ograniczają halucynacje, sprawdzając źródła i testując wyniki, zamiast ufać jednej odpowiedzi.

• Grounding (zakotwiczenie w danych): powiązanie odpowiedzi modelu z realnymi danymi, dokumentami, wynikami wyszukiwania lub wynikami narzędzi, tak by zgłaszał to, co naprawdę tam jest, a nie to, co brzmi wiarygodnie.

• Fine-tuning (dostrajanie): dodatkowe trenowanie modelu na Twoich własnych przykładach, aby przyjął określony styl, format lub wiedzę dziedzinową. Przydatne przy wąskich zadaniach; zwykle niepotrzebne agentom, którzy czerpią wiedzę z narzędzi i kontekstu.

• RAG (retrieval-augmented generation): pobieranie istotnych dokumentów w momencie zadawania pytania i umieszczanie ich w oknie kontekstu, tak by model odpowiadał na podstawie Twoich danych. Tak działają produkty typu „czat z Twoimi dokumentami”.

• Embeddingi: liczbowe reprezentacje tekstu, które oddają znaczenie, dzięki czemu podobne fragmenty znajdują się blisko siebie. Embeddingi napędzają wyszukiwanie semantyczne i RAG.

• Baza wektorowa: baza danych zoptymalizowana do przechowywania i przeszukiwania embeddingów. Pinecone, Weaviate, pgvector i Chroma to popularne wybory.

• Data odcięcia wiedzy (knowledge cutoff): data, po której model nie ma już danych treningowych. Agenci obchodzą to ograniczenie, przeszukując sieć i czytając aktualne źródła.

Agenci: słownik autonomii

• Agent AI: oprogramowanie, które łączy model z narzędziami, by autonomicznie wykonywać zadania: planuje, działa, obserwuje wyniki i się dostosowuje. Temat większości tego słownika.

• Agentowa AI (agentic AI): szersze podejście do budowania systemów AI zorientowanych na cel i korzystających z narzędzi, często z kilkoma agentami pracującymi razem. W pełni wyjaśnione w czym jest agentowa AI?.

• Asystent AI / copilot: pomoc na wzór agenta, która pozostaje pod Twoją bezpośrednią kontrolą i podpowiada, zamiast działać samodzielnie. GitHub Copilot w edytorze to klasyczny przykład; „tryb agenta” to moment, w którym copilot staje się agentem.

• Autonomia: ile agent robi bez pytania. Użyteczne systemy skalują autonomię do odwracalności działania: szkicuj swobodnie, wydawaj pieniądze tylko za zgodą.

• Korzystanie z narzędzi / wywoływanie narzędzi (tool calling): mechanizm, dzięki któremu model wywołuje oprogramowanie: przeszukuje sieć, uruchamia kod, odpytuje bazę danych, wysyła e-mail. To narzędzia zamieniają chatbota w agenta.

• Model Context Protocol (MCP): otwarty standard, wprowadzony przez Anthropic, do spójnego łączenia modeli z narzędziami i źródłami danych. Można o nim myśleć jak o uniwersalnym gnieździe dla agentów; wsparcie rozeszło się po głównych platformach AI w 2025 i 2026 roku.

• Protokół agent-agent (A2A): standard zaproponowany przez Google, dzięki któremu agenci od różnych dostawców mogą się nawzajem odnaleźć i porozumieć. Razem z MCP wskazuje kierunek, w którym agenci współpracują ponad granicami firm.

• Orkiestracja: koordynowanie wielu kroków, narzędzi lub agentów w jeden przepływ pracy: decydowanie, co się uruchamia, w jakiej kolejności i co dzieje się w razie awarii.

• System multi-agentowy: kilku agentów o różnych rolach pracujących nad jednym celem, zwykle agent wiodący, który planuje i deleguje, plus wyspecjalizowani agenci, którzy badają, budują lub sprawdzają.

• Subagent: agent powołany przez innego agenta, żeby równolegle zająć się jednym fragmentem zadania. Jobbit korzysta z subagentów, by badać wiele źródeł albo budować i testować kilka funkcji naraz; zobacz subagentów AI wyjaśnionych.

• Planista: część agenta, która rozbija cel na kroki i poprawia plan w miarę napływania wyników.

• Pamięć: to, co agent zachowuje poza jedną wiadomością. Pamięć krótkoterminowa to bieżący kontekst; pamięć długoterminowa przechowuje preferencje, wcześniejsze decyzje i fakty o Tobie, dzięki czemu agent poprawia się z czasem.

• Pętla agenta: powtarzający się cykl planuj, działaj, obserwuj, koryguj, który trwa, aż cel zostanie osiągnięty albo agent będzie potrzebował decyzji.

• Human-in-the-loop (człowiek w pętli): rozwiązanie, w którym człowiek przegląda lub zatwierdza określone kroki, na przykład wysłanie e-maila do klienta albo dokonanie płatności.

• Computer use / agent przeglądarkowy: agent, który obsługuje oprogramowanie, patrząc na ekran oraz klikając i pisząc jak człowiek, dzięki czemu radzi sobie z narzędziami bez API. Wyjaśnione w agentach AI computer use.

• Dogłębny research (deep research): agentowy przepływ pracy, w którym agent czyta dziesiątki źródeł, krzyżowo sprawdza twierdzenia i tworzy raport z przypisami. Zobacz jak przeprowadzić dogłębny research z AI.

• Automatyzacja przepływów pracy: wcześniej zdefiniowane, oparte na regułach sekwencje działań między aplikacjami, domena Zapiera, Make'a i n8n. Agenci dodają do przepływów pracy osąd; porównujemy oba podejścia w Zapier kontra Make kontra n8n kontra agenci AI.

• Wielozadaniowy agent AI: jeden agent, który obsługuje wiele rodzajów pracy, badania, pisanie, budowanie oprogramowania, projektowanie, automatyzację, z poziomu jednego czatu, zamiast osobnego narzędzia dla każdej z nich. Jobbit jest zbudowany właśnie w ten sposób.

Budowanie oprogramowania z AI

• Vibe coding: budowanie oprogramowania poprzez opisanie zwykłym językiem tego, czego chcesz, i pozwolenie agentowi AI napisać, uruchomić i poprawić kod, przy czym efekt oceniasz po tym, jak się zachowuje, a nie czytając każdą linijkę. Pełny przewodnik: czym jest vibe coding?.

• Kreator aplikacji AI (AI app builder): produkt, który zamienia opis w działającą aplikację, często z hostingiem w cenie. Lovable, Bolt, v0, Replit i Jobbit to przykłady; porównanie w najlepszych narzędziach do vibe codingu.

• Agent kodujący: agent, który pracuje wewnątrz kodu źródłowego: czyta pliki, pisze kod, uruchamia testy i naprawia błędy. Claude Code, OpenAI Codex, tryb agenta w Cursorze i Devin to agenci kodujący.

• No-code / low-code: wizualne narzędzia do budowania oprogramowania bez programowania (albo z niewielką jego ilością), takie jak Bubble, Webflow, Airtable i Retool. Porównanie z vibe codingiem znajdziesz w vibe coding kontra no-code kontra low-code.

• Sandbox: izolowane środowisko, w którym agent może bezpiecznie uruchamiać kod, nie dotykając Twoich prawdziwych systemów. Niezbędny dla każdego agenta, który wykonuje kod.

• Wdrożenie (deployment): uruchomienie oprogramowania na serwerze, tak by ludzie mogli z niego korzystać. Agenci, którzy wdrażają za Ciebie, z hostingiem w cenie, usuwają krok, na którym zatrzymuje się większość osób niebędących programistami.

• API (application programming interface): ustrukturyzowany sposób, w jaki jeden program komunikuje się z drugim. Agenci korzystają z API, by odczytywać i zmieniać dane w innych systemach.

• Webhook: wiadomość, którą jeden system wysyła do drugiego, gdy coś się wydarzy („złożono nowe zamówienie”), powszechnie używana do uruchamiania automatyzacji.

• MVP (minimum viable product): najmniejsza wersja produktu, która pozwala realnym użytkownikom go wypróbować. Agenci skrócili czas powstawania MVP z miesięcy do dni; zobacz jak zbudować SaaS z AI.

• Dług techniczny: skróty w kodzie, które spowalniają i podnoszą ryzyko przyszłych zmian. Kod generowany przez AI szybko go gromadzi, jeśli nikt nie sprawdza struktury, co jest jednym z ryzyk opisanych w błędach vibe codingu i bezpieczeństwie.

Bezpieczeństwo, jakość i zaufanie

• Guardrails (bariery ochronne): reguły i kontrole ograniczające to, co agent może zrobić lub powiedzieć: zablokowane działania, limity wydatków, filtry treści, wymagane zatwierdzenia.

• Prompt injection: atak, w którym tekst czytany przez agenta (strona internetowa, e-mail, dokument) zawiera instrukcje mające przejąć nad nim kontrolę. Solidni agenci traktują wszystko, co czytają, jako dane, nigdy jako polecenia.

• Alignment (dopasowanie): szeroko zakrojone starania, by modele zachowywały się zgodnie z ludzkimi intencjami i wartościami, od odmawiania szkodliwych próśb po wierne wykonywanie poleceń.

• Ewaluacje (evals): systematyczne testy jakości modelu lub agenta na ustalonym zestawie zadań. Poważne zespoły uruchamiają ewaluacje, zanim powierzą agentowi jakiś proces.

• Benchmark: publiczna ewaluacja służąca do porównywania modeli, na przykład SWE-bench dla zadań inżynierii oprogramowania. Użyteczny sygnał, ale ważniejsze jest to, jak model radzi sobie z Twoim realnym zadaniem.

• Obserwowalność (observability): rejestrowanie tego, co zrobił agent, jakie narzędzia wywołał i dlaczego, dzięki czemu możesz audytować wyniki i debugować awarie.

• Red teaming: celowe atakowanie modelu lub agenta w poszukiwaniu słabości, zanim zrobi to ktoś inny.

• Rezydencja danych i prywatność: gdzie przechowywane są Twoje dane i kto ma do nich dostęp. Zanim wgrasz cokolwiek wrażliwego, sprawdź, czy dostawca AI trenuje modele na Twoich danych wejściowych i gdzie znajdują się jego serwery.

Terminy biznesowe i cenowe

• Kredyty: waluta rozliczeniowa, którą wiele platform agentowych sprzedaje zamiast surowych tokenów, więc jeden kredyt może pokryć wiadomość, krok budowania albo przebieg researchu. Dokładnie sprawdzaj przelicznik; rozkładamy go na czynniki pierwsze w ile kosztują agenci AI?.

• Limit zapytań (rate limit): górny pułap tego, ile zapytań lub tokenów możesz wykorzystać w danym okresie. Osiągnięcie go w trakcie zadania to najczęstszy powód, dla którego przebieg agenta się zatrzymuje.

• Opóźnienie (latency): jak długo trwa uzyskanie odpowiedzi. Agenci wymieniają opóźnienie na dokładność: dwuminutowy przebieg researchu bije dwusekundowe zgadywanie.

• Płatność za stanowisko kontra płatność za zużycie: płacenie za użytkownika miesięcznie kontra płacenie za to, co faktycznie zużywasz. Produkty agentowe coraz częściej łączą oba modele.

• ROI automatyzacji: zwrot z automatyzacji, zwykle mierzony w zaoszczędzonych godzinach, szybszym czasie reakcji lub wpływie na przychód, zestawiony z kosztem narzędzia i czasem potrzebnym na jego wdrożenie.

• Cyfrowy pracownik / pracownik AI: marketingowe określenie agenta na poziomie 4, który odpowiada za całą rolę, a nie za pojedyncze zadanie. Traktuj to sformułowanie z takim samym sceptycyzmem, z jakim podchodzisz do CV.

Najczęściej zadawane pytania

Jaka jest różnica między agentem AI a LLM?

LLM to model, który czyta i pisze tekst. Agent AI to system zbudowany wokół modelu, który dodaje planowanie, narzędzia, pamięć i pętlę sprzężenia zwrotnego, dzięki czemu potrafi wykonywać zadania, a nie tylko odpowiadać na pytania. LLM jest silnikiem; agent jest samochodem.

Co oznacza MCP w kontekście AI?

MCP to skrót od Model Context Protocol, otwartego standardu do spójnego łączenia modeli AI z narzędziami i źródłami danych. Zamiast żeby każdy produkt budował własne integracje, narzędzia udostępniają serwer MCP, z którego może skorzystać dowolny kompatybilny agent.

Czym jest okno kontekstu i dlaczego ma znaczenie?

Okno kontekstu to ilość tekstu, jaką model może uwzględnić naraz, mierzona w tokenach. Ma znaczenie, ponieważ wszystko, co agent wie o bieżącym zadaniu, Twoje instrukcje, dokumenty, wyniki narzędzi, musi się w nim zmieścić. Większe okna pozwalają agentom obsługiwać większy kod źródłowy i dłuższe dokumenty.

Jaka jest różnica między RAG a fine-tuningiem?

RAG pobiera istotne dokumenty w momencie zadawania pytania i przekazuje je modelowi, dzięki czemu odpowiada on na podstawie aktualnych danych bez ponownego trenowania. Fine-tuning zmienia sam model, trenując go na przykładach, co sprawdza się przy stałych stylach czy formatach. Dla większości firm wystarczy RAG plus dobre narzędzia, a agenci sprawiają, że oba rozwiązania są coraz mniej potrzebne, bo po prostu czytają źródło.

Czym jest vibe coding w jednym zdaniu?

Vibe coding to budowanie oprogramowania poprzez opisanie tego, czego chcesz, i pozwolenie agentowi AI napisać, uruchomić i poprawić kod, dzięki czemu efekt oceniasz po zachowaniu aplikacji, a nie czytając każdą linijkę.

Teraz, gdy słownictwo ma już sens, czas je wykorzystać: zacznij za darmo na Jobbit i daj agentowi zadanie warte zrobienia.