--- title: "Big tasks. Small models: po co agentowi kilka mniejszych modeli?" url: "https://majchrzycki.com/blog/big-tasks-small-models-magenticlite" description: "Microsoft Research łączy MagenticLite, MagenticBrain i Fara 1.5. Jak podział planowania i obsługi przeglądarki wpływa na koszt, prywatność i kontrolę." --- # Big tasks. Small models: po co agentowi kilka mniejszych modeli? 26 lipca 2026·2 min czytania·Krzysztof Majchrzycki Temat: [Architektura systemów AI](https://majchrzycki.com/blog/filar/architektura-systemow-ai) **Duże zadanie nie zawsze wymaga jednego wielkiego modelu.** [Microsoft Research opisuje MagenticLite](https://www.microsoft.com/en-us/research/blog/magenticlite-magenticbrain-fara1-5-an-agentic-experience-optimized-for-small-models/) jako połączenie aplikacji i środowiska wykonawczego z dwoma specjalizowanymi modelami: MagenticBrain planuje, koduje i deleguje, a Fara 1.5 działa w przeglądarce. To podejście „Big tasks. Small models” ma sens, gdy zadanie składa się z odmiennych rodzajów pracy. ## Dlaczego podział ról jest ważny? Agent, który analizuje plik, oblicza wynik i wypełnia formularz, musi rozumować nad danymi oraz sterować interfejsem. Pierwszą pracę można dać modelowi orkiestrującemu, drugą modelowi wyspecjalizowanemu w obserwacji ekranu i działaniu. [MagenticBrain](https://majchrzycki.com/blog/magenticbrain-14b-model-orkiestracji-agentow) odpowiada za plan i dobór narzędzia; [Fara 1.5](https://majchrzycki.com/blog/fara-1-5-agent-przegladarkowy) za czynności przeglądarkowe. [Magentic-UI](https://majchrzycki.com/blog/magentic-ui-agent-przegladarkowy-z-czlowiekiem) było wcześniejszym eksperymentem z kontrolą człowieka; MagenticLite jest jego rozwinięciem. Ważną częścią rozwiązania jest **harness**, czyli kod prowadzący cały cykl. Zarządza kontekstem, przekazuje zadania, ogranicza narzędzia i zatrzymuje działanie przy krytycznych punktach. Małe modele mogą szybciej tracić skuteczność w długim, zaśmieconym kontekście, dlatego środowisko podaje im tylko potrzebne informacje i podsumowuje wcześniejsze kroki. Zysk nie pochodzi wyłącznie z liczby parametrów modelu. ## Co to oznacza dla firmy? Mniejsze modele mogą ułatwić pracę bliżej danych i ograniczyć zależność od jednej usługi modelowej. Nie wolno jednak zakładać, że lokalnie znaczy tanio: trzeba policzyć GPU, pamięć, utrzymanie, opóźnienie dwóch modeli i pracę nad ewaluacją. [Repozytorium Magentic-UI](https://github.com/microsoft/magentic-ui) dokumentuje tryby hostowania i warunki uruchomienia, które należy sprawdzić dla własnej konfiguracji. Nie wszystkie zadania nadają się do pełnej autonomii. Przy logowaniu, płatnościach, zapisie do CRM czy wysyłce maila potrzebny jest mechanizm zatwierdzenia i zapis skutku. Microsoft opisuje izolację wykonania oraz punkty krytyczne w badawczym wydaniu, lecz ich skuteczność zależy od konkretnej konfiguracji. Rozsądny pilot zaczyna się od jednego powtarzalnego procesu: porównaj ukończenie zadania, liczbę interwencji człowieka, koszt i jakość artefaktu z prostszym asystentem oraz regułową automatyzacją. ## Jak wygląda obieg zadania? Załóżmy, że użytkownik chce znaleźć trzy ceny części zamiennej i zaktualizować arkusz. MagenticBrain układa plan, Fara przegląda strony i zbiera informacje, a narzędzie plikowe zapisuje wynik. Harness przechowuje stan między krokami. Jeśli jedna strona zmieni układ, wykonawca może zgłosić błąd, a planista wybrać inną ścieżkę. Gdy na ekranie pojawi się logowanie lub zatwierdzenie zakupu, system ma zatrzymać się w punkcie krytycznym. Warto oddzielić **wiedzę modelu** od **mechaniki środowiska**. Model może wiedzieć, jak porównać oferty, ale nie powinien przechowywać hasła do sklepu. To host udostępnia sesję przeglądarki, narzędzia plikowe i zakres uprawnień. Gdy zmienimy model, zasady dostępu i audytu mają pozostać. Ten podział ułatwia testowanie i potencjalną wymianę dostawcy modeli. ## Koszt dwóch małych modeli też trzeba policzyć Przy pracy lokalnej pojawia się koszt pamięci GPU oraz utrzymania dwóch endpointów. Przy pracy w chmurze dochodzą opłaty za wywołania, transmisję danych i ewentualne stałe instancje. Oszczędność na jednym kroku modelu może zniknąć, jeśli agent wykonuje zbyt wiele rund przeglądarkowych. Zmierz koszt **ukończonego zadania**, a nie tylko cenę miliona tokenów. Uwzględnij także czas człowieka potrzebny na poprawki. Ostatecznie „small models” jest hipotezą architektoniczną do sprawdzenia na własnym procesie. Badania Microsoftu pokazują, że wspólne projektowanie modeli i harnessu może działać; nie dowodzą, że dowolny model 14B wraz z dowolnym agentem przeglądarkowym osiągnie ten sam wynik. - Agenci AI - Microsoft AI ## Przełóż temat na projekt w Twojej firmie Zobacz zakres współpracy: od rozpoznania procesu i danych po projekt rozwiązania AI. [Zobacz współpracę](https://majchrzycki.com/wspolpraca) ## Czytaj dalej - [Microsoft Agent Framework po AutoGen i Semantic Kernel](https://majchrzycki.com/blog/microsoft-agent-framework-ai-os) - [MagenticBrain 14B: mały model jako dyspozytor agentów](https://majchrzycki.com/blog/magenticbrain-14b-model-orkiestracji-agentow) - [LangGraph: jak kontrolować pracę agentów AI](https://majchrzycki.com/blog/langgraph-autonomous-mult-ai-agent-system) - [Fara 1.5: mały model, który pracuje w przeglądarce](https://majchrzycki.com/blog/fara-1-5-agent-przegladarkowy)