--- title: "Architektura systemów AI" url: "https://majchrzycki.com/blog/filar/architektura-systemow-ai" description: "Jak łączyć modele, wiedzę, narzędzia i orkiestrację w użyteczny system AI." --- Przewodnik tematyczny # Architektura systemów AI Jak dobrać architekturę AI do zadania, danych i dopuszczalnego ryzyka? Model językowy nie jest całym systemem. Rozwiązanie dla firmy obejmuje także interfejs, źródła wiedzy, reguły dostępu, narzędzia wykonujące działania oraz sposób wykrywania błędów. Odpowiednia architektura to najmniejszy układ, który spełnia cel i daje się kontrolować; samo zwiększanie liczby agentów nie jest postępem. ## Jak podejść do tematu 1. Krok 1 ### Opisz wynik i źródła Ustal, jaką odpowiedź lub działanie ma otrzymać użytkownik, skąd pochodzi wiedza i kto może ją zobaczyć. Przygotuj przykłady pytań, dobrych wyników i błędów, które muszą zostać wychwycone. 2. Krok 2 ### Wybierz najmniejszy potrzebny mechanizm Dla prostego opracowania tekstu wystarczy asystent. Dla odpowiedzi z firmowych dokumentów potrzebne może być wyszukiwanie i wskazanie źródeł. Agent z narzędziami jest uzasadniony dopiero, gdy system ma wykonać kroki w procesie. 3. Krok 3 ### Ustal granice i ocenę Oddziel polecenia użytkownika od zasad biznesowych, nadaj narzędziom minimalne uprawnienia i określ punkty potwierdzenia przez człowieka. Mierz całą ścieżkę zadania, nie tylko jakość pojedynczej odpowiedzi modelu. ## Pięć pytań przed wyborem technologii Po pierwsze: skąd system bierze wiedzę i czy jej wersja jest aktualna? Po drugie: czy tylko odpowiada, czy również zmienia stan w innym systemie? Po trzecie: czyje uprawnienia obowiązują przy odczycie i zapisie? Po czwarte: jak użytkownik sprawdzi podstawę odpowiedzi? Po piąte: co ma się stać, gdy brakuje danych albo model nie jest pewny? Odpowiedzi pozwalają ustalić warstwy: interfejs użytkownika, przepływ zadania, model, wyszukiwanie w źródłach, narzędzia do działania oraz obserwację i kontrolę. Granice między nimi są ważne, bo zmiana modelu nie powinna zmieniać reguł zatwierdzania przelewu, a zmiana dokumentu nie powinna wymagać przebudowy interfejsu. ## Asystent, RAG i agent to trzy różne odpowiedzi Asystent pomaga człowiekowi przygotować tekst lub analizę. RAG łączy generowanie odpowiedzi z wyszukaniem materiału źródłowego, więc ma sens, gdy pytanie wymaga wiedzy spoza samego modelu. Nie usuwa jednak błędów w dokumentach, słabego podziału tekstu ani problemów z uprawnieniami. Agent może wywoływać narzędzia, na przykład odczytać status sprawy i przygotować zmianę w CRM. Każde narzędzie zwiększa zakres możliwego działania, dlatego trzeba jawnie określić jego dostęp, skutki błędu i warunki zatwierdzenia. Wiele agentów w jednym procesie podnosi koszt diagnozowania błędów; stosuj taki układ tylko wtedy, gdy prosta orkiestracja nie wystarcza. ## Pilot ma sprawdzać system, nie demonstrację modelu Próba powinna obejmować typowe sprawy, wyjątki, brakujące dane i próby przekroczenia uprawnień. Sprawdź, czy użytkownik widzi źródło, czy zapis w systemie jest audytowalny i czy można odtworzyć decyzję po błędzie. Własność źródeł danych i ich jakość należą do osobnego problemu opisanego w filarze B02; sama architektura ich nie naprawi. Web3 lub rozproszony rejestr może być szczególną odpowiedzią na wymaganie niezależnego potwierdzania działań przez wiele stron. Nie jest domyślną warstwą systemu AI. W większości projektów należy najpierw wykazać, jakiego zaufania i audytu brakuje w zwykłej architekturze, zanim doda się nową technologię. ## Jak podjąć decyzję Wybierz sygnał, który najlepiej opisuje obecny problem, i sprawdź właściwy następny krok. Sygnał Co oznacza Następny krok Zadanie kończy się na szkicu odpowiedzi dla pracownika Najpierw oceń istniejącego asystenta i sposób weryfikacji wyniku. Przetestuj kilka rzeczywistych zadań bez nadawania uprawnień do działania. Odpowiedź musi wskazywać aktualne dokumenty firmy Potrzebna jest kontrola źródeł, wyszukiwania i dostępu. Zbuduj mały zbiór pytań z prawidłowymi cytowaniami i odpowiedziami odmownymi. System ma wykonywać działania w procesie Dochodzą narzędzia, skutki zapisu i odpowiedzialność za wyjątki. Ogranicz pierwsze działanie i dodaj zatwierdzenie człowieka przed zapisem. ## Wybierz zagadnienie Każda grupa odpowiada na węższe pytanie. Zacznij od obszaru, który jest najbliższy Twojej decyzji. ### Modele i metody ich adaptacji - [Microsoft Olive: kiedy optymalizować model AI](https://majchrzycki.com/blog/co-to-jest-microsoft-olive-optymalizacja-modeli) - [RLHF: co wnosi informacja zwrotna człowieka](https://majchrzycki.com/blog/czym-jest-uczenie-ze-wzmocnieniem-z-informacją-zwrotną-w-ai-rlhf-reinforcement-learning-from-human-feedback) - [Duże modele językowe: możliwości i ograniczenia](https://majchrzycki.com/blog/large-language-model-llm-ai) - [Modele fundamentalne AI: zastosowania i ograniczenia](https://majchrzycki.com/blog/modele-fundamentalne-ai-czym-są-i-jakie-mają-zastosowanie-w-biznesie-foundation-models) Pokaż pozostałe materiały (4) - [Narrow AI: czym jest wąska AI i kiedy ją stosować](https://majchrzycki.com/blog/narrow-ai-czym-jest-i-jakie-ma-zastosowania-biznesowe-microsoft-azure-ai) - [Małe modele językowe SLM: kiedy mają sens w firmie](https://majchrzycki.com/blog/small-language-model-slm-ai) - [Grok: tekst, kod i agentowe zadania firmy](https://majchrzycki.com/blog/grok-model-tekst-kod-biznes) - [Jev od TypeSafe AI: model decyzji, nie chatbot](https://majchrzycki.com/blog/jev-typesafe-ai-model-decyzyjny-2026) ### RAG i łączenie modeli z wiedzą - [Fine-tuning modelu: kiedy warto go przeprowadzić](https://majchrzycki.com/blog/fine-tuning-klucz-do-optymalizacji-modeli-llm-z-microsoft-azure-ai) - [RAFT: trening modelu dla domenowego RAG](https://majchrzycki.com/blog/raft-metoda-optymalizacji-modeli-ai-dla-biznesu-z-microsoft-azure-ai) - [RAG, fine-tuning czy RAFT: jak wybrać](https://majchrzycki.com/blog/rag-fine-tuning-i-raft-zaawansowane-strategie-ai-dla-biznesu-microsoft-azure-ai) - [Agentic RAG: wiele źródeł, koszt i kontrola](https://majchrzycki.com/blog/zaawansowane-rag-wieksza-optymalizacja-biznesowych-modeli-ai-przy-pomocy-microsoft-azure) Pokaż pozostałe materiały (3) - [GraphRAG: kiedy graf wiedzy pomaga RAG odpowiadać lepiej?](https://majchrzycki.com/blog/graphrag-graf-wiedzy-a-klasyczny-rag) - [OG-RAG: ontologia jako mapa dla wyszukiwania wiedzy](https://majchrzycki.com/blog/og-rag-ontologia-w-retrieval-augmented-generation) - [OpenRAG: otwarta platforma do budowy RAG z dokumentów](https://majchrzycki.com/blog/openrag-otwarta-platforma-rag) ### Warstwy systemu i orkiestracja agentów - [Microsoft AutoGen: jak ocenić system wielu agentów](https://majchrzycki.com/blog/co-to-jest-microsoft-autogen-multi-agent-system-mas) - [Semantic Kernel: kiedy orkiestracja AI ma sens](https://majchrzycki.com/blog/co-to-jest-microsoft-semantic-kernel) - [LangChain: kiedy framework pomaga aplikacji AI](https://majchrzycki.com/blog/langchain-ai-llm-apps) - [LangGraph: jak kontrolować pracę agentów AI](https://majchrzycki.com/blog/langgraph-autonomous-mult-ai-agent-system) Pokaż pozostałe materiały (9) - [System wieloagentowy AI: kiedy ma sens w firmie](https://majchrzycki.com/blog/multi-autonomous-ai-agent-system-app) - [Technologie AI dla firm: jak porównać warstwy systemu](https://majchrzycki.com/blog/technologie-ai-dla-firm-przewodnik) - [OpenUSD w suwerennym AI OS](https://majchrzycki.com/blog/openusd-ai-os) - [Microsoft Agent Framework po AutoGen i Semantic Kernel](https://majchrzycki.com/blog/microsoft-agent-framework-ai-os) - [Vercel Agentic Infrastructure w suwerennym AI OS](https://majchrzycki.com/blog/vercel-agentic-infrastructure) - [Cloudflare Platform w suwerennym AI OS](https://majchrzycki.com/blog/cloudflare-platform-ai-os) - [Temporal: trwałe procesy agentów AI](https://majchrzycki.com/blog/temporal-trwaly-workflow-agentow) - [Cloudflare OS: przestrzeń pracy agentów, nie system na laptop](https://majchrzycki.com/blog/cloudflare-agent-os-przestrzen-pracy-agentow) - [Big tasks. Small models: po co agentowi kilka mniejszych modeli?](https://majchrzycki.com/blog/big-tasks-small-models-magenticlite) ### Blockchain i Web3 w architekturze AI - [Aptos w aplikacjach AI: zasoby, koszty i pilot](https://majchrzycki.com/blog/aptos-blockchain-web3-dapp-ai) - [Blockchain w biznesie: kiedy warto łączyć go z AI?](https://majchrzycki.com/blog/blockchain-web3-dapp-ai-nft) - [dApps w biznesie: architektura i odbiór aplikacji](https://majchrzycki.com/blog/dapps-decentralized-apps-web3-blockchain) - [Ethereum w aplikacjach AI: L1, L2 i koszt procesu](https://majchrzycki.com/blog/ethereum-eth-ether-blockchain-web3-dapp-ai) Pokaż pozostałe materiały (3) - [NFT w biznesie: token, uprawnienie i dane AI](https://majchrzycki.com/blog/nft-non-fungible-tokens-web3-dapp) - [Space and Time: SQL z dowodem dla aplikacji biznesowych](https://majchrzycki.com/blog/space-and-time-blockchain-sql-decentralized-data-warehouse) - [Web3 w biznesie i AI: kto kontroluje aplikację?](https://majchrzycki.com/blog/web3-dapp-blockchain-ai) ## Dalsza lektura ### Powiązane przewodniki - [Dane i wiedza firmy](https://majchrzycki.com/blog/filar/dane-i-wiedza-firmy) - [Automatyzacja i agenci AI](https://majchrzycki.com/blog/filar/automatyzacja-i-agenci-ai) - [Bezpieczeństwo i utrzymanie AI](https://majchrzycki.com/blog/filar/bezpieczenstwo-i-utrzymanie-ai) - [Ontologia firmy](https://majchrzycki.com/blog/filar/ontologia-firmy) - [AI SDLC](https://majchrzycki.com/blog/filar/ai-sdlc) ### Źródła producenta i dokumentacja - [NIST: AI Risk Management Framework](https://www.nist.gov/itl/ai-risk-management-framework) ## Następny krok Po wybraniu architektury opisz jej wymagania i testy w cyklu AI SDLC. Jeśli rozwiązanie ma służyć konkretnemu procesowi, zakres danych, integracji i kontroli można uporządkować w Blueprintcie Firmy. [Omów projekt systemu AI](https://majchrzycki.com/wspolpraca)