MagenticBrain 14B: mały model jako dyspozytor agentów

MagenticBrain-14B to model orkiestrujący agentów: planuje, wybiera narzędzia, przekazuje zadania i ocenia, kiedy zakończyć przebieg. Karta modelu w Microsoft Foundry opisuje go jako 14-miliardowy model tekstowy wytrenowany do pracy z deklarowanym przez środowisko schematem narzędzi. Microsoft Research wskazuje, że powstał na bazie Qwen 3 14B i był projektowany razem z MagenticLite.

Co robi dyspozytor?

Użytkownik mówi: „porównaj oferty, przygotuj tabelę i zapisz w folderze”. MagenticBrain rozbija prośbę na kroki, wybiera narzędzie do pracy z plikami, może napisać krótki kod, a pracę w przeglądarce przekazuje wyspecjalizowanej Fara 1.5. Model sam nie wykonuje zmian w świecie: to host, czyli środowisko wykonawcze, decyduje, jakie narzędzia udostępnić i czy pozwolić na daną akcję. To rozróżnienie ma znaczenie dla bezpieczeństwa i audytu.

Projekt pokazuje, że skuteczne planowanie nie musi zawsze wymagać największego modelu. Warunkiem jest jednak dopasowanie modelu do formatów wywołań narzędzi, zarządzanie kontekstem i ewaluacja całej pętli. Karta katalogowa określa model jako preview i wskazuje MagenticLite jako konfigurację najlepiej zbadaną. Wyniku z tej konfiguracji nie należy automatycznie przenosić na własny agentowy framework.

Kryteria wyboru

MagenticBrain warto porównać z większym modelem ogólnym i prostym workflow regułowym na tych samych zadaniach. Mierz: poprawność wyboru narzędzia, liczbę niepotrzebnych kroków, koszt uruchomienia, odporność na błędny wynik narzędzia oraz jakość końcowego artefaktu. W AI SDLC dodaj testy regresyjne po zmianie promptu lub schematu funkcji. Jeżeli agent ma dostęp do plików i terminala, uruchom go z minimalnymi uprawnieniami i możliwością odtworzenia przebiegu.

Model jest interesujący dla architektury systemów AI, bo oddziela decyzję o kolejnym kroku od fizycznego wykonania. To nadal tylko jeden komponent. Dobry system potrzebuje jeszcze danych, polityki dostępu, stanu procesu i człowieka odpowiedzialnego za skutki.

Dobry plan to taki, który umie się zatrzymać

Przy ocenie orkiestratora nie wystarczy sprawdzić, czy poprawnie rozpisał zadanie na etapy. Ważne jest, czy zauważy brak danych, porażkę narzędzia i sprzeczność między dwoma wynikami. Jeśli Fara zwróci „nie udało się odczytać ceny”, MagenticBrain powinien wybrać bezpieczny krok: ponowić próbę w limicie, zapytać człowieka albo zakończyć z częściowym wynikiem. Nie powinien wymyślić ceny tylko po to, aby domknąć plan.

Warto testować również delegowanie. Przy zadaniu „policz sumę z pliku CSV” uruchamianie przeglądarki jest zbędne; przy „odczytaj status zamówienia z portalu” kodowanie parsera pliku może być stratą czasu. Zestaw ewaluacyjny powinien zawierać przypadki, w których wybór narzędzia jest oczywisty, oraz takie, gdzie dopiero wynik pierwszego kroku rozstrzyga dalszą ścieżkę. Mierz nie tylko trafność wyboru, lecz także liczbę niepotrzebnych wywołań.

MagenticBrain był uczony w określonym formacie narzędzi i w określonym harnessie. Własny system z innymi argumentami funkcji, błędami i semantyką „zadanie zakończone” wymaga osobnych testów. Karta modelu wspomina protokół zgłaszania ukończenia; host musi mimo to sprawdzić, czy oczekiwany artefakt rzeczywiście istnieje i jest poprawny. Deklaracja modelu „gotowe” nie jest dowodem.

Jeśli organizacja chce używać modelu lokalnie, powinna porównać wymagania pamięci, licencję, dostępność wag i sposób aktualizacji z modelem zarządzanym. Zmiana modelu planującego może zmienić liczbę działań wykonawcy, a więc koszt i ryzyko całego procesu. Dlatego test regresyjny powinien obejmować pełne zadanie, a nie tylko pojedynczą odpowiedź MagenticBrain.