LLM Agents (Agenci AI)

🎯 Definicja

LLM Agent to system, w którym model językowy nie tylko generuje tekst, ale podejmuje decyzje, wywołuje narzędzia (tools) i wykonuje wieloetapowe zadania autonomicznie — zamiast odpowiedzieć jedną odpowiedzią, agent planuje, działa, obserwuje wynik i powtarza cykl aż do osiągnięcia celu.

🔑 Kluczowe punkty

• Cykl ReAct: Reason → Act → Observe → powtórz
• Tools (narzędzia): agent może wywoływać funkcje, API, bazy danych, wyszukiwarki
• Memory: krótkoterminowa (kontekst konwersacji) i długoterminowa (vector store)
• Planning: agent rozkłada złożone zadanie na podzadania
• Multi-agent: kilka agentów współpracuje — orchestrator + wyspecjalizowane sub-agenty
• Frameworks: Langchain, LlamaIndex, AutoGen, CrewAI, LangGraph

📚 Szczegółowe wyjaśnienie

Anatomia agenta

┌─────────────────────────────────┐
│           LLM (mózg)            │
│  planuje, decyduje, interpretuje│
└──────┬──────────────────────────┘
       │ wywołuje
┌──────▼──────────────────────────┐
│         Tool Registry           │
│  search_web | run_sql | read_file│
│  send_email | call_api | ...    │
└──────┬──────────────────────────┘
       │ wynik wraca do LLM
┌──────▼──────────────────────────┐
│           Memory                │
│  short-term: prompt context     │
│  long-term: vector DB           │
└─────────────────────────────────┘

Typy agentów

Typ	Opis	Przykład
ReAct	Naprzemienne rozumowanie i działanie	Szukaj → przeczytaj → odpowiedz
Plan & Execute	Planuje cały task, potem wykonuje	Piszę raport: kroki 1-5
Multi-agent	Hierarchia agentów z różnymi rolami	Orchestrator + Researcher + Writer
Tool-calling	Prosty agent z zestawem narzędzi	Chatbot z dostępem do SQL

Function Calling

Nowoczesne LLM (GPT-4, Claude, Gemini) mają natywne wsparcie dla tool use:

tools = [
    {
        "name": "run_sql_query",
        "description": "Wykonuje zapytanie SQL na bazie danych",
        "parameters": {
            "query": {"type": "string", "description": "Zapytanie SQL"}
        }
    }
]
# Model sam decyduje kiedy i jak wywołać narzędzie

Agenci w Data Governance

Ataccama ONE eksperymentuje z agentami AI (patrz notatki webinarowe) do:

• automatycznego sugerowania reguł jakości danych
• proponowania właścicieli danych
• generowania opisów terminu w Słowniku Biznesowym

💡 Przykład zastosowania

Data Quality Agent: agent otrzymuje zadanie “sprawdź jakość tabeli customers”. Autonomicznie: (1) pobiera schemat tabeli z katalogu danych, (2) uruchamia profilowanie, (3) identyfikuje anomalie, (4) sprawdza reguły DQ w Ataccama, (5) generuje raport z rekomendacjami — bez ingerencji człowieka.

📌 Źródła

• Retrieval Augmented Generation (RAG)
• Baza wektorowa
• Langchain
• LlamaIndex
• ReAct Prompting
• Ollama

👽 Brudnopis