Kategoria: Sztuczna Inteligencja

  • Cursor wprowadza równoległe agenty i wsparcie dla wielu repozytoriów, rewolucjonizując agentyczne przepływy pracy

    Cursor wprowadza równoległe agenty i wsparcie dla wielu repozytoriów, rewolucjonizując agentyczne przepływy pracy

    Najnowsze aktualizacje edytora Cursor, który koncentruje się na wspomaganej przez AI pracy programistycznej, wprowadzają istotne funkcje, które zmieniają podejście do agentowego kodowania. Użytkownicy mogą teraz równolegle uruchamiać wiele agentów oraz korzystać z zaawansowanego wsparcia dla zarządzania Git worktrees i pracy z wieloma repozytoriami. Te zmiany, dostępne w oknie agentów, pozwalają na rozdzielanie złożonych zadań na mniejsze operacje, które mogą być wykonywane jednocześnie przez różne agenty, co eliminuje konieczność ciągłego przełączania kontekstu. To odpowiedź na problemy związane z pracą z AI, takie jak konflikty plików, marnowanie czasu na przełączanie kontekstu oraz trudności w izolacji zadań i pracy cross-repo.

    Kluczowe zmiany w Cursor

    • Równoległa wielozadaniowość – system umożliwia teraz uruchamianie agentów, którzy wykonują różne zadania równolegle, co przyspiesza realizację złożonych projektów.
    • Ulepszone zarządzanie worktree w oknie agentów – integracja z funkcją Git worktrees, która pozwala na tworzenie odizolowanych katalogów roboczych z tego samego repozytorium, umożliwia agentom działanie niezależnie.
    • Praca z wieloma repozytoriami – agenci mogą teraz operować na wielu repozytoriach jednocześnie w ramach jednej sesji, co pozwala na pracę cross-repo bez ręcznego retargetowania.
    • Środowiska deweloperskie dla agentów chmurowych – wprowadzono narzędzia do konfigurowania środowisk dla równoległych agentów, w tym wsparcie dla Dockerfile oraz izolacji sekretów na poziomie środowiska.

    Podstawą tych usprawnień jest wykorzystanie koncepcji Git worktrees. To funkcja Gita, która pozwala na utworzenie wielu katalogów roboczych z jednego repozytorium. Każdy worktree może znajdować się na innej gałęzi, ale wszystkie współdzielą historię commitów. Dla agentów AI oznacza to, że każdy z nich może mieć własny, odseparowany katalog do pracy (git worktree add ../nazwa-projektu-feature -b feature-branch), co zapobiega konfliktom związanym z nadpisywaniem zmian. Jak zauważa blog Nx, "Git worktrees pozwalają na wiele katalogów roboczych z pojedynczego repozytorium, z których każdy działa niezależnie, współdzieląc tę samą historię Gita". To fundament dla bezpiecznego uruchamiania kilku agentów, takich jak Claude Code, jednocześnie.

    Jak równoległa orkiestracja agentów zmienia workflow

    Nowe możliwości Cursor wpisują się w szerszy trend w branży, który odchodzi od sekwencyjnego "jednego agenta naraz" na rzecz skoordynowanej orkiestracji równoległej. W zaawansowanych workflow, jak opisuje Augment Code, pojawia się wzorzec z Agentem Koordynatorem, który analizuje zadanie, dzieli je na podzadania, a następnie deleguje je do wyspecjalizowanych agentów działających równolegle w izolowanych worktrees. Po wykonaniu pracy, Agent Weryfikujący sprawdza wynik. Taki model "eliminuje konflikty stanu plików, dając każdemu agentowi dedykowany katalog roboczy, który współdzieli historię Gita, ale utrzymuje niezależny system plików" i może pozwolić na współbieżną pracę nawet 5-10 agentów na tym samym repozytorium.

    Wsparcie dla pracy z wieloma repozytoriami w oknie agentów Cursor jest naturalnym rozszerzeniem tego paradygmatu. Gdy zadanie wykracza poza jedno repozytorium – na przykład dotyczy jednocześnie frontendu w jednym repo i mikrousługi w drugim – agent musi mieć łatwy dostęp do wszystkich wymaganych kontekstów. Możliwość dołączenia wielu folderów/repów pozwala agentowi "rozumieć" całą strukturę obszaru roboczego i działać we właściwym miejscu bez żmudnego, ręcznego przełączania celów, co było często zgłaszaną przez społeczność potrzebą.

    Praktyczne wyzwania i dobre praktyki przy pracy równoległej

    Włączenie równoległych agentów i worktrees do codziennej pracy wymaga uwzględnienia kilku kluczowych aspektów operacyjnych wykraczających poza samą izolację plików. Po pierwsze, izolacja środowiska wykonawczego. Jeśli agenty uruchamiają lokalne serwery deweloperskie, każdy z nich potrzebuje unikalnego przypisania portu, aby uniknąć kolizji. Prace związane z bazami danych wymagają odseparowania stanu – każdy worktree powinien mieć własny plik .env.local z unikalnym connection string, a najlepiej także osobną, efemeryczną bazę danych stworzoną z baseline'u.

    Po drugie, kluczowe jest jasne definiowanie zadań. Równoległość działa najlepiej, gdy każde podzadanie jest samodzielne i ma wyraźnie określone granice. Jak wskazuje przewodnik MindStudio, "agenci działają lepiej z jasnymi, samodzielnymi definicjami zadań". Przed uruchomieniem agentów warto przeanalizować, które pliki będą przez nie modyfikowane – jeśli zakresy się nakładają, zadania lepiej wykonać sekwencyjnie. Skuteczna komunikacja z agentem, podanie precyzyjnego kontekstu i oczekiwanego wyniku są kluczowe dla sukcesu równoległej pracy.


    Źródła

  • Anthropic wprowadza Rate Limits API i pamięć dla agentów Claude

    Anthropic wprowadza Rate Limits API i pamięć dla agentów Claude

    Anthropic, firma odpowiedzialna za modele Claude, wprowadziła na swojej platformie dwa istotne udogodnienia dla programistów. Od 24 kwietnia 2026 roku dostępne jest Rate Limits API, które umożliwia sprawdzanie konfiguracji limitów użycia API na poziomie organizacji i workspace'ów. Również od 23 kwietnia 2026 roku w publicznej beta dostępna jest Memory for Claude Managed Agents, funkcja, która zapewnia agentom Claude pamięć stanu, co poprawia ich działanie w długotrwałych workflowach. Te zmiany są ogłoszone w kontekście wydania najnowszych modeli z rodziny Claude.

    Najważniejsze informacje

    • Rate Limits API umożliwia programowe sprawdzanie limitów przepustowości dla organizacji i workspace'ów.
    • Memory for Claude Managed Agents weszła w fazę publicznej beta, pozwalając na utrzymanie stanu w długotrwałych sesjach.
    • Nowe API dostarcza szczegółów dotyczących limitów dla Messages API i pokrewnych zasobów.
    • Pamięć dla Managed Agents ma znaczenie dla aplikacji agentowych, takich jak asystenci, automatyzacje workflowów czy systemy obsługi klienta.
    • Te zmiany są związane z wydaniem najnowszych modeli Claude, co pokazuje rozwój platformy.

    Rate Limits API: programowa kontrola przepustowości

    Nowe Rate Limits API to endpoint, który odzwierciedla informacje widoczne w sekcji Limits w konsoli Claude. Jest to kluczowe udogodnienie dla zespołów platformowych i DevOps. Wcześniej informacje o limitach były dostępne tylko przez UI konsoli. Teraz platformy mogą dynamicznie odczytywać aktualne limity, aby synchronizować swoje gatewaye i proxy, budować alerty na podstawie użycia w porównaniu do konfiguracji oraz auditować workspace'y w kontekście automatyzacji provisioningu. Ważne: domyślny workspace nie może mieć nadpisanych limitów.

    Dlaczego API limitów jest ważne dla zespołów DevOps i web dev

    W kontekście AI-native SaaS, narzędzi do kodowania oraz zaawansowanych systemów agentowych, limity przepustowości są często zmiennym celem. Firmowe proxy, gatewaye i middleware muszą być świadome limitów, aby efektywnie kształtować ruch i implementować logikę awaryjną. Hardcoding limitów prowadzi do problemów, gdy Anthropic zmienia swoje polityki – jak wprowadzenie tygodniowych limitów dla użytkowników Claude Code w sierpniu 2025 roku.

    TechCrunch informował, że Anthropic wprowadził dodatkowe tygodniowe limity dla subskrybentów Pro i Max, pozostawiając istniejące 5-hour rolling limits. Firma wskazała, że to odpowiedź na użytkowników, którzy "ciągle w tle, 24/7" używali Claude Code oraz na nadużycia związane z dzieleniem kont czy resellingiem. Subskrybenci Max mogą kupować dodatkowe użycie według standardowych stawek API. Według Anthropic, zmiany dotknęły poniżej 5% subskrybentów, bazując na wzorcach użycia.

    W kontekście tych zmian, nowe Rate Limits API daje administratorom widoczność w struktury limitów, które coraz bardziej kształtują zarządzanie workflowami opartymi na Claude. Jest to szczególnie ważne dla platform wielo-tenantowych, systemów orkiestracji agentów czy narzędzi dla programistów, które kierują zapytania do różnych modeli Claude.

    Memory for Claude Managed Agents: stanowa pamięć dla agentów

    Memory for Claude Managed Agents: stanowa pamięć dla agentów

    Równolegle, Memory for Claude Managed Agents weszła w publiczną beta. Ta funkcja jest kluczowa dla agentowych workflowów – długotrwałych, stateful procesów, gdzie agent musi zachować kontekst między różnymi krokami czy sesjami. Dotyczy to np. agentów kodujących, którzy pracują nad projektem przez wiele godzin; agentów wsparcia klienta, którzy prowadzą konwersację; czy automatyzacji workflowów, które koordynują wieloetapowe zadania.

    Pamięć pozwala agentowi Claude utrzymywać stan między różnymi interakcjami, co redukuje potrzebę ciągłego rekonstruowania kontekstu i poprawia efektywność oraz doświadczenie użytkownika.

    Warto zauważyć, że Rate Limits API wyraźnie wyklucza Managed Agents z endpointu limitów organizacji, co sugeruje, że Managed Agents mają swoje własne powierzchnie produktowe i mogą być zarządzane oddzielnie. To pokazuje, że Anthropic rozwija infrastrukturę enterprise/agent w sposób modularny.

    Kontekst zmian modelowych: Claude i wycofanie Haiku

    Rate Limits API pojawia się w czasie, gdy Anthropic wydał najnowsze modele z rodziny Claude. Z drugiej strony, firma stopniowo skupia się na nowszych rodzinach modeli i bardziej zaawansowanych kontrolach platformowych.

    Wnioski dla developerów i platform engineers

    Dla zespołów web dev, AI, hosting i DevOps te zmiany są wyraźnym sygnałem: planowanie operacyjne w integracji z Claude staje się konieczne.


    Źródła

  • Codex CLI 0.124.0: Wsparcie dla Amazon Bedrock i kontrola rozumowania w terminalu

    Codex CLI 0.124.0: Wsparcie dla Amazon Bedrock i kontrola rozumowania w terminalu

    Wydanie Codex CLI 0.124.0 od OpenAI wprowadza kilka znaczących nowości, które koncentrują się na integracji z chmurą AWS, ulepszeniach interfejsu terminalowego oraz zwiększeniu bezpieczeństwa i automatyzacji. Ta najnowsza wersja narzędzia dla deweloperów wprowadza konkretne funkcje, które mogą wpłynąć na codzienną pracę z agentami sztucznej inteligencji.

    Wersja 0.124.0 jest skierowana głównie do profesjonalnych użytkowników i zespołów DevOps, oferując nowe możliwości oraz istotne usprawnienia w zakresie stabilności i zarządzania uprawnieniami. To kolejny krok w rozwoju Codex, który przekształca się z narzędzia badawczego w platformę produkcyjną.

    Kluczowe zmiany w wersji 0.124.0

    • Wiele środowisk w sesji app-server: Remote workflows zyskały wsparcie dla configured remote environments, co ułatwia pracę z monorepo i różnymi kontekstami aplikacji bez konieczności restartowania agenta.
    • Integracja z Amazon Bedrock: Codex uzyskał wsparcie dla Bedrock jako dostawcy zgodnego z OpenAI API, z uwzględnieniem AWS SigV4 signing oraz autoryzacji opartej na AWS credentials.
    • Zdalne przeglądanie marketplace pluginów: Użytkownicy mogą teraz przeglądać źródła pluginów zdalnie i między repozytoriami, korzystając z opcji takich jak podgląd w kartach, przełączniki włączania/wyłączania oraz usuwanie pluginów.

    Integracja z Amazon Bedrock

    To jedna z najważniejszych zmian w tej wersji dla zespołów działających w ekosystemie AWS. Dzięki wsparciu dla Amazon Bedrock, Codex może teraz korzystać z modeli dostępnych na tej platformie, wykorzystując natywne mechanizmy autoryzacji AWS, zamiast standardowego klucza API OpenAI. Oznacza to, że zespoły korzystające z infrastruktury AWS mogą łatwiej włączyć Codex do swoich procesów, wykorzystując istniejące polityki IAM i role.

    Aby skonfigurować integrację, należy dodać odpowiednie wpisy do pliku ~/.codex/config.toml. Testy techniczne wykazały, że po skonfigurowaniu zmiennych środowiskowych z danymi AWS za pomocą polecenia aws configure export-credentials, Codex wykonuje zapytania do modeli przez Bedrock bez problemów.

    Warto zauważyć, że Bedrock udostępnia zgodne z OpenAI Responses API (/v1/responses), które wykorzystuje Codex.

    Interaktywna kontrola rozumowania i wiele środowisk

    Funkcja wielośrodowiskowych sesji app-server odpowiada na potrzeby złożonych projektów. Deweloper pracujący nad frontendem w jednym katalogu i backendem w innym, czy też konfiguracjami dla różnych środowisk (dev, staging), może teraz zarządzać tym wszystkim w ramach jednej sesji Codex, przełączając kontekst pracy. To oszczędza czas i redukuje bałagan.

    Większa niezawodność i bezpieczeństwo

    Aktualizacja 0.124.0 kontynuuje trend wzmacniania bezpieczeństwa i stabilności, który był widoczny w wcześniejszych wersjach 0.122–0.124. Wprowadzono zaostrzone polityki uprawnień, silniejsze sandboxing oraz mechanizmy takie jak deny-read glob policies. Izolowane przebiegi Codex ignorują konfigurację użytkownika i reguły, co zwiększa przewidywalność w kontrolowanych środowiskach, na przykład na serwerach CI/CD.

    Poprawki obejmują także stabilniejsze zarządzanie stanem sesji oraz narzędzia wydawnicze. Dla profesjonalnych użytkowników i zespołów DevOps te zmiany są często ważniejsze niż nowe funkcje, ponieważ przekładają się na mniej awarii i większe zaufanie do automatyzacji opartej na Codex.

    Podsumowanie

    Wydanie Codex CLI 0.124.0 pokazuje kierunek rozwoju tego narzędzia: głęboka integracja z ekosystemami chmurowymi (AWS) oraz udoskonalenie doświadczenia dewelopera w codziennej pracy.


    Źródła

  • Claude Managed Agents zyskuje pamięć, a Haiku 3 przechodzi do historii

    Claude Managed Agents zyskuje pamięć, a Haiku 3 przechodzi do historii

    Anthropic ogłosiło wprowadzenie funkcji pamięci dla swoich zarządzanych agentów Claude Managed Agents, która jest teraz dostępna w publicznej wersji beta. Ta aktualizacja platformy Claude pozwala agentom na zachowywanie stanu i kontekstu pomiędzy sesjami. Aktualizacja, dostępna pod nagłówkiem beta managed-agents-2026-04-01, stanowi ważny krok dla długoterminowych, złożonych workflow opartych na agentach.

    Wprowadzenie pamięci to znacząca zmiana dla długoterminowych, złożonych workflow, szczególnie w obszarach takich jak automatyzacja web developmentu, DevOps czy vibe coding. Dzięki pamięci agenci nie zaczynają każdego zadania od zera. Mogą wykorzystywać wcześniej zdobytą wiedzę, wyniki poprzednich iteracji oraz wyciągnięte lekcje, co powinno znacząco poprawić ich efektywność i spójność w czasie.

    Kluczowe fakty dotyczące aktualizacji

    • Pamięć jako magazyny plików. Mechanizm pamięci działa w oparciu o magazyny związane z przestrzenią roboczą (workspace), które są montowane w kontenerze agenta. Agenci mogą odczytywać i zapisywać do nich pliki tekstowe za pomocą znanych narzędzi do systemu plików, a zapisy utrzymują się pomiędzy sesjami.
    • Kontrola dewelopera. Twórcy mogą programowo tworzyć magazyny pamięci za pomocą API i dołączać je do sesji. Dostępne jest również zarządzanie treścią: przeglądanie, edytowanie, dodawanie, usuwanie i cofanie wersji. Każdy montowany magazyn otrzymuje automatycznie dodawaną notatkę, informującą agenta o jego lokalizacji.
    • Limity i wersjonowanie. Historia wersji jest przechowywana, a każdy zapis tworzy niemutowalną wersję przypisaną do sesji, co zapewnia pełny audyt. Podczas trwania beta infrastruktura sesji i pamięć są bezpłatne.

    Jak działa pamięć agentów?

    Mechanizm jest zaprojektowany z myślą o prostocie i integracji z istniejącymi workflow. Pamięć jest realizowana jako dedykowane magazyny plików, które agenci traktują jak zwykłą część systemu plików w swoim bezpiecznym sandboksie. Dzięki temu nie muszą uczyć się nowych, skomplikowanych interfejsów API – korzystają z tych samych narzędzi do operacji na plikach, które już znają.

    Kiedy agent podczas sesji zapisze notatkę, fragment kodu, logikę biznesową czy wynik analizy błędu do pliku w pamięci, ta informacja będzie dostępna podczas jego kolejnego uruchomienia. To pozwala na budowanie agentów, które stopniowo doskonalą swoje działanie, na przykład optymalizując skrypty deploymentu na podstawie wcześniejszych błędów w środowisku hostingowym lub ulepszając fragmenty kodu w projekcie web developmentowym.

    Dlaczego to zmienia reguły gry dla workflow AI?

    Dotychczas agenci, nawet ci zaawansowani, często działali w izolacji każdej sesji. Każde zadanie – czy to analiza logów, refaktoryzacja kodu, czy konfiguracja pipeline'u DevOps – było traktowane jak nowe wyzwanie bez historycznego kontekstu. Wprowadzenie pamięci eliminuje tę barierę.

    W praktyce oznacza to możliwość tworzenia agentów specjalizowanych, które z czasem stają się ekspertami w wąskiej domenie. Agent odpowiedzialny za modernizację legacy codebase może zapamiętywać stosowane wzorce refaktoringu i typowe problemy napotkane w konkretnej bazie kodu. Inny, zarządzający hostingiem, może gromadzić dane o wydajności i optymalizacjach dla różnych typów aplikacji. Pojawia się także możliwość koordynacji floty agentów poprzez wspólne magazyny pamięci, co otwiera drogę do złożonych, wieloagentowych systemów automatyzacji.

    Co dalej z platformą Claude?

    Wprowadzenie pamięci dla Managed Agents to część szerszego rozwoju platformy Claude. Warto również zauważyć, że w ramach zmian w ofercie, Haiku 3 przechodzi do historii.

    Dla deweloperów i zespołów DevOps, które eksperymentują lub już wdrożyły agentów AI do automatyzacji zadań, ta aktualizacja stanowi wyraźny sygnał. Era statycznych, pozbawionych kontekstu asystentów powoli się kończy. Nadchodzi czas agentów, które potrafią adaptować i budować własną, użyteczną wiedzę na przestrzeni wielu interakcji, stając się coraz bardziej wartościowymi członkami zespołów developerskich.


    Źródła

  • OpenCode aktualizuje wsparcie języków i zarządzanie sesjami w wersji 1.14.21

    OpenCode aktualizuje wsparcie języków i zarządzanie sesjami w wersji 1.14.21

    Aktualizacja OpenCode do wersji 1.14.21 wprowadza znaczące ulepszenia dla deweloperów, koncentrując się na rozszerzonym wsparciu diagnostyki językowej oraz bardziej niezawodnym zarządzaniu kontekstem sesji. Wydanie, które miało miejsce w maju 2026 roku, umacnia rolę tego open source'owego asystenta kodowania AI jako narzędzia wspierającego codzienne workflow programistów. Kluczowe zmiany obejmują dodanie diagnostyki LSP dla wybranych języków, przeprojektowanie logiki kompaktowania sesji oraz szereg poprawek stabilnościowych dla interfejsu terminalowego i aplikacji desktopowej.

    Kluczowe zmiany w OpenCode 1.14.21

    • Rozszerzona diagnostyka LSP: Wersja dodaje wsparcie dla diagnostyki z serwerów językowych (LSP), co poprawia pracę z C# i Kotlinem.
    • Bezpieczniejsze sesje: Udoskonalona logika kompaktowania sesji lepiej zachowuje kontekst, a API sesji V2 zwraca teraz bezpieczne błędy z identyfikatorami referencyjnymi do logów.
    • Stabilność TUI i Desktop: Liczne poprawki w interfejsie terminalowym (TUI) obejmują lepsze domyślne ustawienia sesji oraz czystsze etykiety, a aplikacja desktopowa zyskała nowy widok główny i eksport logów.
    • Usprawnienia dla deweloperów: Wprowadzono widok diff do przeglądania zmian, tryb shell w poleceniu run oraz usprawniono wykrywanie projektów w repozytoriach Git.
    • Lepsze zarządzanie błędami: Ogólne błędy API 500 nie ujawniają już wewnętrznych szczegółów konfiguracji, co zwiększa bezpieczeństwo.

    Rozszerzenie wsparcia diagnostyki LSP to ważny krok dla deweloperów korzystających z OpenCode w IDE lub edytorach. Dzięki integracji z serwerami językowymi, asystent może efektywniej przetwarzać informacje o błędach, ostrzeżeniach i podpowiedziach bezpośrednio z narzędzi deweloperskich. To przekłada się na precyzyjniejszą pomoc podczas kodowania w językach takich jak C# czy Kotlin, a także tworzy fundament pod przyszłe wsparcie dla innych technologii. Mechanizm ten wspiera koncepcję "vibe coding", gdzie płynność i nieprzerwane skupienie są kluczowe.

    Również zmiany w zarządzaniu sesjami są istotne. Nowa logika kompaktowania ma na celu inteligentne redukowanie zużycia tokenów, co wpływa na koszty, jednocześnie zachowując kluczowy kontekst rozmowy z AI. OpenCode wprowadza lepszą obsługę błędów w API sesji V2. Błędy takie jak SessionNotFoundError czy 503 ServiceUnavailableError są teraz wyraźnie kategoryzowane, a w przypadku nieznanych problemów system zwraca identyfikatory referencyjne, które można powiązać z logami serwera, co ułatwia debugging.

    Wydanie przynosi także wiele mniejszych, ale cennych usprawnień. Interfejs terminalowy (TUI) został dopracowany – nowe sesje domyślnie zakładane są w lokalnym projekcie, co przyspiesza start pracy. Wprowadzono widok "collapsed thinking" dla zwinnych modeli oraz możliwość pinowania sesji dla szybkiego dostępu. Aplikacja desktopowa zyskała nowy ekran startowy, ulepszony tytuł paska oraz ustawienie zoomu gestem (pinch zoom). Dla użytkowników Linuksa przywrócono metadane AppStream w buildach desktopowych, co poprawia integrację ze środowiskiem graficznym.

    Podsumowanie

    OpenCode 1.14.21 koncentruje się na jakości i produktywności dewelopera. Wprowadza poprawki do istniejących funkcji: diagnostyki kodu, niezawodności sesji oraz komfortu użytkowania w terminalu i na desktopie. Te ulepszenia są szczególnie istotne dla zespołów stosujących OpenCode w złożonych, wielosesyjnych workflow przy projektach webowych czy AI. Wskazują one na rozwój projektu, który kładzie coraz większy nacisk na stabilność, bezpieczeństwo i dopracowanie szczegółów, które mają znaczenie w codziennej pracy.


    Źródła

  • Andrej Karpathy, współtwórca OpenAI, dołącza do Anthropic i buduje zespół, który będzie używał Claude do przyspieszania pre-trainingu

    Andrej Karpathy, współtwórca OpenAI, dołącza do Anthropic i buduje zespół, który będzie używał Claude do przyspieszania pre-trainingu

    Andrej Karpathy, współtwórca OpenAI i były dyrektor AI w Tesli, ogłosił 19 maja 2026 roku, że dołącza do Anthropic, firmy odpowiedzialnej za model Claude. W swoim wpisie na X wyraził radość z powrotu do badań i rozwoju, podkreślając, że nadchodzące lata będą kluczowe dla rozwoju dużych modeli językowych (LLM). Karpathy rozpoczął pracę w Anthropic w tym samym tygodniu, dołączając do zespołu zajmującego się pre-trainingiem, który jest kluczowym i kosztownym etapem trenowania modeli językowych.

    Karpathy otrzymał ważne zadanie. Będzie prowadzić nową grupę badawczą, która skupi się na wykorzystaniu modelu Claude do przyspieszania i automatyzacji badań nad procesem pre-trainingu kolejnych modeli. Oznacza to, że sztuczna inteligencja opracowana przez Anthropic będzie wspierać rozwój bardziej zaawansowanych systemów AI, co może wpłynąć na konkurencję w tej dziedzinie.

    Kluczowe fakty o przejściu Karpathy’ego

    • Andrej Karpathy ogłosił dołączenie do Anthropic 19 maja 2026 roku, a pracę rozpoczął natychmiast, w tym samym tygodniu.
    • Dołącza do zespołu pre-trainingu, który odpowiada za podstawowy, wielkoskalowy trening modeli takich jak Claude.
    • Będzie prowadzić nową grupę, której celem jest użycie modelu Claude do usprawnienia badań nad pre-trainingiem – czyli AI pomagająca w rozwoju AI.
    • Ten ruch wzmacnia pozycję Anthropic w konkurencji o talenty badawcze w dziedzinie AI.
    • Karpathy ma unikalne doświadczenie jako współtwórca OpenAI i były dyrektor AI w Tesli, gdzie prowadził zespoły zajmujące się wizją komputerową dla Autopilota.

    Znaczenie przejścia dla rywalizacji w świecie AI

    Transfer Karpathy’ego to nie tylko zmiana pracy, ale także istotny sygnał dla branży. Anthropic, znany z modelu Claude, często był postrzegany jako firma z filozoficznym podejściem do bezpieczeństwa AI. Pozyskanie jednego z oryginalnych twórców OpenAI, który ma doświadczenie w skalowaniu systemów, pokazuje determinację Anthropic w dążeniu do technologicznej doskonałości.

    Skupienie się na pre-trainingu odpowiada na aktualne wyzwania. Budowa nowoczesnych modeli wymaga ogromnych zasobów obliczeniowych i finansowych. Każda optymalizacja, która pozwala na uzyskanie lepszego modelu w krótszym czasie, staje się strategiczną przewagą. Właśnie w tym obszarze Karpathy będzie działać.

    Claude jako narzędzie do budowy kolejnych Claude

    Ciekawym aspektem tej sytuacji jest misja nowego zespołu. Wykorzystanie obecnego modelu Claude do przyspieszenia badań nad treningiem jego następców to przykład automatyzacji na wysokim poziomie. Firma planuje włączyć swoją AI w proces badawczy, co może oznaczać analizę danych treningowych, generowanie lub ocenę kodów związanych z infrastrukturą treningową, symulację wyników zmian hiperparametrów oraz pomoc w odkrywaniu nowych architektur. Taki kierunek rozwoju AI może prowadzić do szybkiej ewolucji w tej dziedzinie.

    Wpływ na przyszłość rozwoju LLM

    Decyzja Karpathy’ego wskazuje, gdzie koncentrują się wysiłki największych graczy. Nie chodzi tylko o finetuning czy specjalizację modeli, ale o fundamentalny proces pre-trainingu. Jeśli jego zespół zdoła znacząco zautomatyzować lub zoptymalizować tę fazę, może to przyspieszyć cykle wydawania nowych, potężniejszych modeli przez Anthropic.

    Dla środowiska developerskiego i osób zainteresowanych AI, takie ruchy są istotnymi wskazówkami. Obszary takie jak dev ops dla AI, infrastruktura treningowa i automatyzacja badań nad modelami będą prawdopodobnie kluczowymi specjalizacjami. Sukces lub porażka tego podejścia w Anthropic będzie praktycznym testem idei, że zaawansowane LLM mogą być nie tylko produktem końcowym, ale także fundamentalnym narzędziem w ciągłym rozwoju AI.

  • Qwen3.7-Max-Preview i Plus-Preview już w testach — mocne wejście do ligi agentów

    Qwen3.7-Max-Preview i Plus-Preview już w testach — mocne wejście do ligi agentów

    Alibaba udostępnił społeczności AI dwa nowe modele do testów — Qwen3.7-Max-Preview i Qwen3.7-Plus-Preview. Te wersje, które można już zobaczyć w Qwen Chat i rankingach Arena, są krokiem w kierunku stworzenia uniwersalnej podstawy dla zaawansowanych agentów sztucznej inteligencji. Model Max, określany jako największy i najbardziej zaawansowany w rodzinie Qwen 3.7, ma oferować znaczące usprawnienia w zakresie rozumowania i interakcji z narzędziami.

    Materiał informuje, że to nie są jeszcze oficjalne wydania modeli open-weight, lecz ich wersje preview, które mają na celu zbieranie informacji zwrotnej przed pełną premierą. Dla deweloperów i entuzjastów vibe coding to doskonała okazja, aby zobaczyć, jak ewoluują narzędzia do automatyzacji zadań programistycznych.

    Kluczowe fakty o nowych preview

    • Dwa nowe modele preview: Alibaba udostępnił do testów Qwen3.7-Max-Preview oraz Qwen3.7-Plus-Preview, które są flagowymi wersjami w linii Qwen 3.7.
    • Nacisk na rozumowanie i agentów: Nowe modele są zoptymalizowane pod kątem zaawansowanego rozumowania, zachowań agentowych i niezawodnego korzystania z narzędzi, co jest istotne dla automatyzacji.
    • Duże okno kontekstu: Qwen3.7-Max-Preview dysponuje oknem kontekstu o rozmiarze 256k tokenów, co jest ważne dla analizy dużych repozytoriów kodu czy długiej dokumentacji.
    • Obiecujące wyniki: Wstępne testy zewnętrzne pokazują, że Qwen3.7-Max-Preview plasuje się wysoko w rankingach, konkurując z czołowymi modelami dostępnymi na rynku.

    Qwen3.7-Max-Preview jako fundament dla agentów

    Z oficjalnego opisu wynika, że Qwen3.7-Max-Preview ma być podstawą dla wszechstronnych agentów, zdolnych do samodzielnego wykonywania złożonych zadań. Wymienia się tu między innymi pisanie i debugowanie kodu, automatyzację biurowych workflow oraz działania autonomiczne. Taki kierunek rozwoju odpowiada potrzebom współczesnego developmentu, gdzie poszukuje się asystentów mogących nie tylko sugerować fragmenty kodu, ale także planować i wykonywać całe sekwencje operacji.

    Dostępność modelu w trybie "thinking" w Qwen Chat pozwala użytkownikom na bieżąco obserwować tok rozumowania SI, co jest przydatne przy debugowaniu skomplikowanych promptów czy testowaniu granic możliwości agenta. To funkcja, która pomaga zrozumieć, jak model dochodzi do rozwiązania, a nie tylko uzyskać ostateczną odpowiedź.

    Znaczenie dla świata developmentu i vibe coding

    Wprowadzenie modeli preview, zwłaszcza Qwen3.7-Max-Preview, ma konkretne implikacje dla programistów i zespołów deweloperskich. Duże okno kontekstu 256k umożliwia załadowanie całych, dużych plików konfiguracyjnych, logów z rozbudowanych systemów czy dokumentacji technicznej. Dla narzędzi typu RAG (Retrieval-Augmented Generation) czy agentów analizujących kod bazy, taka pojemność jest kluczowa.

    Ponadto, nacisk na niezawodne korzystanie z narzędzi oznacza, że model lepiej radzi sobie z używaniem zewnętrznych API, wykonywaniem poleceń systemowych czy manipulacją plikami w ramach zautomatyzowanego workflow. To ma bezpośredni wpływ na automatyzację DevOps, tworzenie skomplikowanych pipeline'ów czy zarządzanie infrastrukturą.

    Preview vs. wersja produkcyjna — droga ewolucji

    Ciekawy kontekst dla obecnych preview daje informacja z konsoli Alibaba Cloud dotycząca wcześniejszej generacji. Jak podano, oficjalnie wydany model Qwen3.7-Max otrzymał ulepszenia w obszarach agent programming i tool invocation w porównaniu do swojej wersji preview. Ten schemat sugeruje, że obecne testy Qwen3.7-Max-Preview są naturalną fazą rozwojową.

    Społeczność testująca teraz te modele dostarcza twórcom cennych danych, które posłużą do dopracowania finalnego produktu. Dla użytkowników końcowych oznacza to, że wersja, która trafi później do szerokiego użytku, może być lepiej dostrojona pod kątem stabilności i wydajności w realnych zadaniach agentowych. Podejście "testuj z nami i bądź częścią rozwoju" staje się coraz bardziej popularne wśród dostawców dużych modeli językowych.

    Podsumowanie

    Premiera modeli preview Qwen3.7-Max-Preview i Qwen3.7-Plus-Preview to istotny sygnał ze strony Alibaba, potwierdzający zaangażowanie w rozwój zaawansowanych fundamentów dla sztucznej inteligencji. Choć to jeszcze nie finałowe wydanie, modele te, zwłaszcza wariant Max z dużym kontekstem i naciskiem na rozumowanie, oferują potencjał istotny dla przyszłości automatyzacji w IT. Dla deweloperów to kolejna potężna opcja do rozważenia przy budowaniu inteligentnych asystentów i narzędzi usprawniających codzienną pracę z kodem. W nadchodzących miesiącach zebrane podczas preview informacje mogą wpłynąć na jakość stabilnej, produkcyjnej wersji.

  • Google wprowadza Gemini 3.5 Flash: szybki model agentowy dla programistów

    Google wprowadza Gemini 3.5 Flash: szybki model agentowy dla programistów

    Google ogłosił, że jego nowy model sztucznej inteligencji, Gemini 3.5 Flash, jest teraz dostępny dla wszystkich. Model ten, który zadebiutował 19 maja 2026 roku, jest zaprezentowany jako najszybsza i najbardziej opłacalna opcja w ofercie Google, stworzona z myślą o złożonych zadaniach agentowych oraz programistycznych. To stabilne narzędzie, gotowe do zastosowania na dużą skalę, skierowane jest głównie do deweloperów i zespołów DevOps.

    Gemini 3.5 Flash to model „Flash-tier”, co oznacza, że koncentruje się na niskich opóźnieniach i przystępnych kosztach, przy zachowaniu solidnej wydajności. Jego wyróżnikiem jest kontekst sięgający 1 miliona tokenów oraz możliwość generowania odpowiedzi o długości do 65 536 tokenów. Google zoptymalizował ten model pod kątem długich, wieloetapowych przepływów pracy, iteracyjnego debugowania kodu oraz efektywnego wykorzystywania narzędzi.

    Kluczowe informacje o modelu

    • Status i data: Model jest ogólnie dostępny (GA) od 19 maja 2026 roku.
    • Moc obliczeniowa: Obsługuje 1 048 576 tokenów kontekstu i do 65 536 tokenów wyjścia.
    • Multimodalność: Akceptuje dane wejściowe w formie tekstu, kodu, obrazów, audio, wideo i PDF, generując tekst.
    • Ograniczenia: Nie obsługuje jeszcze Gemini Live API, Content Credentials (C2PA) ani funkcji Computer Use.

    Siła w zadaniach agentowych i kodowaniu

    Podstawową filozofią Gemini 3.5 Flash jest wspieranie „agentycznego wykonywania”. Model działa jak autonomiczny asystent, który planuje, dzieli problem na etapy i używa narzędzi do znalezienia rozwiązania. Dla programistów oznacza to bardziej niezawodnego partnera do refaktoryzacji dużych fragmentów kodu, pisania testów czy analizy całego repozytorium, dzięki dużemu oknu kontekstu.

    Nowością jest funkcja „zachowania myśli” (thought preservation), która przechowuje kontekst rozumowania między kolejnymi turami konwersacji. Może to poprawić wyniki w skomplikowanych, iteracyjnych zadaniach, choć Google zauważa, że może również zwiększyć zużycie tokenów. To podejście sprawdza się w sytuacjach wymagających ciągłości rozumowania, na przykład przy poprawianiu błędów i optymalizacji kodu.

    Wydajność, szybkość i koszty

    Nieoficjalne testy wskazują, że Gemini 3.5 Flash jest znacznie szybszy od swojego poprzednika, osiągając ponad 280 tokenów wyjściowych na sekundę w niektórych konfiguracjach testowych. Jednak ta szybkość i poprawiona inteligencja wiążą się z wyższymi kosztami.

    Szacuje się, że nowy model może być nawet pięciokrotnie droższy w eksploatacji w niektórych scenariuszach benchmarkowych w porównaniu do Gemini 3.5 Flash. Wynika to z wyższej ceny bazowej oraz potencjalnie większego zużycia tokenów przez zaawansowane rozumowanie. Przewidywane ceny to 1,50 USD za 1 milion tokenów wejściowych i 9,00 USD za 1 milion tokenów wyjściowych, z 90% zniżką dla tokenów z cache’a.

    Dlaczego to ważne dla świata web dev i AI?

    Dla społeczności zajmującej się rozwojem webowym, vibe codingu i DevOps, wprowadzenie Gemini 3.5 Flash to istotna wiadomość. Bezpośrednia optymalizacja pod kątem kodowania i długich zadań agentowych czyni go potencjalnie idealnym silnikiem dla zaawansowanych asystentów programistycznych lub autonomicznych narzędzi deploymentu.

    Status GA (general availability) oraz deklarowana gotowość do skalowania w produkcji to zielone światło dla zespołów SaaS i platform hostingowych, które chcą integrować zaawansowane AI bez obaw o niestabilność wersji beta. Możliwość przetwarzania dokumentów PDF, wideo czy audio otwiera także drogę do tworzenia agentów analizujących dokumentację techniczną, logi czy nagrania ze spotkań.

    Podsumowanie

    Gemini 3.5 Flash to odpowiedź Google na rosnące zapotrzebowanie rynku na szybkie, niezawodne i myślące modele AI do zastosowań produkcyjnych. Choć wiąże się z wyższą ceną niż poprzednia generacja, oferuje znaczący postęp w inteligencji, zwłaszcza w obszarze zadań agentowych i programistycznych. Dla deweloperów i inżynierów AI stwarza nowe możliwości budowania bardziej złożonych i samodzielnych aplikacji, które potrafią nie tylko odpowiadać, ale także planować i wykonywać wieloetapowe procesy. Jego prawdziwa wartość ujawni się w praktyce, gdy zespoły zaczną wykorzystywać długi kontekst i domyślne rozumowanie do automatyzacji skomplikowanych przepływów pracy.

  • Qwen-Code v0.15.0-preview.1 wprowadza rozbudowane funkcje agentów i poprawki CLI

    Qwen-Code v0.15.0-preview.1 wprowadza rozbudowane funkcje agentów i poprawki CLI

    Wersja preview Qwen-Code v0.15.0-preview.1 została wydana, wprowadzając istotne ulepszenia w funkcjonalności agentów oraz interfejsie użytkownika w terminalu. To kolejny krok w rozwoju open-source'owego agenta AI dla programistów, który działa głównie w terminalu i jest zoptymalizowany dla serii modeli Qwen.

    Kluczowe fakty dotyczące wydania

    • Rozbudowany system hooków: dodano pełną obsługę hooków dla integracji ACP (Agent Communication Protocol), w tym nowe typy – HTTP Hook, Function Hook i Async Hook.
    • Subagenty w tle: wprowadzono możliwość wykonywania subagentów w tle z obsługą trybu headless i SDK, co umożliwia długotrwałe zadania bez aktywnej sesji terminala.
    • Ulepszenia stabilności: wprowadzono poprawki zwiększające stabilność, takie jak ograniczenie głębokości obserwatora skilli w celu zapobiegania wyczerpywaniu deskryptorów plików.
    • Ulepszenia CLI/UX: terminal otrzymał wielolinijkowy status output, tryb uruchomieniowy bare startup mode oraz diagnostyczne narzędzia /doctor i /recap.

    Większa autonomia i integracja dzięki hookom

    Najważniejszą zmianą techniczną jest rozbudowa systemu hooków. Hook, czyli mechanizm „zaczepiania” się do określonych zdarzeń, pozwala teraz na głębszą integrację z zewnętrznym systemem ACP. Nowe typy – HTTP, Function i Async – umożliwiają automatyzację procesów developerskich w szerszym kontekście. Agent może teraz reagować na zdarzenia z CI/CD, systemów przeglądania kodu czy zarządzania zadaniami, działając jako elastyczny element pipeline'ów DevOps. To przejście od statycznego narzędzia do dynamicznego, rozszerzalnego automatu.

    Subagenty pracujące w tle – rewolucja dla długich zadań

    Funkcja background subagents zmienia sposób realizacji długotrwałych operacji. Dzięki możliwości uruchamiania subagentów w trybie headless oraz poprzez SDK, Qwen-Code może teraz prowadzić zadania asynchroniczne. Jest to kluczowe dla scenariuszy takich jak automatyczne przeglądanie dużego repozytorium, wieloetapowe refaktoringi czy długie analizy kodu w pipeline'ach CI. Deweloper nie musi już pozostawiać aktywnego terminala; agent może pracować samodzielnie, a wyniki zostaną przedstawione później. To ważny krok w stronę praktycznego wykorzystania AI w codziennej pracy programistycznej, gdzie czas i autonomia są kluczowe.

    Lepsze CLI i diagnostyka dla codziennej pracy

    Ulepszenia w interfejsie terminala koncentrują się na użyteczności. Multi-line status output zapewnia czytelniejszy podgląd na działanie agenta. Bare startup mode pozwala na uruchamianie agenta w uproszczonym trybie. Nowe narzędzia diagnostyczne /doctor i /recap pomagają użytkownikowi szybko zdiagnozować problemy z sesją lub przeanalizować przebieg konwersacji z agentem. Wszystko to ma na celu zmniejszenie barier między intencją użytkownika a wykonaniem zadania przez AI. W połączeniu z innymi udoskonaleniami z wersji Qwen-Code v0.15.0-preview.1, terminal staje się bardziej wydajnym centrum sterowania dla agenta.

    Wpływ na rozwój web, vibe coding i DevOps

    Wydanie v0.15.0-preview.1 ma bezpośrednie konsekwencje dla praktyków web developmentu, vibe coding i DevOps. Rozszerzone hooki umożliwiają wpięcie Qwen-Code w istniejące procesy, takie jak automatyczne generowanie dokumentacji po mergu czy uruchamianie testów po zmianie kodu. Subagenty w tle sprawiają, że agent może być użyty do asynchronicznego monitorowania aplikacji, długotrwałego debugowania czy generowania raportów. Ulepszenia stabilności czynią agenta bardziej niezawodnym w złożonych, wielostopowych zadaniach, co jest kluczowe dla vibe coding – pracy, w której AI wspiera iteracyjny, kreatywny proces kodowania.

    Perspektywy rozwoju

    Qwen-Code zmierza w stronę pełnego agentic workflow dla programistów. Zgodnie z informacjami projektu, agent oferuje zaawansowane możliwości, takie jak Skills, SubAgents i Plan Mode. Wydanie preview jest częścią szybkiego cyklu rozwojowego, w którym priorytetem jest stworzenie stateful, ciągłego środowiska pracy z AI, które pamięta sesje i skutecznie integruje się z VS Code i innymi IDE.

    Podsumowanie

    Qwen-Code v0.15.0-preview.1 to nie tylko aktualizacja funkcji; to strategiczny krok w zwiększaniu autonomii, integracji i użyteczności agenta AI w terminalu. Rozbudowane hooki, subagenty w tle oraz ulepszony CLI czynią go realnym kandydatem do automatyzacji części workflowu developerskiego. Dla zespołów pracujących w vibe coding lub pragnących włączyć AI do swoich pipeline'ów CI/CD, ta wersja preview oferuje konkretne, technologiczne fundamenty dla bardziej zaawansowanej współpracy z maszyną.


    Źródła

  • Claude Code 2.1.117: wydajniejsze subagenty, zarządzanie pluginami i optymalizacje

    Claude Code 2.1.117: wydajniejsze subagenty, zarządzanie pluginami i optymalizacje

    Anthropic wydało aktualizację Claude Code 2.1.117, która wprowadza istotne poprawki i nowe funkcje, koncentrując się na wsparciu zaawansowanych przepływów pracy dla programistów. Aktualizacja poprawia zarządzanie sesjami, wydajność oraz wprowadza rozbudowane mechanizmy, co stanowi ważny krok w rozwoju tego narzędzia AI dla deweloperów.

    Celem tego wydania jest ułatwienie długich, złożonych sesji kodowania z asystentem AI. Dla programistów webowych, osób zajmujących się „vibe coding” oraz zespołów DevOps, zmiany te prowadzą do mniejszego tarcia w codziennej pracy i nowych możliwości delegowania zadań w projektach.

    Kluczowe zmiany

    • Lepsza wydajność: Optymalizacje prędkości działania poprawiają responsywność podczas długich sesji.
    • Ulepszone zarządzanie pluginami: Wprowadzenie bardziej niezawodnego rozwiązywania zależności pluginów.
    • Stabilność sesji i naprawa błędów: Liczne poprawki dotyczące stabilności sesji, obsługi wejścia w terminalu oraz zarządzania agentami w tle.

    Rozszerzone możliwości agentów

    Nowością w tej wersji jest zwiększone wsparcie dla zaawansowanych przepływów pracy z agentami. Deweloperzy mogą tworzyć bardziej złożone automatyzacje i delegować konkretne, czasochłonne zadania, takie jak refaktoryzacja dużego modułu, uruchamianie zestawów testów integracyjnych czy generowanie dokumentacji, podczas gdy główna sesja pozostaje responsywna i gotowa do interakcji. To narzędzie może zmienić sposób współpracy z AI dla zespołów pracujących nad monorepozytoriami lub złożoną architekturą mikroserwisów.

    Głębokie optymalizacje pod kątem deweloperów

    Wydajność jest kluczowym elementem tej aktualizacji. Optymalizacje odpowiadają na problemy związane z opóźnieniami podczas intensywnego użytkowania. Szybsze uruchamianie sesji i responsywniejsze działanie poleceń to szczegóły, które w długich sesjach kodowania znacząco poprawiają komfort pracy i skupienie.

    Poprawiono również trwałość wyboru modelu. Claude Code 2.1.117 lepiej zapamiętuje wybrany przez użytkownika model między sesjami, eliminując potrzebę jego ponownego ustawiania. To drobiazg, który pokazuje dojrzałość narzędzia skoncentrowaną na potrzebach użytkowników.

    Lepsza kontrola nad pluginami i sesjami

    Możliwości zarządzania pluginami zostały rozszerzone. Niezawodniejsze rozwiązywanie zależności między pluginami zapobiega konfliktom i problemom z ładowaniem.

    W obszarze zarządzania sesjami wprowadzono logiczne ulepszenia. Agenci, którzy zakończyli pracę, ale pozostawili działającą powłokę w tle, są teraz przenoszeni do kategorii Completed, co ułatwia monitorowanie aktywnych zadań, zwłaszcza gdy równolegle działa wiele procesów. Poprawki dotyczące metryk oferują lepszą obserwowalność automatyzowanych workflowów dla zespołów DevOps.

    Ważne poprawki stabilizujące codzienną pracę

    W tej aktualizacji wprowadzono kluczowe poprawki błędów, które stabilizują podstawowe funkcje. Naprawiono problem z hakami stopu (stop hooks), które mogły blokować się w nieskończonej pętli – teraz taki obrót zdarzeń kończy się ostrzeżeniem po 8 kolejnych blokadach. Działanie Esc/Ctrl+C zostało usprawnione, aby prawidłowo anulować oczekujące polecenia.

    Ważna jest również poprawka dotycząca polecenia /context, które wcześniej niepotrzebnie dodawało do konwersacji wizualizację siatki ASCII, marnując około 1.6 tys. tokenów za każdym razem. W dobie świadomego zarządzania kontekstem i tokenami, taka optymalizacja ma wymierny sens finansowy.

    • Dla programistów webowych i fanów vibe coding zmiana progu automatycznej kompresji kontekstu dla najnowszych modeli może być istotna, pozwalając na efektywniejsze zarządzanie długimi sesjami bez utraty istotnych informacji.

    Źródła