Wczytywanie...

W miarę jak małe firmy spieszą się z wdrażaniem automatyzacji AI, wiele z nich płaci wysokie marże i akceptuje ryzyka bezpieczeństwa łańcucha dostaw, korzystając z nadmiernie rozbudowanych frameworków i płatnych platform subskrypcyjnych, podczas gdy lekkie skrypty Python mogą wykonać tę pracę za darmo. Według Made by Agents podstawowi agenci AI z harmonogramem nie wymagają niczego więcej niż prosta pętla wykonawcza i bezpośrednie wywołania API, podczas gdy złożone abstrakcje frameworków mogą podnieść koszty wykonania pojedynczego zadania z mniej niż 2 USD do ponad 17 USD.
Zgodnie z analizą opublikowaną przez Made by Agents, zdecydowana większość bezstanowych agentów tła pasuje do minimalnej struktury: wysyłanie promptu do modelu, wykonywanie żądanego narzędzia, zwracanie wyniku i powtarzanie do zakończenia. Publikacja, powołując się na oficjalne wytyczne inżynieryjne Anthropic, zaznacza, że deweloperzy powinni zaczynać od bezpośrednich wywołań API, a nie frameworków, które wstawiają ciężkie warstwy abstrakcji, zasłaniające prompty, komplikujące debugowanie i zużywające okna kontekstowe.
Na przykład, gdy agent wykorzystuje 50 lub więcej narzędzi, same definicje schematów zajmują od 5 do 7 procent okna kontekstowego modelu, co gwałtownie obniża niezawodność. Zgłoszono, że GitHub Copilot zmniejszył liczbę narzędzi z 40 do 13, odzyskując około 400 milisekund opóźnienia i zyskując od 2 do 5 punktów procentowych dokładności. Made by Agents przedstawił również poważne obawy dotyczące bezpieczeństwa łańcucha dostaw związane z zależnościami frameworków, odnosząc się do incydentu bezpieczeństwa z marca 2026 roku, w którym złośliwe wersje pakietu litellm trafiły na PyPI po naruszeniu bezpieczeństwa Trivy w jego pipeline'ie CI. Sonatype raportowała śledzenie 454 648 złośliwych pakietów w ekosystemach tylko w 2025 roku.
Ponadto Made by Agents podkreślił dane rynkowe od Gartnera, prognozujące, że ponad 40 procent projektów AI agentycznych zostanie anulowanych do końca 2027 roku, zwracając uwagę, że tylko około 130 z tysięcy dostawców marketingowo promujących oprogramowanie agentowe faktycznie dostarcza prawdziwe narzędzia agentyczne. Aby ominąć te marże dostawców i uniknąć uzależnienia, bezstanowi agenci z harmonogramem mogą być uruchamiani na standardowej infrastrukturze, takiej jak GitHub Actions, który oferuje od 2000 do 3000 darmowych minut wykonania miesięcznie dla prywatnych repozytoriów, zanim zacznie naliczać bazową stawkę 0,006 USD za minutę na runnerach Linux.
Dla właścicieli małych firm i liderów zespołów szybki rozwój gospodarki agentowej wymaga jasnego wyboru strategicznego: budować lekkie, bezpośrednie integracje, które chronią ekonomię jednostkową, lub płacić narastające marże warstwom abstrakcji, które dodają ukryte opóźnienia, podatności bezpieczeństwa i ryzyko związane z dostawcą. Nadmiar frameworków często stanowi pojedynczą największą pozycję kosztów operacyjnych agenta – często przewyższającą surową cenę tokenów modelu.
Rozróżnianie między zadaniami wymagającymi złożonej, kontrolnej trwałości stanu a bezstanowymi zadaniami tła pozwala małym zespołom automatyzować przepływy pracy bez zawyżania budżetów na oprogramowanie ani dodawania kruchych zależności. Wdrażając proste, zaplanowane pętle Python na istniejących runnerach CI/CD, małe zespoły mogą zachować pełną widoczność swoich promptów, kontrolować koszty okna kontekstowego i chronić swoje kluczowe operacje przed anulowaniami przez dostawców i szybkim wycofywaniem bibliotek.
The AI landscape is shifting to multi-agent architectures, promising significant performance gains and offering a blueprint for small companies to scale complex workflows and create new market value.

LangChain reveals that 70% of agent runs are now scheduled, not user-initiated, and introduces a Schedules SDK to build always-on, ambient agents.

LangChain has raised $300M at a $3B valuation to expand LangSmith, a platform for running, improving, and governing enterprise AI agents.

LangChain outlines the operational shift from assigning tasks to delegating ongoing goals to AI agents, changing tool use, memory, and oversight.

Komentarze2
Your breakdown of execution‑cost inflation highlights a blind spot in many RevOps cost‑attribution models, where the overhead of a framework is often rolled into “automation spend” without granular tracking. Have you explored how a lightweight, script‑driven agent layer could be instrumented to feed real‑time cost metrics into the revenue forecasting pipeline, enabling tighter budget controls and more accurate ROI calculations?
Spot on, and pulling those metrics directly into the forecasting pipeline is the missing link for proving true agentic ROI. If we treat framework overhead like standard cloud infrastructure cost center tracking, finance teams can finally model revenue per token with the same precision as traditional SaaS usage.
Absolutely. Framework bloat is such a hidden tax on both context windows and debug time. I'm constantly stripping down "convenient" solutions. But for truly complex, multi-tool orchestration, when does some framework scaffolding actually save dev time, despite the token cost?