Przejdź do głównej treści
Polski— Wybierz język
Menu

Przypadki użycia wielu agentów

Lekcja 16 z 18 Zaktualizowano 2 listopada 2026 Programista
Na tej stronie
  1. Od koncepcji do rzeczywistości
  2. Przypadek 1: Wielopoziomowe wsparcie klienta
  3. Przypadek 2: Potok wywiadu strategicznego
  4. Przypadek 3: Wszechstronny asystent
  5. Co odróżnia prototyp od systemu
  6. Kluczowe wnioski

Od koncepcji do rzeczywistości

Znasz już mechanizmy przekazywania zadań (handoffs), tryby wykonywania i łańcuchowanie. W tej lekcji złożymy te elementy w trzy kompletne systemy, z których każdy opiera się na innej topologii: łańcuchu eskalacji, potoku (pipeline) oraz routerze. Czytając, zwróć uwagę, jak architektura wypływa z problemu, a nie odwrotnie – to natura potrzeby dyktuje formę, a nie technologia.

Przypadek 1: Wielopoziomowe wsparcie klienta

Operacje wsparcia działają w poziomach: większość zgłoszeń rozwiązywana jest przy pierwszym kontakcie, mniejszość wymaga diagnozy technicznej, a garstka trafia do człowieka. Ta rzeczywistość mapuje się bezpośrednio na łańcuch eskalacji, w którym każdy poziom przekazuje zadanie tylko do następnego.

from mistralai.client import Mistral
import os

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

# Level 1: FAQ and simple questions
level1 = client.beta.agents.create(
    model="mistral-medium-latest",
    name="support-level1",
    description="Level 1 support: FAQ, common questions, basic information.",
    instructions="""You are the first level of support.
- Answer simple questions (hours, rates, FAQ)
- If the question is technical or complex, transfer to level 2
- Be polite and professional""",
    tools=[{"type": "document_library", "library_ids": ["faq-library-id"]}]
)

# Level 2: Technical support
level2 = client.beta.agents.create(
    model="mistral-large-latest",
    name="support-level2",
    description="Technical support: diagnosis, troubleshooting, configuration.",
    instructions="""You are technical support.
- Diagnose technical issues
- Propose step-by-step solutions
- If the problem requires manual intervention, transfer to level 3""",
    tools=[{"type": "web_search"}, {"type": "code_interpreter"}]
)

# Level 3: Human escalation (simulation)
level3 = client.beta.agents.create(
    model="mistral-large-latest",
    name="support-level3",
    description="Escalation: critical issues requiring human intervention.",
    instructions="""Prepare a summary of the issue for the technical team:
- Problem context
- Diagnostic steps performed
- Solutions attempted
- Recommendation"""
)

# Chain the escalations
level1 = client.beta.agents.update(agent_id=level1.id, handoffs=[level2.id])
level2 = client.beta.agents.update(agent_id=level2.id, handoffs=[level3.id])

Wyróżniają się tu dwie decyzje. Poziom 1 działa na modelu mistral-medium-latest, podczas gdy kolejne poziomy używają mistral-large-latest. Poziom 1 obsługuje największą liczbę zgłoszeń, więc przydzielenie mu najdroższego modelu oznaczałoby płacenie za niepotrzebną eksperckość w kwestiach takich jak godziny otwarcia. Poziom 3 z kolei niczego nie rozwiązuje; tworzy jedynie dokumentację sprawy. Dokładnie tego oczekujesz od eskalacji do człowieka – inżynier przejmujący sprawę otrzymuje kontekst, wykonane już kroki diagnostyczne i podjęte próby rozwiązań, zamiast zaczynać przesłuchanie od zera.

W praktyce klient pisze: „Nie mogę zalogować się na swoje konto“. Poziom 1 sprawdza bazę FAQ, nie znajduje pasującego przypadku i przekazuje sprawę dalej. Poziom 2 diagnozuje problem z bazą danych wykraczający poza jego zakres i ponownie przekazuje zgłoszenie. Poziom 3 przygotowuje ticket z pełną historią sprawy.

Przypadek 2: Potok wywiadu strategicznego

Tutaj kolejność jest stała i znana z góry: nie możesz analizować tego, czego nie zebrano, ani pisać tego, czego nie przeanalizowano. Liniowy łańcuch jest zatem obowiązkowy, a punktem wejścia nie jest router, lecz pierwsze ogniwo.

# Collector — searches for raw information
collector = client.beta.agents.create(
    model="mistral-large-latest",
    name="intelligence-collector",
    description="Collects strategic information via web search.",
    instructions="""Search for information on the requested topic.
- Cover multiple sources
- Include numerical data
- Note publication dates""",
    tools=[{"type": "web_search"}]
)

# Analyst — extracts insights
analyst = client.beta.agents.create(
    model="mistral-large-latest",
    name="intelligence-analyst",
    description="Analyzes and extracts insights from raw data.",
    instructions="""Analyze the collected data:
- Identify trends
- Spot opportunities and threats
- Quantify when possible""",
    tools=[{"type": "code_interpreter"}]
)

# Reporter — produces the report
reporter = client.beta.agents.create(
    model="mistral-large-latest",
    name="intelligence-reporter",
    description="Writes structured intelligence reports.",
    instructions="""Write a professional intelligence report:
## Executive Summary (3 sentences)
## Key Facts (bullet points)
## Analysis (2-3 paragraphs)
## Recommendations (concrete actions)
## Sources"""
)

# Pipeline
collector = client.beta.agents.update(agent_id=collector.id, handoffs=[analyst.id])
analyst = client.beta.agents.update(agent_id=analyst.id, handoffs=[reporter.id])

# Launch
response = client.beta.conversations.start(
    agent_id=collector.id,
    inputs="Strategic intelligence: sovereign AI market in Europe, Q1 2026."
)

Szkielet raportu jest zapisany czarno na białym w instrukcjach agenta raportującego, aż po liczbę zdań w streszczeniu menedżerskim. To właśnie ten poziom precyzji sprawia, że wywiad jest użyteczny w czasie: każdy raport wychodzi w tym samym formacie, co pozwala porównywać dane z tygodnia na tydzień i dystrybuować je bez edycji. Zwróć też uwagę na instrukcję dla kolektora, aby rejestrował daty publikacji – bez niej raport wywiadowczy może wyglądać solidnie, opierając się jednocześnie na nieaktualnych źródłach.

Przypadek 3: Wszechstronny asystent

Gdy zgłoszenia dotyczą niezwiązanych ze sobą umiejętności, nie mamy do czynienia ani z eskalacją, ani z potokiem; mamy routing. Centralny router odczytuje zapytanie i kieruje je do jednego z czterech specjalistów, z których żaden nie musi wiedzieć o pozostałych.

# Specialists
web_researcher = client.beta.agents.create(
    model="mistral-large-latest",
    name="web-researcher",
    description="Searches for current information on the internet.",
    tools=[{"type": "web_search"}]
)

data_analyst = client.beta.agents.create(
    model="mistral-large-latest",
    name="data-analyst",
    description="Data analysis, statistics, and visualizations.",
    tools=[{"type": "code_interpreter"}]
)

doc_expert = client.beta.agents.create(
    model="mistral-large-latest",
    name="doc-expert",
    description="Queries and synthesizes internal documents.",
    tools=[{"type": "document_library", "library_ids": ["docs-lib-id"]}]
)

creative = client.beta.agents.create(
    model="mistral-large-latest",
    name="creative-agent",
    description="Creates visual content and illustrations.",
    tools=[{"type": "image_generation"}]
)

# Central router
assistant = client.beta.agents.create(
    model="mistral-large-latest",
    name="research-assistant",
    description="Versatile research assistant.",
    instructions="""You are a research assistant. Analyze each request and transfer to the appropriate specialist:
- Current information → web-researcher
- Calculations and data → data-analyst
- Questions about our documents → doc-expert
- Need for illustrations → creative-agent""",
    handoffs=[web_researcher.id, data_analyst.id, doc_expert.id, creative.id]
)

Każdy specjalista posiada dokładnie jedno narzędzie, a cztery opisy nigdzie się nie pokrywają. To właśnie brak nakładania się zakresów czyni routing stabilnym: gdyby dwóch agentów mogło prawdopodobnie obsłużyć to samo zgłoszenie, wybór zmieniałby się przy każdym wykonaniu, a użytkownicy doświadczaliby niespójnej jakości, nie rozumiejąc przyczyny.

Co odróżnia prototyp od systemu

Te trzy systemy łączy ta sama zasada projektowa: jeden agent, jedna odpowiedzialność. Gdy tylko agent accumulating dwie role, jego instrukcje zaczynają sobie przeczyć, a opis staje się zbyt ogólny, by router mógł podjąć właściwą decyzję. Pisząc każdy opis, miej na uwadze decyzję, którą musi on umożliwić, a tworząc zestaw instrukcji, określ nie tylko to, co agent musi zrobić, ale także czego nie wolno mu robić.

Przejście do środowiska produkcyjnego dodaje cztery wymagania, które prototyp ignoruje. Po pierwsze, logowanie: tryb klienta pozwala śledzić każde przekazanie zadania za pomocą własnych identyfikatorów, co będzie Twoją jedyną drogą ucieczki w dniu, gdy użytkownik zgłosi nieprawidłową odpowiedź. Po drugie, limity czasowe (timeouts), niezbędne w długich łańcuchach, gdzie zablokowane ogniwo unieruchamia resztę. Po trzecie, mechanizmy awaryjne (fallbacks), ponieważ na pytanie „co się stanie, jeśli ten agent zawiedzie?“ trzeba mieć pisemną odpowiedź przed uruchomieniem, a nie po pierwszym incydencie. Wreszcie, monitorowanie kosztów: łańcuch trzech agentów zużywa tokeny na każdym etapie przekaźnika i tylko licznik na rozmowę powie Ci, czy Twój potok wywiadowczy kosztuje kilka centów, czy znacznie więcej.

Kluczowe wnioski

  • Wielopoziomowe wsparcie klienta to naturalny przypadek użycia dla przekazywania zadań (handoffs)
  • Potoki wywiadowcze (zbieranie → analiza → pisanie) wykorzystują łańcuchowanie liniowe
  • Wszechstronne asystenty używają centralnego routera do specjalistów
  • W środowisku produkcyjnym niezbędne są: logowanie, limity czasowe, mechanizmy awaryjne i monitorowanie kosztów
  • Jeden agent = jedna odpowiedzialność, z precyzyjnym opisem umożliwiającym routing