Agentic workflow (po polsku agentowy przepływ pracy) to sposób organizowania pracy z modelem AI, w którym zadanie nie kończy się na jednym pytaniu i jednej odpowiedzi. Model wykonuje je w wielu krokach: pobiera dane, korzysta z narzędzi, sprawdza wyniki, poprawia własną pracę i dopiero potem oddaje efekt. Część kroków może być z góry zaprojektowana przez człowieka, a część pozostawiona decyzji samego modelu.
Pojęcie spopularyzował w 2024 roku Andrew Ng, który w newsletterze The Batch opisał cztery wzorce pracy agentowej: refleksję, użycie narzędzi, planowanie i współpracę wielu agentów. Dziś agentic workflow to codzienność w programowaniu, analizie danych i obsłudze klienta, a coraz częściej także w pracy inwestora. Opisuję, jak to działa, kiedy warto, a kiedy lepiej zostać przy prostszym rozwiązaniu, i gdzie kończy się rozsądna automatyzacja przy pieniądzach.
Co to jest agentic workflow w prostych słowach
Zwykły czat działa jak rozmowa: zadajesz pytanie, dostajesz odpowiedź. W agentic workflow dajesz cel, na przykład „przygotuj poranny przegląd rynku”, a system sam przechodzi przez etapy: pobiera notowania, czyta kalendarz makro, liczy zmiany, pisze szkic i sprawdza go. Między krokami model widzi wyniki poprzednich działań i na tej podstawie decyduje, co dalej.
Workflow a agent: kluczowa różnica
W grudniu 2024 roku Anthropic opublikował tekst „Building effective agents”, który porządkuje pojęcia i do dziś jest często cytowany. Firma rozróżnia dwa rodzaje systemów agentowych:
- Workflow (ustalony przepływ pracy). Modele i narzędzia są połączone według ścieżek z góry zapisanych w kodzie. Człowiek projektuje kolejność kroków, a model wykonuje każdy z nich.
- Agent. Model sam kieruje swoim procesem i sam wybiera, których narzędzi użyć i w jakiej kolejności. Działa w pętli: wykonuje akcję, ocenia wynik, wybiera kolejną akcję.
Workflow daje przewidywalność i powtarzalność, agent daje elastyczność przy zadaniach, których przebiegu nie da się z góry rozpisać. Anthropic radzi zaczynać od najprostszego rozwiązania i dokładać złożoność dopiero wtedy, gdy prostsze wyraźnie nie wystarcza. Często wystarcza jedno dobrze przygotowane zapytanie do modelu z odpowiednimi danymi.
Wzorce agentic workflow według Anthropic
- Prompt chaining (łańcuch promptów). Zadanie dzielone jest na kolejne kroki, a każdy krok pracuje na wyniku poprzedniego. Między krokami można wstawić automatyczną kontrolę, czy wszystko idzie dobrze.
- Routing (kierowanie). Model klasyfikuje wejście i kieruje je do wyspecjalizowanej ścieżki. Przykład: news o stopach procentowych trafia do innej analizy niż news o wynikach spółki.
- Parallelization (zrównoleglenie). Kilka podzadań wykonuje się jednocześnie (sectioning) albo to samo zadanie wykonuje się kilka razy, żeby porównać wyniki (voting).
- Orchestrator-workers (koordynator i wykonawcy). Centralny model dzieli zadanie na części, rozdziela je modelom wykonawczym i składa ich wyniki. Podzadania nie są ustalone z góry, tylko zależą od konkretnego zadania.
- Evaluator-optimizer (oceniający i poprawiający). Jeden model tworzy wynik, drugi go ocenia i odsyła uwagi, aż efekt spełni kryteria.
Pełny agent to kolejny poziom: model korzystający z narzędzi w pętli na podstawie informacji zwrotnej z otoczenia, z warunkiem zatrzymania, na przykład maksymalną liczbą kroków.
Narzędzia i orkiestracja
Żeby workflow mógł cokolwiek zrobić poza pisaniem tekstu, model potrzebuje narzędzi: wyszukiwarki, dostępu do plików, API z danymi rynkowymi, arkusza z dziennikiem transakcji. Coraz częściej podłącza się je przez MCP, otwarty standard łączenia AI z narzędziami i danymi. Większe zadania dzieli się między subagentów, czyli osobne instancje modelu z własnym, wąskim zadaniem i własnym kontekstem, którymi zarządza agent główny.
Taka architektura ma swoją cenę. Anthropic w opisie swojego wieloagentowego systemu badawczego z czerwca 2025 roku podał, że agenci zużywają zwykle około 4 razy więcej tokenów niż zwykły czat, a systemy wieloagentowe około 15 razy więcej. W wewnętrznym teście ten system wypadł o 90,2% lepiej niż pojedynczy agent, ale tylko przy zadaniach, w których praca dawała się dobrze rozdzielić.
Koszty i błędy kumulujące się w krokach
Każdy krok workflow to szansa na błąd. Jeśli pojedynczy krok jest poprawny w 95% przypadków, to cały łańcuch pięciu takich kroków, przy założeniu niezależnych błędów, zadziała poprawnie tylko w około 77% przypadków (0,95 do potęgi piątej). Przy dziesięciu krokach to już mniej niż 60%. Anthropic wprost pisze, że autonomia oznacza wyższe koszty i ryzyko kumulowania się błędów: agent pamięta stan z poprzednich kroków, więc jedna pomyłka na początku może skierować całą resztę pracy na złe tory.
Dla tradera to znany mechanizm. Pomyłka w jednym wierszu danych wejściowych przechodzi przez wszystkie obliczenia i kończy się złym wnioskiem, który na końcu wygląda bardzo przekonująco. Dlatego w każdym dłuższym workflow potrzebne są punkty kontrolne, a sama jakość workflow powinna być mierzona na zestawie testowych przypadków, a nie oceniana na oko.
Przykłady agentic workflow dla tradera
- Codzienny raport rynkowy. Pobranie danych (notowania, finansowanie kontraktów perpetual, kalendarz makro) → analiza zmian względem poprzedniego dnia → szkic raportu → weryfikacja liczb przez osobny krok, który porównuje każdą wartość w tekście z danymi źródłowymi. To klasyczny prompt chaining z kontrolą na końcu.
- Monitoring newsów. System czyta komunikaty i wiadomości, klasyfikuje je według aktywów i wagi (routing), a tylko istotne przekazuje dalej w formie krótkiego alertu. Agent informuje, a decyzję podejmujesz Ty.
- Dziennik transakcji. Po zamknięciu dnia workflow pobiera historię zleceń z API giełdy w trybie tylko do odczytu, uzupełnia dziennik, liczy statystyki (średni zysk do straty, skuteczność według godzin czy instrumentów) i oznacza transakcje niezgodne z Twoimi zasadami, na przykład zbyt duże pozycje względem limitu ryzyka.
- Przegląd raportów kwartalnych. Koordynator rozdziela raporty kilku spółek między subagentów, każdy wyciąga kluczowe liczby, a na końcu model zestawia porównanie. Osobny krok sprawdza liczby z oryginałem.
Z mojej perspektywy najlepiej sprawdzają się workflow, które przygotowują informacje i wykonują żmudne obliczenia, a nie te, które same handlują. Wielkość pozycji i tak warto liczyć według stałych reguł, na przykład w kalkulatorze wielkości pozycji, a nie zostawiać tego modelowi.
Human-in-the-loop przy działaniach nieodwracalnych
Human-in-the-loop oznacza, że w określonych miejscach workflow zatrzymuje się i czeka na decyzję człowieka. Przy działaniach, których nie da się cofnąć, to podstawowe zabezpieczenie. Dotyczy to złożenia lub anulowania zlecenia, zmiany dźwigni, wypłaty z giełdy, przelewu bankowego, transakcji w portfelu kryptowalutowym czy wysłania maila w Twoim imieniu. Agent może wszystko przygotować, ale ostatnie kliknięcie należy do Ciebie, i to w osobnym interfejsie, a nie tylko w rozmowie z modelem.
Zabezpieczenia agentic workflow
- Najmniejsze uprawnienia. Każdy krok dostaje tylko te narzędzia i dostępy, których potrzebuje. Krok raportowy nie musi mieć prawa handlu, a krok analizy nie musi mieć dostępu do poczty.
- Limity. Maksymalna liczba kroków, limit wydatków na tokeny, limit kwotowy na operacje i dzienny limit zleceń. Twarde limity egzekwuj w kodzie albo w ustawieniach giełdy, a nie w prompcie.
- Logi. Zapisuj każdy krok, każde wywołanie narzędzia i jego wynik. Bez logów nie odtworzysz, skąd wziął się błąd w raporcie.
- Testy w piaskownicy. Nowy workflow uruchamiaj najpierw na danych historycznych albo na koncie demo, zanim podłączysz go do prawdziwych środków.
- Wyłącznik awaryjny. Możliwość natychmiastowego zatrzymania całego procesu i odcięcia kluczy API, niezależna od modelu.
Ryzyka agentic workflow
- Kumulacja błędów. Mała pomyłka na początku łańcucha przechodzi przez wszystkie kroki i trudno ją potem zauważyć.
- Koszty. Wieloetapowe i wieloagentowe systemy zużywają wielokrotnie więcej tokenów niż czat. Przy codziennym uruchamianiu rachunek szybko rośnie.
- Złudzenie kontroli. Workflow, który działa dobrze przez tydzień, nie musi działać w dniu publikacji danych z rynku pracy czy przy gwałtownej zmienności.
- Złośliwe treści z zewnątrz. Workflow, który czyta strony, maile i wiadomości, może trafić na treści przygotowane po to, żeby zmienić jego działanie.
Najczęstsze pytania o agentic workflow
Czym agentic workflow różni się od zwykłej automatyzacji?
Klasyczna automatyzacja wykonuje sztywne reguły. W agentic workflow kroki wykonuje model językowy, który rozumie tekst, wybiera narzędzia i może zmieniać plan w zależności od wyników. To daje elastyczność, ale też mniejszą przewidywalność.
Kiedy wystarczy prosty workflow, a kiedy potrzebny jest agent?
Jeśli kroki zadania da się z góry rozpisać, na przykład codzienny raport z tych samych źródeł, wystarczy ustalony workflow. Agent ma sens wtedy, gdy przebieg zadania zależy od tego, co system znajdzie po drodze, i nie da się go zaplanować z wyprzedzeniem.
Czy agentic workflow może sam składać zlecenia na giełdzie?
Technicznie tak, ale przy działaniach nieodwracalnych rozsądniej jest, żeby agent przygotował zlecenie, a Ty je zatwierdził. Jeśli już dajesz mu dostęp, to na osobnym subkoncie, z małym kapitałem, twardymi limitami i bez prawa wypłat.
Podsumowanie
Agentic workflow to praca z AI rozłożona na wiele kroków, w której model korzysta z narzędzi i ocenia własne wyniki. Anthropic w grudniu 2024 roku rozróżnił ustalone workflow, w których kroki projektuje człowiek, od agentów, którzy sami kierują swoim działaniem, i opisał wzorce: prompt chaining, routing, zrównoleglenie, koordynatora z wykonawcami oraz pętlę oceny i poprawy. Dla tradera najwięcej wartości dają przepływy, które zbierają dane, liczą statystyki i przygotowują raporty. Pamiętaj, że błędy kumulują się w kolejnych krokach, koszty rosną z każdym agentem, a działania nieodwracalne, takie jak zlecenia i przelewy, powinny zawsze czekać na Twoją decyzję.
