Źródła — na czym stoi ten kurs

Zebrane 23 września 2026. Każda pozycja ma dopisane, co z niej weszło do kursu i gdzie.

⚠️ Wszystko tutaj starzeje się w miesiącach. Krajobraz agentowy w 2026 zmienia się szybciej niż dokumentacja za nim nadąża. Gdy w części kursu widzisz konkretną liczbę (np. „85 % oszczędności kontekstu"), traktuj ją jako pomiar cudzy, do powtórzenia u siebie — nie jako stałą fizyczną. Dlatego każda część ma eksperyment.

---

1. OpenClaw — główne studium przypadku

Poprosiłeś wprost, żebym to sprawdził. Sprawdziłem — i to jest najlepiej udokumentowany działający system agentowy do nauki architektury, bo cała jego logika leży w czytelnych plikach, a nie w wagach modelu.

Czego OpenClaw uczy najlepiej: że agent to problem infrastrukturalny, nie promptowy. Sesje, routing, piaskownice i pamięć to 90 % roboty. Prompt to 10 %.

Czego OpenClaw uczy przez kontrprzykład: wartości Secret Store nie są szyfrowane spoczynkowo w wersji 2.0, a piaskownica dla niezaufanego kodu nie jest włączona domyślnie. Cisco znalazło w zewnętrznych umiejętnościach realną eksfiltrację danych. To nie jest powód, żeby go nie studiować — to jest materiał do części 16.

---

2. Peter Steinberger — głos przeciwny nurtowi

Autor OpenClaw. Warty czytania nie dlatego, że ma rację we wszystkim, tylko dlatego, że jego tezy są testowalne i idą pod prąd temu, co sprzedaje reszta rynku.

Jak czytam Steinbergera w tym kursie. Jego stanowisko „bez MCP, bez RAG, bez subagentów" jest prawdziwe dla jego przypadku: doświadczony inżynier, model klasy frontier, zadania programistyczne, pełne zaufanie do maszyny. Trzy z tych czterech warunków u Ciebie nie zachodzą. Dlatego w części 9 i 13 stawiam jego tezy obok pomiaru i każę Ci rozstrzygnąć samemu. To jest ważniejsza umiejętność niż wybór strony.

---

3. Anthropic — inżynieria harnessu i kontekstu

---

4. Code-mode — największa zmiana tego roku

Dlaczego to jest dla Ciebie ważniejsze niż dla kogokolwiek innego: mały model lokalny generuje poprawny Python znacznie pewniej niż długi, poprawny JSON z zagnieżdżonymi argumentami. Code-mode przenosi ciężar z formatu, w którym model jest słaby, na format, w którym jest mocny. To jest część 8 i jeden z dwóch najważniejszych rozdziałów kursu.

---

5. Pamięć agentowa

---

6. Bezpieczeństwo agentowe

---

7. Ewaluacja i obserwowalność

---

8. Protokoły

---

9. Modele lokalne i silniki

---

10. Frameworki — do porównań, nie do naśladowania

Uwaga o smolagents: agenci generujący kod zamiast JSON-a redukują liczbę wywołań modelu o ~30 % i mają wbudowane wykonanie w piaskownicy. To najbliższa gotowa implementacja tego, co budujesz w części 8 — i dlatego jest tam punktem odniesienia.

---

11. Czego celowo nie ma na tej liście

• Kursów wideo i płatnych bootcampów. Sprawdziłem kilka; wszystkie uczą frameworka, żaden mechanizmu. Masz je za darmo w dokumentacji tych frameworków.
• Benchmarków modeli. Starzeją się w tygodniach i nie odpowiadają na Twoje pytanie, bo Twoim wąskim gardłem jest harness, nie model (patrz §7, pozycja pierwsza).
• Artykułów „top 10 agent frameworks". Jest ich tysiąc, mówią to samo i żaden nie mierzy. Gdzie potrzebowałem porównania, brałem je z dokumentacji źródłowej.

---

Jak weryfikować to po mnie

Każde twierdzenie w kursie oznaczone ⚠️ do sprawdzenia to takie, którego nie zmierzyłem na Twoim sprzęcie — bo nie mam do niego ciągłego dostępu. Wszystkie inne liczby pochodzą albo z tej listy (wtedy jest link), albo z pomiaru opisanego w tekście.

Gdy liczba z tej listy nie zgadza się z Twoim pomiarem — Twój pomiar wygrywa i popraw kurs. Pliki są Twoje.