Architektura: Opus planuje, lokalni agenci wykonują

Stan na 11 października 2026. Jak złożyć harnessy z 01-PROFILE.md i klocki z 02-KLOCKI.md w aplikacje na moim sprzęcie: 4× AMD Radeon AI PRO R9700, llama-swap, DeepSeek-V4-Flash jako lokalny wykonawca, Claude Opus 5.5 jako planista. Liczby sprzętowe są zmierzone (źródła niżej), ceny chmury sprawdzone na stronie cennika 11.10.2026. Wszystko inne to projekt — niezmierzony, dopóki go nie zbudujesz i nie zmierzysz.

---

Spis treści

1. Zasoby: co naprawdę masz
2. Wzorzec: planista i wykonawcy
3. Co jest udowodnione, a co nie
4. Pięć zastosowań — konkretne układy
5. Koszty: czy lokalnie jest taniej?
6. Ścieżka: co wziąć gotowe, co zbudować samemu

---

1. Zasoby: co naprawdę masz

Źródła: PARALLEL.md i RESULTS.md w repozytorium wyników; model: karta DeepSeek-V4-Flash.

Trzy wnioski, które sterują całą architekturą:

1. VRAM jest pełny. DeepSeek zostawia na każdej karcie około 1,4 GB. Model mowy, wizji albo generowania obrazów nie zmieści się obok — musi działać na CPU, dostać kartę po wymianie modelu w llama-swap (to trwa) albo trafić do chmury. To najważniejsze ograniczenie dla U4 i U5.
2. Kontekst kosztuje czas, nie tylko pamięć — i czytanie jest wspólne. Jeden agent czyta prompt z prędkością około 1 200 tok/s, więc kontekst 50 tys. tokenów bez cache to około 40 sekund, zanim napisze pierwsze słowo. Gdy startuje kilku naraz, dzielą tę prędkość między siebie: łącznie rośnie ona tylko do około 1 700 tok/s, więc 4 agentów, z których każdy zaczyna od 16 tys. tokenów kontekstu, czeka 44 s na pierwszy token. Dzięki slotom każdy agent ma własny prompt cache i w kolejnych turach czyta tylko nową część rozmowy — pod warunkiem stałego prefiksu (pułapka H4 w 01-PROFILE.md). To ważniejsze niż wybór harnessu.
3. Cztery sloty to twardy limit, trzy — optimum. Planuj 3 wykonawców naraz i jeden slot w zapasie (na planistę w trybie w pełni lokalnym albo na pilne zadanie). Piąte zapytanie czeka w kolejce. Limit ustaw w jednym miejscu z kolejką — w bramce (Bifrost), we frameworku (ConcurrencyLimiter w Pydantic AI) albo w kolejce zadań (DBOS, Prefect).

Masz też w llama-swap wariant gpt-oss-20b-cpu, który działa bez kart. Grupa llama-swap, w której modele nie wymieniają się nawzajem, pozwala trzymać DeepSeeka na GPU i małe modele na CPU jednocześnie — to wejście dla szybkich, prostych tur (np. głosu). Prędkości generowania wariantu CPU nie mierzyłem.

---

2. Wzorzec: planista i wykonawcy

flowchart LR
    U[Ty: tekst / głos / Telegram] --> P[Opus 5.5 — planista]
    P -->|kontrakt zadania| Q[Kolejka z limitem 4]
    Q --> W1[Wykonawca DeepSeek]
    Q --> W2[Wykonawca DeepSeek]
    Q --> W3[Wykonawca DeepSeek]
    Q --> W4[Wykonawca DeepSeek]
    W1 & W2 & W3 & W4 -->|wynik JSON| V[Walidacja w kodzie]
    V -->|błąd 2×| P
    V -->|OK| P
    P -->|akcja z zapisem| H[Zatwierdzenie człowieka]
    H --> X[Świat: kod, klaster, publikacja, alert]

Osiem zasad, zebranych z najlepszych pomysłów harnessów z rankingu:

1. Kontrakt zadania, nie rozmowa. Planista wysyła cel, dane wejściowe, dozwolone narzędzia, schemat wyniku, budżet (tokeny i czas) i kryterium „gotowe". Wykonawca dostaje świeży kontekst (OpenCode, Deep Agents, Hermes).
2. Wykonawcy czytają, planista pisze. Lokalni wykonawcy mają małe zestawy narzędzi tylko do odczytu; wszystko, co zmienia świat (zapis plików, kubectl apply, publikacja, wydanie pieniędzy) przechodzi przez planistę i człowieka.
3. Wynik zawsze strukturalny. JSON walidowany w kodzie + jedna tura naprawy (Hermes output_schema, Pydantic AI).
4. Eskalacja po dwóch porażkach. Gdy wykonawca dwa razy nie przejdzie walidacji — zadanie wraca do Opusa.
5. Jeden limit współbieżności (zasada 3 z sekcji 1).
6. Stały prefiks promptu — czas i zmienne dane w wiadomości użytkownika, nie w prompcie systemowym (Moltis).
7. Myślenie tylko tam, gdzie trzeba. Dla prostych wykonawców wyłącz tryb myślenia DeepSeeka albo upewnij się, że harness odsyła reasoning_content (pułapka H2).
8. Mierz na swoich zadaniach. Skuteczność i liczba tokenów Opusa na ukończone zadanie, nie na zapytanie.

Tryb w pełni lokalny

Gdy dane nie mogą wyjść z domu (np. logi służbowe w U1) albo nie chcesz płacić za chmurę, ten sam wzorzec działa bez Opusa — planistą zostaje DeepSeek. Układ na 4 sloty:

Czego brakuje bez Opusa i jak to nadrobić: planista nie jest mądrzejszy od wykonawców, więc zaostrz kontrakty (węższe zadania, jawne kryteria „gotowe", listy kontrolne), przenieś więcej sprawdzania do kodu (walidacja, testy, porównanie z regułami) i eskaluj do człowieka zamiast do Opusa. Na trudnym zestawie zadań DeepSeek osiągnął 97 w zadaniach agentowych i 94 w researchu, więc ten tryb jest realny — ale słabiej wypada w długich dokumentach (86 / 88) i powtarzalności (83), więc tam dodaj powtórne przejście albo człowieka. Każdy harness z rankingu pozwala ustawić ten sam lokalny model planiście i wykonawcom.

Lokalny wykonawca jako filtr prywatności. Wykonawca może streścić logi i usunąć z nich sekrety, zanim cokolwiek trafi do chmury. Przy danych służbowych to często warunek, by w ogóle użyć planisty w chmurze — zanim wyślesz cokolwiek do Opusa, sprawdź zasady swojej firmy.

---

3. Co jest udowodnione, a co nie

Udowodnione (zmierzone, z zastrzeżeniami)

Nieudowodnione albo nieprawdziwe

• „Subagenci Claude Code / Agent SDK na lokalnych modelach" — to nie jest wspierana funkcja. Prośba o wybór dostawcy per agent (#38698) jest otwarta, a obejścia przez bramki rozpoznają model po nazwie albo nagłówkach i wymagają klucza API, nie subskrypcji. Działa wzorzec odwrotny: Claude zostaje orkiestratorem, a lokalni agenci są dla niego narzędziami — serwer MCP (np. mcp-llama-swap, PAL) albo własne narzędzie w Agent SDK.
• Advisor tool nie zrobi z DeepSeeka wykonawcy — wymaga, by i wykonawca, i doradca byli modelami Claude. Hybrydę z lokalnym modelem orkiestrujesz sam (albo harnessem z rankingu).
• Automatyczne przekazywanie lider → pracownik. Goose miał taki tryb w 2025 i go usunął; przetrwała jawna delegacja do nazwanych wykonawców z własnym modelem (Goose: multi-model).
• „60–70% wywołań agentów może iść do małych modeli" — to szacunek z artykułu programowego NVIDII, nie pomiar.
• „Lokalnie jest taniej" — patrz sekcja 5.
• Nie istnieje publiczny pomiar dokładnie Twojej pary (Opus 5.5 + 3-bitowy DeepSeek-V4-Flash) na zadaniach DevOps, okazjach rynkowych czy głosie. Zbuduj własną ewaluację (sekcja 6, etap 0).

---

4. Pięć zastosowań — konkretne układy

U1 — DevOps: rozwój i diagnozowanie

Nie buduj — weź gotowy harness. Najprościej: OpenCode (albo Goose) z agentem głównym na Opus 5.5 i subagentami na DeepSeeku. Druga droga, jeśli i tak pracujesz w Claude Code: zostaw Claude Code jako orkiestratora i dodaj mu serwer MCP, który wysyła zadania do lokalnych agentów (sekcja 3).

alert / zgłoszenie
  → Opus: hipotezy i plan (co sprawdzić)
  → 2–4 lokalnych subagentów RÓWNOLEGLE, tylko do odczytu:
       logi (Loki), metryki (Prometheus), ostatnie wdrożenia (GitHub/GitLab), stan klastra (K8s)
  → każdy zwraca JSON: {fakty, cytaty z logów, pewność}
  → Opus: diagnoza + propozycja poprawki (diff / komenda)
  → Ty zatwierdzasz → zmianę wykonuje Opus albo Ty

Klocki: kubernetes-mcp-server (read_only = true), mcp-grafana (--disable-write), github-mcp-server (--read-only), srt wokół powłoki wykonawców. Uprawnienia w OpenCode: kubectl get|describe|logs → allow, apply|delete|exec → ask. Kurs: część 7 kursu 1 (piaskownica) i część 10 kursu 2.

U2 — Dochód pasywny: złożone przepływy

Zbuduj własną aplikację na frameworku — tu zysk jest z dopasowania przepływu do Twojego pomysłu, a gotowe harnessy są ogólne. Wybór: Pydantic AI (typowane wyniki, limit 4 slotów, trwałość przez Prefect / DBOS) albo LangGraph (grafy z checkpointami i przerwaniem dla człowieka). Bez kodu: n8n do sklejania integracji (licencja pozwala na użytek własny, nie na odsprzedaż n8n).

co tydzień:  Opus planuje (co badać, co tworzyć, co mierzyć)
codziennie:  lokalni wykonawcy — research, szkice, ekstrakcja danych, porządki
             → walidacja → Opus ocenia jakość próbek
zawsze:      człowiek zatwierdza wszystko, co publikuje albo wydaje pieniądze (ntfy / Telegram z przyciskiem)
mierz:       przychód, koszt Opusa, czas Twojej uwagi — na jeden ukończony cykl

Klocki: Prefect albo DBOS (kolejka z limitem 4), Cognee (pamięć projektów), microsandbox (kod pisany przez agentów), Apprise → ntfy, promptfoo w CI. Kurs: część 3 kursu 2 (harness długich zadań) i część 13 (flota agentów).

U3 — Rynki i okazje: wyszukiwanie i alerty

Lejek: najpierw tanie filtry w kodzie, potem lokalny model, Opus na końcu. Precyzja bierze się ze struktury (schematy, deduplikacja, progi w kodzie), a nie z jednego wielkiego promptu.

timery systemd (potem Prefect)
  → źródła: changedetection.io (ceny, dostępność), SearXNG + Crawl4AI / Trafilatura (oferty, newsy),
            OpenBB / edgartools / CCXT tylko do odczytu (rynek)
  → reguły w kodzie: próg ceny, zmiana %, nowość, deduplikacja          ← 90% odpada tu, za darmo
  → lokalny DeepSeek: ekstrakcja do JSON (cena, warunki, ryzyka, źródło) ← równolegle, limit 4
  → reguły w kodzie na JSON-ie
  → Opus tylko dla kandydatów: „czy to naprawdę okazja i dlaczego?"     ← mało tokenów, wysoka jakość
  → alert: ntfy / Telegram z przyciskami, z linkiem do źródła i uzasadnieniem

Do precyzyjnej ekstrakcji warto stroić prompt wykonawcy DSPy z Opusem jako nauczycielem. Pamiętaj o warunkach źródeł danych (Yahoo — użytek osobisty) i o tym, że werdykt agenta to opinia, nie porada inwestycyjna. Kurs: część 11 kursu 2 (harmonogram) i część 12 (kanały).

U4 — rozmowa głosowa po polsku

Lokalnej mowy-do-mowy po polsku na AMD nie znalazłem (październik 2026) — zostaje kaskada STT → LLM → TTS. Ponieważ VRAM zajmuje DeepSeek, szybkie elementy głosu idą na CPU:

mikrofon → Pipecat + Smart Turn (CPU, rozpoznaje koniec wypowiedzi po polsku)
         → STT: Parakeet-v3 (CPU) albo whisper.cpp large-v3 (GPU, gdy wolna karta)
         → „głos" — szybki model odpowiada od razu i ma narzędzie delegate(zadanie):
              gpt-oss-20b-cpu (lokalnie, prywatnie) albo Haiku 5.5 / Sonnet 5.5 (chmura, szybko)
         → ciężka praca asynchronicznie: DeepSeek (lokalnie) albo Opus (chmura) → wynik wraca do rozmowy
         → TTS: Piper pl_PL (CPU), potem Chatterbox albo VoxCPM2

Dlaczego nie DeepSeek bezpośrednio jako „głos": około 20 tokenów do pierwszego zdania przy 13,6–22,6 tok/s to 0,9–1,5 s samego generowania, plus przetwarzanie promptu. Całkowitego opóźnienia tego układu nie mierzyłem.

Najprostszy start bez budowania: Hermes Agent — notatki głosowe na Telegramie, lokalny faster-whisper z językiem pl, odpowiedzi głosem. Asynchronicznie, ale działa od pierwszego dnia. Uwaga: syntezę mowy robi domyślnie chmurowy Edge TTS. Jeśli głos ma zostać w domu, wybierz Moltis (lokalne STT i Piper z polskimi głosami) albo własny Pipecat.

U5 — zdjęcia i obrazy

Wzorzec „mostek wizji": tekstowy wykonawca dostaje opis obrazu od modelu wizyjnego (Hermes vision_analyze, ZeroClaw — przekierowanie wizji, Qwen Code visionModel, OpenHands MultimodalRouter).

Kurs: część 5 kursu 1.

---

5. Koszty: czy lokalnie jest taniej?

Ceny API Anthropic (USD za milion tokenów, 11.10.2026, cennik):

Batch API: −50% na wejściu i wyjściu (zadania, które mogą poczekać).

Sufit Twojej maszyny — tylko wyjście: 54,3 tok/s × 86 400 s ≈ 4,7 mln tokenów wyjścia na dobę — przy czterech slotach zajętych bez przerwy przez 24 godziny. Ta sama liczba tokenów wyjścia kosztowałaby w chmurze:

Prąd policz sam: zmierz pobór z gniazdka przy pełnym obciążeniu i pomnóż przez stawkę. Karty masz ograniczone do 250 W; przy założeniu 1,2 kW dla całej maszyny i 1 zł za kWh wychodzi około 29 zł na dobę ciągłej pracy (założenie, nie pomiar).

Ale agent to głównie wejście, nie wyjście. Realistyczna tura wykonawcy (założenia, nie pomiar): kontekst 30 tys. tokenów, z czego 28 tys. z cache, 2 tys. nowego wejścia i 500 tokenów wyjścia. Na tej maszynie 4 agentów robi taką turę w około 42 s (8 tys. nowych tokenów czytanych łącznie z prędkością ~1 700 tok/s to ~5 s, potem 500 tokenów przy 13,6 tok/s to ~37 s), czyli około 8 300 tur na dobę przy pełnym obciążeniu. Te same tury w chmurze (pomijam niewielki koszt zapisu do cache):

Prąd przy pełnym obciążeniu z przykładu wyżej to ~29 zł na dobę, czyli około 7 USD przy założonym kursie 4 zł za dolara.

Wniosek: przy krótkich kontekstach Haiku 5.5 kosztuje mniej więcej tyle co prąd tej maszyny przy pełnym obciążeniu (~6 wobec ~7 USD na dobę) — a gdy maszyna stoi bezczynnie, chmura nie kosztuje nic, prąd tak. Przy kontekstach powyżej 100 tys. tokenów albo w porównaniu z Sonnetem i Opusem lokalny DeepSeek jest około 10 do 30 razy tańszy — o ile jego jakość wystarcza. Pewne zalety lokalne, niezależne od cen: prywatność (dane nie wychodzą z domu), brak limitów i kolejek, praca offline i nielimitowane eksperymenty na sprzęcie, który już masz. Czy Haiku 5.5 dorównuje DeepSeekowi jakością na Twoich zadaniach — nie wiadomo: nie był mierzony na trudnym zestawie z local-llm-quality-bench. To dobry następny pomiar.

W hybrydzie koszt robi planista. Przykład (założenia, nie pomiar): 30 wywołań Opusa dziennie, każde 20 tys. tokenów wejścia (z czego 80% z cache) i 2 tys. tokenów wyjścia:

• wejście: 30 × (4 tys. × 4,00 + 16 tys. × 0,20) / 1 mln ≈ 0,58 USD na dobę,
• wyjście: 30 × 2 tys. × 20,00 / 1 mln ≈ 1,20 USD na dobę,
• razem ≈ 1,8 USD na dobę, około 53 USD miesięcznie (pomijam niewielki koszt zapisu do cache).

Dźwignie kosztu, od najtańszej: cache promptu (odczyt 20× tańszy niż wejście), wykonawcy zwracają streszczenia zamiast surowych logów (mały kontekst planisty), Batch API dla zadań nocnych, niższy effort dla rutynowego planowania.

---

6. Ścieżka: co wziąć gotowe, co zbudować samemu

Kolejność, w której opłaca się iść:

0. Ewaluacja przed budową. 20–50 prawdziwych zadań na zastosowanie, trzy układy: sam Opus, Opus + lokalni, sami lokalni. Mierz skuteczność i tokeny Opusa na ukończone zadanie. Bez tego każda decyzja z tej sekcji to zgadywanie.
1. U1 z OpenCode — najszybszy zwrot, zero kodu, uczy, jak DeepSeek radzi sobie jako subagent.
2. Lejek U3 — timery systemd + changedetection.io + SearXNG + ntfy; potem lokalna ekstrakcja i Opus na końcu.
3. Aplikacja U2 na Pydantic AI albo LangGraph — tu wykorzystasz wszystko z kursu 2.
4. U4 — najpierw notatki głosowe przez Hermes Agent albo Telegram, potem rozmowa na żywo z Pipecat.
5. U5 — test Vision-Exp; jeśli zawiedzie, osobny model wizyjny i decyzja o podziale kart.

Bezpieczeństwo całości — kurs 2, część 16. Zasada nadrzędna: lokalny wykonawca, który czyta internet, jest celem prompt injection — dlatego czyta, a nie pisze.