Jak stworzyć agenta AI? Pierwsze kroki bez kodowania

Agent AI to nie aplikacja, którą pobierasz i instalujesz. To coś, co składasz – z gotowych klocków – pod konkretny problem w swojej firmie. Brzmi technicznie. W praktyce wygląda jak klikanie w interfejsie drag-and-drop.

Ten artykuł pokazuje jak to zrobić: od architektury agenta przez wybór narzędzi po konkretny przykład – agent obsługujący zapytania z formularza kontaktowego. Przeczytasz i będziesz wiedzieć, od czego zacząć.

Co to jest agent AI i czym różni się od chatbota?

Chatbot siedzi i czeka. Klient pisze pytanie, chatbot odpowiada. Koniec. Żaden proces się nie uruchamia, żadne dane nie trafiają do CRM-u.

Agent AI dostaje zadanie i je realizuje. Klient wypełnia formularz kontaktowy → agent czyta wiadomość, klasyfikuje pilność, tworzy ticket w CRM-ie, wysyła klientowi email z potwierdzeniem. Pracownik nie klika nic. To działanie, nie odpowiedź.

McKinsey w raporcie z 2024 roku podaje, że wdrożenie automatyzacji opartej na AI redukuje czas wykonania rutynowych procesów o 40–70%. Agenty AI to najbardziej zaawansowana forma tej automatyzacji – bo potrafią rozumieć język i podejmować decyzje, a nie tylko przenosić dane według stałego schematu.

Jak działa agent AI od środka?

Zanim zaczniesz klikać w jakiejkolwiek platformie, musisz wiedzieć, co budujesz. Agent AI to cztery warstwy:

System prompt – tożsamość agenta

System prompt to instrukcja, którą dajesz modelowi językowemu na start. Definiuje, czym jest agent, co wie i jak ma się zachowywać. Przykład systemu prompt dla agenta obsługi zapytań:

„Jesteś asystentem obsługi klienta firmy X. Klasyfikujesz przychodzące zapytania na: pilne (wymaga kontaktu w 2h), standardowe (24h), informacyjne (baza wiedzy). Odpowiadasz po polsku. Nie podajesz cen – kierujesz do handlowca.”

Zły system prompt = agent robi co chce. Dobre agenty mają system prompty o długości 200–500 słów.

Narzędzia (tools) – co agent może zrobić

Model językowy sam w sobie tylko generuje tekst. Narzędzia dają mu możliwość działania w prawdziwym świecie. Przykładowe narzędzia:

• Email – wysyłanie i odczyt wiadomości
• CRM – tworzenie i aktualizacja kontaktów, ticketów
• Baza danych – odczyt i zapis rekordów
• Webhook – odbieranie danych z formularzy, Slacka, innych systemów
• API zewnętrzne – np. sprawdzenie statusu w systemie logistycznym

W platformach no-code (n8n, Make) każde narzędzie to jeden „node” – bloczek, który podłączasz do agenta.

Pętla działania

Agent nie wykonuje jednego kroku i kończy. Działa w pętli:

1. Cel – dostaje zadanie (np. „obsłuż nowe zapytanie z formularza”)
2. Plan – decyduje, które kroki wykonać i w jakiej kolejności
3. Akcja – używa narzędzia (wysyła email, zapisuje do CRM)
4. Sprawdzenie – weryfikuje wynik, kontynuuje lub koryguje
5. Raport – informuje o efekcie (log, email, Slack)

Ta pętla odróżnia agenta od prostej automatyzacji. Prosta automatyzacja robi krok A → B → C zawsze tak samo. Agent może ocenić, że krok C wymaga wariantu X zamiast standardowego Y.

Pamięć

Agenty AI mają dwa rodzaje pamięci. Krótkotrwała – kontekst aktualnej rozmowy lub zadania (ile tokenów „widzi” model). Długotrwała – baza wiedzy: dokumenty firmowe, FAQ, historia klienta – przechowywana zewnętrznie i wczytywana przez wyszukiwanie semantyczne (RAG).

Które narzędzie wybrać do budowy agenta?

n8n używa ponad 50 000 firm na świecie (dane n8n.io 2024). Dla polskich MŚP kluczowy argument to self-hosting: dane klientów nie opuszczają twojego serwera w Polsce lub UE. To upraszcza kwestię RODO i daje spokój przy pracy z danymi osobowymi.

Jeśli nigdy wcześniej nie stawiałeś VPS-a – zacznij od Make. Szybciej zobaczysz efekt. Gdy zaczniesz skalować, przejdziesz na n8n.

Jak zbudować pierwszego agenta krok po kroku?

Przykład praktyczny: agent obsługuje zapytania z formularza kontaktowego na stronie. Klasyfikuje pilność, tworzy ticket w CRM-ie i wysyła email z potwierdzeniem do klienta.

Krok 1 – Trigger: skąd agent dostaje zadanie?

Trigger to punkt startowy – co uruchamia agenta. W tym przykładzie: webhook z formularza kontaktowego.

W n8n: dodaj node „Webhook”. Skopiuj URL webhooka i wklej go jako endpoint formularza na swojej stronie (WordPress, własny HTML). Odtąd każde wysłanie formularza wysyła dane JSON do n8n.

Dane z formularza, które agent dostaje: imię, email, treść wiadomości, opcjonalnie numer telefonu.

Krok 2 – Node LLM: mózg agenta

Dodaj node „AI Agent” (w n8n: sekcja AI). Podłącz model – Claude 3 Haiku lub GPT-4o mini (tańsze, szybkie, wystarczające do klasyfikacji). Wpisz system prompt:

Jesteś asystentem obsługi klienta. Analizujesz przychodzące zapytania z formularza kontaktowego.

Twoim zadaniem jest:
1. Określ pilność: PILNE (prosi o wycenę lub ma deadline < 7 dni), STANDARDOWE (ogólne pytanie), INFORMACYJNE (FAQ, prosi o materiały).
2. Napisz krótkie podsumowanie zapytania (1 zdanie).
3. Zaproponuj odpowiedź do klienta (max 3 zdania, po polsku, ton profesjonalny).

Odpowiedź zwróć jako JSON:
{
  "pilnosc": "PILNE|STANDARDOWE|INFORMACYJNE",
  "podsumowanie": "...",
  "odpowiedz_klienta": "..."
}

Krok 3 – Narzędzia: email i CRM

Po analizie LLM agent wykonuje dwie akcje równolegle.

Akcja A – CRM: Dodaj node integracji z HubSpot, Pipedrive lub Notion (w zależności od tego, czego używasz). Utwórz kontakt i ticket. W polu „Priorytet” użyj wartości `pilnosc` z odpowiedzi LLM.

Akcja B – Email do klienta: Dodaj node „Send Email” (Gmail, SMTP, cokolwiek używasz). W treści wstaw `odpowiedz_klienta` z odpowiedzi LLM. Nadawca: adres firmowy. Podmiot: „Otrzymaliśmy Twoje zapytanie – [podsumowanie]”.

Opcjonalnie – powiadomienie wewnętrzne: Jeśli pilność = PILNE, wyślij wiadomość na Slack lub SMS do handlowca.

Krok 4 – Test z prawdziwym zapytaniem

Zanim uruchomisz agenta na produkcji, przetestuj go ręcznie. W n8n kliknij „Test workflow” i wstaw przykładowe dane JSON – tak jakby przyszły z formularza:

{
  "imie": "Anna Kowalska",
  "email": "anna@przyklad.pl",
  "wiadomosc": "Dzień dobry, szukam oferty na automatyzację fakturowania. Chciałabym wdrożyć do końca maja."
}

Sprawdź: czy LLM poprawnie sklasyfikował pilność? Czy email trafił na testową skrzynkę? Czy ticket pojawił się w CRM-ie z właściwymi danymi?

Uruchom proces dopiero po pomyślnym teście.

Jakie błędy popełniają firmy przy pierwszym agencie?

Błąd 1 – Za szeroki system prompt

System prompt „Odpowiadaj klientom na pytania i pomagaj im” to za mało. Agent nie wie, co może, czego nie może, jakich danych używać i w jakim tonie pisać. Efekt: losowe, nieprzewidywalne zachowanie.

Dobre prompty definiują: zakres (co agent robi), ograniczenia (czego nie robi), format wyjścia (JSON, markdown, plain text) i ton (formalny, casual, po polsku/angielsku).

Błąd 2 – Brak obsługi błędów

Co się stanie, jeśli CRM zwróci błąd 500? Jeśli LLM zwróci odpowiedź w złym formacie JSON? Jeśli email klienta jest niepoprawny?

W n8n każdy node ma opcję „Continue on error” i „Error branch”. Ustaw ją – agent powinien logować błąd i wysłać powiadomienie do ciebie – zamiast cicho umierać.

Błąd 3 – Brak limitów

Agent uruchamiany triggerem może w teorii przetworzyć tysiące requestów naraz, jeśli coś pójdzie nie tak. Ustaw:

• Limit wywołań LLM na godzinę (w ustawieniach API)
• Throttling w triggerze webhookowym
• Alert przy przekroczeniu progu (np. 50 operacji w 10 minut)

Scenariusz: błąd w formularzu powoduje 500 identycznych zapytań w 60 sekund. Bez limitu – wysyłasz 500 emaili do klienta i przepalasz budżet API.

Ile kosztuje utrzymanie agenta AI?

Orientacyjne koszty infrastruktury (nie wliczając wdrożenia):

• VPS (n8n self-hosted): ~50 PLN/mies. – np. Hetzner CX21 (2 vCPU, 4 GB RAM)
• LLM API – Claude 3 Haiku: $0.25 / 1M tokenów wejścia. Przy 500 zapytaniach dziennie (każde ~500 tokenów) to ~$1.90/mies.
• LLM API – GPT-4o mini: $0.15 / 1M tokenów. Podobna skala: ~$1.15/mies.
• LLM API – GPT-4o (złożone zadania): $2.50 / 1M tokenów. Przy 500 zapytaniach dziennie: ~$19/mies.

Rzeczywisty koszt zależy od liczby zapytań i wybranego modelu. Do klasyfikacji i prostych zadań wystarczy najtańszy model (Haiku, GPT-4o mini). Droższy model warto włączyć tylko tam, gdzie potrzebujesz wyższej jakości wnioskowania.

Przykład z życia: agent AI w firmie M-pol

M-pol to firma usługowa, klient Autopilot. Wdrożony agent AI integruje się z systemem telefonicznym, po każdej rozmowie z klientem automatycznie zapisuje notatki do CRM-u i wysyła ofertę emailem dopasowaną do rozmowy. Efekt: agent przejął 2-3 godziny pracy zespołu dziennie – czas, który wcześniej szedł na ręczne przepisywanie notatek i wysyłanie standardowych ofert.

Ten agent nie zastąpił handlowców. Usunął z ich dnia żmudne, powtarzalne zadania. Handlowcy mają więcej czasu na rozmowy.

FAQ – najczęstsze pytania

Czy muszę znać programowanie, żeby zbudować agenta AI?

Nie. Platformy no-code jak n8n i Make pozwalają zbudować działającego agenta bez kodu – przez interfejs drag-and-drop. Programowanie przyspiesza budowę złożonych agentów, ale nie jest wymagane na start.

Jaki model językowy wybrać do agenta AI?

Do klasyfikacji, podsumowań i prostych decyzji – Claude 3 Haiku lub GPT-4o mini. Są szybkie i tanie (poniżej $2 miesięcznie przy 500 zapytaniach dziennie). Do złożonych zadań wymagających wnioskowania – Claude 3.5 Sonnet lub GPT-4o.

Czy agent AI jest bezpieczny z punktu widzenia RODO?

Zależy od tego, gdzie przetwarzasz dane. n8n self-hosted na serwerze w Polsce lub UE – dane nie opuszczają jurysdykcji. SaaS-owe platformy jak Zapier (serwery w USA) wymagają dodatkowych umów (SCCs). Najprościej: n8n self-hosted na Hetzner w Niemczech.

Jak długo trwa budowa pierwszego agenta AI?

Prosty agent (trigger -> LLM -> email) zajmuje 2-3 godziny, jeśli masz już zainstalowane n8n i skonfigurowane API. Złożony agent z wieloma narzędziami i obsługą błędów – 1-3 dni pracy. Instalacja n8n na VPS to 30-60 minut według oficjalnej dokumentacji.

Czy agent AI działa 24/7 bez nadzoru?

Tak – ale powinien mieć monitoring. Ustaw alerty przy błędach i regularnie sprawdzaj logi przez pierwsze tygodnie. Agent AI jest narzędziem, nie pracownikiem – trzeba go skalibrować zanim zaczniesz mu ufać w pełni.

Jakub Galewski

Założyciel Autopilot. 7 lat doświadczenia w B2B sales i automatyzacji AI. Pomaga polskim firmom oszczędzać czas dzięki inteligentnym automatyzacjom.