Twórca Claude Code, Boris Cherny, ogłosił na konferencji Meta, że pętle AI to kolejny przełom. Agenci, którzy w nieskończoność zlecają pracę innym agentom.
W skrócie:
- Boris Cherny, twórca Claude Code, twierdzi, że pętle AI, w których agenci zlecają sobie zadania, to rewolucja na miarę przejścia od ręcznego kodowania do agentów.
- Podejście to polega na tworzeniu “roju” agentów, które nieustannie pracują w tle, np. optymalizując architekturę kodu i wysyłając własne pull requesty.
- Pomimo ogromnego potencjału, pętle agentowe są ekstremalnie kosztowne – zużywają tokeny w tempie znacznie szybszym niż standardowe chatboty, co stanowi barierę.
Podczas konferencji @Scale organizowanej przez Meta, Boris Cherny, mózg stojący za Claude Code, dostał z pozoru proste pytanie od publiczności. Dotyczyło pętli. “Czy pętle to kolejny cykl hype’u, czy może coś realnego?” – padło z sali. Odpowiedź Cherny’ego była pozbawiona jakichkolwiek wątpliwości: “Tak, są jak najbardziej realne”. To był moment, w którym rozmowa o programowaniu weszła na zupełnie inny poziom.
Jak pętle AI zmieniają zasady gry?
Cherny rozwinął swoją myśl w sposób, który powinien dać do myślenia każdemu, kto śledzi rozwój sztucznej inteligencji. “Dwa lata temu pisaliśmy kod źródłowy ręcznie. Zaczęliśmy przechodzić na model, w którym to agenci piszą kod. A teraz dochodzimy do punktu, w którym agenci promptują innych agentów, którzy dopiero wtedy piszą kod” – tłumaczył. Jego zdaniem krok od agentów do pętli agentowych jest równie doniosły, co wcześniejsze przejście od manualnego klepania kodu do wykorzystania pierwszych modeli AI. To nie jest ewolucja. To jest redefinicja procesu tworzenia.
Idea jest potężna, zwłaszcza gdy firmuje ją ktoś o statusie Cherny’ego. Wraz z nadejściem ery agentowej AI, większość użytkowników skupiła się na jak najlepszym zarządzaniu swoimi cyfrowymi pomocnikami: wyznaczaniu jasnych celów, kontrolowaniu postępów i pilnowaniu, by nie oddalali się zbytnio od zadanego promptu. Pętla idzie o krok dalej. Autoryzuje cały rój agentów do nieustannej pracy w tle. Bez końca. To ogromny kredyt zaufania, ale przy coraz doskonalszych modelach – może to być kolejny etap oddawania AI prawdziwej, złożonej pracy.
Programista-cyborg w praktyce
To nie jest czysta teoria. W dalszej części swojego wystąpienia Cherny opisał, jakie pętle działają bez przerwy w jego własnej pracy. Jeden z jego agentów nieustannie poszukuje sposobów na ulepszenie architektury kodu. Inny tropi zduplikowane abstrakcje, które można ujednolicić. Co najważniejsze – oba boty samodzielnie zgłaszają pull requesty, zupełnie jak ludzcy programiści. A ponieważ kod ciągle się zmienia, ich praca nigdy się nie kończy.
Warto przy tym pamiętać, że sam pomysł nie jest całkowicie nowy. Pętle rekurencyjne – czyli funkcje, które wywołują same siebie w celu powtórzenia akcji, aż do spełnienia warunku stopu – to podstawa kursów informatyki. Jednak w odróżnieniu od klasycznego programowania, pętle agentowe działają w oparciu o logikę niedeterministyczną. Oznacza to, że to sub-agent decyduje, kiedy zatrzymać pętlę, a nie sztywno zdefiniowany warunek. Co ciekawe, niektóre z tych rozwiązań są wręcz komicznie proste. Jednym z popularniejszych trików jest tzw. Pętla Ralpha (nazwana na cześć Ralpha Wigguma z “Simpsonów”), która w gruncie rzeczy podsumowuje całą wykonaną pracę i pyta model, czy osiągnął już swój cel. To prymitywny, ale skuteczny sposób na radzenie sobie z gubiącymi wątek modelami AI.
Dlaczego to jest genialne i przerażająco drogie?
Pętle można postrzegać jako część szerszego trendu dążenia do zwiększania mocy obliczeniowej w czasie testowania (test-time compute). Jak zauważył badacz OpenAI, Noam Brown, współczesne modele są w stanie rozwiązać niemal każdy problem, jeśli tylko dostarczy im się wystarczającą ilość zasobów. Pętla jest właśnie takim mechanizmem – to ciągłe “dorzucanie do pieca”, aż problem zostanie rozwiązany. Sprawdza się to zwłaszcza w zadaniach optymalizacyjnych, gdzie model może wprowadzać drobne ulepszenia, aż osiągnie określony próg. Albo, jak w przykładzie Cherny’ego, może robić to tak długo, jak długo starczy na to mocy obliczeniowej.
Jeśli brzmi to drogo, to dlatego, że takie jest. Podobnie jak sama agentowa AI, pętle zużywają tokeny znacznie szybciej niż proste chatboty Q&A. A ponieważ celem jest utrzymanie ich w ciągłym działaniu, nie ma górnej granicy wydatków. Dla firmy takiej jak Anthropic, która ostatecznie zarabia na sprzedaży tokenów, to świetny model biznesowy. Dla wszystkich innych może to być astronomicznie droga metoda pracy. Pomimo tego, jeśli problem jest odpowiednio złożony, a system nadzoru nad kosztami i jakością działania agentów dobrze skonfigurowany, korzyści mogą być na tyle oszałamiające, by przyćmić wszelkie koszty. Czas pokaże, czy portfele firm wytrzymają tę rewolucję.