Strona główna / Artykuły

Zarządzanie agentami AI za pomocą frameworku CARE: jasność, autonomia i inne elementy

Zarządzanie agentami AI przy użyciu ramy CARE: Jasność, Autonomia, Relacje i Równość stosowane w delegowaniu zadań, umowach z agentami, doborze modeli oraz kontekście.

Wydawca: REACTAPP.TOP7 min czytania1565 słów

Źródła: You Already Know How to Manage Agents: The CARE Framework for AI Engineering

Szkolenia menedżerskie czasami uczą rzeczy, które mają bezpośrednie zastosowanie do oprogramowania w sposób większy, niż się spodziewa. Framework CARE z szkoleń przywódczych, oparty na czterech zasadach: jasności, autonomii, relacji i równości, odpowiada niemal w pełni ustalonym praktykom zarządzania agentami AI. Przestrzeganie tych samych zasad podczas pracy z agentami to rozsądny sposób na osiągnięcie lepszych rezultatów. Poniżej każda zasada jest omawiana w kontekście agenta AI pełniącego rolę członka zespołu, któremu powierzono zadanie.

Sytuacja obecna

Rok lub dwa temu praca z asystentem do programowania wyglądała jak seria małych poleceń: stworzyć funkcję, naprawić błąd, dodać testy. Dziś agenci mogą przeglądać repozytorium, wykonywać polecenia w shellu, szukać informacji w dokumentacji, edytować kilka plików jednocześnie, uruchamiać testy i przekazywać zadania podagentom. Mimo to często nadal są zarządzani jak funkcja autodopasowywania. Wąskim gardłem jest coraz częściej nie konieczność zadawania pytań, lecz delegowanie zadań.

Cztery pytania CARE, krótko mówiąc:

  • Jasność: jak wygląda sukces?
  • Autonomia: jak wiele może samodzielnie zrobić osoba?
  • Relacje: kto powinien wykonać to zadanie?
  • Równość: co jest im potrzebne, aby odnieść sukces?

Menedżerowie techniczni i kierownicy już wiedzą, jak ważne jest każde z tych elementów dla osiągnięcia dobrych rezultatów bez konieczności ciągłego nadzorowania osoby realizującej zadanie.

Jasność: określ wyniki, a nie instrukcje

Załóżmy, że jeden z zainteresowanych chce wdrożyć funkcję cacheowania na endpointzie profilu użytkownika, a praca ma zostać przekazana agentowi GenAI. Typowy słaby zapytanie brzmi: „Wdrożenie cacheowania dla endpointu profilu użytkownika”. Dla osoby znającej system brzmi to jasno. W rzeczywistości nie jest. Agent ma dziesiątki otwartych pytań: który dokładnie endpoint? Co ma być zapisywane w cache’u? Na jak długo? Co unieważnia dane? Która infrastruktura cacheowania już istnieje? Co uznaje się za ukończoną pracę?

Jasność nie oznacza dłuższych instrukcji. Oznacza, że pożądany wynik oraz ograniczenia są jednoznaczne. Silniejsza wersja tego zadań:

Goal:
Reduce repeated database reads from GET /users/{id}.

Constraints:
- Use the existing Redis abstraction.
- Do not introduce a new dependency.
- Cache only successful responses.
- TTL: 10 minutes.
- Existing public API behavior must not change.

Before implementing:
- Inspect similar caching implementations in the repository.
- Identify how cache invalidation is handled elsewhere.

Validation:
- Existing tests must pass.
- Add tests for cache hit, cache miss, and invalidation.

Definition of done:
The implementation is complete when the endpoint behaves identically
from the client's perspective and repeated reads no longer hit MSSQL.

Inżynieria promptów to zaledwie jeden aspekt jasności. Prawdziwą umiejętnością jest tak dobrze opisywanie zadań, aby ktoś inny mógł je wykonać, co menedżerowie i kierownicy robią codziennie.

Autonomia: odpowiedzialność, a nie tylko instrukcje

Może się wydawać, że mikrozarządzanie nie istnieje w przypadku agentów, ale istnieje. Gdy agent zależy od ciągłych napomnień, zwykłą przyczyną jest brak jasności i instrukcji. Wyobraźmy sobie taką sesję:

Find the problem.
Okay, fix it.
Now run the tests.
There's an error. Fix that.
Run them again.

Użytkownik ręcznie koordynuje każdy krok, co męczy obie strony.

Agent może doskonale zrozumieć zadanie, a mimo to nie mieć autonomii. Autonomia dotyczy odpowiedzialności: czego agent może zdecydować, co może zmienić, jak daleko powinien działać samodzielnie i kiedy musi zwrócić się o pomoc. Umowa z agentem dobrze to oddaje:

You own this task until it is implemented and validated.

You may:
- inspect any file in the repository
- modify files related to this feature
- run builds, tests and static analysis
- create focused subagents for research or validation

After implementation:
1. Run the relevant test suite.
2. Inspect your diff for unintended changes.
3. Validate the implementation against the acceptance criteria.
4. Fix issues you discover before returning.

Escalate only if:
- the requested behavior conflicts with existing architecture
- required credentials/access are unavailable
- the change would require modifying a public API

Jasność określa cel podróży, a autonomia decyduje o tym, w jakim stopniu agent kontroluje jej przebieg. Autonomia nie oznacza jednak robienia tego, co agent chce. Zdrowa autonomia wiąże się z określeniem granic.

Relacja: poznaj agenty

Relacja w tym kontekście dotyczy kalibracji, a nie antropomorfizmu. Jest to zgromadzona wiedza na temat mocnych i słabych stron, możliwych błędów oraz historii działania modeli i agentów używanych w praktyce. Menedżer dowiaduje się, gdzie każda osoba osiąga najlepsze wyniki, a to samo zrozumienie powinno rozwijać się również w przypadku stacku AI:

| Work                                  | Agent/model characteristic          |
| ------------------------------------- | ----------------------------------- |
| Repository-wide architecture research | Strong reasoning + large context    |
| Small mechanical refactor             | Fast, inexpensive model             |
| UI implementation from screenshots    | Strong vision model                 |
| Test generation                       | Fast coding specialist              |
| Final architecture critique           | Independent high-reasoning reviewer |

Rozwiązanie z jednym modelem, jednym ogromnym kontekstem i każdym zadaniem przekazywanym mu jest dalekie od idealnego. Praca powinna trafiać do agentów przystosowanych do jej wykonywania. Projektowanie wieloagentowe nie polega na posiadaniu większej liczby agentów, lecz na przekazywaniu dobrze określonych zadań temu agentowi, który jest do nich najbardziej odpowiedni:

Main Agent
│
├── Research Agent
│   └── Investigate existing caching patterns
│
├── Implementation Agent
│   └── Make the code change
│
└── Reviewer Agent
    └── Validate implementation independently

Związek ten poprawia się w miarę jak system gromadzi wiedzę na temat decyzji architektonicznych, konwencji kodowania, powtarzających się schematów awarii, wcześniejszych decyzji oraz tego, które modele dobrze radzą sobie z danymi zadaniami. Krótko mówiąc, chodzi o umiejętność rozumienia modeli w połączeniu z gromadzonym kontekstem.

Równość: dostarczanie tego, czego potrzebuje agent

Często słyszy się skargi typu „sztuczna inteligencja znów wytworzyła błędne wyniki” lub „stworzyła beznadziejny produkt”. Ale sprawdźmy, co tak naprawdę dano agentowi. Nie było dokumentacji API, żadnych wymagań dotyczących zleceń, żadnych logów, żadnego kodu przykładowego, żadnych notatek architektonicznych ani sposobu na dostęp do działającego aplikacji. Czy to była awaria modelu, czy ktoś został poproszony o rozwiązanie problemu bez niezbędnych informacji?

Załóżmy, że agent mógłby znaleźć lub otrzymać to wszystko:

.agent/
│
├── context/
│   ├── architecture.md
│   ├── domain.md
│   └── conventions.md
│
├── skills/
│   ├── debug-production.md
│   ├── review-mr.md
│   └── implement-feature.md
│
├── references/
│   ├── api-spec/
│   ├── examples/
│   └── decisions/
│
└── tools/
    ├── git
    ├── jira
    ├── logs
    ├── browser
    └── tests

Dokładna struktura ma mniejsze znaczenie niż zasada. Agenci potrzebują odpowiednich instrukcji i narzędzi. Agent do debugowania w środowisku produkcyjnym może potrzebować kodu, dzienników zdarzeń, śladów działania, najnowszych wdrożeń oraz historii zmian w Git. Agent interfejsu użytkownika może potrzebować kodu, zrzutu ekranu, systemu projektowego, przeglądarki oraz dokumentacji komponentów. Osoba przeglądająca kod może potrzebować różnic między wersjami pliku, pełnego pliku, testów, zgłoszenia, podobnego kodu oraz wytycznych dotyczących repozytorium. Inteligencja jest taka sama, natomiast wymagania różnią się. Zanim stwierdzisz, że model nie jest w stanie tego zrobić, zapytaj, czy był do tego wyposażony.

CARE jako narzędzie do debugowania

Kierunek rozwoju obejmuje przejście od motywowania do delegowania zadań, a następnie do ich koordynacji, przy czym rola lidera zmienia się wraz z tym. Ludzie utalentowani już teraz słabo radzą sobie przy niejasnych celach, nadmiernej kontroli, nieodpowiednich zadaniami lub braku zasobów. Zastosowanie tej wiedzy do agentów oznacza, że te same nawyki zarządzania teraz działają na wszystkich, którzy tworzą rozwiązania w zespole, niezależnie od tego, czy są to osoby, czy nie.

Wszystkie cztery elementy w jednej definicji agenta

Różne platformy różnią się schematem, ale praktyczna definicja agenta zazwyczaj łączy kryteria CARE w coś w rodzaju tego:

---
name: implementation-agent
description: Implements scoped repository changes end-to-end. Use proactively for feature, bug-fix, and refactor tasks that require code changes and validation.
tools: Read, Grep, Glob, Edit, Write, Bash
model: inherit
---

You are an implementation agent responsible for completing scoped coding tasks end-to-end.

When given a task:

1. **Investigate**
   - Read the relevant code before changing it.
   - Search for similar implementations and existing project conventions.
   - Do not guess when repository evidence is available.

2. **Plan**
   - Form a short plan covering the files to change, the implementation approach, and validation.

3. **Implement**
   - Make the smallest change that fully satisfies the task.
   - Reuse existing patterns and dependencies.
   - Do not modify unrelated code.

4. **Validate**
   - Run the relevant tests, build/type-check, and lint/static analysis when available.
   - If your change causes a failure, fix it and validate again.

5. **Review**
   - Inspect the final diff.
   - Remove accidental or unrelated changes.
   - Confirm the requested behavior and acceptance criteria are satisfied.

Continue autonomously until the task is complete.

Escalate only when required access is unavailable, requirements materially conflict, or the task would require a destructive action or a public API/architecture change outside the requested scope.

The task is done only when the implementation is complete, relevant validation passes, and the final diff has been reviewed.

Delegowanie to umiejętność, która nabiera na znaczeniu

Agenci to nie ludzie, ale systemy zbudowane wokół nich doświadczają zaskakująco podobnych błędów w zarządzaniu. Jeśli zadamy agentowi niejasny cel, będziemy kontrolować każdy jego krok, przydzielimy niewłaściwy model lub pominiemy dostęp do kontekstu i narzędzi, jego wydajność spadnie. W miarę jak agenci stają się bardziej zdolni, przewaga nie będzie ograniczona tylko do lepszych modeli czy bardziej precyzyjnych poleceń. Zespoły, które nauczą się skutecznie delegować, w pełni wykorzystają potencjał sztucznej inteligencji.