[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"layout-ticker":3,"$fU6EId4OXglZ0j_9wiXGtk3fF9uO9CnznxqLdnLvUYeQ":208,"$fSxfMIB_jHkpy1papUhA16i09A9Tc7D2U7xKqJKwk-Wc":235,"atoms-customowe-evaluatory-w-bedrock-jak-uniknac-bledow-ktore-kosztuja-miliony":332},[4,10,16,21,26,31,36,41,46,51,56,61,66,72,77,82,87,92,97,102,107,112,118,123,128,133,138,143,148,153,158,163,168,173,178,183,188,193,198,203],{"slug":5,"draft_id":6,"pillar_id":8},"jak-legalon-obnizyla-koszty-modeli-kodowych-o-65-bez-spowolnienia-pracy-i-jak-to-zrobic-w-twojej-firmie-jaqm",{"title":7},"LegalOn obniżyła dzienne koszty Codex o 65% — jak to działa",{"name":9},"Narzędzia AI",{"slug":11,"draft_id":12,"pillar_id":14},"ai-w-badaniach-kwantowych-jak-jump-trading-automatyzuje-prace-analitykow-w-30-mniej-czasu",{"title":13},"Agenci AI w badaniach ilościowych: przykład Jump Trading",{"name":15},"Praktyczne zastosowania",{"slug":17,"draft_id":18,"pillar_id":20},"jak-asana-obnizyla-koszty-testow-browserowych-o-76-razy-i-jak-to-zrobic-w-twojej-firmie-juz-teraz",{"title":19},"Agenci przeglądarkowi AI w testach: jak Asana obniżyła koszty 76 razy",{"name":15},{"slug":22,"draft_id":23,"pillar_id":25},"jak-ai-w-atlassian-openai-automatyzuje-prace-zespolow-i-jak-to-zrobic-w-twojej-firmie",{"title":24},"Atlassian i OpenAI: co daje ChatGPT i Codex w Jirze — stan na 2026",{"name":9},{"slug":27,"draft_id":28,"pillar_id":30},"jak-ai-przyspiesza-prace-zespolow-it-o-30-ale-tylko-jesli-wiesz-jak-zintegrowac-ja-z-kodem-i-dokumentacja",{"title":29},"Ile naprawdę daje AI zespołowi programistów? Badania, ceny, pomiar",{"name":9},{"slug":32,"draft_id":33,"pillar_id":35},"jak-ai-z-atlassianem-i-openai-przyspiesza-prace-zespolowa-ale-czy-warto-wdrazac-to-w-twojej-firmie",{"title":34},"ChatGPT w firmie: plany Business, ceny i bezpieczeństwo danych (2026)",{"name":9},{"slug":37,"draft_id":38,"pillar_id":40},"jak-zautomatyzowac-analize-danych-w-twojej-firmie-bez-it-i-zaoszczedzic-40-budzetu",{"title":39},"Analiza danych bez działu IT: agenci AI i automatyzacja w 2026",{"name":9},{"slug":42,"draft_id":43,"pillar_id":45},"jak-data-agent-w-chatgpt-work-oszczedza-20-30-czasu-analitykow-bez-kodowania",{"title":44},"Data agent w ChatGPT Work: co potrafi analityk bez kodowania",{"name":9},{"slug":47,"draft_id":48,"pillar_id":50},"jak-ai-zwieksza-wydajnosc-inzynierow-o-21-i-jak-to-zrobic-w-twojej-firmie",{"title":49},"Jak Codex zwiększa wydajność inżynierów — case study 1Password i",{"name":15},{"slug":52,"draft_id":53,"pillar_id":55},"chatgpt-przyspiesza-prace-marketingowa-o-90-jak-to-zrobic-w-twojej-firmie",{"title":54},"ChatGPT Work w marketingu: co przyspiesza, a czego nie zastąpi",{"name":15},{"slug":57,"draft_id":58,"pillar_id":60},"kontrola-agentow-ai-kiedy-twoja-firma-traci-wplyw-nad-dzialaniami-automatyzacji",{"title":59},"Kontrola agentów AI: jak firma zachowuje wpływ nad automatyzacją",{"name":15},{"slug":62,"draft_id":63,"pillar_id":65},"fsm-runtime-vs-llm-dlaczego-polskie-firmy-placa-za-bledne-mutacje-stanu",{"title":64},"FSM runtime vs. LLM: dlaczego polskie firmy płacą za błędne mutacje stanu",{"name":15},{"slug":67,"draft_id":68,"pillar_id":70},"csv-do-raportu-dla-zarzadu-w-30-minut-bez-excela-bez-bolu-glowy",{"title":69},"Raport zarządczy z CSV w kilka minut — jak Claude i Copilot zastępują",{"name":71},"Tutoriale how-to",{"slug":73,"draft_id":74,"pillar_id":76},"jak-zbudowac-wlasny-pipeline-grafow-wiedzy-z-tekstu-w-6-krokach-i-kiedy-to-nie-warto",{"title":75},"Grafy wiedzy z tekstu: kiedy się opłacają, a kiedy to marnotrawstwo",{"name":71},{"slug":78,"draft_id":79,"pillar_id":81},"wspoldzielona-pamiec-dla-agentow-ai-jak-21-wezlow-zmienilo-koszty-debugowania-w-7-domenach",{"title":80},"Współdzielona pamięć agentów AI: jak działa i kiedy się opłaca",{"name":15},{"slug":83,"draft_id":84,"pillar_id":86},"jak-banki-chronia-swoje-algorytmy-i-dlaczego-twoje-agencje-ai-sa-bezbronne",{"title":85},"AI w bankach 2026: jak chronić algorytmy przed zagrożeniami",{"name":15},{"slug":88,"draft_id":89,"pillar_id":91},"agenci-ai-nie-zastepuja-ludzi-tworza-im-nowe-mozliwosci-jak-basis-clay-i-exa-labs-przeksztalcaja-procesy-w-zdolnosci-operacyjne",{"title":90},"Basis, Clay i Exa Labs: co robią agenci AI, a co zostaje człowiekowi",{"name":15},{"slug":93,"draft_id":94,"pillar_id":96},"jak-ocenic-llm-w-produkcji-bez-polegan-na-vibes-trzy-proste-reguly-w-pythonie",{"title":95},"Jak ocenić LLM w produkcji bez „vibes”? Reguły i metryki w Pythonie",{"name":15},{"slug":98,"draft_id":99,"pillar_id":101},"figma-ai-asystent-czy-twoi-projektanci-moga-zrezygnowac-z-myszki",{"title":100},"Figma AI agent: co potrafi asystent projektowania w 2026?",{"name":9},{"slug":103,"draft_id":104,"pillar_id":106},"heym-vs-tradycyjne-narzedzia-kiedy-agent-ai-przestaje-byc-dodatkiem-i-staje-sie-domyslnym-blokiem",{"title":105},"Agent AI jako domyślny blok workflow: Heym, n8n, Make i Zapier w 2026",{"name":9},{"slug":108,"draft_id":109,"pillar_id":111},"langchain-w-pipeline-ie-retrievalowym-sprawdzilismy-to-nie-dziala-tak-jak-sie-wydaje",{"title":110},"LangChain w RAG: co robi, gdzie zwalnia i kiedy go zostawić",{"name":15},{"slug":113,"draft_id":114,"pillar_id":116},"autonomiczny-bot-ai-zhackowal-projekty-microsoftu-i-innych-firm-jak-to-dziala-i-co-to-oznacza-dla-open-source",{"title":115},"Lokalne modele AI w 2026: Ollama, LM Studio i modele polskie",{"name":117},"News & analizy",{"slug":119,"draft_id":120,"pillar_id":122},"ai-nie-jest-najwiekszym-zagrozeniem-to-twoi-pracownicy-otwieraja-drzwi-hakerom",{"title":121},"Exploity i skradzione hasła zamiast AI — co naprawdę atakuje firmy w",{"name":117},{"slug":124,"draft_id":125,"pillar_id":127},"ue-chce-zmusic-google-do-otwarcia-androida-na-konkurencyjne-asystenty-ai-co-to-oznacza-dla-polskich-firm",{"title":126},"Komisja Europejska nakazała Google otworzyć Androida dla",{"name":117},{"slug":129,"draft_id":130,"pillar_id":132},"twoja-architektura-multi-agent-kosztuje-5000-pln-miesiac-na-tokenach-jak-to-zmienic",{"title":131},"Koszty tokenów w architekturze multi-agent: jak je policzyć i obniżyć",{"name":71},{"slug":134,"draft_id":135,"pillar_id":137},"agent-ai-dostal-dostep-do-twoich-systemow-czy-twoja-firma-jest-gotowa",{"title":136},"OWASP Top 10 dla LLM 2026: co zmienia się dla firm z agentami AI",{"name":117},{"slug":139,"draft_id":140,"pillar_id":142},"rag-w-produkcji-dlaczego-80-projektow-zawodzi-juz-po-pierwszym-deploymencie",{"title":141},"RAG w produkcji: od demo do systemu, który działa — co się zmienia",{"name":15},{"slug":144,"draft_id":145,"pillar_id":147},"jak-zbudowac-kontrolna-warstwe-dla-llm-w-produkcji-przyklad-z-100-niezawodnoscia",{"title":146},"Walidacja outputu lokalnych LLM w produkcji: JSON mode, structured",{"name":15},{"slug":149,"draft_id":150,"pillar_id":152},"chi-2026-dlaczego-apple-stawia-na-barcelone-i-co-to-oznacza-dla-twojego-biznesu",{"title":151},"CHI 2026 w Barcelonie: co Apple zaprezentowało naukowcom i jak to",{"name":117},{"slug":154,"draft_id":155,"pillar_id":157},"czy-polska-moze-powtorzyc-sukces-singapuru-ai-w-walce-z-nielegalnym-handlem-gatunkami",{"title":156},"Fin Finder: jak AI pomaga celnikom rozpoznawać płetwy rekinów",{"name":117},{"slug":159,"draft_id":160,"pillar_id":162},"odpowiedzialna-ai-w-microsoft-350-inzynierow-etyki-vs-87-polskich-firm-bez-polityki",{"title":161},"Odpowiedzialna AI w firmach: od zasad Microsoftu do wymogów AI Act",{"name":117},{"slug":164,"draft_id":165,"pillar_id":167},"midi-2020-co-naprawde-zmienilo-sie-w-polskim-ai-po-tej-konferencji",{"title":166},"MIDI 2020: ósma edycja konferencji o inteligentnych maszynach",{"name":117},{"slug":169,"draft_id":170,"pillar_id":172},"dall-e-2-jak-polskie-firmy-moga-zarabiac-na-tekscie-ktory-maluje-obrazy",{"title":171},"Generatory obrazów AI w 2026: co potrafią i jak wybrać narzędzie",{"name":117},{"slug":174,"draft_id":175,"pillar_id":177},"proces-muska-vs-altman-dlaczego-polskie-firmy-ai-wstrzymaly-inwestycje-na-3-miesiace",{"title":176},"Proces Muska vs. Altman: co ujawnił o przyszłości OpenAI i biznesu AI",{"name":117},{"slug":179,"draft_id":180,"pillar_id":182},"lingbot-world-fast-17-fps-w-generowaniu-wideo-czy-to-wystarczy-zeby-wyprzedzic-stability-ai",{"title":181},"LingBot-World-Fast: co potrafi otwarty world model Robbyant",{"name":9},{"slug":184,"draft_id":185,"pillar_id":187},"calowanie-robotow-biznesowy-sens-czy-naukowy-eksperyment",{"title":186},"Roboty społeczne w Polsce: od eksperymentu do praktyki",{"name":117},{"slug":189,"draft_id":190,"pillar_id":192},"gemini-3-5-vs-gpt-5-5-kto-oszukuje-a-kto-naprawde-buduje",{"title":191},"GPT-5.5 vs Gemini 3.5: co naprawdę wiadomo w 2026 roku",{"name":9},{"slug":194,"draft_id":195,"pillar_id":197},"sensenova-vs-flux-klein-ktore-narzedzie-do-edycji-obrazow-ai-oszczedzi-ci-120-godzin-pracy-rocznie",{"title":196},"SenseNova U1.5 vs FLUX 3 Image Klein: co wybrać do edycji zdjęć",{"name":9},{"slug":199,"draft_id":200,"pillar_id":202},"czy-agi-naprawde-nadejdzie-za-kilka-lat-demis-hassabis-kontra-polska-rzeczywistosc",{"title":201},"Kiedy powstanie AGI? Co naprawdę powiedział Demis Hassabis",{"name":117},{"slug":204,"draft_id":205,"pillar_id":207},"inzynieria-promptow-jak-zaczac-bez-wydawania-zlotowki",{"title":206},"Inżynieria promptów: jak zacząć bez wydawania złotówki",{"name":71},[209],{"id":210,"slug":211,"page_type":212,"hub_slug":213,"cover_image":214,"published_at":215,"last_refreshed_at":216,"reviewed_at":213,"reviewed_by":213,"reading_time_min":217,"pillar_id":218,"author_id":222,"draft_id":229},"e4dd2fca-6d84-4bf0-a42a-d305cb201c92","customowe-evaluatory-w-bedrock-jak-uniknac-bledow-ktore-kosztuja-miliony","article",null,"e3487f41-6e7b-4b55-bdc5-d9eaee84724d","2026-08-18T04:38:42.407Z","2026-10-22T20:07:46.653Z",8,{"id":219,"name":71,"slug":220,"color_token":221},"d6c684e6-7b4c-40d9-907b-469f30dc2126","tutoriale-how-to","olive",{"display_name":223,"slug":224,"bio_short":225,"social_links":226},"Andrzej Niemiec","andrzej-niemiec","Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.",{"linkedin":227,"x":213,"github":213,"website":228},"https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Fandrzej-niemiec-b3ab60220\u002F","https:\u002F\u002Faion-automation.pl",{"title":230,"meta_description":231,"body_mdx":232,"word_count":233,"schema_type":234},"Customowe evaluatory w Amazon Bedrock AgentCore","Customowe evaluatory w Amazon Bedrock AgentCore: typy, tryby on-demand i online, rejestracja przez CreateEvaluator oraz pułapki w ocenie agentów AI w finansach.","## Czym są customowe evaluatory w Amazon Bedrock AgentCore?\n\nCustomowy evaluator to warstwa oceny, która sprawdza zachowanie agenta AI według kryteriów zdefiniowanych przez zespół, a nie przez dostawcę modelu. W AgentCore ocena dotyczy poziomu sesji, śladu wykonania i wywołań narzędzi, a własny evaluator pozwala ustawić model oceniający, rubrykę i skalę albo podpiąć funkcję AWS Lambda [1][5].\n\nNależy rozdzielić dwie funkcje. Amazon Bedrock Model Evaluation ocenia modele i przepływy RAG, w tym metryki własne w stylu LLM-as-a-judge [3][4]. AgentCore Evaluations ocenia zachowanie agenta w zadaniu: poprawność, pomocność, bezpieczeństwo, sukces zadania oraz użycie narzędzi [1][2]. Pierwsza funkcja odpowiada na pytanie o wybór modelu, druga o jakość pracy agenta w konkretnym procesie.\n\n## Jakie typy evaluatorów ma zespół?\n\nTrzy warianty różnią się tym, kto ustala kryteria i jak głęboko można wejść w reguły domenowe.\n\n| Kryterium | Wbudowane | Custom LLM-as-a-judge | Code-based (AWS Lambda) |\n|---|---|---|---|\n| Kto ustala kryteria | AWS: prompty, modele i kryteria ocen bez dowolnej modyfikacji [1] | Zespół: model oceniający, instrukcje i rubryka [5] | Zespół: kod funkcji Lambda [5] |\n| Co ocenia | Standardowe wymiary jakości agenta [2] | Odpowiedź i ślad według skali numerycznej lub kategorycznej [6] | Reguły deterministyczne: schemat JSON, wyrażenia regularne, warunki [5] |\n| Kiedy stosować | Szybki start i porównanie zespołów [1] | Kryteria wymagające osądu językowego [5] | Wymagania jednoznaczne i audytowalne [6] |\n| Ograniczenie | Brak wpływu na rubrykę [1] | Wynik zależy od modelu oceniającego [7] | Trzeba utrzymywać funkcję Lambda i jej wersje [6] |\n\n## Kiedy wbudowany evaluator nie wystarcza?\n\nWbudowane evaluatory są konfigurowane przez AWS: mają zdefiniowane prompty, modele i kryteria ocen, których nie można dowolnie zmieniać [1]. Przy 13 wbudowanych evaluatorach udostępnionych w dniu ogólnej dostępności pokrywają typowe wymiary jakości, ale nie reguły specyficzne dla banku, procesu kredytowego czy lokalnej regulacji [2].\n\nWłasny evaluator jest właściwym mechanizmem, gdy kryterium pochodzi z dokumentu wewnętrznego. Gdy zespół chce oceniać odpowiedź względem własnego modelu ryzyka, schematu JSON albo listy wykluczonych sformułowań, potrzebna jest rubryka zespołu albo deterministyczna funkcja [5][6]. Ocena sentymentu nie jest też równoznaczna z decyzją inwestycyjną: w finansach potrzebne są progi niepewności, eskalacja do człowieka, logowanie i możliwość odtworzenia decyzji [7].\n\n## Jak zarejestrować własny evaluator przez CreateEvaluator?\n\nCreateEvaluator tworzy evaluator asynchronicznie i zwraca cztery wartości: ARN, identyfikator, znacznik czasu utworzenia oraz status początkowy [6]. Operacja nie blokuje pracy zespołu, ale trzeba sprawdzić status, zanim evaluator trafi do konfiguracji oceny.\n\nCustom LLM-as-a-judge wymaga trzech decyzji: modelu oceniającego, instrukcji z rubryką oraz skali numerycznej albo kategorycznej [5][6]. Evaluator code-based działa inaczej: uruchamia własną funkcję Lambda, więc reguły mogą sprawdzać schemat odpowiedzi, wyrażenia regularne i warunki deterministyczne bez reliance na kolejnym modelu [5][6]. W obu wariantach zespół przejmuje odpowiedzialność za wersjonowanie definicji oceny.\n\n## Czym różnią się tryby on-demand i online?\n\nTryb wybiera się według tego, czy ocena ma sprawdzać agenta przed wdrożeniem, czy opisywać jego pracę na produkcji.\n\n| Aspekt | On-demand | Online |\n|---|---|---|\n| Moment uruchomienia | na żądanie, poza ścieżką zwykłej odpowiedzi [9] | podczas ruchu produkcyjnego, na próbce zapytań [8] |\n| Dane referencyjne | można użyć zestawu ground truth [9] | brak ground truth w zwykłym monitoringu produkcji [2] |\n| Typowe zastosowanie | testy przed wdrożeniem, audyt odpowiedzi [9] | monitorowanie jakości i alarmy progowe [7] |\n| Ograniczenie | nie wychwytuje zmian w ruchu produkcyjnym [8] | ocenia próbkę ruchu, a nie każde zapytanie [8] |\n\nDane referencyjne są dostępne w testach on-demand, ale nie w monitoringu zwykłego ruchu produkcyjnego [2][9]. Dlatego wynik online opisuje próbkę, a nie pełny obraz jakości agenta.\n\n## Jak połączyć evaluatory w pipeline oceny?\n\nPipeline łączy evaluatory wbudowane i własne. Blog AWS pokazuje cztery code-based evaluatory dla agenta zajmującego się informacjami rynkowymi, zarejestrowane w AgentCore i uruchamiane w trybie on-demand oraz online, obok evaluatorów wbudowanych [9]. Wywołanie odbywa się przez Evaluate API [9][10].\n\nKolejność ma znaczenie. Deterministyczne blokady, takie jak kontrola schematu odpowiedzi, idą przed oceną językową, a wynik jakościowy trafia do progów i alarmów w CloudWatch [7][8]. Tak zbudowany łańcuch oddziela klasyfikację tekstu od autoryzacji transakcji i limitów ryzyka [7]. Praktyczne zasady wdrażania agentów AI opisuje też nasz przegląd [praktycznych zastosowań AI](\u002Fposts\u002Fpraktyczne-zastosowania-przewodnik).\n\n## Jakie pułapki czyhają przy ocenie agentów w finansach?\n\nNajczęstszy błąd to czytanie wyniku evaluatora jako dowodu poprawności decyzji. AWS opisuje monitorowanie, próbkowanie, wyniki w CloudWatch i alarmy progowe, ale nie obiecuje eliminacji błędów [7][8].\n\n- **Brak kalibracji.** Wyniki trzeba porównać z oceną ekspertów na reprezentatywnym zbiorze domenowym, zanim staną się progiem jakości [7].\n- **Brak danych referencyjnych na produkcji.** Zestaw ground truth nie działa w zwykłym monitoringu ruchu, więc test on-demand i monitoring online odpowiadają na różne pytania [2][9].\n- **Jeden evaluator na wszystko.** Reguły domenowe i reguły formalne lepiej rozdzielić na osobne definicje, bo mają różne skale i różne konsekwencje [5][6].\n- **Brak eskalacji.** System, który tylko ocenia, a nie przekazuje wątpliwego przypadku człowiekowi, przenosi ryzyko na kolejny etap procesu [7].\n\n## Jak zacząć z customowymi evaluatorami?\n\nStart nie wymaga przebudowy agenta. Wystarczy wybrać jedno kryterium, które dziś jest sprawdzane ręcznie.\n\n1. **Rozdziel pytanie o model od pytania o agenta.** Do wyboru modelu użyj Bedrock Model Evaluation, do jakości pracy agenta — AgentCore Evaluations [3][4][1].\n2. **Wybierz typ evaluatora.** Rubryka LLM-as-a-judge dla osądu językowego, funkcja Lambda dla reguł deterministycznych [5][6].\n3. **Zarejestruj evaluator przez CreateEvaluator** i sprawdź status operacji asynchronicznej [6].\n4. **Ustaw tryb i próg.** Test on-demand z danymi referencyjnymi, monitoring online z próbkowaniem i alarmem [8][9].\n\nKontekst porównania modeli i benchmarków opisuje nasz materiał o [benchmarkach AI i OpenClaw](\u002Fposts\u002Fbenchmarki-ai-dlaczego-nvidia-postawila-na-openclaw-zamiast-kolejnego-hype-u).\n\n## Najczęstsze pytania\n\n### Czym różni się Bedrock Model Evaluation od AgentCore Evaluations?\n\nBedrock Model Evaluation ocenia modele oraz przepływy RAG, w tym metryki własne w stylu LLM-as-a-judge [3][4]. AgentCore Evaluations ocenia zachowanie agenta: sesję, ślad wykonania i wywołania narzędzi [1][2]. Pierwsze narzędzie służy do wyboru modelu, drugie do kontroli jakości pracy agenta w zadaniu.\n\n### Czy customowy evaluator zastępuje wbudowany?\n\nNie. Wbudowane evaluatory pokrywają standardowe wymiary jakości i są konfigurowane przez AWS, a własne dodają kryteria specyficzne dla firmy [1][2]. Blog AWS pokazuje łączenie evaluatorów code-based z wbudowanymi w jednym pipeline [9].\n\n### Czy evaluator LLM-as-a-judge wystarczy w finansach?\n\nNie w każdej regule. Osąd językowy sprawdza rubrykę i skalę, ale reguły formalne lepiej powierzyć funkcji deterministycznej [5][6]. Klasyfikacja tekstu musi też pozostać oddzielona od autoryzacji transakcji i limitów ryzyka, z eskalacją do człowieka [7].\n\n### Ile wbudowanych evaluatorów udostępnia AgentCore?\n\nW dniu ogólnej dostępności 31 marca 2026 r. AWS udostępnił 13 wbudowanych evaluatorów obejmujących poprawność, pomocność, bezpieczeństwo, sukces zadania i użycie narzędzi [2]. Ich konfiguracji nie można dowolnie zmieniać, dlatego reguły własne wymagają customowego evaluatora [1].\n\n## Źródła\n\n1. [Evaluators - Amazon Bedrock AgentCore (AWS, 2026)](https:\u002F\u002Fdocs.aws.amazon.com\u002Fbedrock-agentcore\u002Flatest\u002Fdevguide\u002Fevaluators.html)\n2. [Amazon Bedrock AgentCore Evaluations is now generally available (AWS, 2026)](https:\u002F\u002Faws.amazon.com\u002Fabout-aws\u002Fwhats-new\u002F2026\u002F03\u002Fagentcore-evaluations-generally-available)\n3. [Evaluate model performance using another LLM as a judge (AWS, 2026)](https:\u002F\u002Fdocs.aws.amazon.com\u002Fbedrock\u002Flatest\u002Fuserguide\u002Fevaluation-judge.html)\n4. [Create a model evaluation job using custom metrics (AWS, 2026)](https:\u002F\u002Fdocs.aws.amazon.com\u002Fbedrock\u002Flatest\u002Fuserguide\u002Fmodel-evaluation-custom-metrics-create-job.html)\n5. [Custom evaluators - Amazon Bedrock AgentCore (AWS, 2026)](https:\u002F\u002Fdocs.aws.amazon.com\u002Fbedrock-agentcore\u002Flatest\u002Fdevguide\u002Fcustom-evaluators.html)\n6. [Create evaluator - Amazon Bedrock AgentCore (AWS, 2026)](https:\u002F\u002Fdocs.aws.amazon.com\u002Fbedrock-agentcore\u002Flatest\u002Fdevguide\u002Fcreate-evaluator.html)\n7. [Amazon Bedrock AgentCore adds quality evaluations and policy controls (AWS, 2026)](https:\u002F\u002Faws.amazon.com\u002Fblogs\u002Faws\u002Famazon-bedrock-agentcore-adds-quality-evaluations-and-policy-controls-for-deploying-trusted-ai-agents)\n8. [Build reliable AI agents with Amazon Bedrock AgentCore Evaluations (AWS, 2026)](https:\u002F\u002Faws.amazon.com\u002Fblogs\u002Fmachine-learning\u002Fbuild-reliable-ai-agents-with-amazon-bedrock-agentcore-evaluations)\n9. [Build custom code-based evaluators in Amazon Bedrock AgentCore (AWS, 2026)](https:\u002F\u002Faws.amazon.com\u002Fblogs\u002Fmachine-learning\u002Fbuild-custom-code-based-evaluators-in-amazon-bedrock-agentcore)\n10. [Amazon Bedrock AgentCore Evaluations Practical Guide (hidekazu-konishi.com, 2026)](https:\u002F\u002Fhidekazu-konishi.com\u002Fentry\u002Famazon_bedrock_agentcore_evaluations_practical_guide.html)",1282,"Article",[236,242,248,254,260,266,272,278,284,290,296,302,308,314,320,326],{"id":237,"slug":238,"pillar_id":239,"draft_id":240},"bab79ee2-60f9-4412-a1e3-08aaae18e56d","openai-codex-w-twoim-projekcie-oszczedz-30-czasu-developerskiego-czy-ryzykuj-wyciek-kodu",{"color_token":221},{"title":241},"OpenAI Codex w Twoim projekcie: oszczędź 30% czasu developerskiego czy ryzykuj wyciek kodu?",{"id":243,"slug":244,"pillar_id":245,"draft_id":246},"9e557877-8a83-42b9-bb90-0fbb66319549","python-w-biznesie-5-konceptow-ktore-przyspieszaja-projekty-ai-i-automatyzacje",{"color_token":221},{"title":247},"Python w biznesie: 5 konceptów, które przyspieszają projekty AI i automatyzację",{"id":249,"slug":250,"pillar_id":251,"draft_id":252},"5d3504cf-79b1-4514-a2f5-539e6f08e297","sandbox-dla-ai-na-windowsie-jak-openai-izoluje-codex-i-co-mozesz-zrobic-sam",{"color_token":221},{"title":253},"Sandbox dla AI na Windowsie: jak OpenAI izoluje Codex i co możesz zrobić sam",{"id":255,"slug":256,"pillar_id":257,"draft_id":258},"a31a8117-8d05-4f9e-944f-0ce9e7bc00a3","codex-openai-juz-nie-przyjmie-twojego-kodu-co-teraz-zrobic",{"color_token":221},{"title":259},"Codex OpenAI już nie przyjmie twojego kodu — co teraz zrobić?",{"id":261,"slug":262,"pillar_id":263,"draft_id":264},"a7909ea1-b58e-49f7-a769-1b5012c3467f","sandbox-dla-ai-na-windowsie-jak-nie-powtorzyc-bledu-microsoft-recall",{"color_token":221},{"title":265},"Sandbox dla AI na Windowsie: Jak nie powtórzyć błędu Microsoft Recall",{"id":267,"slug":268,"pillar_id":269,"draft_id":270},"5ab5dcae-fbd8-4600-ba96-015f1eeab69d","pandas-bez-petli-jak-przyspieszyc-przetwarzanie-danych-o-300-i-nie-zwariowac",{"color_token":221},{"title":271},"Pandas bez pętli: jak przyspieszyć przetwarzanie danych o 300% i nie zwariować",{"id":273,"slug":274,"pillar_id":275,"draft_id":276},"23c198c1-f2c4-4df7-812c-38f64ae7e27d","5-dni-zero-kodu-dzialajacy-agent-ai-czy-google-naprawde-da-founderom-to-czego-potrzebuja",{"color_token":221},{"title":277},"5 dni, zero kodu, działający agent AI – czy Google naprawdę da founderom to, czego potrzebują?",{"id":279,"slug":280,"pillar_id":281,"draft_id":282},"666237b9-e326-404e-8282-10608608298c","codex-w-praktyce-jak-polscy-developerzy-przestaja-pisac-kod-od-zera",{"color_token":221},{"title":283},"Codex w praktyce: jak polscy developerzy przestają pisać kod od zera",{"id":285,"slug":286,"pillar_id":287,"draft_id":288},"10e20fe7-5930-4123-8f60-baf9f98731bb","sandbox-dla-ai-na-windowsie-jak-zbudowac-izolacje-jak-openai-zeby-nie-skonczyc-jak-recall",{"color_token":221},{"title":289},"Sandbox dla AI na Windowsie: jak zbudować izolację jak OpenAI, żeby nie skończyć jak Recall",{"id":291,"slug":292,"pillar_id":293,"draft_id":294},"6173c48c-614d-4f4e-a60c-6ec753e3f947","jak-kiro-cli-zapamietalo-ze-nie-lubisz-flagi-force",{"color_token":221},{"title":295},"Jak Kiro CLI zapamiętało, że nie lubisz flagi --force",{"id":297,"slug":298,"pillar_id":299,"draft_id":300},"7a2c0639-3eb4-4d1d-927b-badd85df44f3","lean-dla-programistow-jak-udowodnic-ze-twoj-kod-dziala-zanim-go-uruchomisz",{"color_token":221},{"title":301},"Lean dla programistów: jak udowodnić, że twój kod działa — zanim go uruchomisz",{"id":303,"slug":304,"pillar_id":305,"draft_id":306},"b8d26e11-6739-47e3-9ca4-4277bca1ad64","15-minut-vs-30-sekund-jak-przyspieszyc-pandasa-bez-kupowania-nowego-serwera",{"color_token":221},{"title":307},"15 minut vs 30 sekund: jak przyspieszyć Pandasa bez kupowania nowego serwera",{"id":309,"slug":310,"pillar_id":311,"draft_id":312},"70ba6104-c270-4d85-a740-fb805e84d83b","asystent-rekrutacyjny-na-amazon-bedrock-ile-czasu-zaoszczedzisz-i-co-stracisz",{"color_token":221},{"title":313},"Asystent rekrutacyjny na Amazon Bedrock: ile czasu zaoszczędzisz i co stracisz",{"id":315,"slug":316,"pillar_id":317,"draft_id":318},"12dddaa6-30f8-4b36-be24-fb783b342f71","czy-5-dni-szkolenia-google-wystarczy-by-wdrozyc-agentow-ai-w-twojej-firmie",{"color_token":221},{"title":319},"Czy 5 dni szkolenia Google wystarczy, by wdrożyć agentów AI w Twojej firmie?",{"id":321,"slug":322,"pillar_id":323,"draft_id":324},"76fa520e-8934-4a02-a060-e6fb7cd18925","10-zmiennych-ktore-przetrwaja-kryzys-jak-nie-dac-sie-zlapac-w-pulapke-overfittingu",{"color_token":221},{"title":325},"10 zmiennych, które przetrwają kryzys. Jak nie dać się złapać w pułapkę overfittingu",{"id":327,"slug":328,"pillar_id":329,"draft_id":330},"a53feef1-531c-4aa6-ba1b-22215d4beb53","word2vec-w-2025-roku-dlaczego-stary-model-wciaz-zaskakuje-matematyka",{"color_token":221},{"title":331},"Word2vec w 2025 roku: dlaczego stary model wciąż zaskakuje matematyką",[]]