[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"layout-ticker":3,"$f7S_weLWMAadOYz6GilssAywwKcD68NAY1QRtlXzSqLs":208,"$fXSUlcojAicZcXqkW0tGpauDeM8xD7DqO-Bro5EbvZ8Q":235,"atoms-tool-calling-w-amazon-bedrock-trzy-sciezki-jedno-pytanie-ktora-wybrac-zeby-nie-zalowac":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},"5f5fea6d-9ecf-4ea9-9042-166bad42f790","tool-calling-w-amazon-bedrock-trzy-sciezki-jedno-pytanie-ktora-wybrac-zeby-nie-zalowac","article",null,"a9861724-8a9c-4234-bed6-b571f9daa04d","2026-08-18T04:55:41.289Z","2026-10-23T11:24:11.259Z",11,{"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},"Tool calling w Amazon Bedrock: trzy ścieżki wdrożenia i którą wybrać","Tool calling w Amazon Bedrock: jak działa pętla wywołań narzędzi, jakie są trzy ścieżki wdrożenia i kiedy wybrać Converse API, a kiedy InvokeModel.","## Czy model sam wykonuje narzędzie w Amazon Bedrock?\n\nNie. Model generuje żądanie użycia narzędzia: nazwę funkcji i argumenty. Wykonanie należy do aplikacji, która odsyła wynik do modelu w kolejnym wywołaniu, albo do mechanizmu po stronie Bedrock. AWS nazywa ten mechanizm tool use i dokumentuje go od co najmniej 3 lutego 2026 r. [1]. Podział odpowiedzialności jest istotny przy integracji z systemem ERP, bo to aplikacja decyduje, które żądanie modelu trafi do bazy.\n\nDefinicja narzędzia to opis funkcji: nazwa, parametry i ich typy. Model widzi kontrakt, nie kod. Niejednoznaczny opis parametru daje żądania, których nie da się wykonać, i to najczęstsze miejsce, w którym integracja zawodzi.\n\nTypowy przypadek to asystent, który sięga po dane spoza okna kontekstu: status zamówienia, stan magazynu, wpis w CRM. Model wybiera funkcję, aplikacja ją uruchamia, wynik wraca do rozmowy.\n\n## Jakie trzy ścieżki implementacji tool calling w Amazon Bedrock opisuje AWS?\n\nAWS opisuje trzy sposoby wdrożenia programowego tool callingu: własny sandbox Docker na Amazon ECS, zarządzany AgentCore Code Interpreter oraz ścieżkę przez proxy zgodne z SDK Anthropic [3]. To inny podział niż w dokumentacji produktu, która rozróżnia trzy tryby tool use: client-side, server-side i Anthropic Claude tool use [1]. Pierwsza trójka dotyczy miejsca wykonania kodu, druga — miejsca wykonania narzędzia.\n\n| Kryterium | Docker sandbox na ECS | AgentCore Code Interpreter | Proxy zgodne z SDK Anthropic |\n|---|---|---|---|\n| Kto utrzymuje środowisko | zespół i jego DevOps | AWS | zespół plus warstwa proxy |\n| Poziom kontroli | najwyższy | ograniczony do konfiguracji | średni |\n| Główny powód wyboru | wymogi compliance, niestandardowe biblioteki | brak zespołu DevOps | istniejący kod oparty o SDK Anthropic |\n| Główne ryzyko | koszt i praca utrzymania | mniejsza kontrola nad środowiskiem | dodatkowa warstwa do utrzymania |\n\nW wariancie client-side tool use wykonanie narzędzia zostaje po stronie aplikacji [2]. Wariant server-side przenosi je do Bedrock, ale jest osobnym mechanizmem i nie obejmuje każdego wywołania modelu [1]. Przed wdrożeniem trzeba sprawdzić, czy wybrany model i region obsługują API, na którym opiera się ścieżka, bo nie każdy model obsługuje narzędzia [4].\n\n## Jak działa pętla tool callingu w Converse API?\n\nConverse API wysyła definicje narzędzi w polu toolConfig i zwraca od modelu żądanie użycia narzędzia. Aplikacja wykonuje funkcję, odsyła wynik jako toolResult i wywołuje model ponownie, aż uzyska odpowiedź bez żądania narzędzia [5]. To pętla wieloturowa, a nie jedno wywołanie. Converse wymaga uprawnienia bedrock:InvokeModel i obsługuje modele przyjmujące format wiadomości [7].\n\nKroki wyglądają tak:\n\n1. Zbierz definicje narzędzi: nazwa, opis, schemat parametrów.\n2. Wyślij prompt i definicje przez Converse [7].\n3. Odczytaj z odpowiedzi nazwę narzędzia i argumenty.\n4. Wykonaj funkcję we własnym systemie.\n5. Odeślij toolResult i powtórz wywołanie [5][6].\n\nKażdy obrót pętli to osobne wywołanie modelu, więc koszt rośnie z liczbą narzędzi i tur. Praktyczna rada: ogranicz liczbę kroków i loguj każde wywołanie, bo bez tego błąd w argumencie wraca w kolejnych turach. Przykładowe żądania i odpowiedzi pokazuje dokumentacja z przykładami [6].\n\nPodobny wzorzec pracy agenta — narzędzie, wynik, kolejna decyzja modelu — opisują też teksty o Codexie w data science (\u002Fposts\u002Fcodex-w-data-science-2-godziny-pracy-w-10-minut-ale-nie-bez-haczyka) oraz o benchmarkach AI (\u002Fposts\u002Fbenchmarki-ai-dlaczego-nvidia-postawila-na-openclaw-zamiast-kolejnego-hype-u).\n\n## Czym różni się Converse API od InvokeModel?\n\nConverse daje jeden format wiadomości i toolConfig dla modeli, które go obsługują — to ścieżka dla przenośnych aplikacji konwersacyjnych. InvokeModel pozostaje modelowo-specyficzny: korzysta z natywnego formatu dostawcy, więc serializacja żądania i parsowanie odpowiedzi są po Twojej stronie [9]. AWS pokazuje tool use także przez Invoke API dla obsługiwanych modeli [1].\n\n| Kryterium | Converse API | InvokeModel |\n|---|---|---|\n| Format | ujednolicony format wiadomości i toolConfig [7] | natywny format dostawcy [9] |\n| Przenośność między modelami | wysoka w granicach modeli obsługujących Converse [4] | zależy od konkretnego modelu |\n| Praca po stronie aplikacji | mniej kodu serializacji | własna serializacja i parsowanie [9] |\n| Kiedy wybrać | aplikacja konwersacyjna z wieloma modelami | dostęp do funkcji specyficznych dla dostawcy |\n\nKompatybilność nie jest uniwersalna. Tabela AWS pokazuje, że część modeli obsługuje Converse, część tylko InvokeModel, a niektóre nie obsługują narzędzi wcale [4]. Przed wyborem trzeba sprawdzić model, region i API — nie samą nazwę rodziny.\n\n## Czym jest server-side tool use i kiedy go używać?\n\nServer-side tool use to odrębny mechanizm, w którym narzędzia wykonuje Bedrock, między innymi przez Lambda albo AgentCore Gateway [10]. Według dokumentacji dotyczy Responses API, a nie każdego wywołania Converse [10]. Nie jest więc skrótem dla dowolnej aplikacji: to wybór architektury, w której wykonanie przenosi się do infrastruktury AWS.\n\nWariant ma sens, gdy narzędzia i tak żyją w AWS, a chcesz ograniczyć kod pośredniczący. Wtedy wykonanie funkcji Lambda wiąże się z polityką IAM aplikacji, co upraszcza audyt, ale zawęża kontrolę nad tym, co dokładnie uruchamia model [10]. Przykłady łączenia agenta z Lambda i Bedrock opisuje też blog CloudThat [11].\n\n## Jak zabezpieczyć tool calling w integracji z systemem ERP?\n\nZacznij od jawnych schematów JSON i walidacji argumentów, a dopiero potem dodawaj kolejne narzędzia. Dokumentacja wskazuje ten sam zestaw zabezpieczeń: ograniczenia IAM, autoryzację wywołań, audyt, limity pętli i obsługę błędów [1][10]. Model nie powinien mieć dostępu do operacji zapisu, których nie potrzebuje.\n\nPraktyczne zasady:\n\n- każde narzędzie to osobne uprawnienie IAM, zgodnie z zasadą najmniejszych uprawnień;\n- argumenty są walidowane schematem przed wykonaniem, a błąd walidacji wraca do modelu jako wynik, nie jako wyjątek;\n- operacje zapisu do ERP wymagają potwierdzenia po stronie aplikacji;\n- każde wywołanie trafia do logu z identyfikatorem rozmowy;\n- pętla ma twardy limit kroków, żeby model nie zapętlił się na błędzie.\n\nDla systemów legacy dochodzi kwestia zapytań generowanych dynamicznie. Model może zaproponować SQL, ale wykonanie powinno przechodzić przez warstwę, która sprawdza zakres danych i uprawnienia użytkownika. To ta sama zasada co przy API: model proponuje, aplikacja decyduje.\n\n## Którą ścieżkę wdrożenia wybrać?\n\nTrzy pytania porządkują decyzję. Czy masz zespół, który utrzyma infrastrukturę i chce pełnej kontroli? Wtedy sandbox Docker na ECS [3]. Czy potrzebujesz środowiska wykonawczego bez DevOps? Wtedy AgentCore Code Interpreter [3]. Czy masz już kod oparty o SDK Anthropic i chcesz ograniczyć refaktoryzację? Wtedy proxy [3].\n\nDo tego dochodzi tryb tool use. Client-side daje kontrolę nad każdym wywołaniem i pasuje do integracji z systemami wewnętrznymi [2]. Server-side upraszcza architekturę, gdy narzędzia są w AWS [10]. Wybór modelu i regionu sprawdzasz w tabeli kompatybilności, bo od niej zależy, które API w ogóle zadziała [4].\n\nPlatforma Bedrock udostępnia modele różnych dostawców i narzędzia do budowy aplikacji generatywnych [12], ale nie zwalnia z projektowania kontraktów narzędzi. Warstwa pośrednia ma znaczenie dopiero po wyborze ścieżki.\n\n## Najczęstsze pytania\n\n### Czy tool calling w Amazon Bedrock działa z każdym modelem?\n\nNie. Obsługa narzędzi zależy od modelu, regionu i API. Tabela kompatybilności AWS rozdziela modele, które obsługują Converse, te dostępne tylko przez InvokeModel, i te bez obsługi narzędzi [4]. Przed wdrożeniem trzeba sprawdzić konkretną kombinację, a nie tylko nazwę rodziny modeli.\n\n### Czy model sam wykonuje funkcję w Bedrock?\n\nNie. W wariancie client-side model zwraca nazwę narzędzia i argumenty, a funkcję wykonuje aplikacja i odsyła wynik [1][2]. W wariancie server-side wykonanie przechodzi na stronę Bedrock, między innymi przez Lambda albo AgentCore Gateway [10]. W obu przypadkach decyzję o wywołaniu podejmuje model, a nie kod.\n\n### Czym jest programmatic tool calling?\n\nTo wariant, w którym model pisze kod wywołujący narzędzia, a kod wykonuje się w kontrolowanym środowisku: sandboxie Docker, interpreterze AgentCore albo przez proxy zgodne z SDK Anthropic [3]. Dzięki temu złożona logika nie wymaga osobnego narzędzia dla każdego kroku, ale środowisko wykonawcze trzeba utrzymać i zabezpieczyć.\n\n### Czy trzeba przechodzić na Converse API?\n\nNie, ale Converse upraszcza aplikacje konwersacyjne, bo daje jeden format wiadomości i toolConfig [7]. InvokeModel zostaje dla przypadków, w których potrzebny jest natywny format dostawcy lub funkcje dostępne tylko tam [9]. Przy wielu modelach Converse ogranicza kod serializacji, przy jednym modelu różnica bywa niewielka.\n\n## Źródła\n\n1. [Use a tool to complete an Amazon Bedrock model response (Amazon Web Services, 2026)](https:\u002F\u002Fdocs.aws.amazon.com\u002Fbedrock\u002Flatest\u002Fuserguide\u002Ftool-use.html)\n2. [Client-side tool use (Amazon Web Services, 2026)](https:\u002F\u002Fdocs.aws.amazon.com\u002Fbedrock\u002Flatest\u002Fuserguide\u002Ftool-use-client-side.html)\n3. [Implementing programmatic tool calling on Amazon Bedrock (AWS Machine Learning Blog, b.d.)](https:\u002F\u002Faws.amazon.com\u002Fblogs\u002Fmachine-learning\u002Fimplementing-programmatic-tool-calling-on-amazon-bedrock)\n4. [API compatibility (Amazon Web Services, 2026)](https:\u002F\u002Fdocs.aws.amazon.com\u002Fbedrock\u002Flatest\u002Fuserguide\u002Fmodels-api-compatibility.html)\n5. [Call a tool with the Converse API (Amazon Web Services, 2026)](https:\u002F\u002Fdocs.aws.amazon.com\u002Fbedrock\u002Flatest\u002Fuserguide\u002Ftool-use-inference-call.html)\n6. [Converse API tool use examples (Amazon Web Services, 2026)](https:\u002F\u002Fdocs.aws.amazon.com\u002Fbedrock\u002Flatest\u002Fuserguide\u002Ftool-use-examples.html)\n7. [Inference using Converse API (Amazon Web Services, 2026)](https:\u002F\u002Fdocs.aws.amazon.com\u002Fbedrock\u002Flatest\u002Fuserguide\u002Fconversation-inference.html)\n8. [Converse — API Reference (Amazon Web Services, 2026)](https:\u002F\u002Fdocs.aws.amazon.com\u002Fbedrock\u002Flatest\u002FAPIReference\u002FAPI_runtime_Converse.html)\n9. [Customize Amazon Nova models to improve tool usage (AWS Machine Learning Blog, b.d.)](https:\u002F\u002Faws.amazon.com\u002Fblogs\u002Fmachine-learning\u002Fcustomize-amazon-nova-models-to-improve-tool-usage)\n10. [Server-side tool use (Amazon Web Services, 2026)](https:\u002F\u002Fdocs.aws.amazon.com\u002Fbedrock\u002Flatest\u002Fuserguide\u002Ftool-use-server-side.html)\n11. [Tool-Calling LLM Agents with AWS Lambda and Amazon Bedrock (CloudThat, b.d.)](https:\u002F\u002Fwww.cloudthat.com\u002Fresources\u002Fblog\u002Ftool-calling-llm-agents-with-aws-lambda-and-amazon-bedrock)\n12. [Budowanie aplikacji GenAI z AWS Bedrock (FSGeek, b.d.)](https:\u002F\u002Ffsgeek.pl\u002Fpost\u002Fbudowanie-aplikacji-gen-ai-aws-bedrock)",1471,"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},"10e20fe7-5930-4123-8f60-baf9f98731bb","sandbox-dla-ai-na-windowsie-jak-zbudowac-izolacje-jak-openai-zeby-nie-skonczyc-jak-recall",{"color_token":221},{"title":253},"Sandbox dla AI na Windowsie: jak zbudować izolację jak OpenAI, żeby nie skończyć jak Recall",{"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},"5d3504cf-79b1-4514-a2f5-539e6f08e297","sandbox-dla-ai-na-windowsie-jak-openai-izoluje-codex-i-co-mozesz-zrobic-sam",{"color_token":221},{"title":265},"Sandbox dla AI na Windowsie: jak OpenAI izoluje Codex i co możesz zrobić sam",{"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},"a7909ea1-b58e-49f7-a769-1b5012c3467f","sandbox-dla-ai-na-windowsie-jak-nie-powtorzyc-bledu-microsoft-recall",{"color_token":221},{"title":289},"Sandbox dla AI na Windowsie: Jak nie powtórzyć błędu Microsoft 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",[]]