[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"layout-ticker":3,"$fnFB-LwLRe-CmH7Jc8pBBkBfEz6yTvlY8tb51wQDvvU0":208,"$fi_T70_iG0LRideiGbqtMJ3q3JHsDsj5VlZMvENfMQtQ":236,"atoms-twoje-testy-przechodza-a-agent-i-tak-robi-glupoty-dlaczego-klasyczne-qa-tu-nie-dziala-i-co-z-tym-zrobic":333},[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":217,"reviewed_by":217,"reading_time_min":218,"pillar_id":219,"author_id":223,"draft_id":230},"968f0751-c274-4510-94df-48309c1c7b03","twoje-testy-przechodza-a-agent-i-tak-robi-glupoty-dlaczego-klasyczne-qa-tu-nie-dziala-i-co-z-tym-zrobic","article","agenci-ai","3a79ae82-80e2-44d8-b269-978467ff5817","2026-07-26T10:00:06.195Z","2026-10-23T04:18:44.840Z",null,7,{"id":220,"name":15,"slug":221,"color_token":222},"ec013b2c-e6c4-4c31-b1ec-9587c629a169","praktyczne-zastosowania","gold",{"display_name":224,"slug":225,"bio_short":226,"social_links":227},"Andrzej Niemiec","andrzej-niemiec","Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.",{"linkedin":228,"x":217,"github":217,"website":229},"https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Fandrzej-niemiec-b3ab60220\u002F","https:\u002F\u002Faion-automation.pl",{"title":231,"meta_description":232,"body_mdx":233,"word_count":234,"schema_type":235},"Testy przechodzą, agent działa źle — jak testować agentów AI","Test sprawdza komunikat, a agent może nie wykonać zadania. Jak testować agentów AI: ślad wykonania, pass@1 i pass^k, wzorce AgentAssert i monitoring produkcji.","## Dlaczego zielony test nie dowodzi, że agent wykonał zadanie?\n\nTest sprawdza komunikat, a nie stan świata. Agent może zwrócić przekonujące podsumowanie bez czytania pliku, bez wywołania API i bez wykonania operacji, którą opisuje. Wynik testu jest zielony, a zadanie pozostaje niewykonane. Opisuje to artykuł Biresha Patela z 28 maja 2026 roku, opublikowany w DZone [1].\n\nPrzykład z tego tekstu jest prosty. Agent miał przeczytać plik, a test sprawdzał tylko, czy odpowiedź nie jest pusta. Agent wygenerował wiarygodne podsumowanie bez użycia narzędzia i test przeszedł [1]. Ten wzorzec wraca w każdym systemie, w którym ocena kończy się na tekście odpowiedzi. Dlatego w części [agenci AI i automatyzacja](\u002Fagenci-ai) pytanie o testy wraca razem z pytaniem o uprawnienia i ślad wykonania.\n\n## Czym różni się test agenta AI od testu funkcji?\n\nAgent nie jest funkcją, która zwraca tekst. Trzeba oceniać wybór narzędzia, argumenty wywołania, kolejność kroków, uprawnienia, retry i zachowanie po błędzie [1][2]. Funkcja zwraca wartość i kończy pracę, a agent podejmuje decyzje po drodze.\n\nKlasyczne QA nie traci sensu. Testy deterministyczne, buildy, linters i testy regresji pozostają potrzebnymi bramkami [1][3]. Zmienia się zakres oceny: obok kodu trzeba sprawdzać trajektorię działania agenta.\n\n## Jakie wzorce testowania agentów opisuje AgentAssert?\n\nRepozytorium agent-assert zbiera pięć wzorców: wywołanie narzędzia, kontrakty zachowania, weryfikację wieloetapowego śladu, egzekwowanie granic i obserwowalność błędów [2]. Ten sam materiał w DZone nazywa je referencyjną implementacją opartą na Playwright, a nie komercyjnym produktem [1].\n\nKażdy wzorzec odpowiada na inne pytanie. Wywołanie narzędzia sprawdza, czy agent użył właściwej funkcji. Kontrakty zachowania pilnują, czy wynik mieści się w ustalonych regułach. Weryfikacja śladu odtwarza kolejność kroków. Egzekwowanie granic blokuje działania poza zakresem uprawnień. Obserwowalność błędów opisuje, co poszło nie tak i w którym miejscu.\n\nMatcher kontraktów w tym repozytorium jest heurystyczny, oparty na słowach kluczowych i wzorcach, bez drugiego modelu [2]. To wystarcza do szybkich kontroli, ale nie zastępuje dowodu wykonania.\n\n## Jak mierzyć niezawodność, gdy każdy przebieg może wyglądać inaczej?\n\nJedna udana próba nie dowodzi niezawodności. Warto raportować pass@1, czyli sukces w pierwszej próbie, oraz pass^k, czyli konsekwentny sukces w wielu niezależnych próbach [4][5]. Pierwsza metryka pokazuje, jak często agent trafia od razu. Druga pokazuje, czy potrafi trafić za każdym razem.\n\nZestaw scenariuszy powinien obejmować zadania o różnym ryzyku. Inaczej wynik uśrednia się do liczby, która nie mówi nic o najgorszych przypadkach. Ocena wielokrotna jest jedynym sposobem, żeby odróżnić agenta stabilnego od takiego, który czasem trafia [4][5].\n\nPorównanie trzech podejść do oceny pokazuje, gdzie leży różnica.\n\n| Kryterium | Asercja na tekście odpowiedzi | Test śladu wykonania | Ocena modelem |\n|---|---|---|---|\n| Co sprawdza | brzmienie odpowiedzi | narzędzia, argumenty i kolejność kroków | jakość semantyczną tekstu |\n| Czy wykryje opis bez wykonania | nie | tak, jeśli ślad jest kompletny | nie zawsze |\n| Koszt utrzymania | niski | średni, rośnie z liczbą scenariuszy | wysoki, dochodzi koszt modelu |\n| Główne ryzyko | kruchość i fałszywe zielone | luki w logowaniu | sędzia powtarza błąd agenta |\n\nTabela nie rozstrzyga, którego podejścia użyć. Wskazuje, że asercja na tekście i ocena modelem mierzą tekst, a test śladu mierzy działanie. W praktyce potrzebne są wszystkie trzy warstwy, bo każda łapie inny typ błędu [1][4].\n\n## Co powinien zawierać ślad wykonania agenta?\n\nŚlad musi wystarczyć do odtworzenia decyzji. Powinien obejmować wersję promptu i konfiguracji, decyzje agenta, wywołania narzędzi z argumentami, wyniki, błędy, retry, czas i koszt [1][2]. Bez tego nie da się odróżnić błędu rozumowania od błędu danych i od błędu narzędzia.\n\nLogowanie całej pętli jest częścią QA, nie dodatkiem. Jeśli agent podjął złą decyzję, a log zawiera tylko finalny tekst, diagnoza produkcji zamienia się w zgadywanie. Ten sam ślad jest podstawą regresji, bo pozwala porównać przebieg przed zmianą modelu i po niej. Więcej o granicach między gotowym a własnym rozwiązaniem jest w tekście o [agentic workflow w produkcji](\u002Fposts\u002Fagentic-workflow-w-produkcji-kiedy-gotowy-control-plane-wystarczy-a-kiedy-musisz-budowac-wlasny).\n\n## Czy LLM-as-a-judge wystarczy do oceny agenta?\n\nNie. Model sędzia ocenia to, co widzi, czyli najczęściej tekst odpowiedzi. Może pomóc przy jakości semantycznej, ale powinien być wsparty deterministycznymi kontrolami i rzeczywistymi artefaktami wykonania [2]. Repozytorium agent-assert samo przyznaje, że jego matcher jest heurystyczny [2]. Ocena modelem jest użyteczna jako jedna z warstw, nie jako jedyny dowód [4].\n\nSędzia ma jeszcze jedno ograniczenie. Ocenia odpowiedź, a nie skutek. Jeśli agent zmyślił wykonanie zadania, sędzia widzi spójny i dobrze napisany tekst. Dopiero sprawdzenie stanu systemu pokazuje, że operacja nigdy się nie odbyła [1].\n\n## Co monitorować na produkcji?\n\nMonitoring jest częścią QA. Trzeba mierzyć task-success, poprawność wywołań narzędzi, liczbę kroków i pętli, koszt, opóźnienie, naruszenia polityk, eskalacje do człowieka oraz rozbieżność między deklaracją agenta a faktycznym stanem systemu [3][4].\n\nNajważniejsza jest ostatnia pozycja. Agent może deklarować sukces, a system nie odnotować zmiany. Taka rozbieżność jest sygnałem wcześniej niż błąd zgłoszony przez użytkownika. Kontrola uprawnień i eskalacji do człowieka jest omówiona w tekście [ORKA vs. chaos](\u002Fposts\u002Forka-vs-chaos-jak-nie-stracic-kontroli-nad-swoim-agentem-ai).\n\n## Które ścieżki negatywne trzeba przetestować?\n\nŚcieżki negatywne pokazują, jak agent zachowuje się poza szczęśliwym scenariuszem. Lista jest konkretna: brak pliku, niedostępne API, błędne dane, timeout, częściowa awaria, odmowa wykonania i próba użycia narzędzia spoza zakresu [1][6].\n\nCzęść takich przypadków wygląda jak halucynacja, a jest skutkiem danych. Asystent AI poleca klientowi produkt, którego nie ma na stanie. Zanim uznamy to za halucynację modelu, trzeba sprawdzić, czy strona pozwalała mu ustalić prawdę [6]. Praktyczny przykład blokady dostępu do danych opisuje tekst o tym, jak [zablokować agentowi dostęp do firmowych faktur](\u002Fposts\u002Fagent-ai-przeglada-firmowe-faktury-zablokuj-to-w-20-minut).\n\n## Od czego zacząć w tym tygodniu?\n\nPolecamy zacząć od pięciu scenariuszy, które najczęściej kończą się błędem na produkcji. Dla każdego trzeba opisać kryterium sukcesu na poziomie intencji, a nie tekstu odpowiedzi, i dopisać sprawdzenie stanu świata po zakończeniu [1][2]. Pierwszy krok nie wymaga nowego narzędzia: wystarczy log śladu i asercja na efektach. Dopiero potem sensowne jest rozbudowanie zestawu o ocenę modelem i pełny monitoring [4].\n\n## Najczęstsze pytania\n\n### Czy klasyczne testy jednostkowe nadal mają sens przy agentach AI?\n\nTak. Testy jednostkowe, buildy, linters i testy regresji pozostają potrzebnymi bramkami [1][3]. Nie obejmują jednak wyboru narzędzi ani kolejności kroków, więc nie wystarczają jako jedyna kontrola. Najlepiej działa układ warstw: deterministyczne testy kodu, testy śladu i ocena jakości tam, gdzie tekst ma znaczenie.\n\n### Ile razy powtarzać test agenta, żeby wynik coś znaczył?\n\nPojedynczy przebieg nie wystarcza. Warto raportować pass@1 i pass^k, czyli sukces w jednej próbie oraz konsekwentny sukces w wielu próbach [4][5]. Liczba powtórzeń zależy od kosztu i ryzyka scenariusza. Dla ścieżek wysokiego ryzyka sensowna jest większa liczba prób, bo właśnie tam pojedynczy sukces myli najbardziej.\n\n### Czy AgentAssert to gotowe narzędzie do wdrożenia?\n\nNie. To referencyjna implementacja oparta na Playwright i zbiór wzorców, a nie komercyjny produkt [1][2]. Można z niego korzystać jako z punktu wyjścia i przenieść wzorce do własnego zestawu testów. Matcher kontraktów jest heurystyczny, więc wymaga uzupełnienia o sprawdzanie stanu świata.\n\n### Jak wykryć, że agent zmyślił wykonanie zadania?\n\nTrzeba sprawdzić efekt w systemie, a nie tylko treść odpowiedzi. Jeśli zadaniem było utworzenie rekordu, test powinien sprawdzić, czy rekord istnieje. Jeśli agent miał wywołać API, test powinien sprawdzić wywołanie i argumenty [1][2]. Dopiero ślad wykonania razem ze stanem świata daje dowód, że zadanie zostało wykonane.\n\n## Źródła\n\n1. [AI Agent Tests Are Passing, But Your Agent Is Still Broken (DZone, 2026)](https:\u002F\u002Fdzone.com\u002Farticles\u002Fai-agent-tests-pass-but-agent-still-broken)\n2. [agent-assert — referencyjna implementacja testów agentów (GitHub)](https:\u002F\u002Fgithub.com\u002Fbireshpatel\u002Fagent-assert)\n3. [Techniques (Thoughtworks Technology Radar)](https:\u002F\u002Fwww.thoughtworks.com\u002Fen-us\u002Fradar\u002Ftechniques)\n4. [AI Agent Evaluation (2026): Metrics, Frameworks, and Production Failures (Morph, 2026)](https:\u002F\u002Fwww.morphllm.com\u002Fai-agent-evaluation)\n5. [Beyond Accuracy: A Multi-Dimensional Framework for Evaluating Enterprise Agentic AI Systems (arXiv, 2025)](https:\u002F\u002Farxiv.org\u002Fhtml\u002F2511.14136v1)\n6. [Czyj to bug? Gdy klientem jest agent AI (testerzy.pl)](https:\u002F\u002Ftesterzy.pl\u002Fbaza-wiedzy\u002Fartykuly\u002Fczyj-to-bug-gdy-klientem-jest-agent-ai)",1295,"Article",[237,243,249,255,261,267,273,279,285,291,297,303,309,315,321,327],{"id":238,"slug":239,"pillar_id":240,"draft_id":241},"fad1d7ad-8fa0-43af-b45a-a0be58875324","codex-w-operacjach-biznesowych-jak-zamienic-20-godzin-pracy-w-8-minut",{"color_token":222},{"title":242},"Codex w operacjach biznesowych: jak zamienić 20 godzin pracy w 8 minut",{"id":244,"slug":245,"pillar_id":246,"draft_id":247},"15de5316-98c5-4e40-bfd7-15db1ee47fd3","codex-w-sprzedazy-jak-polskie-zespoly-automatyzuja-briefy-i-forecasty-bez-kodu",{"color_token":222},{"title":248},"Codex w sprzedaży: jak polskie zespoły automatyzują briefy i forecasty bez kodu",{"id":250,"slug":251,"pillar_id":252,"draft_id":253},"3711d3a5-d1b6-41f0-83bf-cede7e357934","codex-w-operacjach-jak-polskie-firmy-odzyskuja-15-godzin-tygodniowo",{"color_token":222},{"title":254},"Codex w operacjach: jak polskie firmy odzyskują 15 godzin tygodniowo",{"id":256,"slug":257,"pillar_id":258,"draft_id":259},"b77317b3-6449-4e20-bcc2-40177a5635c3","debata-agentow-ai-jak-10-modeli-wygenerowalo-guardrails-za-1-3-ceny",{"color_token":222},{"title":260},"Debata agentów AI: jak 10 modeli wygenerowało guardrails za 1\u002F3 ceny",{"id":262,"slug":263,"pillar_id":264,"draft_id":265},"d0badd80-84fc-4a82-a928-d57869fbe3d7","wordpress-bez-kodowania-jak-zbudowac-strone-w-2-godziny-zamiast-20",{"color_token":222},{"title":266},"WordPress bez kodowania: jak zbudować stronę w 2 godziny zamiast 20",{"id":268,"slug":269,"pillar_id":270,"draft_id":271},"ab48fe44-3cec-4ee3-9c7a-e04587d706a4","codex-w-sprzedazy-jak-oszczedzic-10-godzin-tygodniowo-bez-pisania-kodu",{"color_token":222},{"title":272},"Codex w sprzedaży: jak oszczędzić 10 godzin tygodniowo bez pisania kodu",{"id":274,"slug":275,"pillar_id":276,"draft_id":277},"d65aeb1e-b7f5-4221-836c-4e751d758397","czy-twoje-narzedzia-ai-to-tylko-cyfrowy-smietnik-jak-przestac-placic-za-nieuzywane-zakladki",{"color_token":222},{"title":278},"Czy twoje narzędzia AI to tylko cyfrowy śmietnik? Jak przestać płacić za nieużywane zakładki",{"id":280,"slug":281,"pillar_id":282,"draft_id":283},"0c185ca8-0e4c-46c3-b06a-cb5c2d632be3","milion-zlotych-straty-przez-zmienne-z-llm-gdzie-analiza-przyczynowa-traci-grunt",{"color_token":222},{"title":284},"Milion złotych straty przez zmienne z LLM — gdzie analiza przyczynowa traci grunt",{"id":286,"slug":287,"pillar_id":288,"draft_id":289},"9a45d404-d037-405f-b9e1-4f649c1d6c72","twoj-agent-ma-72-skutecznosci-zmiana-modelu-tego-nie-naprawi",{"color_token":222},{"title":290},"LLM jako selektor akcji: dlaczego 72% to pułap, którego nie przeskoczysz bez zmiany architektury",{"id":292,"slug":293,"pillar_id":294,"draft_id":295},"b1b01fdd-dab1-42b9-89e6-e8e6cb382bf6","ile-kosztuje-godzina-szkolenia-ai-nowa-metoda-liczy-to-w-8-sekund",{"color_token":222},{"title":296},"Ile kosztuje godzina szkolenia AI? Nowa metoda liczy to w 8 sekund",{"id":298,"slug":299,"pillar_id":300,"draft_id":301},"21da4438-3fa2-41e0-a7f6-1768c752628e","twoj-pilot-ai-zachwycil-zarzad-dlaczego-nigdy-nie-trafi-na-hale-produkcyjna",{"color_token":222},{"title":302},"Dlaczego pilotaż AI trafia do produkcji, ale biznes go nie widzi — 5%",{"id":304,"slug":305,"pillar_id":306,"draft_id":307},"5fa11e1e-4f17-4996-9132-df455ed2fcbc","web-search-rag-pipeline-zanim-napiszesz-kolejny-scraper-przeczytaj-o-czterech-pulapkach",{"color_token":222},{"title":308},"Web scraping dla AI: czyszczenie HTML zmniejsza tokeny",{"id":310,"slug":311,"pillar_id":312,"draft_id":313},"9607dd0d-10bf-4236-86cb-f658bad984b8","twoj-agent-ai-wlasnie-zjadl-trucizne-i-nawet-o-tym-nie-wie",{"color_token":222},{"title":314},"Twój agent AI właśnie przeczytał stronę, która go okłamała — i nie wie o tym",{"id":316,"slug":317,"pillar_id":318,"draft_id":319},"6f5c7a22-1999-4ee4-8abf-82ed26b88ca4","codex-w-sprzedazy-jak-polskie-firmy-automatyzuja-briefy-i-forecasty-bez-kodu",{"color_token":222},{"title":320},"Codex w sprzedaży: jak polskie firmy automatyzują briefy i forecasty bez kodu",{"id":322,"slug":323,"pillar_id":324,"draft_id":325},"1b8f6283-ddf2-45ca-93a2-589e667f48d8","kiedy-brak-llm-gateway-zaczyna-kosztowac-mapa-decyzji-dla-operatora",{"color_token":222},{"title":326},"Lokalne modele AI vs API w chmurze: kiedy się opłaca przejść na",{"id":328,"slug":329,"pillar_id":330,"draft_id":331},"1d9444f2-f6f3-45b5-9365-57b448334476","ai-w-sprzedazy-5-zadan-ktore-przestaja-zajmowac-czas-twojemu-zespolowi",{"color_token":222},{"title":332},"AI w sprzedaży: 5 zadań, które przestają zajmować czas twojemu zespołowi",[334,343,346],{"id":335,"report_slug":211,"source":336,"content":337,"significance":338,"category":339,"url":217,"title":217,"version":340,"changelog":341,"content_hash":217,"significance_updated_at":217,"status":342},282,"web-research","Zespoły produkcyjne w latach 2025–2026 stosują regresyjne zestawy testowe liczące od 10 do 50 tysięcy promptów.",0.5,"market-analysis",1,[],"active",{"id":344,"report_slug":211,"source":336,"content":337,"significance":338,"category":339,"url":217,"title":217,"version":340,"changelog":345,"content_hash":217,"significance_updated_at":217,"status":342},284,[],{"id":347,"report_slug":211,"source":336,"content":348,"significance":338,"category":339,"url":217,"title":217,"version":340,"changelog":349,"content_hash":217,"significance_updated_at":217,"status":342},285,"Zespoły produkcyjne stosują regresyjne zestawy testowe liczące od 10 do 50 tysięcy promptów w latach 2025–2026.",[]]