Agentic Engineering w praktyce, wytwarzanie oprogramowania z agentami AI

Agent AI planuje zmianę, pisze kod i sprawdza go testami. Człowiek zatwierdza plan, ocenia kod i potwierdza, że zmiana działa. Tak rozwijamy systemy w eVolpe. Pokazujemy cały proces: kto co robi, jakie dowody jakości powstają po drodze i czego agent AI jeszcze nie potrafi.

Umów konsultację z ekspertem

Przy prostych zmianach deweloper poświęca kilkukrotnie mniej czasu niż przed wprowadzeniem agenta AI

Czym jest wytwarzanie oprogramowania z agentami AI?

Wytwarzanie oprogramowania z agentami AI to model pracy, w którym agent AI dostaje całe zadanie, np. User Story i sam przechodzi przez analizę, plan, implementację oraz testy. Asystent AI podpowiada fragmenty kodu na polecenie dewelopera. Agent AI pracuje w pętli: planuje, działa, sprawdza wynik i poprawia. Deweloper mniej pisze, a więcej doprecyzowuje wymagania, akceptuje plan i ocenia dowody.

Czym jest Agentic Engineering? Przeczytaj wprowadzenie → https://evolpe.pl/agentic-engineering-czym-jest-i-dlaczego-zmienia-zasady-inzynierii-oprogramowania/

Dlaczego „kod działa” od agenta AI to za mało?

Deklaracja agenta nie jest dowodem, bo kod z AI często jest „prawie dobry”. W badaniu 2025 Stack Overflow Developer Survey (49 009 odpowiedzi) 66% deweloperów wskazało to jako główną frustrację, a 45% – że debugowanie kodu z AI trwa dłużej (2025 Stack Overflow Developer Survey). Według raportu Announcing the 2025 DORA Report | Google Cloud Blog z AI korzysta 90% specjalistów IT, ale 30% ma do takiego kodu niewielkie zaufanie albo nie ufa mu wcale (Google DORA, 2025). Nasz proces zbudowaliśmy po to, żeby deklarację zamienić w dowód.

Jak wygląda proces wytwarzania oprogramowania z agentami AI?

Proces startuje, gdy User Story w Redmine jest kompletne, a deweloper uruchamia orkiestrator – skill Claude’a, który prowadzi zadanie przez 11 etapów. Orkiestrator pilnuje kolejności i wzywa człowieka tam, gdzie potrzebna jest decyzja. Agent AI wykonuje pracę, ale nie zatwierdza jej sam.

Przejęcie zadania – Claude zmienia status zgłoszenia na „w toku”, żeby nikt nie zaczął tej samej pracy równolegle.
Analiza i plan – Claude analizuje user story i kod, zadaje pytania, proponuje plan. Bramka: deweloper akceptuje lub koryguje plan.
Decyzje do zgłoszenia – ustalenia z planowania – trafiają do user story w Redmine, nie zostają na czacie.
Plan testów – Claude tworzy scenariusze testowe na podstawie user story. Weryfikuje je tester.
Implementacja – Claude pisze kod.
Samoweryfikacja – niezależny subagent, testy jednostkowe i testy w przeglądarce. Wynik: raport weryfikacji.
Sprawdzenie przed commitem – Bramka: deweloper ocenia zmianę i raport.
Code review – automatyczny przegląd na osobnym serwerze, raport ocenia senior.
Poprawki – Claude poprawia zasadne uwagi i uruchamia testy regresji. Akceptuje deweloper.
Merge i środowisko testowe – zmiana trafia do gałęzi develop i na instancję testową.
Testy akceptacyjne – Bramka: tester potwierdza działanie albo zgłasza błędy.

Kto co robi w zespole pracującym z agentem AI?

W zespole z agentem AI wszystkie role zostają, ale zmienia się punkt startu: ludzie mniej wytwarzają, a więcej oceniają i decydują. Każdy etap ma właściciela, a żadna zmiana nie przechodzi dalej bez decyzji człowieka.

Jak sprawdzamy kod napisany przez agenta AI?

Kod agenta AI przechodzi przez trzy warstwy kontroli: samoweryfikację agenta, code review z oceną seniora i testy akceptacyjne testera. Każda warstwa zostawia raport, więc wiadomo, co sprawdzono, a czego nie.

Agent sprawdza sam siebie Niezależny subagent przegląda zmiany pod kątem naszych standardów. Testy jednostkowe sprawdzają logikę, a testy przeglądarkowe przeklikują system jak użytkownik. Limit to trzy próby – potem agent zatrzymuje się i raportuje, gdzie utknął. Każdy test ma tag user story, więc nie uruchamiamy godzinami całego zestawu.
Code review: automat + senior Po implementacji skill do code review uruchamia się sam na osobnym serwerze. Senior konfrontuje raport z kodem. Zasadne uwagi wracają do agenta, który poprawia je razem z testami regresji. Mechanizm wykorzystaliśmy dotąd w 33 projektach.
Tester ma ostatnie słowo Tester zaczyna od planu testów agenta: sprawdza jego kompletność i dopisuje brakujące przypadki. Ręcznie testuje zależności, których nikt nie opisał, np. z funkcją sprzed dwóch lat. Ostateczny podpis pod zmianą składa tester.
„Dlaczego bramki?” Plan agenta często wymaga korekty. Agent bywa zbyt zachowawczy albo zbyt ambitny – raz pominął przydatny link do duplikatu rekordu, innym razem chciał zmieniać frontend, którego user story nie dotyczyło. Akceptacja planu trwa kilka minut, a oszczędza godziny poprawek.

Jak zabezpieczyć dostęp agenta AI do systemów i danych?

Dostęp agenta AI zabezpieczają dwie zasady: minimalne uprawnienia i rozdzielone środowiska. Agent ma dostęp tylko do systemów, które mu podłączymy, np. przez MCP (Model Context Protocol). O tym, z czym się łączy, decyduje człowiek – nie agent.

Z naszej praktyki Deweloper miał podłączony przez MCP dostęp do instancji MintHCM w infrastrukturze firmowej. Claude uznał, że skoro zadanie dotyczy MintHCM, może analizować dane w tej instancji. Była to jednak wewnętrzna instancja produkcyjna eVolpe, a nie środowisko projektu. Deweloper zatrzymał agenta od razu. Od tego czasu zakres podłączonych narzędzi jest częścią planu zadania.

Jak proces wygląda w praktyce na przykładzie pola NIP?

W prostym zadaniu – polu NIP z walidacją formatu i sumy kontrolnej w module kontrahentów SuiteCRM 8 – cały przebieg trwał 104 minuty, a udział dewelopera ok. 21 minut. Bez agenta podobne zadanie wyceniliśmy na ok. 3 godziny pracy dewelopera.

Claude przeanalizował kod, zadał pytania i zaproponował plan. Część założeń zmieniliśmy: przy duplikacie system pokazuje link do istniejącego rekordu, a frontendu nie ruszamy. Z 16 scenariuszy testowych agent pokrył testami automatycznymi 14 i wykonał 35 testów. W raporcie sam wskazał, czego nie sprawdził: importu kontrahentów i polskich etykiet pola, bo na instancji testowej nie było polskiej paczki językowej. Dla testera to gotowa lista do ręcznej weryfikacji.

To jeden prosty przypadek dobrany do prezentacji, nie średnia. Pomiar czasu dewelopera jest przybliżony i nie obejmuje końcowego ręcznego sprawdzenia zmiany.

Ile czasu oszczędza agent AI?

Oszczędność zależy od złożoności zadania i nie rośnie liniowo. Przy prostych zmianach strukturalnych jest wysoka, przy integracjach umiarkowana, a w złożonych procesach wieloetapowych niska. Dlatego mierzymy czas ludzi w zadaniu, a nie czas całego przebiegu. Subiektywne poczucie przyspieszenia bywa mylące: w badaniu METR doświadczeni deweloperzy pracowali z AI o 19% dłużej, choć oceniali, że szybciej (METR, 2025).

Czego agent AI jeszcze nie potrafi?

Agent AI dobrze radzi sobie z prostszymi zmianami strukturalnymi – nowymi polami, walidacjami, modułami – ale nie ze złożonymi procesami wieloetapowymi. Mówimy o tym otwarcie, bo od tego zależy realna wycena prac.

Procesy wieloetapowe – żeby przetestować krok zwolnienia pracownika w systemie HR, trzeba najpierw go zatrudnić, czyli ok. 15 minut klikania. Agent jeszcze tego nie umie i tego będziemy go uczyć.
Wiedza niespisana – agent nie zna zależności, których nikt nie opisał w kodzie ani dokumentacji. Dlatego testy ręczne zostają.
Zakres systemów – dla SuiteCRM i MintHCM proces działa i sprawdziliśmy go w realnych projektach. Dla Creatio, SpiceCRM i SugarAI proces jest finalizowany i weryfikowany w realnych zastosowaniach.

Jak proces uczy się na błędach?

Proces poprawiamy na podstawie jego własnych artefaktów: planów, raportów i korekt dewelopera. Gdy w raportach z code review przez kilka tygodni powtarzała się uwaga o braku kontroli uprawnień przy nowych przyciskach akcji, dopisaliśmy tę zasadę do skilla implementacyjnego. W jednym kwartale liczba skilli wzrosła z 24 do 35, a w skillach przybyło ok. 40 000 linii.

Jak ocenić partnera, który wytwarza oprogramowanie z agentami AI?

Gdzie w procesie człowiek zatwierdza pracę agenta AI?
Jaki dowód działania zmiany dostanę – raport z testów, plan testów, raport z code review?
Gdzie trafiają decyzje podjęte w trakcie pracy?
Do jakich środowisk i danych agent AI ma dostęp?
Jak mierzycie oszczędność czasu?
Czego agent AI u was jeszcze nie robi?

Partnera pracującego z AI najlepiej ocenić po tym, gdzie w jego procesie jest człowiek i jakie dowody jakości dostaje klient. Samo „używamy AI” niewiele mówi. Te pytania warto zadać przed podpisaniem umowy.

Pełna lista: Checklista PM-a – 30 pytań do dostawcy CRM → https://evolpe.pl/checklista-pm-30-pytan-do-dostawcy/

Co zmieniło się w procesie w ciągu jednego kwartału?

W ciągu kwartału przeszliśmy od ręcznie uruchamianych kroków i deklaracji agenta do procesu, który sam przechodzi przez etapy i dostarcza dowody działania kodu.

Obszar	Czerwiec 2026	Październik 2026
Uruchamianie etapów	każdy krok ręcznie	orkiestrator pilnuje kolejności
Dowód, że kod działa	deklaracja agenta	testy jednostkowe i przeglądarkowe z raportem
Sprawdzanie w przeglądarce	deweloper opisywał każdy błąd	agent testuje sam, człowiek ocenia wynik
Code review	uruchamiane ręcznie	automatyczne, na osobnym serwerze
Testy	ręcznie przez testera	plan testów z user story, tester weryfikuje
Decyzje z planowania	często tylko na czacie	w user story w Redmine
Liczba skilli	24	35

Najczęściej zadawane pytania

Czy agent AI sam wdraża zmiany na produkcję?

Nie. Claude planuje, pisze i testuje kod, ale plan akceptuje deweloper, kod ocenia senior w code review, a działanie potwierdza tester na środowisku testowym. Zmiana trafia do gałęzi develop dopiero po przejściu bramek akceptacji.

Kto odpowiada za kod napisany przez agenta AI?

Zespół, nie agent. Deweloper odpowiada za plan i implementację, senior za code review, tester za akceptację. Agent AI wykonuje pracę i dokumentuje ją w raportach, ale żadna zmiana nie przechodzi dalej bez decyzji człowieka.

Czy testy generowane przez AI zastępują testera?

Nie. Agent AI generuje plan testów i testy automatyczne, a tester weryfikuje ich kompletność, dopisuje brakujące przypadki i ręcznie sprawdza to, czego testy nie pokryły. Ostateczną akceptację daje tester.

Ile czasu oszczędza agent AI w wytwarzaniu oprogramowania?

To zależy od złożoności zadania. W prostym przykładzie, polu NIP z walidacją, udział dewelopera wyniósł ok. 21 minut wobec szacowanych 3 godzin. Przy integracjach i złożonych procesach oszczędność jest mniejsza.

Jakiego agenta AI używa eVolpe?

Claude Code firmy Anthropic, rozszerzony o własne skille (35 według stanu na październik 2026) i orkiestrator, który prowadzi zadanie przez kolejne etapy. Zgłoszenia, plany i decyzje są zapisywane w Redmine. Dążymy do tego, aby nasz framework był uniwersalny i mógł być stosowany w innych środowiskach agentowych, takich jak Codex czy Open Code.

Na jakich systemach działa ten proces?

Proces działa na SuiteCRM 8 i MintHCM i sprawdziliśmy go w realnych projektach. Dla Creatio, SpiceCRM i SugarAI jest finalizowany i weryfikowany w realnych zastosowaniach (stan na październik 2026).

Czy agent AI ma dostęp do danych klienta?

Tylko do narzędzi i systemów, które mu podłączymy. Stosujemy zasadę minimalnych uprawnień i rozdzielamy środowiska, a o tym, z czym agent się łączy, decyduje człowiek.

Chcesz sprawdzić, czy agenci AI przyspieszą rozwój Twojego systemu?

Porozmawiajmy o Twoim systemie i zadaniach w backlogu. Pokażemy, które z nich nadają się do pracy z agentem AI, gdzie potrzebne są bramki akceptacji i czego realnie się spodziewać po wycenie.

Umów 30-minutową bezpłatną konsultację z ekspertem.

Bez zobowiązań. Rozmawiasz z osobą, która prowadzi projekty z agentami AI.