Cotygodniowy zbiór newsów z AI engineeringu, które mnie zainteresowały. Przefiltrowane z około 50 wyników wyszukiwania, zawężone do tego, co faktycznie ma znaczenie jeśli budujesz rzeczy.

Claude Code dostaje własny ekosystem

Społeczność Claude Code buduje szybko. LobeHub ma teraz marketplace ze skillami, gdzie ludzie dzielą się definicjami agentów i konfiguracjami MCP. VoltAgent opublikował repo awesome-agent-skills. Ktoś zbudował wizualny przewodnik po całym systemie.

Wzorzec, który widzę: ludzie przestają traktować to jako chatbota i zaczynają traktować jako platformę. Skille, hooki, agenty, komendy. Wątek na Reddicie pytający “jaki jest wasz secret sauce?” zebrał długą listę serwerów MCP, których ludzie używają na co dzień. Context7 do dokumentacji, Playwright do testów w przeglądarce, customowe hooki do walidacji pre-commit. Brzmi znajomo.

Constellation Research podaje, że Claude Code osiągnął $2.5B rocznego przychodu w lutym 2026. Ośmiu z Fortune 10 to klienci enterprise. Narzędzie CLI, które żyje w terminalu, zamienia się w prawdziwy biznes.

Bezpieczeństwo MCP to teraz główny temat

Kilka artykułów w tym tygodniu o ryzykach bezpieczeństwa podłączania agentów AI do prawdziwych narzędzi. Trend Micro opublikował raport o stanie bezpieczeństwa AI, który skupia się na prompt injection przez wyjścia narzędzi MCP. Atak: ukryj instrukcje w dokumencie lub stronie internetowej, którą agent przetwarza przez MCP. Agent podąża za tymi instrukcjami zamiast twoimi.

Przewodnik praktyka po ryzykach bezpieczeństwa agentów AI argumentuje, że bezpośredniość, która czyni agenty kodujące potężnymi, jest dokładnie tym, co czyni je niebezpiecznymi na systemach produkcyjnych. Kiedy twój agent ma prawa admina, prompt injection staje się prawdziwym wektorem ataku, nie teoretycznym.

Blog MCP od Runlayer opisuje konkretne scenariusze ataków: złośliwe serwery MCP, exploity na poziomie narzędzi, eksfiltracja danych przez odpowiedzi narzędzi. Rozwiązaniem nie jest unikanie MCP. To least-privilege access, detekcja behawioralna i traktowanie każdego wyjścia narzędzia jako niezaufanych danych.

To pasuje do mojego własnego setupu. Mój hook uprawnień automatycznie odrzuca destrukcyjne komendy. Osobny hook skanuje wyjście narzędzi pod kątem wycieków sekretów. Ufaj architekturze, nie agentowi.

Systemy multi-agent wchodzą do mainstreamu

Google wypuścił ADK Python, toolkit code-first do budowania systemów wieloagentowych. Jest zoptymalizowany pod Gemini, ale działa z innymi modelami. Ciekawa część: obsługuje A2A (Agent-to-Agent) obok MCP dla narzędzi. Dwa protokoły, jeden dla narzędzi, jeden do koordynacji agentów.

Głęboka analiza AWCP z arXiv proponuje “workspace delegation protocol” dla agentów potrzebujących głębokiego zaangażowania w codebase. Zamiast dawać agentowi jedno narzędzie na raz, dajesz mu workspace i pozwalasz samemu ogarnąć tool chain. Bliżej tego, jak ludzie pracują nad projektem.

Praktyczny wniosek: jeśli odpalasz wiele agentów na tym samym projekcie, potrzebujesz koordynacji. Współdzielone listy zadań, przekazywanie wiadomości, izolacja workspace’ów. Narzędzia istnieją. Czy są gotowe na produkcję, to inne pytanie.

Prompt engineering dzieli się na dwie dyscypliny

Stary “prompt engineering” (pisz lepsze instrukcje) staje się “context engineering” (projektuj jakie informacje model widzi). Artykuł Intuition Labs robi to rozróżnienie: prompty to co pytasz, kontekst to wszystko inne. Instrukcje systemowe, wyjścia narzędzi, wyniki RAG, historia rozmowy. Dobranie kontekstu ma większe znaczenie niż dobranie prompta.

Tymczasem chain-of-thought prompting jest ciągle udoskonalany. Paper o ASCoT (Adaptive Self-Correction Chain-of-Thought) adresuje znany problem: łańcuchy rozumowania, które zaczynają dobrze, ale rozpadają się w późniejszych krokach. Ich fix dodaje position-aware verification step, który łapie błędy zanim się skumulują.

Dla praktycznej pracy kierunek jest jasny. System prompts na ograniczenia i personę. Context engineering na wszystko inne. Rada na 2026: poświęcaj mniej czasu na perfekcyjny prompt, więcej na perfekcyjne przygotowanie tego, co agent wie zanim zacznie pracować.

Szybkie linki