# Jak sprawić, by agenci AI nie marnowali tokenów?

> Praktyczne zabezpieczenia dla agentów AI: warunki zakończenia, limity kroków i tokenów, wykrywanie pętli, przycinanie kontekstu i małe modele do prostych kroków.

Source: https://greenai.guide/pl/jak/jak-sprawic-by-agenci-ai-nie-marnowali-tokenow/  
Updated: 2026-11-19

## W skrócie

Każdy agent powinien mieć sprawdzalny cel, który kończy przebieg, twarde limity kroków, tokenów, czasu i wydatków oraz wykrywanie pętli, które zatrzymuje go, gdy zaczyna się powtarzać. Należy przycinać kontekst przenoszony w każdym kroku, używać zwykłego kodu do decyzji, które może podjąć reguła, i kierować proste podzadania do małych modeli. Agenci mogą zużywać wielokrotnie więcej tokenów niż czat, więc te limity szybko się opłacają.

## Steps

1. Zdefiniować test sukcesu, który kończy przebieg, gdy tylko cel zostanie osiągnięty.
2. Ustawić twarde limity kroków, tokenów, czasu i wydatków oraz logować, gdy przebieg osiągnie któryś z nich.
3. Wykrywać powtarzające się działania lub niemal identyczne wiadomości i zatrzymywać przebieg.
4. Streszczać lub usuwać starą historię, aby każde wywołanie czytało mniej.
5. Używać zwykłego kodu do decyzji opartych na regułach i małych modeli do prostych podzadań.
6. Logować tokeny na ukończone zadanie, w tym ponowne próby i nieudane przebiegi.

**Każdy agent powinien mieć limity i warunek zakończenia, zanim trafi do produkcji.** Agenci wywołują model raz za
razem, a każde wywołanie zwykle niesie rosnącą historię zadania.

## Dlaczego to ważne? {#why-does-it-matter}

Anthropic podał, że jego agenci zużywali zwykle około czterech razy więcej tokenów niż czat, a systemy
wieloagentowe około piętnastu razy więcej. Cemri i współpracownicy przeanalizowali ponad 1600 śladów działania z
siedmiu frameworków wieloagentowych i znaleźli 14 odrębnych rodzajów awarii, od złej specyfikacji zadania po
agentów, którzy nie weryfikują swojej pracy. Każdy z nich to sposób na wydawanie tokenów bez uzyskania wyniku.

## Jakie zabezpieczenia działają? {#which-guardrails-work}

- **Warunek zakończenia.** Wzorzec Green Software Foundation dotyczący orkiestracji agentów zaleca przerywanie pętli
  agentów po osiągnięciu celów, zamiast wykonywania stałej liczby iteracji.
- **Twarde limity.** Obsługuje je większość frameworków; OpenAI Agents SDK ma na przykład ustawienie `max_turns`,
  które zatrzymuje przebieg po jego przekroczeniu. Limity powinny zawodzić bezpiecznie: zatrzymać i zgłosić, a nie
  po cichu ponawiać.
- **Wykrywanie pętli.** Należy oznaczać powtarzające się wywołania narzędzi lub niemal identyczne wiadomości między
  agentami.
- **Przycinanie kontekstu.** Dalej należy przekazywać streszczenia, a nie całe dokumenty i logi. Zob.
  [jak przestać wysyłać całą rozmowę od nowa](/pl/jak/jak-sprawic-by-chatbot-nie-wysylal-ponownie-calej-rozmowy/).
- **Pamięć podręczna (cache).** Nie należy zadawać tego samego pytania dwa razy: zob.
  [jak korzystać z pamięci podręcznej](/pl/jak/jak-uzyc-cache-aby-zmniejszyc-zuzycie-energii-przez-wywolania-llm/).

## Co daje największą różnicę? {#what-makes-the-biggest-difference}

**Najprostszy projekt, który działa.** Stały skrypt lub jedno dobrze sformułowane wywołanie modelu z narzędziem
często wystarcza. W następnej kolejności można dodać jednego agenta z limitem kroków, a wielu agentów tylko do
szerokich, wartościowych i naprawdę równoległych zadań. Brytyjski sandpit (intensywne warsztaty badawcze, na których
naukowcy i przemysł wspólnie wypracowują pomysły na projekty) o zielonej AI z 2026 roku, w którym uczestniczyli
matematycy, informatycy i przedstawiciele przemysłu, wskazał roje agentów wpadających w pętle jako realne i słabo
zbadane źródło marnotrawstwa.

Dowody opisano w artykule [agentowa AI i marnowanie tokenów](/pl/artykuly/agentowa-ai-i-marnowanie-tokenow/).

## Źródła

- [How we built our multi-agent research system](https://www.anthropic.com/engineering/multi-agent-research-system), Anthropic (2025)
- [Why do multi-agent LLM systems fail?](https://arxiv.org/abs/2503.13657), Cemri et al. (2025)
- [Running agents (max_turns)](https://openai.github.io/openai-agents-python/running_agents/), OpenAI Agents SDK documentation (2025)
- [Optimize agent orchestration to reduce unnecessary model calls](https://github.com/Green-Software-Foundation/patterns/blob/main/docs/development/optimize-agent-orchestration-reduce-model-calls.md), Green Software Foundation, Green Software Patterns (2025)
