Inżynieria AI: MCP, modele i dokumenty.
Warstwa techniczna, na której stoją pozostałe usługi: serwery MCP, dostrajanie i dobór modeli, przetwarzanie dokumentów na dużą skalę oraz budowa oprogramowania w modelu agentowym — pod kontrolą architektury, specyfikacji i testów.
To jest część, w której zwykle rozstrzyga się, czy wdrożenie AI będzie się dało utrzymać. Wybór modelu, sposób podania mu kontekstu, koszt jednego wywołania i to, co się dzieje, gdy dostawca zmienia API — te decyzje zapadają raz, a płaci się za nie przez kolejne lata.
Zbudowałem n8n-mcp, jeden z najszerzej używanych serwerów MCP, i samodzielnie dostroiłem model generujący workflowy n8n. Te same narzędzia i to samo podejście wnoszę do projektów klientów.
Co robię
Serwery MCP
Projektuję i buduję serwery MCP, które dają agentom AI kontrolowany dostęp do Waszych systemów — z walidacją, uprawnieniami i sprawdzaniem pracy agenta, zanim trafi ona dalej.
Dobór i fine-tuning modeli
Dobieram model do zadania i tam, gdzie to się opłaca, dostrajam własny. Zwykle chodzi o to samo: uzyskać jakość modelu czołowego przy ułamku kosztu i bez wysyłania danych na zewnątrz.
Document intelligence i RAG
Ekstrakcja i strukturyzacja danych z dokumentów — PDF-y, skany, formaty mieszane — oraz wyszukiwanie semantyczne na wielkich zbiorach. Skala liczona w setkach tysięcy dokumentów.
Agentowe wytwarzanie oprogramowania
Aplikacje i backendy budowane agentowo, z Claude Code i MCP, ale zawsze pod kontrolą architektury, specyfikacji i testów. Kod pisze agent; o tym, czy system jest zbudowany poprawnie, decyduje nadzór.
Architektura, koszty i bezpieczeństwo
Przegląd istniejącego rozwiązania pod kątem kosztu wywołań, wycieku danych, uzależnienia od jednego dostawcy i tego, co się stanie przy dziesięciokrotnym wzroście ruchu.
Dla kogo
- Zespoły produktowe budujące funkcje AI, które potrzebują architekta z doświadczeniem produkcyjnym.
- Firmy, którym rachunek za API rośnie szybciej niż korzyść z wdrożenia.
- Organizacje z dużym zbiorem dokumentów, z którego nie da się dziś nic wyciągnąć.
- Zespoły, które chcą wprowadzić agentowe wytwarzanie oprogramowania bez utraty kontroli nad jakością.
Jak to prowadzę
- 01Przegląd i decyzje architektoniczne
Zaczynam od decyzji, które są kosztowne do odwrócenia: model, sposób podania kontekstu, granice systemu, miejsce przechowywania danych.
- 02Prototyp mierzony liczbami
Buduję wersję, którą da się ocenić — trafność, koszt jednego wywołania, czas odpowiedzi. Dopiero to pozwala rozmawiać o skalowaniu.
- 03Produkcja
Wdrożenie z monitoringiem, obsługą błędów i kontrolą kosztów. Bez tego pierwszy rachunek albo pierwsza awaria kończy projekt.
- 04Utrzymanie
Modele i API zmieniają się co kilka miesięcy. Zostaję po to, żeby te zmiany nie były dla Was zaskoczeniem.
Na czym to opieram
Własne projekty, w których ta warstwa jest produktem — oraz wdrożenia klienckie, w których stoi pod spodem.
Narzędzie, dzięki któremu agenty AI budują działające automatyzacje w n8n — 22 600+ gwiazdek na GitHubie, 128 000+ użytkowników i 1,1 mln+ zbudowanych workflowów, m.in. w Deutsche Telekom, PayPal, Mercado Libre, MIT i NYU. Całość zbudowana w modelu agentowym.
Czytaj case studyDwa workstreamy dla Banku Światowego w sektorze energetycznym Rumunii — ~100 000 niejednolitych świadectw energetycznych (zdjęcia, OCR PDF, arkusze) skonsolidowanych w jedną bazę Postgres z intensywną ekstrakcją przez LLM oraz spis powszechny z 2021 zamieniony w wiarygodne mapy grzewcze wszystkich 42 okręgów. Dostarczone przed terminem.
Czytaj case studyWłasne, dostrojone modele, które budują workflowy n8n z opisu w języku naturalnym — jakość na poziomie czołowych modeli, self-hosted, około centa za workflow.
Czytaj case studyProjekt badawczy w dziedzinie, o której nie wiedziałem nic — modelowanie 3D, od zera do interaktywnej aplikacji w przeglądarce w trzy dni. Test tego, czy praca z agentami działa też poza moimi kompetencjami.
Czytaj case studyCzęste pytania
- Czym jest MCP i czy to nie kolejna moda?
- MCP to standard, dzięki któremu agent AI korzysta z zewnętrznych systemów w kontrolowany sposób — zamiast doklejania integracji na sztywno do każdego narzędzia osobno. Zbudowałem jeden z najszerzej używanych serwerów MCP, więc mówię to z perspektywy utrzymania, a nie zapowiedzi.
- Kiedy fine-tuning ma sens, a kiedy wystarczy dobry prompt?
- Fine-tuning opłaca się przy wąskim, powtarzalnym zadaniu o dużym wolumenie — wtedy obniża koszt i pozwala uruchomić model u siebie. Przy zadaniach zmiennych albo małej skali lepszy jest dobry prompt i właściwy dobór modelu; strojenie tylko utrudni zmiany.
- Czy da się to uruchomić w naszej infrastrukturze?
- Tak. Część klientów wymaga, żeby dane nie opuszczały ich środowiska — wtedy stawiam rozwiązanie lokalnie albo w Waszej chmurze. To wpływa na dobór modeli i koszt, więc rozstrzygamy to na początku, nie na końcu.
- Kod pisany przez agenty — jak wygląda kontrola jakości?
- Tak samo jak przy zespole ludzi, tylko szybciej: specyfikacja przed implementacją, testy, przegląd kodu i wieloagentowe CI. Odpowiedzialność za architekturę i za to, co trafia na produkcję, pozostaje po mojej stronie.