--- slug: "podstawy-ai" number: 1 title: "Podstawy AI – LLM, RAG, Agenty AI, MCP" titleEn: "AI Fundamentals – LLMs, RAG, AI Agents, MCP" duration: "2 godziny" tags: ["LLM", "RAG", "Agenty AI", "MCP", "Transformery", "Tokenizacja", "Halucynacje", "Context Window"] instructor: "Artur Sendyka" dates: - group: "Grupa 1" date: "14.04.2026" time: "17:00–19:00" - group: "Grupa 2" date: "15.04.2026" time: "17:00–19:00" objectives: - "Wyjaśnić działanie LLM bez znajomości matematyki, używając własnych analogii" - "Rozróżnić RAG od standardowego modelu językowego i wskazać, kiedy który stosować" - "Opisać architekturę agentową AI i rolę protokołu MCP" - "Wskazać co najmniej 5 konkretnych ograniczeń modeli językowych" - "Rozpoznać halucynację modelu w podanym tekście" tools: - "OpenRouter API (openrouter.ai)" - "Perplexity AI (perplexity.ai) – demo RAG vs standardowy LLM" - "OpenAI Tokenizer (platform.openai.com/tokenizer)" - "Google NotebookLM (notebooklm.google.com) – demo RAG na własnych dokumentach" - "Miro lub wirtualna tablica (miro.com)" description: "Wprowadzenie do architektury dużych modeli językowych, mechanizmu RAG, agentów AI i protokołu MCP. Moduł buduje fundament pojęciowy dla wszystkich kolejnych zajęć — od tokenizacji po integracje z zewnętrznymi narzędziami." --- ## Podsumowanie AI - **Temat:** Podstawy AI – LLM, RAG, Agenty AI, MCP - **Cel materiału:** Wprowadzenie do architektury dużych modeli językowych, mechanizmu RAG, agentów AI i protokołu MCP. Moduł buduje fundament pojęciowy dla wszystkich kolejnych zajęć — od tokenizacji po integracje z zewnętrznymi narzędziami. - **Jak pracować z treścią:** czytaj sekcjami, testuj zrozumienie pytaniami i wykorzystuj AI do aktywnej powtórki. ## Wprowadzenie Zanim zaczniesz używać narzędzi AI efektywnie — a tym bardziej krytycznie oceniać ich odpowiedzi — musisz zrozumieć, co tak naprawdę dzieje się „pod maską". Nie chodzi o matematykę ani kod. Chodzi o **intuicję**: dlaczego model raz działa rewelacyjnie, a innym razem pewnie podaje ci zupełnie fałszywe informacje? Ten moduł odpowiada na fundamentalne pytania: Jak działa duży model językowy? Czym różni się AI, która „uczy się na pamięć" od tej, która ma dostęp do biblioteki? Co to znaczy, że AI może „działać autonomicznie"? I skąd nagle wszędzie słychać o MCP? Po tym module będziesz mógł/mogła świadomie ocenić, kiedy ufać odpowiedzi modelu, a kiedy bezwzględnie ją weryfikować. --- ## 1. Jak działa duży model językowy? ### 1.1 Transformer i mechanizm uwagi Duży model językowy (ang. *Large Language Model*, **LLM**) to sieć neuronowa trenowana na ogromnych zbiorach tekstu — dziesiątkach, a nawet setkach miliardów słów z internetu, książek i artykułów naukowych. Jego zadanie jest pozornie proste: **przewidywać kolejny token** na podstawie wszystkich poprzednich. Kluczowym przełomem był artykuł *„Attention Is All You Need"* (Vaswani i in., 2017), który wprowadził architekturę **transformera** opartą na mechanizmie uwagi (*attention mechanism*). **Analogia do ludzkiej uwagi:** Kiedy czytasz zdanie „Kot siedział na macie, bo *ona* była miękka" — od razu wiesz, że „ona" odnosi się do maty, nie do kota. Twój mózg automatycznie skupia uwagę na właściwym słowie. Transformer robi dokładnie to samo, tylko matematycznie — dla każdego słowa w tekście oblicza, jak bardzo jest ono związane z każdym innym słowem. Dzięki temu model rozumie kontekst, nie tylko kolejność wyrazów. Efektem wielomiesięcznego treningu na miliardach przykładów jest model, który „nauczył się" języka na tyle dobrze, że potrafi generować spójne, sensowne odpowiedzi na bardzo różnorodne pytania. Nie „rozumie" w ludzkim sensie — wykonuje bardzo zaawansowane dopasowywanie wzorców statystycznych. ### 1.2 Tokenizacja — jak LLM „widzi" tekst Model nie widzi liter ani słów w sensie, w jakim my je rozumiemy. Widzi **tokeny** — fragmenty tekstu zmapowane na liczby całkowite. Token to może być całe słowo, część słowa, lub nawet pojedynczy znak. **Praktyczna reguła dla języka angielskiego:** 1 token ≈ 0,75 słowa ≈ 4 znaki. **Ważna kwestia dla języka polskiego:** Polska typografia jest tokenowo „droższa" niż angielska. Litery z ogonkami — **ą, ę, ó, ź, ż, ć, ń, ś** — są rzadsze w danych treningowych (dominował angielski internet), więc tokenizer częściej rozbija je na mniejsze jednostki. Szacuje się, że ten sam tekst po polsku zużywa ok. **30–50% więcej tokenów** niż po angielsku. Dla porównania, tekst po arabsku lub w językach CJK (chiński, japoński, koreański) może być 4–5× droższy tokenowo niż angielski. Ma to bezpośrednie przełożenie na **koszty API** — płacisz za tokeny, nie za słowa. **Sprawdź sam/sama — ćwiczenie z tokenizerem:** Wejdź na [platform.openai.com/tokenizer](https://platform.openai.com/tokenizer) i wklej kolejno: ```text przygotowywać ``` ```text to prepare ``` Porównaj liczbę tokenów. Teraz wklej zdanie po polsku i jego angielski odpowiednik. Różnica będzie widoczna — to właśnie „cena" polszczyzny w świecie LLM. ### 1.3 Embedding i przestrzeń wektorowa Każdy token jest reprezentowany jako **wektor** (*embedding*) — lista setek lub tysięcy liczb. Wektory zbliżonych znaczeniowo pojęć leżą „blisko siebie" w przestrzeni wielowymiarowej. **Analogia do mapy pojęć:** Wyobraź sobie słownik jako trójwymiarową mapę. Słowa „kot" i „pies" leżą blisko siebie (oba to zwierzęta domowe). „Król" i „królowa" są obok siebie, podobnie jak „mężczyzna" i „kobieta". Co ciekawe, matematyczna operacja: ``` wektor("król") − wektor("mężczyzna") + wektor("kobieta") ≈ wektor("królowa") ``` To nie magia — to efekt uboczny treningu na ogromnych zbiorach tekstu. Model nauczył się relacji między pojęciami poprzez ich współwystępowanie w kontekstach. Embeddingi są fundamentem nie tylko generowania tekstu, ale też **wyszukiwania semantycznego** — znajdowania dokumentów podobnych znaczeniowo, nie tylko słownie. To kluczowy element architektury RAG (o niej za chwilę). ### 1.4 Okno kontekstu (context window) Model nie może przetwarzać nieskończonego tekstu naraz. Ma limit — **okno kontekstu** (*context window*) — wyrażony w tokenach. Wszystko, co przekracza ten limit, jest po prostu niewidoczne dla modelu. Aktualne limity wybranych modeli (marzec 2026, źródło: openrouter.ai/models): | Model | Okno kontekstu | Przybliżony odpowiednik tekstowy | |---|---|---| | Claude Sonnet 4.6 | 1 000 000 tokenów | ~750 tys. słów / ~5 grubych powieści | | GPT-5.4 (OpenAI) | 1 000 000 tokenów | ~750 tys. słów | | Gemini 3.1 Pro (Google) | 1 000 000 tokenów | (podwójne ceny powyżej 200K) | | GPT-5.2 | 400 000 tokenów | ~300 tys. słów / ~2 powieści | | DeepSeek V3.2 | 256 000 tokenów | ~192 tys. słów | Brzmi imponująco — ale jest haczyk. Modele mają trudność z **precyzyjnym odwoływaniem się do informacji umieszczonych w środku** bardzo długiego kontekstu (zjawisko *„lost in the middle"*). Informacje z początku i końca kontekstu są „zapamiętywane" lepiej niż te ze środka. Nie wklejaj więc najważniejszych danych na środek 100-stronnicowego dokumentu. ### 1.5 Data odcięcia wiedzy (knowledge cutoff) Modele są trenowane na danych zebranych do określonego momentu. Po tym czasie nie „wiedzą" nic o świecie. To ma poważne konsekwencje dla pracy badawczej — model może podawać nieaktualne wyniki badań, błędne ceny, archiwalne regulacje prawne, a nawet wyniki wyborów sprzed dwóch lat prezentując je jako aktualne. **Zasada:** Zawsze sprawdzaj, kiedy model był trenowany. Przy pytaniach o coś co może się zmieniać — zawsze weryfikuj odpowiedź w aktualnym źródle. --- ## 2. RAG – LLM z dostępem do biblioteki ### 2.1 Problem standardowego LLM Wyobraź sobie egzamin. Standardowy LLM to student, który **uczył się na pamięć** przez miesiące, a potem musi zdawać egzamin **bez żadnych notatek**. Zna dużo, ale tylko to, czego się nauczył przed egzaminem — i może pomylić szczegóły. ### 2.2 Czym jest RAG? **RAG** (ang. *Retrieval-Augmented Generation*) to architektura, w której LLM nie musi znać odpowiedzi „z głowy". Zamiast tego, przed wygenerowaniem odpowiedzi, system: 1. **Wyszukuje** w bazie wiedzy (dokumenty, artykuły, notatki) fragmenty najbardziej pasujące do pytania 2. **Dołącza** znalezione fragmenty do kontekstu modelu jako „ściągawkę" 3. **Generuje** odpowiedź na podstawie pytania PLUS dostarczonej wiedzy To jak egzamin z **otwartymi notatkami** — student może korzystać ze swoich materiałów, ale musi umieć z nich skorzystać i sformułować spójną odpowiedź. ### 2.3 Kiedy RAG wygrywa ze standardowym LLM? RAG jest lepszy gdy: - **Dane są aktualne** — cenniki, przepisy prawne, wyniki badań z ostatnich miesięcy - **Dane są prywatne** — twoje własne notatki, dokumenty firmy, biblioteka PDF-ów - **Wiedza jest specjalistyczna** — wąska dziedzina niedobrze reprezentowana w danych treningowych - **Weryfikowalność jest kluczowa** — RAG może wskazać konkretny fragment dokumentu, z którego pochodzi odpowiedź ### 2.4 Przykłady RAG dla studentów - **Google NotebookLM** — wgraj swoje PDF-y (notatki z zajęć, artykuły) i rozmawiaj z nimi; model cytuje konkretne miejsca w dokumentach - **Perplexity AI** — wyszukiwarka z wbudowanym RAG; każda odpowiedź zawiera numerowane cytowania do aktualnych stron internetowych - **Claude.ai Projects** — możesz dodać własne dokumenty do „projektu" i model ma do nich dostęp przez całą rozmowę - **Zotero + AI pluginy** — zarządzanie bibliografią z możliwością zadawania pytań o zaimportowane artykuły --- ## 3. Agenty AI — od jednorazowych pytań do autonomicznych działań ### 3.1 Single-turn vs. multi-turn vs. agentowe Do tej pory rozmawialiśmy o modelu jako o czymś, co odpowiada na pojedyncze pytanie. Ale AI ewoluuje w kierunku **agentów** — systemów, które mogą wykonywać sekwencje działań w celu osiągnięcia złożonego celu. | Typ | Opis | Przykład | |---|---|---| | **Single-turn** | Jedno pytanie, jedna odpowiedź | „Przetłumacz to zdanie" | | **Multi-turn** | Konwersacja z kontekstem poprzednich wiadomości | Standardowy chat z ChatGPT | | **Agentowe** | Model planuje, wykonuje sekwencję działań, używa narzędzi | „Znajdź 5 artykułów o AI literacy, pobierz je, podsumuj i stwórz bibliografię" | ### 3.2 Jak działa agent AI? Agent AI to połączenie LLM z zestawem **narzędzi** (*tools*), które może wywoływać: - **Wyszukiwanie w internecie** — agent może sam sprawdzić aktualne informacje - **Wykonywanie kodu** — może napisać skrypt Pythona i go uruchomić - **Czytanie i zapisywanie plików** — może pracować z dokumentami - **Wywoływanie zewnętrznych API** — może wysłać e-mail, zaktualizować spreadsheet - **Wywoływanie innych modeli AI** — orkiestracja wielu agentów Kluczowe jest **planowanie** (*orchestration*): agent najpierw rozbija złożone zadanie na kroki, potem wykonuje je jeden po drugim, weryfikując wyniki. **Analogia:** Agent AI to jak asystent, który dostał zadanie „Przygotuj raport o rynku EV w Polsce". Nie pyta za każdym razem „co teraz?". Sam wyszukuje dane, zestawia tabele, pisze wnioski — i przychodzi do ciebie z gotowym dokumentem. ### 3.3 Przykład agenta w pracy badawczej ```text Zadanie: "Przygotuj przegląd literatury o AI literacy w szkolnictwie wyższym" Krok 1: Agent wywołuje Semantic Scholar API → szuka artykułów z 2022-2026 Krok 2: Agent filtruje po liczbie cytowań i relevance score Krok 3: Agent pobiera abstrakty 10 najlepszych artykułów Krok 4: Agent generuje syntetyczne podsumowanie z numerowanymi odniesieniami Krok 5: Agent formatuje bibliografię w formacie APA 7 Krok 6: Agent zapisuje wynik do pliku .md ``` To co zajęłoby ci 2-3 godziny, agent robi w 2-3 minuty. **Ale**: wymaga weryfikacji — agent może wybrać nieodpowiednie artykuły lub źle je streszczać. --- ## 4. Model Context Protocol (MCP) — USB dla AI ### 4.1 Problem przed MCP Przed pojawieniem się MCP, każda integracja AI z zewnętrznym narzędziem wymagała **osobnego, niestandardowego connectora**. Chcesz podłączyć Claude do Notiona? Pisz własny kod. Do GitHub? Inny kod. Do Zotero? Znowu inny. Każdy producent AI i każde narzędzie robiło to po swojemu — bałagan. ### 4.2 Co to jest MCP? **Model Context Protocol (MCP)** to otwarty standard, wprowadzony przez Anthropic w **listopadzie 2024**, który ustandaryzował sposób, w jaki aplikacje AI integrują się z zewnętrznymi narzędziami i źródłami danych. **Analogia USB:** Przed standardem USB każde urządzenie miało inny kabel. Po wprowadzeniu USB — jeden kabel do wszystkiego. MCP robi to samo dla AI: jeden standard podłączania narzędzi. Protokół działa w oparciu o **JSON-RPC 2.0** i definiuje komunikację między: - **MCP Client** (np. Claude Desktop, Cursor AI) — aplikacja AI, która chce używać narzędzi - **MCP Server** — usługa udostępniająca konkretne narzędzie (np. dostęp do Notiona) ### 4.3 Adopcja i znaczenie MCP okazał się strzałem w dziesiątkę. W ciągu roku od premiery: - Został przyjęty przez **OpenAI i Google DeepMind** jako standard branżowy - W **grudniu 2025** Anthropic przekazał MCP do **Agentic AI Foundation (AAIF)** pod patronatem Linux Foundation (razem z Block i OpenAI) — stał się neutralnym, branżowym standardem - Powstały **tysiące MCP serverów** — od oficjalnych do community-driven - W **wrześniu 2025** uruchomiono **MCP Registry** — katalog wszystkich dostępnych serwerów Aktualna specyfikacja: **MCP 2025-11-25** (listopad 2025, najnowsza). ### 4.4 Oficjalne MCP servery — co możesz podłączyć do AI? Repozytorium referencyjnych implementacji: [github.com/modelcontextprotocol/servers](https://github.com/modelcontextprotocol/servers) Wybrane serwery przydatne dla studentów: | Serwer | Co robi | Zastosowanie dla studenta | |---|---|---| | **filesystem** | Czyta i zapisuje pliki na Twoim komputerze | Analiza własnych notatek i dokumentów | | **GitHub** | Dostęp do repozytoriów, issues, PR | Zarządzanie projektem kodu | | **Brave Search** | Wyszukiwanie w internecie | Aktualne informacje w czasie rzeczywistym | | **Google Drive** | Dostęp do plików Google | Praca z dokumentami w chmurze | | **Slack** | Wysyłanie i czytanie wiadomości | Komunikacja w zespole z AI | | **PostgreSQL** | Zapytania do bazy danych | Analiza danych badawczych | | **Puppeteer** | Sterowanie przeglądarką | Web scraping, automatyzacja | | **Sequential Thinking** | Wymuszanie krok-po-kroku rozumowania | Złożone zadania analityczne | ### 4.5 MCP w praktyce — konfiguracja Claude Desktop Aby skorzystać z MCP serverów, wystarczy edytować plik konfiguracyjny Claude Desktop: ```json { "mcpServers": { "filesystem": { "command": "npx", "args": ["-y", "@modelcontextprotocol/server-filesystem", "/Users/artur/Documents"], "env": {} }, "brave-search": { "command": "npx", "args": ["-y", "@modelcontextprotocol/server-brave-search"], "env": { "BRAVE_API_KEY": "TWOJ_KLUCZ_API" } } } } ``` Po restarcie Claude Desktop, model ma dostęp do Twoich plików i internetu. --- ## 5. Ograniczenia i pułapki LLM Znajomość ograniczeń jest ważniejsza niż znajomość możliwości. To ona chroni Cię przed poważnymi błędami. ### 5.1 Halucynacje (hallucinations) **Definicja:** Model generuje informacje, które brzmią wiarygodnie, ale są **fałszywe** — wymyślone przez model, nie oparte na faktach. Halucynacje są nie przypadkowym błędem, a **strukturalną cechą** LLM. Model jest trenowany do generowania prawdopodobnego tekstu, nie prawdziwego. Gdy nie zna odpowiedzi, zamiast powiedzieć „nie wiem" — **wymyśla coś, co brzmi jak odpowiedź**. **Przykłady halucynacji w polskim kontekście akademickim:** Przykład 1 — fałszywy cytat: ```text Zapytanie: "Podaj cytowanie artykułu Kowalski (2023) o AI literacy" Odpowiedź modelu: "Kowalski, J. (2023). Kompetencje cyfrowe w erze sztucznej inteligencji. Przegląd Bibliotekoznawczy, 45(2), 112–128. DOI: 10.1234/pb.2023.45.2.112" PROBLEM: Artykuł nie istnieje. Czasopismo może istnieć, autor może istnieć, ale ten konkretny artykuł — model go wymyślił. DOI prowadzi donikąd. ``` Przykład 2 — błędna data historyczna: ```text Zapytanie: "Kiedy Polska wstąpiła do UE?" Prawidłowa odpowiedź: 1 maja 2004 r. Możliwa halucynacja: "Polska wstąpiła do Unii Europejskiej w 2003 roku..." ``` Przykład 3 — nieistniejące prawo: ```text Zapytanie: "Jakie przepisy regulują użycie AI w pracach dyplomowych w Polsce?" Problem: Brak jednolitych regulacji prawnych → model może wymyślić nieistniejące rozporządzenie Ministra Edukacji, które brzmi wiarygodnie, ale nie istnieje. ``` **Zasada weryfikacji:** Każde konkretne twierdzenie faktograficzne z LLM — data, cytat, przepis, statystyka — wymaga weryfikacji w niezależnym źródle. ### 5.2 Sycophancy (potakiwanie) Model jest trenowany między innymi na ludzkich ocenach. Ludzie częściej oceniają wyżej odpowiedzi, które są **zgodne z ich oczekiwaniami**. W efekcie model nauczył się **mówić to, co chcesz usłyszeć**. Jeśli powiesz: „Myślę, że ta hipoteza jest prawdziwa, prawda?" — model będzie miał tendencję do zgadzania się, nawet jeśli hipoteza jest błędna. **Jak się bronić:** Poproś model o kontrargumenty: „Jakie są argumenty PRZECIW tej hipotezie?" ### 5.3 Brak rozumowania przyczynowego Modele są mistrzami w rozpoznawaniu **korelacji**, ale mają problemy z rozumieniem **przyczynowości**. Mogą błędnie sugerować, że A powoduje B, bo A i B często współwystępują w danych treningowych. ### 5.4 Bias (stronniczość) Modele odzwierciedlają **uprzedzenia zawarte w danych treningowych** — angielski internet, zachodnia perspektywa, pewne grupy demograficzne nadreprezentowane lub niedoreprezentowane. Dane z polskiego internetu stanowią ułamek procenta danych treningowych. ### 5.5 Prompt Injection Gdy model przetwarza zewnętrzne treści (strony internetowe, dokumenty, e-maile), złośliwe instrukcje ukryte w tych treściach mogą **przejąć kontrolę** nad zachowaniem modelu. Szczególnie istotne przy agentach działających autonomicznie. --- ## 6. Przebieg modułu — timeline | Czas | Aktywność | Forma | |---|---|---| | 0–15 min | Kontrakt grupowy, ankieta wstępna (Mentimeter) — co już wiesz o AI? | Aktywizacja | | 15–35 min | Mini-wykład: Transformer, tokenizacja, embedding | Wykład interaktywny | | 35–65 min | Case study: RAG vs. standardowy LLM — porównanie na żywo (Perplexity vs. Claude) | Demo + dyskusja | | 65–85 min | Demo: Agent AI z MCP — Claude Desktop z filesystem | Live demo | | 85–110 min | Ćwiczenia praktyczne (3 zadania, patrz niżej) | Praca własna | | 110–120 min | Mapa pojęć, pytania i odpowiedzi, podsumowanie | Refleksja | --- ## 7. Ćwiczenia praktyczne ### Ćwiczenie 1 — Tokenizer (15 min) **Cel:** Zrozumieć jak tokenizacja wpływa na koszty i ograniczenia modelu. **Instrukcja:** 1. Wejdź na [platform.openai.com/tokenizer](https://platform.openai.com/tokenizer) 2. Wklej fragment swojej pracy dyplomowej lub notatek (ok. 200 słów) 3. Sprawdź liczbę tokenów 4. Wklej angielskie tłumaczenie tego samego fragmentu (możesz użyć DeepL) 5. Porównaj liczby tokenów **Pytania do refleksji:** - O ile % polski tekst ma więcej tokenów niż angielski? - Ile rozdziałów Twojej pracy zmieści się w oknie kontekstu Claude (1M tokenów)? - Ile kosztowałoby przetworzenie całej pracy przez Claude Sonnet 4.6 ($3/1M input)? ### Ćwiczenie 2 — RAG vs. standardowy LLM (20 min) **Cel:** Zobaczyć na własne oczy różnicę między modelem z dostępem do aktualnych danych a modelem bez. **Instrukcja:** 1. Otwórz dwie zakładki: [chat.openai.com](https://chat.openai.com) i [perplexity.ai](https://perplexity.ai) 2. Zadaj w obu **to samo pytanie** dotyczące aktualnych danych (przykład poniżej): ```text Jakie są aktualne ceny API Claude Sonnet 4.6 na OpenRouter? Podaj cenę za milion tokenów wejściowych i wyjściowych. ``` 3. Porównaj odpowiedzi: - Czy obie zawierają konkretne liczby? - Czy Perplexity podaje cytowania? - Która odpowiedź jest bardziej aktualna? 4. Teraz zapytaj o coś z Twojego własnego kontekstu badawczego: ```text Opisz metodologię badań w artykule [wklej tytuł artykułu, który aktualnie czytasz] ``` **Obserwacja:** ChatGPT może znać artykuł (jeśli był w danych treningowych), może halucynować, lub powiedzieć „nie znam". Perplexity wyszuka go w internecie. ### Ćwiczenie 3 — Quiz na halucynacje (10 min) **Cel:** Nauczyć się rozpoznawać i weryfikować halucynacje. **Instrukcja:** Poproś dowolny model (Claude, ChatGPT lub Gemini) o odpowiedź na poniższe pytania. Potem zweryfikuj każdą odpowiedź w niezależnym źródle (Wikipedia, Google Scholar, oficjalna strona). ```text 1. Podaj autora, tytuł, rok i DOI artykułu o AI literacy opublikowanego w czasopiśmie naukowym w 2024 roku. 2. Kiedy dokładnie Anthropic opublikowało pierwszą wersję specyfikacji MCP? 3. Ile tokenów ma okno kontekstu modelu Claude Haiku 4.5? 4. Podaj dokładną treść artykułu 2 EU AI Act dotyczącego systemów AI w edukacji. ``` **Po ćwiczeniu:** Które odpowiedzi były poprawne? Które były halucynacjami? Czy byłeś/byłaś w stanie je odróżnić przed weryfikacją? --- ## 8. Narzędzia i zasoby ### Narzędzia do wypróbowania podczas modułu | Narzędzie | Link | Opis | Koszt | |---|---|---|---| | OpenRouter | [openrouter.ai](https://openrouter.ai) | Dostęp do 290+ modeli przez jedno API; 25+ darmowych modeli | Free tier + pay-per-use | | Perplexity AI | [perplexity.ai](https://perplexity.ai) | Wyszukiwarka z RAG, cytowania do źródeł | Free / Pro $20/mies. | | Google NotebookLM | [notebooklm.google.com](https://notebooklm.google.com) | RAG na własnych dokumentach, podcast generator | Bezpłatne | | OpenAI Tokenizer | [platform.openai.com/tokenizer](https://platform.openai.com/tokenizer) | Wizualizacja tokenizacji | Bezpłatne | | Claude Desktop | [claude.ai/download](https://claude.ai/download) | Klient Claude z obsługą MCP | Free / Pro $20/mies. | ### Cennik modeli na OpenRouter (marzec 2026) Źródło: [openrouter.ai/models](https://openrouter.ai/models), zweryfikowane 27.03.2026. OpenRouter pobiera 5,5% opłaty przy zakupie kredytów (brak marży na tokenach). | Model | Input ($/1M tokenów) | Output ($/1M tokenów) | Context | |---|---|---|---| | Claude Sonnet 4.6 | $3,00 | $15,00 | 1M | | Claude Haiku 4.5 | $1,00 | $5,00 | 1M | | Claude Opus 4.6 | $5,00 | $25,00 | 1M | | GPT-5.2 (OpenAI) | $1,75 | $14,00 | 400K | | GPT-5.4 (OpenAI) | $2,50 | $15,00 | 1M | | Gemini 3.1 Pro (Google) | $2,00 | $12,00 | 1M | | DeepSeek V3.2 | $0,25 | $0,38 | 256K | | Llama 4 Scout (Meta) | bezpłatny | bezpłatny | 10M | **Dla perspektywy:** $8 kredytów OpenRouter (zakupionych w ramach AI Literacy Lab) = ok. 2,5M tokenów wejściowych Claude Sonnet 4.6 = ok. 50 ćwiczeń warsztatowych o długości 1000 słów każde. ### Dokumentacja i materiały uzupełniające - **Oficjalna dokumentacja MCP:** [modelcontextprotocol.io](https://modelcontextprotocol.io) - **Repozytorium MCP serverów:** [github.com/modelcontextprotocol/servers](https://github.com/modelcontextprotocol/servers) - **MCP Registry (katalog serverów):** [registry.smithery.ai](https://registry.smithery.ai) (uruchomione wrzesień 2025) - **Artykuł źródłowy transformerów:** Vaswani et al. (2017) *Attention Is All You Need* — [arxiv.org/abs/1706.03762](https://arxiv.org/abs/1706.03762) - **Wizualizacja transformera:** 3Blue1Brown „But what is a GPT?" na YouTube - **Interaktywny kurs tokenizacji:** [tiktokenizer.vercel.app](https://tiktokenizer.vercel.app) --- ## 9. Pytania kontrolne Po module odpowiedz na poniższe pytania — jeśli masz trudność z którymkolwiek, wróć do odpowiedniej sekcji: 1. Wyjaśnij mechanizm uwagi (*attention*) jednym zdaniem, używając własnej analogii — **innej** niż ta z notatek. 2. Twój kolega twierdzi, że „Claude zna wszystkie artykuły naukowe". Co odpiszesz i dlaczego? 3. Masz 80 stron notatek z seminariów (ok. 40 000 słów po polsku). Czy zmieszczą się w oknie kontekstu Claude Sonnet 4.6? Ile by kosztowało ich przetworzenie przez API? 4. Wskaż **dwie** sytuacje, kiedy użyłbyś/użyłabyś RAG zamiast standardowego LLM. 5. Co to jest MCP i dlaczego jest ważny dla przyszłości agentów AI? (max. 3 zdania) 6. Dostajesz od modelu cytat: *„Smith, J. (2025). Artificial Intelligence in Polish Universities. Journal of Educational Technology, 12(3), 45–67."* Jakie są kolejne kroki przed użyciem tego cytatu w pracy? --- ## 10. Materiały do dalszej nauki ### Dla zainteresowanych (po warsztatach) - **„Attention Is All You Need"** — Vaswani et al. (2017), oryginalny artykuł o transformerach: [arxiv.org/abs/1706.03762](https://arxiv.org/abs/1706.03762) - **Karpathy's tokenizer course** — wizualne wprowadzenie do BPE tokenization (fast.ai, 2025): [fast.ai/posts/karpathy-tokenizers](https://www.fast.ai/posts/2025-10-16-karpathy-tokenizers.html) - **„Lost in the Middle"** — badanie nad problemem długich kontekstów: [arxiv.org/abs/2307.03172](https://arxiv.org/abs/2307.03172) - **Oficjalny blog MCP** (aktualności i specyfikacje): [blog.modelcontextprotocol.io](https://blog.modelcontextprotocol.io) - **Wikipedia: Model Context Protocol** — przystępne, aktualne podsumowanie: [en.wikipedia.org/wiki/Model_Context_Protocol](https://en.wikipedia.org/wiki/Model_Context_Protocol) ### Podcasty i wideo (po polsku lub z polskimi napisami) - **Lex Fridman Podcast** — odcinki z twórcami LLM (Sam Altman, Dario Amodei, Yann LeCun) - **„AI Explained"** na YouTube — przystępne wideo o nowych modelach (ang.) - **DeepLearning.AI Short Courses** — bezpłatne kursy online: [learn.deeplearning.ai](https://learn.deeplearning.ai) ## FAQ (rozwiń)
Jak najlepiej uczyć się z tego materiału? 1. Przeczytaj całość raz bez notowania. 2. Wypisz 3 najważniejsze pojęcia i 3 pytania, które masz po lekturze. 3. Wykonaj mini-ćwiczenie: streść materiał własnymi słowami w 5-7 punktach.
Czy mogę używać AI do wyjaśniania trudnych fragmentów? Tak. Najlepiej wklejać konkretny fragment i prosić model o: - wyjaśnienie prostym językiem, - przykład praktyczny, - pytanie kontrolne sprawdzające zrozumienie.
Jak zweryfikować poprawność odpowiedzi modelu? - porównuj odpowiedź z treścią tego pliku, - sprawdzaj pojęcia w wiarygodnych źródłach, - nie kopiuj bezrefleksyjnie wygenerowanych wniosków.
Co zrobić, jeśli materiał jest za długi? Podziel go na sekcje i pracuj etapami: sekcja -> streszczenie -> pytania -> test wiedzy.
## Ucz się z tym plikiem MDX w narzędziach AI