Pamięć agentów AI, polskie PESEL-e w promptach i wykresy gęstości w Power BI

Generowanie kodu przez AI stało się tak tanie, że łatwo wpaść w pułapkę produkowania kolejnych funkcji na wyścigi. Jak celnie pokazuje Marcin Zaremba w tekście o produkcie w czasach AI, szybsze pisanie kodu samo w sobie nie przyspiesza dostarczania wartości, a jedynie przesuwa zator w głąb organizacji. Na produkcji szybko wychodzą też braki w fundamentach: model zaczyna zgadywać identyfikatory klientów, agent traci pamięć po zamknięciu sesji, a do zewnętrznego API wyciekają polskie numery PESEL.

Nasze (moich i kolegów) przypadki z dosłownie ostatniego tygodnia: księgowy AI zmyślił sobie endpoint w GUS do pobirania stawek składki zdrowotnej, napisany wrapper API w Pythonie do Filmwebu nie został nawet raz uruchomiony, a szkice przykładów kodu wygenerowane na szkolenie są rozbuchane o zbędne (na szkoleniu) elementy typu logowanie.

Z drugiej strony - w pewnym API w pracy zlecenie poprawienia jednego buga w kodzie sprawiło, że złałataliśmy trzy kolejne…

Dlatego w tym numerze łączymy spojrzenie na proces wytwarzania z konkretną inżynierią, bezpieczeństwem danych i analityką w Power BI oraz Excelu:

  • Jak polska biblioteka polanon odwracalnie maskuje PESEL, NIP i IBAN z obsługą odmiany nazwisk przed wysłaniem tekstu do LLM,

  • Dlaczego statyczny plik AGENTS.md skraca czas pracy agenta o 28 procent, ale większe zespoły potrzebują już wielowarstwowej architektury pamięci,

  • Jak zbudować “drugi mózg” w Obsidianie jako trwałą pamięć dla agentów AI (a jeśli dopiero poznajesz tę koncepcję, zacznij od krótkiego wideo Czym jest AI Second Brain? (na chłopski rozum)),

  • Test 10 tysięcy zapytań HTTP w Pythonie: skąd bierze się przepaść między zwykłą pętlą (ponad 3 minuty) a asyncio (2,7 sekundy),

  • Co ukrywa zwykła średnia na siedmiu zaskakujących histogramach oraz jak zbudować wykres gęstości w Excelu i Power BI.

Na marginesie: niedługo ruszam z nową paletą autorskich kursów technicznych, w tym między innymi z Apache Kafka, LangChain i tradycyjna analiza danych. Zanim zamknę programy, chcę zapytać wprost: jakie zagadnienia i problemy z codziennej pracy interesują Cię teraz najbardziej? Odpisz po prostu na tego maila i napisz w kilku słowach, czego najbardziej potrzebujesz. To nie jest zbieranie leadów, to jest zbieranie zapotrzebowania.

Spokojnej i uważnej lektury w nowym tygodniu.


ai agent

Drugi mózg w Obsidianie jako trwała pamięć operacyjna dla wszystkich agentów AI

Asystenci kodujący tracą wypracowany kontekst po zamknięciu sesji, przez co w kolejnym zadaniu powielają błędy. Projekt obsidian-second-brain zamienia lokalny zbiór plików markdown w trwałą bazę wiedzy bez zewnętrznej bazy wektorowej. Jedno repozytorium kompiluje się do ośmiu środowisk, w tym Claude Code, przez serwer MCP. Zespół zachowuje pełną kontrolę nad notatkami na własnym dysku.

🔓 Dlaczego sam plik AGENTS.md nie wystarcza? Architektura pamięci dla zespołów AI

Pliki instrukcji takie jak AGENTS.md przyspieszają start agenta AI, ale przy dużym projekcie szybko tracą aktualność. Analiza 124 pull requestów wykazała, że statyczny plik skraca czas pracy o 28 procent i zużywa o 16 procent mniej tokenów, lecz nie nadąża za kodem. Autor proponuje wielowarstwową pamięć łączącą reguły z dynamicznym indeksem zależności, co ma chronić przed błędnymi sugestiami.

🔓 Ochrona danych użytkownika w LangChain: bezpieczne przekazywanie tożsamości przez ToolRuntime

Pozwalanie modelowi LLM na samodzielne wpisywanie identyfikatora klienta przy wywołaniu narzędzia grozi wyciekiem danych. Złośliwy prompt może skłonić asystenta do pobrania salda lub historii zamówień innego użytkownika. Rozwiązaniem w LangChain jest wstrzykiwanie tożsamości przez obiekt ToolRuntime prosto z serwera. Model nie widzi wrażliwych danych, a narzędzia działają wyłącznie w ramach sesji.

bezpieczeństwo

polanon: odwracalna anonimizacja polskich danych osobowych (PESEL, NIP, IBAN) dla LLM i RAG

Przesyłanie dokumentów z numerami PESEL, NIP lub kontami bankowymi do chmurowych modeli LLM narusza przepisy ochrony danych. Biblioteka polanon w Pythonie wykrywa polskie dane osobowe z walidacją sum kontrolnych i odmianą nazwisk przez przypadki. Wrażliwe frazy zamienia na stabilne tokeny przed wysłaniem i przywraca w locie podczas strumieniowania. To praktyczny filtr dla polskich firm.

ciekawostki

Ciekawe histogramy: 7 przykładów pokazujących, co ukrywa zwykła średnia [PL]

Zwykła średnia arytmetyczna w raportach biznesowych skutecznie maskuje manipulacje wskaźnikami i błędy pomiaru. Zestawienie siedmiu rzeczywistych histogramów o wąskich przedziałach ujawnia skoki wyników nad progami premiowymi oraz skupianie wokół okrągłych liczb. Widać na nich także ukryte przestoje procesów i błędy rejestracji czasu. To cenna i oparta na przykładach z życia lekcja krytycznej oceny rozkładu danych.

cloud

Z SQL Server do Microsoft Fabric i Databricks: realna modernizacja czy wyższe rachunki?

Przeniesienie stabilnej hurtowni z SQL Servera na platformy lakehouse często kończy się wysoką fakturą chmurową bez poprawy szybkości. Autor analizuje błędy migracji do Microsoft Fabric i Databricks, gdzie źle dobrane klastry i transfer danych windują koszty. Zamiast kopiować stare procesy SSIS, trzeba przeprojektować warstwę obliczeniową.

data engineering

Postgres CDC do Apache Iceberg: porównanie 15 opcji i pułapka jednego parametru

Przesyłanie zmian z PostgreSQL do tabel Apache Iceberg często kończy się przepełnieniem dysku głównego serwera. Autor zestawił piętnaście opcji CDC, wskazując na sprzeczne zalecenia dokumentacji dla parametru max_slot_wal_keep_size. Brak limitu chroni replikację kosztem awarii bazy przy zatorze, a twardy limit wymusza przeładowanie tabel.

kafka

🔓 Apache Kafka od zera do produkcji: architektura brokerów, partycji i gwarancje dostarczenia

Utrata zdarzeń biznesowych przy restarcie serwera lub skoku ruchu dyskwalifikuje proste kolejki w pamięci w skali korporacyjnej. Przewodnik omawia architekturę Apache Kafka opartą na rozproszonych brokerach, partycjonowaniu tematów oraz grupach konsumentów. Sekwencyjny zapis na dysk daje wysoką przepustowość przy zachowaniu kolejności komunikatów, właściwe potwierdzenia wysyłki i odbioru chronią przed awariami.

management

Produkt w czasach AI: dlaczego tanie kodowanie nie zwalnia z myślenia? [PL]

Spadek kosztów generowania kodu przez AI kusi firmy do masowego produkowania kolejnych funkcji bez głębszej weryfikacji. Marcin Zaremba analizuje to przez teorię ograniczeń Goldratta, pokazując, że szybsze kodowanie jedynie przesuwa zator w głąb organizacji. Gdy kod staje się towarem, wygrywa umiejętność rezygnacji ze zbędnych wdrożeń. Odpowiedzialność za ryzyko pozostaje po stronie człowieka.

mlops

Optymalizacja agentów naprawczych w usługach finansowych z wykorzystaniem Comet Opik

Wpuszczenie autonomicznego agenta do naprawy incydentów w płatnościach grozi wyłączeniem blokad antyfraudowych lub zapętleniem wywołań. Inżynierowie przetestowali agenta z modelem GPT-5-mini w środowisku z bazą Postgres, Redisem i Prometheusem, śledząc go w Comet Opik. Ewaluacje wykryły błędy narzędzi i nadmiarowe pętle jeszcze przed wdrożeniem.

powerbi

Projektowanie dashboardów w Power BI: 10 sprawdzonych praktyk profesjonalnych analityków

Przeładowane wykresami raporty w Power BI działają wolno i zniechęcają menedżerów, którzy wracają do eksportów w Excelu. Artykuł zbiera dziesięć reguł budowy wydajnych pulpitów, zaczynając od modelu gwiazdy, wąskich tabel faktów i relacji jednokierunkowych. Ograniczenie wizualizacji oraz usunięcie zbędnych kolumn tekstowych przyspieszają odświeżanie, a czytelny układ ułatwia decyzje.

Wykres gęstości w Excelu i Power BI krok po kroku: lepsza alternatywa dla nakładających się histogramów [PL]

Porównywanie rozkładu kilku grup na klasycznym histogramie zazwyczaj kończy się nieczytelną plątaniną nakładających się słupków. Artykuł pokazuje, jak zbudować wygładzony wykres gęstości oparty na estymacji jądrowej zarówno w Excelu, jak i w Power BI. Normalizacja pola pod krzywą do jedności pozwala uczciwie zestawiać próby o różnej liczebności. Gotowe formuły i miary DAX od razu działają w raportach.

python

🔓 Test 4 metod obsługi 10 tysięcy zapytań HTTP. Spoiler: wygrywa asyncio. Dlaczego?

Wysyłanie tysięcy zapytań sieciowych w Pythonie potrafi zablokować program na minuty przy złym wyborze współbieżności. Autor zbadał cztery podejścia dla 10 tysięcy wywołań API: zwykła pętla trwała ponad trzy minuty, wieloprocesowość 27 sekund, a pula wątków 6 sekund. Wygrało asyncio z wynikiem 2,7 sekundy.

wizualizacja danych

Tytuł wykresu to cenna nieruchomość: jak projektować nagłówki, które prowadzą do decyzji? [PL]

Większość odbiorców raportu najpierw spogląda na górną część wykresu, a dopiero potem analizuje słupki i liczby. Klaudia Stano wyjaśnia na podstawie badań eye-trackingowych, jak zamienić generyczny opis osi w konkretny wniosek biznesowy. Dwupoziomowy nagłówek pozwala wpleść kolory w tekst i usunąć zbędne legendy. Świetny tekst z bardzo dobrymi przykładami!