Gotowy silnik AI do wbudowania w Twoje oprogramowanie (100% on-premise).

Agent prowadzi rozmowę i decyduje, po które narzędzie sięgnąć. Powtarzalną logikę zamykasz w skryptach Python, które wywołuje agent, a na ich bazie budujesz aplikacje z formularzem, uruchamiane przez użytkownika albo harmonogram. Każda zmiana trafia najpierw do wersji roboczej i działa dopiero po publikacji nowej wersji.

Skrypty Python, indeksowanie dokumentów i praca w przeglądarce działają w jednorazowych mikromaszynach Firecracker. Maszyna startuje bez dostępu do sieci, a dostęp nadajesz jawnie, wskazując dozwolone adresy. Po zakończeniu, zatrzymaniu lub przekroczeniu czasu maszyna jest usuwana.

Narzędzia, takie jak sterowanie przeglądarką czy klient HTTP, konfigurujesz raz jako profile i podpinasz do wybranych agentów. Integracje, np. wyszukiwarka i odczyt stron, służą agentom i skryptom, a SSH tylko skryptom. Agent dostaje opis narzędzia, a nie hasło czy klucz, więc zakres jego dostępu to Twoja decyzja.

Cały ruch sieciowy gościa przechodzi przez proxy kontrolowane przez host. Reguły domen obsługują tryb domyślnie-dozwolony lub domyślnie-zablokowany, a host.internal udostępnia tylko te trasy, na które wyrazisz zgodę.

Czternaście domen logów rejestrujących rozliczenie tokenów, decyzje firewalli, ruch przez proxy i wyszukiwanie na poziomie dokumentów — powstają jako efekt uboczny działania systemu, a nie jako osobny projekt integracyjny.

Zabezpieczenie działa, zanim wiadomość użytkownika dotrze do modelu agenta. Treść bezpieczna przechodzi dalej; niebezpieczna zatrzymuje żądanie i zwraca ustawiony przez Ciebie komunikat odmowy. Nieudana ocena nie przechodzi po cichu — mechanizm domyślnie blokuje.

Co weszło do promptu, co zostało wyszukane, co zwrócił model, które narzędzia się uruchomiły i ile to kosztowało — zapisane jako efekt uboczny działania systemu.

Filtr wyjściowy działa po wygenerowaniu odpowiedzi, a przed jej dostarczeniem, zamieniając wykryte identyfikatory na jawne znaczniki — [REDACTED_EMAIL], [REDACTED_PERSON_NAME] — zachowując sens i strukturę odpowiedzi.

Przydział łączy rolę z zakresem: jednym agentem, workflowem, źródłem wiedzy, zbiorem danych albo całą instalacją. Rolę przypisujesz użytkownikowi lub grupie. Uprawnienia z kilku przydziałów sumują się, a użytkownik widzi tylko to, do czego dostał dostęp.

Rolę własną budujesz z jawnie wybranych akcji, np. agent.view i agent.test bez agent.publish. Zapis wersji roboczej niczego nie zmienia. Przed publikacją widzisz dodane i usunięte akcje oraz listę użytkowników, których zmiana dotyczy.

Użytkownicy logują się kontem firmowym przez OpenID Connect. Grupy i role aplikacyjne (App Roles) z tokenu dostawcy tożsamości mapujesz na grupy aamp, a do grup przypisujesz role. Członkostwem zarządzasz tam, gdzie dziś: w AD, Entra ID, systemie IAM lub IGA.

Na wybranych agentów nakładasz dodatkowe reguły w języku Rego, np. dział Finanse korzysta z agenta tylko przez czat w przeglądarce, bez API i widżetu. Polityka nie może przyznać dostępu, może go wyłącznie ograniczyć.

Ograniczenie czytelników ustawiasz dla całego źródła wiedzy lub pojedynczego pliku: wybrani użytkownicy, grupy i kanały. Niedozwolone fragmenty są odfiltrowane przed rankingiem wyszukiwania, więc nie trafiają do modelu.

Administratorowi działu przekazujesz zarządzanie dostępem tylko w wyznaczonych granicach: konkretne zasoby, role i grupy. Nie nada roli spoza tych granic ani nie zmieni własnych uprawnień.

Tokeny wejściowe, z pamięci podręcznej i wyjściowe dla dowolnego zakresu dat, z wykresem dziennym i podziałem na modele. Możesz zawęzić widok do wybranych agentów, wejść i baz wiedzy, więc widać, które zastosowanie jest drogie.

Ustawiasz limit tokenów wejściowych, wyjściowych i liczby zapytań dla całej instalacji lub wybranego zakresu. Panel pokazuje wykorzystanie, narastający wykres z linią limitu i prognozę na podstawie dotychczasowego zużycia, a obok porównanie z poprzednim miesiącem.

Osobny panel zbiera użycie filtrów danych osobowych i filtrów wejściowych, asystenta skryptów, transkrypcji mowy, agentów wywoływanych przez skrypty i embeddingów. Dla każdego widać liczbę wywołań, błędy, czas przetwarzania i tokeny.

Kieruj rutynową większość ruchu do modeli małych lub lokalnych, a możliwości modeli frontier zachowaj dla tej części zadań, która to uzasadnia. Raportowane łączne oszczędności routingu warstwowego wynoszą od 40 do 80 procent wobec pracy wyłącznie na modelach frontier.

Każdy agent ma limit rund model–narzędzie, po którym się zatrzymuje, oraz automatyczne kompaktowanie kontekstu po przekroczeniu ustalonego progu. Długa rozmowa nie rośnie więc w nieskończoność.

Tokeny rozumowania rozliczane są jak wyjściowe. Dla każdego agenta ustawiasz poziom rozumowania i maksymalną liczbę tokenów odpowiedzi, z domyślną wartością dla całej instalacji.

Dostawca i model przypisują się do agenta i do funkcji hosta, a nie do jednego globalnego ustawienia. Klasyfikacja danych decyduje, który model może wywołać dany agent, a to samo przypisanie reguluje, którzy agenci mogą odpytywać zbiór danych DataLake lub Data Product.

Uruchamiaj modele open-weight na własnym sprzęcie obok hostowanych modeli frontier, za jedną granicą polityk. Dowolny endpoint zgodny z OpenAI: vLLM, Ollama, LocalAI lub TGI.

Każdy użytkownik widzi tylko agentów, do których dostał dostęp. Rozmowy, załączniki i historia zostają na Twoim serwerze, a administrator decyduje, kto z jakiego agenta korzysta.

Opublikowane dashboardy są dostępne dla każdego zalogowanego użytkownika, także bez uprawnień administracyjnych. Każdy kafelek ma własny formularz, przycisk uruchomienia, status i wynik. Błąd jednego kafelka nie blokuje pozostałych, a wyniki dwóch użytkowników nie mieszają się ze sobą.

Administrator opisuje cel, a asystent przygotowuje agenta lub aplikację: dobiera model, integracje i narzędzia, pisze skrypt, tworzy źródła i bazę wiedzy, uruchamia test, czyta logi i poprawia błędy. Zmiany dotyczące sieci, publikacji, harmonogramu i uruchomień opublikowanych wersji wymagają Twojego zatwierdzenia w rozmowie.

Każdy agent ma własny model, instrukcje, narzędzia, skrypty i dostęp do wybranych źródeł danych. Zmiany zapisujesz jako szkic i publikujesz jako kolejną wersję, a widok Agent Flow pokazuje wszystkie zależności na jednym grafie.

Piszesz i testujesz kod w edytorze, z historią uruchomień i konsolą. Skrypt może wywołać opublikowanego agenta i dostać od niego ustrukturyzowany wynik. Każde uruchomienie działa w jednorazowej mikromaszynie, a w kreatorze skrypt staje się aplikacją z formularzem, którą można też uruchamiać z harmonogramu.

Proces opakowuje opublikowany skrypt albo agenta w formularz i czytelny widok wyniku, bez pisania frontendu. Dashboard układa wiele takich widgetów na siatce 12 kolumn: przeciągasz, zmieniasz rozmiar, ustawiasz domyślne parametry i tryb uruchamiania. Procesy i dashboardy mają szkic, publikacje i historię wersji.

Integracje konfigurujesz raz: Brave Search i Jina Reader podpinasz do agentów i skryptów, a SSH i TypeSafe do skryptów. Profile narzędzi, np. sterowanie przeglądarką czy klienta HTTP, podpinasz do agentów. Klucze zostają zaszyfrowane na serwerze.

Źródłem mogą być pliki, lista linków albo cała strona WWW. Baza „rolling” zawsze korzysta z aktualnej treści, a baza „strict” pracuje na zamrożonej, opublikowanej wersji. Agent odpowiada ze wskazaniem źródła.

Wgrywasz pliki CSV lub XLSX jako wersjonowane zbiory danych. Na ich podstawie budujesz produkty analityczne, np. rekomendacje produktów kupowanych razem. Agent widzi tylko opublikowaną wersję.

Na diagramie definiujesz typy, np. Kontrahent i Zamówienie, ich właściwości i powiązania. Asystent AI pomaga zbudować model, a każda publikacja tworzy wersję, z której korzystają podłączeni agenci.

Punkt wejścia łączy agenta z kanałem: API albo WebWidget osadzany jednym fragmentem kodu. Każde wejście ma własne limity sesji, adres testowy i status połączenia.

Zadanie łączy opublikowaną aplikację, parametry i wyrażenie cron ze strefą czasową. Harmonogram możesz też opisać zwykłym zdaniem, np. „co poniedziałek o 10:00”, a asystent wypełni formularz. Pominięte terminy łączą się w jedno uruchomienie, a nakładające się wykonania tego samego zadania są pomijane.

Ustawienia dzielą się na cztery obszary: ogólne, dostawców modeli, użytkowników i sekrety. W części ogólnej wybierasz domyślny model i model asystenta, ustawiasz embeddingi i dzielenie dokumentów, limity WebWidgetu i kolejkę zadań w tle oraz lokalne modele ochronne: Prompt Guard, filtr danych osobowych i licznik tokenów.

Przy każdej odpowiedzi widać tokeny wejściowe i wyjściowe oraz koszt. Przycisk Agent otwiera podsumowanie tylko do odczytu: dostawcę, model, okno kontekstu, próg kompaktowania, limit rund narzędzi, prompt systemowy i podłączone narzędzia. Użytkownik wie, z jakim agentem rozmawia, a administrator nie musi szukać tego w logach.

Widzisz, który agent i które wejście obsłużyło rozmowę, ile było wiadomości, z ilu baz wiedzy skorzystano i czy zadziałały zabezpieczenia. Sesję z błędem rozwijasz do pojedynczego kroku.

Każde wyszukiwanie w bazie wiedzy i każdy odczytany fragment dokumentu zapisuje się z czasem, sesją i wejściem. Łatwo sprawdzić, na jakiej podstawie powstała odpowiedź.

Każde uruchomienie ma zapisane parametry wejściowe, wynik z konsoli, czas trwania i status. Dotyczy to uruchomień ręcznych, z harmonogramu i wywołanych przez agenta.

Dostawca, model, tokeny wejściowe, z pamięci podręcznej i wyjściowe, czas odpowiedzi i podgląd treści. Widać też, czy zapytanie przyszło z wejścia, bazy wiedzy czy funkcji hosta.