Słownik AI po polsku: LLM, RAG, agent, halucynacje i inne pojęcia

LLM (duży model językowy) to model AI wytrenowany na ogromnych zbiorach tekstu, który przewiduje kolejne fragmenty wypowiedzi i dzięki temu potrafi pisać, streszczać, tłumaczyć i programować. RAG dokłada do takiego modelu wyszukiwanie w dokumentach, a agent AI to model, który sam wykonuje kroki i korzysta z narzędzi. Poniżej znajdziesz najważniejsze pojęcia w kolejności tematycznej, każde z krótkim przykładem.

Słownik opisuje sytuację na październik 2026, ale definicje są stabilne. Nie podajemy cen ani rankingów modeli, bo zmieniają się z tygodnia na tydzień.

Podstawy: model, token, kontekst

LLM (Large Language Model)

Duży model językowy uczy się statystycznych zależności między słowami na bardzo dużej ilości tekstu. Nie „wie” rzeczy tak jak człowiek, tylko generuje najbardziej prawdopodobną kontynuację. Przykłady rodzin modeli to GPT, Claude, Gemini czy polski Bielik, o którym piszemy w porównaniu Bielika i PLLuM.

Model

W praktyce to plik z wagami, czyli miliardami liczb, które powstały w trakcie trenowania. Sam model jest „zamrożony”: po treningu nie uczy się z Twoich rozmów, chyba że dostawca świadomie wykorzysta je w kolejnej wersji.

Parametry

Parametry to właśnie te wagi. Zapis „7B” oznacza około 7 miliardów parametrów. Więcej parametrów zwykle oznacza większe możliwości, ale też większe wymagania sprzętowe i wolniejsze działanie.

Token

Token to kawałek tekstu, na którym operuje model: może to być słowo, jego część albo znak interpunkcyjny. Polskie słowa z odmianą często dzielą się na kilka tokenów, więc ten sam tekst po polsku bywa „dłuższy” niż po angielsku. Tokeny wyznaczają limity i koszt użycia usług przez API.

Okno kontekstu

To maksymalna ilość tekstu (liczona w tokenach), jaką model widzi naraz: Twoje pytanie, wcześniejsza rozmowa, wklejone dokumenty i odpowiedź. Gdy rozmowa przekroczy okno, najstarsze fragmenty przestają być widoczne dla modelu i mogą „wypaść” z pamięci.

Transformer

Architektura sieci neuronowej opisana w 2017 roku w pracy „Attention Is All You Need”. Opiera się na mechanizmie uwagi, który pozwala ocenić, które słowa w tekście są ze sobą powiązane. Na niej zbudowana jest większość współczesnych LLM.

Trenowanie (pretraining)

Etap, w którym model przetwarza ogromne zbiory tekstów i uczy się przewidywać brakujące fragmenty. To najdroższa część całego procesu, wymagająca klastrów GPU i tygodni obliczeń.

Inferencja

Używanie gotowego modelu do generowania odpowiedzi. Kiedy wpisujesz pytanie w czacie, odbywa się inferencja. Można ją uruchomić w chmurze dostawcy albo lokalnie na własnym komputerze, jak w poradniku Bielik lokalnie w Ollama i LM Studio.

Jak rozmawiać z modelem

Prompt

Prompt to polecenie lub pytanie, które wysyłasz modelowi. Im konkretniejszy (kontekst, oczekiwany format, ton), tym lepsza odpowiedź. Przykład: zamiast „napisz maila” lepiej „napisz uprzejmy mail do klienta z prośbą o przesunięcie spotkania na piątek, maksymalnie 5 zdań”.

Prompt systemowy

Ukryta lub wstępna instrukcja ustawiająca zachowanie modelu: rolę, styl, zakazy. Użytkownik zwykle jej nie widzi, a aplikacja dokłada ją do każdej rozmowy. Dzięki niej ten sam model może być asystentem sklepu albo korektorem tekstów.

Prompt engineering

Umiejętność formułowania poleceń tak, by model dawał powtarzalne, użyteczne wyniki. W praktyce to głównie jasne instrukcje, przykłady i podział zadania na kroki, a nie „magiczne zaklęcia”.

Łańcuch rozumowania (chain of thought)

Technika, w której model rozpisuje kolejne kroki, zanim poda wynik. Przy zadaniach logicznych i matematycznych zwykle zmniejsza liczbę błędów. Część nowszych modeli robi to automatycznie jako tzw. tryb „rozumowania”.

Temperatura

Parametr sterujący losowością odpowiedzi. Niska wartość daje przewidywalne, zachowawcze teksty, wysoka bardziej zróżnicowane i kreatywne, ale też częściej błędne.

Odpowiedź strumieniowa (streaming)

Wyświetlanie odpowiedzi na bieżąco, słowo po słowie, zamiast czekania na cały tekst. Nie zmienia jakości, tylko wrażenie szybkości.

Dane i wiedza: RAG, embedding, baza wektorowa

RAG (Retrieval-Augmented Generation)

RAG to technika, w której przed odpowiedzią system wyszukuje pasujące fragmenty w Twoich dokumentach i dokleja je do promptu. Model odpowiada wtedy na podstawie tych fragmentów, a nie wyłącznie z pamięci. Pojęcie pochodzi z pracy z 2020 roku. Przykład: czat firmowy, który odpowiada na pytania o regulamin urlopów, cytując właściwy dokument.

Embedding

Zamiana tekstu (lub obrazu) na listę liczb, czyli wektor, który oddaje jego znaczenie. Teksty o podobnym sensie mają wektory leżące blisko siebie, więc można je znaleźć, nawet gdy nie zawierają tych samych słów.

Baza wektorowa

Baza danych przystosowana do przechowywania embeddingów i szybkiego szukania najbliższych sąsiadów. Jest typowym elementem systemów RAG. Przykład: zapytanie „jak zwrócić towar” znajdzie akapit o „odstąpieniu od umowy”.

Chunking

Dzielenie dokumentów na mniejsze fragmenty przed zamianą na embeddingi. Zbyt długie fragmenty rozmywają sens, zbyt krótkie gubią kontekst, dlatego dobór rozmiaru wpływa na jakość całego RAG.

Wyszukiwanie semantyczne

Szukanie po znaczeniu, a nie po dokładnych słowach kluczowych. Zwykle opiera się na embeddingach. Często łączy się je z klasycznym wyszukiwaniem tekstowym.

Fine-tuning

Doszkalanie gotowego modelu na własnych danych, żeby przyswoił styl, format lub wąską dziedzinę. Służy raczej do zmiany zachowania modelu niż do „wgrywania” aktualnej wiedzy. Do tego drugiego zwykle lepszy jest RAG.

Agenci i narzędzia

Agent AI

Agent AI to system, w którym model nie tylko odpowiada, ale też planuje kroki, wywołuje narzędzia (wyszukiwarkę, kalendarz, kod, API) i sprawdza wyniki, aż zrealizuje cel. Przykład: asystent, który sam przeszuka skrzynkę, znajdzie termin spotkania i dopisze go do kalendarza. Im więcej samodzielności, tym ważniejsza kontrola człowieka.

Wywoływanie narzędzi (function calling)

Mechanizm, w którym model zamiast tekstu zwraca polecenie wywołania funkcji, np. „pobierz pogodę dla Poznania”. Program wykonuje je i oddaje wynik modelowi. To podstawa działania agentów.

MCP (Model Context Protocol)

Otwarty standard łączenia modeli z zewnętrznymi narzędziami i danymi w jednolity sposób. Specyfikację publikuje projekt modelcontextprotocol.io, a po polsku wyjaśniamy go na stronie Co to jest MCP.

Jakość, błędy i bezpieczeństwo

Halucynacje

Halucynacja to sytuacja, w której model podaje nieprawdziwą informację w pewnym siebie tonie, np. zmyśla cytat, przepis prawny albo nieistniejące źródło. Wynika z tego, że model generuje prawdopodobny tekst, a nie sprawdza faktów. Ograniczają ją RAG, podawanie źródeł i weryfikacja wyników przez człowieka.

Uziemienie (grounding)

Oparcie odpowiedzi na wskazanych źródłach, które można sprawdzić. Dobrze uziemiona odpowiedź ma odnośniki do dokumentów, z których pochodzi.

Prompt injection

Atak polegający na ukryciu w treści (strona, mail, dokument) poleceń, które model wykona zamiast Twoich. Szczególnie groźny przy agentach z dostępem do poczty lub plików. Dlatego dane z zewnątrz traktuje się jak niezaufane.

Alignment (dostosowanie)

Zestaw metod, które mają sprawić, by model zachowywał się zgodnie z oczekiwaniami i wartościami ludzi, na przykład uczenie na ocenach człowieka (RLHF).

Stronniczość (bias)

Skłonność modelu do powielania uprzedzeń z danych treningowych. Dlatego wyniki dotyczące ludzi, rekrutacji czy oceny ryzyka wymagają szczególnej ostrożności.

Benchmark

Standaryzowany test, na którym porównuje się modele, np. zestaw pytań z matematyki lub programowania. Wynik pokazuje zachowanie na danym teście, nie zawsze przekłada się na Twoje zadania.

Deepfake

Realistyczna fałszywa fotografia, nagranie lub głos wygenerowane przez AI. Przykłady oszustw z użyciem takich materiałów opisujemy w dziale AI.

Rodzaje modeli i sprzęt

Model otwarty a zamknięty

Model zamknięty działa tylko przez usługę dostawcy, a jego wag nie można pobrać. Model otwarty (dokładniej: z otwartymi wagami) można pobrać i uruchomić u siebie, ale licencje bywają ograniczone, więc warto je przeczytać. Otwarte wagi nie zawsze oznaczają otwarty kod i dane treningowe.

Multimodalność

Zdolność modelu do pracy z kilkoma typami danych naraz: tekstem, obrazem, dźwiękiem, czasem wideo. Przykład: wysyłasz zdjęcie paragonu i prosisz o zestawienie wydatków.

SLM (mały model językowy)

Kompaktowy model, który zmieści się na laptopie lub telefonie. Gorzej radzi sobie z trudnymi zadaniami, ale działa szybciej i prywatnie, bez wysyłania danych do chmury.

Kwantyzacja

Zmniejszanie dokładności zapisu wag (np. z 16 do 4 bitów), co obniża zużycie pamięci i przyspiesza działanie kosztem niewielkiego spadku jakości. Dzięki niej duże modele da się uruchomić na zwykłym komputerze.

GPU

Karta graficzna, której równoległa budowa świetnie nadaje się do obliczeń na macierzach. Do trenowania i szybkiej inferencji kluczowa jest ilość pamięci karty (VRAM).

NPU

Wyspecjalizowany układ w procesorze do obliczeń AI, spotykany w nowszych laptopach i telefonach. Ma wykonywać lekkie zadania AI oszczędniej niż GPU lub CPU.

Chmura a lokalnie

W chmurze model działa na serwerach dostawcy, więc dane opuszczają Twój komputer. Lokalnie wszystko zostaje u Ciebie, ale ograniczają Cię własny sprzęt i rozmiar modelu.

Prawo i regulacje

AI Act

AI Act to unijne rozporządzenie 2024/1689 ustanawiające zasady dla systemów sztucznej inteligencji, oparte na podejściu do ryzyka. Pełny tekst jest w Dzienniku Urzędowym UE, a przegląd zasad na stronie Komisji Europejskiej. Stan na październik 2026: przepisy wchodzą w życie etapami, więc terminy dla konkretnych obowiązków sprawdzaj w oficjalnych źródłach. Ten słownik podaje tylko definicję, nie jest poradą prawną.

System wysokiego ryzyka

Pojęcie z AI Act dla zastosowań, w których błąd mógłby poważnie wpłynąć na ludzi, np. w rekrutacji, edukacji czy ocenie zdolności kredytowej. Takie systemy podlegają dodatkowym wymaganiom.

Gdzie czytać dalej

Więcej o praktycznych zastosowaniach i nowościach znajdziesz w dziale AI i szerzej w sekcji Technologie. Jeśli interesuje Cię rynek pracy związany z uczeniem maszynowym, zajrzyj do działu Praca w IT.

Najczęściej zadawane pytania

LLM co to jest?

LLM to duży model językowy, czyli sieć neuronowa wytrenowana na ogromnych zbiorach tekstu, która generuje odpowiedzi, przewidując kolejne tokeny. Na takim modelu działają czaty AI, asystenci do kodu i tłumacze.

RAG co to jest w AI?

RAG to technika łączenia modelu z wyszukiwaniem: system znajduje pasujące fragmenty dokumentów i podaje je modelowi razem z pytaniem. Dzięki temu odpowiedzi opierają się na wskazanych źródłach i rzadziej są zmyślone.

Czym różni się agent AI od zwykłego czatu?

Czat odpowiada tekstem na Twoje pytanie, a agent sam planuje kolejne kroki i używa narzędzi, np. wyszukiwarki, kalendarza lub kodu. Agent ma więcej samodzielności, więc wymaga też więcej nadzoru.

Co to jest prompt w AI?

Prompt to polecenie lub pytanie wysyłane do modelu. Im jaśniej opiszesz zadanie, oczekiwany format i kontekst, tym lepszy wynik.

Dlaczego AI zmyśla, czyli co to są halucynacje?

Model generuje najbardziej prawdopodobny tekst, a nie weryfikuje faktów, więc czasem podaje nieprawdziwe informacje bardzo przekonująco. Ważne dane, takie jak przepisy czy liczby, zawsze sprawdzaj w źródle.