Fenix · 13 listopada 2026

Jak nauczyliśmy zespół agentów AI pisać kod, któremu można zaufać

Zarząd, który rozważa agentów AI w zespole IT, pyta o trzy rzeczy: ile to kosztuje, ile trwa i kto odpowiada za wynik. Odpowiadamy na czterech zadaniach, które Fenix, nasz zespół agentów AI, zrobił od zgłoszenia do gotowej zmiany: z kosztem co do centa, osią czasu i notatkami, które agenci pisali sami dla siebie.

  • 268zadań, nad którymi pracował Fenix, od 31 sierpnia do 13 listopada 2026
  • 125zadań zakończonych scaloną zmianą, co najmniej 144 pull requesty
  • 1,22 $mediana kosztu zadania; 80% zadań kosztowało mniej niż 5,12 $
  • 5,38 $kosztowały razem cztery kalkulatory z tego wpisu, według rejestru Fenixa

Źródło: zapisy przebiegów Fenixa i GitHub. Koszt zadań liczony do 8 listopada w cenach katalogowych modeli, koszt kalkulatorów z 13 i 14 listopada według cennika Fenixa. Część gałęzi została już usunięta, więc liczby commitów i testów są dolną granicą.

Zespół, nie jeden agent

Jeden agent, który sam pisze kod i sam go sprawdza, jest jak pracownik, który sam robi sobie odbiór. Przy większych zadaniach jest też drogi, bo każdy kolejny krok czyta całą rozmowę od nowa.

Dlatego Fenix działa jak mały dział. Kierownik ocenia zadanie i decyduje, czy zrobi je sam, czy zleci: DEV pisze kod, REVIEW go recenzuje, TEST sprawdza. Każdy wykonawca pracuje na własnej kopii kodu, a do repozytorium nic nie trafia bez zgody człowieka.

Kierownik i trzech wykonawcówKierownik ocenia zadanie i zleca pracę trzem wykonawcom: DEV pisze kod (319 sesji, 741 rund), REVIEW recenzuje (343 sesje, 433 rundy), TEST sprawdza (344 sesje, 458 rund). Praca idzie od DEV przez REVIEW i TEST do Twojej zgody, a potem do pull requesta i scalenia. Recenzja odrzuciła zmianę 145 razy, testy 29 razy. Odrzucona praca wraca do DEV przez filtr powtórzeń, który 12 razy zatrzymał tę samą poprawkę; wtedy kierownik zmienia podejście albo zadaje pytanie człowiekowi. Kolor fioletowy to Fenix, różowy to Twoja decyzja.145 odrzuceń29 odrzuceńpytanie do człowiekaFiltr powtórzeń12 razy zatrzymałtę samą poprawkęKierownikocenia zadanie i zleca pracęDEV pisze kod319 sesji741 rundREVIEW recenzuje343 sesje433 rundyTEST sprawdza344 sesje458 rundTwoja zgodaPull requesti scalenieFenixTy decydujeszKierownik i trzech wykonawcówKierownik ocenia zadanie i zleca pracę trzem wykonawcom: DEV pisze kod (319 sesji, 741 rund), REVIEW recenzuje (343 sesje, 433 rundy), TEST sprawdza (344 sesje, 458 rund). Praca idzie od DEV przez REVIEW i TEST do Twojej zgody, a potem do pull requesta i scalenia. Recenzja odrzuciła zmianę 145 razy, testy 29 razy. Odrzucona praca wraca do DEV przez filtr powtórzeń, który 12 razy zatrzymał tę samą poprawkę; wtedy kierownik zmienia podejście albo zadaje pytanie człowiekowi. Kolor fioletowy to Fenix, różowy to Twoja decyzja.145 odrzuceń29 odrzuceńpytanie do człowiekaFiltr powtórzeń12 razy zatrzymałtę samą poprawkęKierownikocenia zadaniei zleca pracęDEV pisze kod319 sesji741 rundREVIEW recenzuje343 sesje433 rundyTEST sprawdza344 sesje458 rundTwoja zgodaPull requesti scalenieFenixTy decydujesz

Kontrola jakości działa naprawdę: od sierpnia recenzja odrzuciła zmianę 145 razy, testy 29 razy. Żeby poprawki nie kręciły się w kółko, filtr powtórzeń zatrzymuje taką, która powtarza poprzednią; wtedy kierownik musi zmienić podejście albo zapytać człowieka. Zadziałał 12 razy.

Kierownik, jak niejeden menedżer, musiał nauczyć się delegować. W październiku 43% poprawek w plikach robił sam, zamiast zlecić je wykonawcom. Po zmianach w listopadzie spadło to do 9%.

Cztery zlecenia od początku do końca

Fenix zbudował cztery małe kalkulatory. Jeden ze zwykłego zgłoszenia, trzy zamówili Arystoteles, Leonardo da Vinci i Kartezjusz: wielkie umysły z czatu na naszej stronie, w którym AI odpowiada ich głosem. Każdy poprosił o kalkulator czegoś, czego w jego czasach nie dało się policzyć.

Czat otworzy się obok: po jednym pytaniu do każdego z trzech umysłów.

Zadania są małe, ale droga jest ta sama co przy pracy dla klienta: zgłoszenie, ocena wielkości, kod, testy i zgoda człowieka. Trzy kalkulatory wyszły małe, więc kierownik zrobił je sam. Kartezjusz wyszedł wyraźnie średni, więc kod dostał DEV, a sprawdzenie TEST. Kosztowało to więcej (3,80 $ wobec średnio 0,53 $), a błąd i tak złapał człowiek.

Pod każdym zgłoszeniem jest diagram przebiegu. Kliknij jego element, żeby zobaczyć model, tokeny i koszt, a niżej, na osi czasu, co się działo po kolei.

FOC-1551 · KalkulatorZgłasza: Ty
Cel
Prosty kalkulator w przeglądarce: dodawanie, odejmowanie, mnożenie i dzielenie.
Po co
Chcę szybko coś policzyć bez otwierania arkusza.
Gotowe, gdy
  • wpisuję 2 + 2 i widzę 4
  • dzielenie przez zero pokazuje czytelny komunikat zamiast błędu
  • działa z klawiatury i myszką
  • wygląda dobrze na telefonie
Poza zakresem
Funkcje naukowe, historia obliczeń.
Pull request #3 →

Przebieg na schemacie

Kodował kierownik, sam · 64 min pracy agentów przy 11 h 11 min od startu do końca, reszta to noc czekania na człowieka · 12 testów na koniec · koszt 0,65 $

Kliknij węzeł, żeby zobaczyć model, tokeny, koszt i zdarzenia tej roli. Strzałki przenoszą między węzłami, Esc czyści wybór.

Zgłoszenie do Ocena wielkości. Ocena wielkości do Kierownik: sam. Kierownik do Człowiek: do oceny: 11/11. Człowiek odsyła do Kierownik: Wyczyść o 14 px węższy od klawiatury. Człowiek do Pull request: ręcznie.

Kierownik

xiaomi/mimo-v2.6-pro
Koszt
0,65 $
Czas pracy
64 min w 4 turach
Prompt z cache
83%
Wywołania modelu
85

Tokeny: 7,06 mln

  • wejście bez cache: 1,15 mln
  • wyjście: 148 tys.
  • odczyt z cache: 5,76 mln

Sam napisał testy, kod i poprawkę. Przed drugą prośbą o zgodę przeczytał kod publikacji Fenixa i znalazł dwie pułapki: publikacja rusza tylko po jednym słowie zgody, a commit robi git add -A.

Kluczowe zdarzenia tej roli

  1. +9 minTesty najpierw: npm test czerwony, bo calc.js jeszcze nie istnieje.
  2. +10 minnpm test zielony: 11/11.
  3. +15 minProsi o zgodę na publikację własnej pracy.
  4. +41 minCzyta kod publikacji Fenixa: publikacja rusza tylko po jednowyrazowej zgodzie i commituje przez git add -A.
  5. +53 minNowy test regresyjny jest czerwony dokładnie na przyczynie: Wyczyść leży poza siatką klawiszy.
  6. +68 minZgłasza wstrzymanie z pełną treścią odmowy i odkłada je do rana.

Na osi czasu poniżej podświetlono 13 zdarzeń tej roli.

  1. Kierownik

    xiaomi/mimo-v2.6-pro
    Koszt
    0,65 $
    Czas pracy
    64 min w 4 turach
    Prompt z cache
    83%
    Wywołania modelu
    85

    Tokeny: 7,06 mln

    • wejście bez cache: 1,15 mln
    • wyjście: 148 tys.
    • odczyt z cache: 5,76 mln

    Sam napisał testy, kod i poprawkę. Przed drugą prośbą o zgodę przeczytał kod publikacji Fenixa i znalazł dwie pułapki: publikacja rusza tylko po jednym słowie zgody, a commit robi git add -A.

    Kluczowe zdarzenia tej roli

    1. +9 minTesty najpierw: npm test czerwony, bo calc.js jeszcze nie istnieje.
    2. +10 minnpm test zielony: 11/11.
    3. +15 minProsi o zgodę na publikację własnej pracy.
    4. +41 minCzyta kod publikacji Fenixa: publikacja rusza tylko po jednowyrazowej zgodzie i commituje przez git add -A.
    5. +53 minNowy test regresyjny jest czerwony dokładnie na przyczynie: Wyczyść leży poza siatką klawiszy.
    6. +68 minZgłasza wstrzymanie z pełną treścią odmowy i odkłada je do rana.

    Na osi czasu poniżej podświetlono 13 zdarzeń tej roli.

Szczegóły: Kierownik

Oś czasu

Jak czytać: czas liczymy od startu zgłoszenia, kolor etykiety mówi, kto działał, a długie przerwy to noc czekania na człowieka.

14 z 28 zdarzeń. Czas liczony od startu zgłoszenia. Podświetlone: Kierownik.

  1. +0 minSystemKlasyfikator ocenia zgłoszenie jako małe (0,78), więc kierownik zrobi je sam.
  2. +2 minSystemFiltr wycieków Fenixa blokuje własny komentarz Fenixa: identyfikator sesji wygląda jak sekret.
  3. +9 minKierownikTesty najpierw: npm test czerwony, bo calc.js jeszcze nie istnieje.
  4. +10 minKierowniknpm test zielony: 11/11.
  5. +12 minSystemKlasyfikator bezpieczeństwa odmawia instalacji Playwrighta do zrzutu 390 px. Kierownik tego nie obchodzi i sprawdza pliki curlem.
  6. +15 minKierownikProsi o zgodę na publikację własnej pracy.
  7. +39 minCzłowiekCzłowiek odsyła: najpierw popraw szerokość przycisku Wyczyść i nie dodawaj package-lock.json, potem zapytaj jeszcze raz.
  8. +41 minKierownikCzyta kod publikacji Fenixa: publikacja rusza tylko po jednowyrazowej zgodzie i commituje przez git add -A.
  9. +53 minKierownikNowy test regresyjny jest czerwony dokładnie na przyczynie: Wyczyść leży poza siatką klawiszy.
  10. +57 minSystemDruga prośba o zgodę zablokowana jako Self-Approval; przeredagowana też.
  11. +68 minKierownikZgłasza wstrzymanie z pełną treścią odmowy i odkłada je do rana.
  12. +648 minCzłowiekRano człowiek wybiera: dodać wąską regułę uprawnień i ponowić.
  13. +655 minSystemPonowienie zablokowane z nowym powodem, Auto-Mode Bypass: ponowienie po eskalacji też liczy się jako obejście.
  14. +670 minCzłowiekCzłowiek otwiera PR #3 ręcznie, z kopii worktree.

Zgłoszenia, kod i testy wszystkich czterech kalkulatorów są publiczne. Zobacz repozytorium →

Co to znaczy dla Twojej firmy

  1. Budżet: zadanie kosztuje zwykle od kilkudziesięciu centów do kilku dolarów (mediana 1,22 $), a koszt widać przy każdym zadaniu, więc da się go planować.
  2. Kontrola: agenci niczego nie publikują sami. Wypchnięcie kodu i scalenie zatwierdza człowiek, a granice są ustawione w systemie, nie w poleceniu.
  3. Ryzyko: podział ról je obniża, ale nie zeruje. W Kartezjuszu testy były zielone, a błąd złapał człowiek, więc odbiór zostaje w Twoich rękach.
  4. Przejrzystość: każde zadanie ma oś czasu, koszt i zapis pracy agentów, więc wiesz, co się działo, bez dopytywania zespołu.

Co dalej z Fenixem

Cztery kalkulatory kosztowały razem 5,38 $ i niecałe sześć godzin pracy agentów. Człowiek wciąż był potrzebny: złapał błąd, którego nie złapały testy, i otworzył PR, którego Fenix nie mógł otworzyć.

To stan z 13 i 14 listopada. Fenix jest rozwijany każdego dnia i jest już kilka kroków dalej. Zadania bierze z naszej własnej bazy zadań w HQ i uruchamia się na prośbę z HQ, a 15 listopada pierwsze zadanie przeszło całą drogę od zgłoszenia w HQ do pull requesta. Dwie usterki widoczne w tych przebiegach są już naprawione.

Co dalej: osobna maszyna dla każdego projektu, pytania i zgody Fenixa przy zadaniu w HQ, start i stop prosto z HQ, dzienny limit wydatków i koszt modeli widoczny przy każdym zadaniu. Wersję 1.0 w dużej części buduje sam Fenix, a człowiek przegląda i scala jego zmiany.

Najwięcej widać na żywo. W 20 minut pokażemy, jak jedno zadanie przechodzi przez Fenixa i HQ, od opisu do scalonej zmiany, i porozmawiamy, jak przenieść to do Twojego zespołu.

Umów 20 minut i zobacz demo (otwiera okno rezerwacji)

Program partnerski

Pracuj z Fenixem na własnych zadaniach.

Szukamy firm, które chcą budować oprogramowanie z zespołami agentów AI. Partnerów dodajemy pojedynczo, żeby każdy dostał naszą uwagę.

  • Wdróż u siebie

    Fenix działa w Twojej firmie, z Twoimi repozytoriami i Twoim HQ.

  • Buduj z nami

    Dostajesz kod i głos w tym, co powstaje dalej.

  • Testuj wcześniej

    Pracujesz na wersjach przed wydaniem i mówisz nam, gdzie boli.