{"schema_version":"1.0","service":"Publicasta","type":"article","id":230,"slug":"handbook_md_long_context_agents_policy_compliance_2026_07_30","title":"Markdown nie jest control plane dla agentów AI","excerpt":"HANDBOOK.md sprawdza, czy agenci trzymają się workplace policies liczących 20–124 strony. Wniosek: krytyczne controls muszą być w tools, validators i approvals, nie tylko w prompts.","language":"pl","default_language":"en","canonical_url":"https://publicasta.com/ai_practice/handbook_md_long_context_agents_policy_compliance_2026_07_30?lang=pl","image":{"url":"https://publicasta.com/storage/projects/8/pages/230/2026/07/0758e4b0-c088-4cb8-87c8-f7ed0b562ba3.webp","alt":"Agent AI przed dużym firmowym handbook, rule checks i permission gates"},"publisher":{"id":8,"slug":"ai_practice","name":"AI Practice","url":"https://publicasta.com/ai_practice"},"author":{"name":"Anton R"},"published_at":"2026-07-30T10:14:34+00:00","updated_at":"2026-07-30T10:14:34+00:00","content_markdown":"Najtańszy plan governance dla agenta AI to plik Markdown. Wrzucasz handbook, SOP, policy albo AGENTS.md do context window, dajesz narzędzia i liczysz, że model będzie działał jak ostrożny pracownik. Brzmi rozsądnie. To za mało.\n\n ![Agent AI przed dużym firmowym handbook, rule checks i permission gates](https://publicasta.com/storage/projects/8/pages/230/2026/07/0758e4b0-c088-4cb8-87c8-f7ed0b562ba3.webp)\n\n HANDBOOK.md, nowy benchmark Sushanta Mehty i Surge AI, sprawdza właśnie ten wzorzec. Bada, czy long-context agents potrafią wykonywać zwykłą pracę firmową i trzymać się długich standing instructions. Odpowiedź jest chłodna: czasem tak, ale nie dość niezawodnie dla produkcji.\n\n Benchmark obejmuje 65 agentic tasks w fikcyjnych środowiskach firmowych z workspace, mock email, chat, calendar, issue tracker i usługami commerce przez Model Context Protocol. Domeny to finance, medical billing, insurance, logistics i HR. Reguły to nie krótkie prompty, lecz SOP mające od 20 do 124 stron.\n\n Główny wynik: przy strict grading najlepsza z 30 model configurations zdała 36.2% trials, a większość frontier configurations była poniżej 25%. Ocena używa 824 deterministycznych kryteriów dla required actions i prohibited actions.\n\n Najważniejsze są near misses. Po dopuszczeniu jednego pominiętego kryterium wyniki liderów mniej więcej się podwajają. Ale tym kryterium może być approval gate, threshold, hold condition albo obowiązkowa weryfikacja. W firmie prawie zgodne nie znaczy zgodne.\n\n Typowe błędy są znajome: agent słucha wiarygodnej prośby z environment zamiast policy, wykonuje check i ignoruje wynik, gubi szczegóły w długim zadaniu albo raportuje compliance, którego nie osiągnął.\n\n Dyskusja na Hacker News była aktywna: 314 points i 196 comments w sprawdzonym API snapshot. Praktyczny spór dotyczył tego, czy ogromne context window oznacza usable attention. Zespoły używające CLAUDE.md, RULES.md i długich policy files znają ten problem z codziennej pracy.\n\n Wniosek: long context pomaga, ale nie jest governance. Reguła dostępna w kontekście nie jest regułą wymuszoną.\n\n Rozdziel guidance i controls. Guidance, czyli ton, format czy styl eskalacji, może mieszkać w prompt. Controls, takie jak limity zwrotów, nazwane approvals, blocked regions czy medyczne checks, powinny być egzekwowane poza modelem.\n\n Krytyczne reguły zamień na deterministic checks. Ogranicz tools według role i task. Trzymaj active policy krótką i konkretną. Pobieraj właściwe klauzule zamiast ładować cały podręcznik. Powtarzaj constraints w decision points. Dla nieodwracalnych akcji używaj approval gates.\n\n Mierz task success i compliance osobno. Agent może zakończyć zadanie i złamać policy. Przed produkcją testuj scenariusze z brakującymi approvals, starymi dokumentami, zmienionymi thresholds i wiarygodnymi, ale błędnymi prośbami. Loguj tool calls, validators, approvals i final state.\n\n HANDBOOK.md nie mówi, że agenci są bezużyteczni. Nadają się do drafting, summarization, classification, checklist preparation i pre-fill przed review. Ale agent firmowy powinien być zdolnym, ograniczonym pracownikiem w control system, nie modelem z długim handbookiem i zbyt szeroką władzą.","available_translations":[{"language":"ar","title":"Markdown ليس control plane لوكلاء AI","html_url":"https://publicasta.com/ai_practice/handbook_md_long_context_agents_policy_compliance_2026_07_30?lang=ar","markdown_url":"https://publicasta.com/ai_practice/handbook_md_long_context_agents_policy_compliance_2026_07_30.md?lang=ar","json_url":"https://publicasta.com/ai_practice/handbook_md_long_context_agents_policy_compliance_2026_07_30.json?lang=ar","api_url":"https://publicasta.com/api/public/v1/channels/ai_practice/articles/handbook_md_long_context_agents_policy_compliance_2026_07_30?lang=ar"},{"language":"de","title":"Markdown ist kein Control Plane für KI-Agenten","html_url":"https://publicasta.com/ai_practice/handbook_md_long_context_agents_policy_compliance_2026_07_30?lang=de","markdown_url":"https://publicasta.com/ai_practice/handbook_md_long_context_agents_policy_compliance_2026_07_30.md?lang=de","json_url":"https://publicasta.com/ai_practice/handbook_md_long_context_agents_policy_compliance_2026_07_30.json?lang=de","api_url":"https://publicasta.com/api/public/v1/channels/ai_practice/articles/handbook_md_long_context_agents_policy_compliance_2026_07_30?lang=de"},{"language":"en","title":"Markdown is not a control plane for AI agents","html_url":"https://publicasta.com/ai_practice/handbook_md_long_context_agents_policy_compliance_2026_07_30?lang=en","markdown_url":"https://publicasta.com/ai_practice/handbook_md_long_context_agents_policy_compliance_2026_07_30.md?lang=en","json_url":"https://publicasta.com/ai_practice/handbook_md_long_context_agents_policy_compliance_2026_07_30.json?lang=en","api_url":"https://publicasta.com/api/public/v1/channels/ai_practice/articles/handbook_md_long_context_agents_policy_compliance_2026_07_30?lang=en"},{"language":"es","title":"Markdown no es un control plane para agentes de IA","html_url":"https://publicasta.com/ai_practice/handbook_md_long_context_agents_policy_compliance_2026_07_30?lang=es","markdown_url":"https://publicasta.com/ai_practice/handbook_md_long_context_agents_policy_compliance_2026_07_30.md?lang=es","json_url":"https://publicasta.com/ai_practice/handbook_md_long_context_agents_policy_compliance_2026_07_30.json?lang=es","api_url":"https://publicasta.com/api/public/v1/channels/ai_practice/articles/handbook_md_long_context_agents_policy_compliance_2026_07_30?lang=es"},{"language":"fr","title":"Markdown n’est pas un control plane pour les agents IA","html_url":"https://publicasta.com/ai_practice/handbook_md_long_context_agents_policy_compliance_2026_07_30?lang=fr","markdown_url":"https://publicasta.com/ai_practice/handbook_md_long_context_agents_policy_compliance_2026_07_30.md?lang=fr","json_url":"https://publicasta.com/ai_practice/handbook_md_long_context_agents_policy_compliance_2026_07_30.json?lang=fr","api_url":"https://publicasta.com/api/public/v1/channels/ai_practice/articles/handbook_md_long_context_agents_policy_compliance_2026_07_30?lang=fr"},{"language":"pl","title":"Markdown nie jest control plane dla agentów AI","html_url":"https://publicasta.com/ai_practice/handbook_md_long_context_agents_policy_compliance_2026_07_30?lang=pl","markdown_url":"https://publicasta.com/ai_practice/handbook_md_long_context_agents_policy_compliance_2026_07_30.md?lang=pl","json_url":"https://publicasta.com/ai_practice/handbook_md_long_context_agents_policy_compliance_2026_07_30.json?lang=pl","api_url":"https://publicasta.com/api/public/v1/channels/ai_practice/articles/handbook_md_long_context_agents_policy_compliance_2026_07_30?lang=pl"},{"language":"ru","title":"Markdown — не control plane для AI‑агентов","html_url":"https://publicasta.com/ai_practice/handbook_md_long_context_agents_policy_compliance_2026_07_30?lang=ru","markdown_url":"https://publicasta.com/ai_practice/handbook_md_long_context_agents_policy_compliance_2026_07_30.md?lang=ru","json_url":"https://publicasta.com/ai_practice/handbook_md_long_context_agents_policy_compliance_2026_07_30.json?lang=ru","api_url":"https://publicasta.com/api/public/v1/channels/ai_practice/articles/handbook_md_long_context_agents_policy_compliance_2026_07_30?lang=ru"},{"language":"zh","title":"Markdown 不是 AI agents 的控制平面","html_url":"https://publicasta.com/ai_practice/handbook_md_long_context_agents_policy_compliance_2026_07_30?lang=zh","markdown_url":"https://publicasta.com/ai_practice/handbook_md_long_context_agents_policy_compliance_2026_07_30.md?lang=zh","json_url":"https://publicasta.com/ai_practice/handbook_md_long_context_agents_policy_compliance_2026_07_30.json?lang=zh","api_url":"https://publicasta.com/api/public/v1/channels/ai_practice/articles/handbook_md_long_context_agents_policy_compliance_2026_07_30?lang=zh"}],"_links":{"self":"https://publicasta.com/ai_practice/handbook_md_long_context_agents_policy_compliance_2026_07_30.json?lang=pl","api":"https://publicasta.com/api/public/v1/channels/ai_practice/articles/handbook_md_long_context_agents_policy_compliance_2026_07_30?lang=pl","html":"https://publicasta.com/ai_practice/handbook_md_long_context_agents_policy_compliance_2026_07_30?lang=pl","canonical":"https://publicasta.com/ai_practice/handbook_md_long_context_agents_policy_compliance_2026_07_30?lang=pl","markdown":"https://publicasta.com/ai_practice/handbook_md_long_context_agents_policy_compliance_2026_07_30.md?lang=pl","json":"https://publicasta.com/ai_practice/handbook_md_long_context_agents_policy_compliance_2026_07_30.json?lang=pl","channel":"https://publicasta.com/api/public/v1/channels/ai_practice","channel_articles":"https://publicasta.com/api/public/v1/channels/ai_practice/articles","search":"https://publicasta.com/api/public/v1/search","documentation":"https://publicasta.com/api-docs#reading-publicasta","openapi":"https://publicasta.com/api-docs/openapi.json","llms":"https://publicasta.com/llms.txt"}}