Czego sie nauczylem na PyAI Conf w San Francisco — tam, gdzie Python spotyka produkcyjnych AI agentow

Jeden dzien. Tworcy Pythona, Pydantic, FastAPI i FastMCP w jednym pokoju. Oto co sie wydarzylo.

Tagi: #Programming #Technology #Python #AIAgents #PydanticAI Czas czytania: ~8 min

---

Dzisiaj bylem na PyAI Conf w San Francisco — jednodniowej konferencji zorganizowanej przez Pydantic, FastMCP (Prefect) i Theory Ventures. Lineup byl absurdalny: Samuel Colvin, Sebastián Ramírez Montaño, Jeremiah Lowin, Armin Ronacher i Guido van Rossum — sam tworca Pythona.

To moja relacja pisana tego samego dnia. Nie komunikat prasowy — po prostu to, co zobaczylem, usyszalem i wyniuslem z jednego, intensywnego dnia.

---

Jestem Kacper, AI Engineer w Vstorm — konsultingu specjalizujacym sie w Applied Agentic AI Engineering. Wdrozylismy 30+ produkcyjnych implementacji AI agentow i udostepniamy nasze narzedzia jako open source na github.com/vstorm-co. Polacz sie ze mna na LinkedIn.

---

Klimat: zero sciemy, sami inzynierowie

Pierwsza rzecz, ktora mnie uderzyla po wejsciu: to nie byla typowa konferencja tech ze stoiskami i pitch deckami. To byla spolecznosc inzynierow, ktorzy buduja narzedzia napedzajace wspolczesny Python — rozmawiajacych o praktycznym AI, LLM-ach i agentach w produkcji.

Zero hype’u. Zero keynotow w stylu “AI zmieni wszystko”. Po prostu ludzie, ktorzy shipuja kod, dziela sie tym co dziala i co nie.

Panel, ktory zdefniowal ten dzien

Highlightem byl panel z udzialem Samuela Colvina (Pydantic), Sebastiána Ramíreza Montaño (FastAPI), Jeremiaha Lowina (Prefect i FastMCP) oraz Guido van Rossuma.

Dyskusja eksplorwala kierunek, w ktorm zmierza ekosystem Pythona w kontekscie budowania nastepnej generacji systemow AI i agentowych — oraz nowe wyzwania, przed ktorymi stoja projekty open source w swiecie eksplodujacych coding agentow.

Kilka rzeczy, ktore sie wyroznialy:

Rola Pythona w AI nie jest przypadkowa. Guido mowil o tym, jak czytelnosc i elastycznosc Pythona uczynialy go naturalnym domem dla narzedzi AI. Ale zwrocil tez uwage, ze jezyk musi ewoluowac — lepsze prymitywy async, lepsze wsparcie typow, lepsza wydajnosc dla dlugo dzialajacych procesow agentowych, ktore teraz wszyscy budujemy.

Wyzwanie open source w erze AI coding agentow. Jeremiah podniosl kwestie, nad ktora wczesniej gleboko sie nie zastanawialem: gdy AI coding agenty moga generowac kod na skale, co stanie sie z utrzymaniem open source? Pull requesty od agentow wygladaja inaczej. Zgloszenia bledow od agentow wygladaja inaczej. Kontrakt spoleczny open source sie zmienia i maintainerzy frameworkow musza sie dostosowac.

Type safety to fundament, nie ficzer. Samuel przekonywl, ze type safety w interakcjach z LLM to nie “fajnie miec” — to jest to, co robi roznice miedzy kodem prototypowym a produkcyjnym. Gdy twoj agent zwraca zwalidowane, typowane dane, mozesz budowac niezawodne systemy na tej podstawie. Gdy zwraca Any, piszesz kod parsujacy w nieskonczonosc.

Co slyszalem na korytarzach

Prawdziwa konferencja odbywala sie miedzy sesjami — w rozmowach przy kawie i podczas przerw.

Wszyscy buduja agenty, ale “jak” sie radykalnie rozni. Niektore zespoly ida all-in na orkiestracje multi-agent. Inne trzymaja sie pojedynczych agentow z dobrymi narzedziami. Konsensus: ograniczona delegacja do sub-agentow dziala (jeden rodzic, 2-3 wyspecjalizowanych sub-agentow), ale “roj 15 autonomicznych agentow” to wciaz bardziej aspiracja niz produkcja.

Konwergencja frameworkow jest realna. Rozmawialem z inzynierami uzywajacymi roznych frameworkow — Pydantic AI, LangChain, LangGraph, CrewAI — i wszyscy zmierzaja w strone tych samych wzorcow: typowane definicje narzedzi, structured outputs, pluggowalni dostawcy modeli, delegacja do sub-agentow. API wygladaja inaczej, ale architektura pod spodem sie wyrownuje.

Gotowosc produkcyjna to nowy benchmark. Nikt nie pytal “czy twoj framework potrafi X?” — pytali “co sie dzieje, gdy X sie wywala o 3 w nocy?” Obsluga bledow, monitoring kosztow, odzyskiwanie po awariach, obserwowalnosc. To sa rozmowy, ktore teraz maja znaczenie.

Spolecznosc Pydantic AI jest silna. Kontrybutorzy, ktorzy znali sie tylko z GitHuba, spotykali sie twarza w twarz po raz pierwszy. Jest prawdziwa kolezenkosc — wspolne problemy, wspolne wzorce, gotowosc do pomocy. Samuel Colvin i zespol Pydantic zbudowali cos wyjatkowego poza samym kodem.

Laczenie kropek

Przyjechalem na PyAI Conf jako ktos budujacy open-source’owe narzedzia AI agentowe w Vstorm. Dwie rzeczy szczegolnie rezonowaly z tym, nad czym pracujemy:

Wzorzec “planuj, wykonuj, deleguj” ciagle sie pojawia. Wiele osob, z ktorymi rozmawialem — niezaleznie od siebie — opisywalo ta sama architekture dla produkcyjnych agentow: LLM, ktory planuje, narzedzia, ktore wykonuja, sub-agenty, ktore sie specjalizuja. To wzorzec stojacy za Claude Code i to jest to, co implementujemy w pydantic-deepagents. Gdy wiele zespolow dochodzi do tej samej architektury z roznych kierunkow, to jest sygnal.

Wybor frameworka nie powinien byc zobowiazaniem. Kilku inzynierow podzielilo sie frustracja zwiazana z byciem zamknietym w jednym frameworku. Pomysl wspierania wielu frameworkow za ta sama infrastruktura — co wlasnie robi nasz full-stack-ai-agent-template z 5 roznymi frameworkami AI — wzbudzil szczere zainteresowanie w rozmowach. Ludzie chca swobody zmiany bez przepisywania wszystkiego.

Trzy rzeczy, ktore zabieram do domu

1. Lepsze historie o porazkach. Najcenniejsze prezentacje tego dnia nie byly historiami sukcesu — byly historiami porazek. Petle retry agentow, ktore spalily setki dolarow. Wycieki pamieci z nieoczyszczonych wynikow narzedzi. Chce byc bardziej otwarty w dzieleniu sie naszymi porazkami.

2. Glebsze inwestowanie w ekosystem Pydantic AI. Po spotkaniu spolecznosci osobiscie jestem bardziej przekonany niz kiedykolwiek, ze to jest kierunek, w ktorm zmierza produkcyjne AI w Pythonie. Type safety, structured outputs, komponowalni agenci — to wlasciwy fundament.

3. Energia pisania tego samego dnia jest prawdziwa. Pisze to w samolocie w droge powrotna, poki wszystko jest swieze. Kontakty nawiazane dzisiaj sa warte wiecej niz jakakolwiek dokumentacja, ktora przeczytalem w tym roku.

Podsumowanie

PyAI Conf udowodnila cos: spolecznosc Python AI nie tylko rosnie — dojrzewa. Dzisiejsze rozmowy dotyczyly niezawodnosci, utrzymywalnosci i trudnych problemow inzynieryjnych, ktore pojawiaja sie po tym, jak demo zaczyna dzialac.

Ogromne podziekowania dla Pydantic, Prefect/FastMCP i Theory Ventures za organizacje. I dla Samuela Colvina, Sebastiána Ramíreza Montaño, Jeremiaha Lowina, Armina Ronachera i Guido van Rossuma za panel, ktory byl jedna z najlepszych dyskusji technicznych, na jakich bylem.

Do zobaczenia na nastepnej.

---

Zasoby:

• pydantic-deepagents — Modularny framework AI agentow (architektura Claude Code, open-source)
• full-stack-ai-agent-template — Od zera do produkcji (5 frameworkow, 75+ opcji)