Wyobraź sobie: masz jeden serwer, jednego programistę i deployment, który za każdym razem wymaga ręcznego przepchnięcia przez kilka kroków. Skrypt tu, komenda tam, za każdym razem to samo.
Docker właśnie wydał wtyczkę, która pozwala opisać ten proces w kilku linijkach tekstu i oddać go agentowi AI. Agent sam to ogarnie — bez nadzoru, bez telefonu do programisty o 22:00.
To nie futuryzm. Docker Agent jest dostępny od wersji Docker Desktop 4.63 i działa już teraz.
Co to jest Docker Agent i dlaczego wszyscy o nim mówią?
Docker Agent to oficjalna wtyczka do interfejsu wiersza poleceń Dockera. Jej zadanie: pozwolić ci uruchamiać agentów AI za pomocą prostej konfiguracji YAML — bez pisania skryptów, bez własnego frameworka AI, bez tygodnia spędzonego na konfigurowaniu środowiska.
Projekt pojawił się na GitHubie i szybko zebrał ponad 3 900 gwiazdek i 489 forków, licencja Apache-2.0 (github.com/docker/docker-agent). Na Hacker News notka zdobyła 222 punkty i 105 komentarzy — co jak na niszowy temat DevOps jest sporym wynikiem (news.ycombinator.com/item?id=49996259).
Dlaczego taki ruch? Kilka powodów.
Po pierwsze — Docker to infrastruktura, której używa już praktycznie każdy zespół techniczny. Jeśli agent AI wchodzi do narzędzia, które masz zainstalowane od lat, próg wejścia robi się naprawdę niski.
Po drugie — moment jest dobry. Rynek agentów AI rośnie z 7,6 mld USD w 2025 roku w kierunku 139 mld USD do 2034 roku (kontekst Trend Radar B2B Solution 2026-10-08). Gartner szacuje, że 40% aplikacji enterprise będzie korzystać z agentów AI do końca 2026 roku (kontekst Trend Radar B2B Solution 2026-10-08). Docker postanowił nie czekać, aż ktoś inny to wybuduje.
Po trzecie — to coś konkretnego. Nie wrapper nad API OpenAI. Nie kolejny chatbot. Narzędzie, które wykonuje zadania w środowisku, w którym żyje twój kod.
Jak działa AI agent w świecie kontenerów — bez żargonu
Podstawowa architektura jest prosta: Agent → Model ↔ Narzędzia ↔ Podagenci (docker.github.io/docker-agent).
Rozbijamy to na części:
Agent — twoja konfiguracja YAML. Opisuje, czym jest agent, jakiego modelu AI używa i jakie narzędzia ma do dyspozycji. Minimalny agent to 8 linii YAML (docker.github.io/docker-agent). Nie musisz pisać ani jednej linijki kodu.
Model — „mózg” agenta. Docker Agent obsługuje OpenAI, Anthropic (Claude), Gemini, AWS Bedrock, Mistral, xAI oraz modele lokalne przez Docker Model Runner (docker.github.io/docker-agent). Możesz wybrać płatny model w chmurze albo uruchomić coś lokalnie — bez rachunków za tokeny.
Narzędzia — zestawy możliwości, które agent może wykorzystywać. Wbudowane: operacje na plikach, powłoka systemowa, wyszukiwanie semantyczne (RAG z BM25, embeddingami i hybrid search), a nawet funkcje pamięci i planowania (docker.github.io/docker-agent). Agent nie tylko „myśli” — może też czytać pliki, uruchamiać komendy i zapamiętywać kontekst między zadaniami.
Podagenci — jeden agent może uruchamiać inne agenty. Każdy specjalizuje się w czymś innym. Główny agent koordynuje pracę, podagenci wykonują konkretne kawałki zadania.
Do komunikacji między narzędziami a modelem służy protokół MCP (Model Context Protocol). Do komunikacji między agentami — protokół A2A (Agent-to-Agent). Oba to otwarte standardy, które mają zapobiegać bałaganowi, gdy agentów robi się coraz więcej.
Wyniki agent przekazuje do interfejsu tekstowego albo przez API — co ułatwia wpięcie go w istniejące pipeline’y bez przepisywania całej infrastruktury.
Praktyczne zastosowania: od deploymentu do analizy logów
Dla małego zespołu technicznego kilka przypadków użycia narzuca się od razu:
Deployment na żądanie. Zamiast tłumaczyć programiście krok po kroku, co ma zrobić z obrazem Dockera — opisujesz to w YAML. Tryb --exec (nieinteraktywny) albo docker agent serve, który wystawia endpoint API, pozwala agentowi działać automatycznie — po każdym merge do głównej gałęzi, po każdym tagu wersji, albo na żądanie z CI/CD (docker.github.io/docker-agent).
Analiza logów bez arkusza kalkulacyjnego. Agent z dostępem do powłoki i semantycznym wyszukiwaniem może przeczesywać logi, wykrywać wzorce błędów i generować podsumowania. Nie musisz eksportować logów, wklejać do GPT i interpretować ręcznie. Agent robi to w kontekście twojej infrastruktury.
Monitoring środowisk. Agent może regularnie sprawdzać stan kontenerów, restartować usługi po awarii albo alertować, gdy coś wyjdzie poza normy. Zamiast stawiać kolejne narzędzie do monitoringu — konfigurujesz agenta, który już rozumie twoje środowisko.
Zarządzanie infrastrukturą dla niedevopsów. Właściciel firmy, który nie zna się na Dockerze, ale chce wiedzieć „czy serwer działa i co tam się dzieje” — może zapytać agenta bezpośrednio. Agent odpowie w ludzkim języku, nie w hex dump logów.
Co ważne: gotowe agenty możesz publikować do rejestrów OCI — tak samo jak zwykłe obrazy Dockera (github.com/docker/docker-agent). Oznacza to, że możesz stworzyć agenta raz, wersjonować go, współdzielić między projektami albo — jeśli prowadzisz kilku klientów — dystrybuować im gotowe rozwiązanie.
Jak zacząć — instalacja i pierwszy agent w 8 liniach YAML
Docker Agent działa od wersji Docker Desktop 4.63. Możesz też zainstalować go przez Homebrew lub pobrać binarki bezpośrednio (github.com/docker/docker-agent/blob/main/README.md).
Minimalny agent to dosłownie 8 linii YAML (docker.github.io/docker-agent). Podajesz: nazwę agenta, model którego używa, narzędzia które ma dostępne i instrukcję co ma robić.
Konfiguracja jest deklaratywna — piszesz „co” ma robić, nie „jak”. To duża różnica w porównaniu do pisania skryptów Bash albo wdrażania własnego łańcucha wywołań LLM.
Jeśli chcesz zacząć bez kosztów zewnętrznych API — Docker Model Runner pozwala uruchomić model językowy lokalnie na własnej maszynie. To dobry punkt startowy do testów, zanim zdecydujesz się na model w chmurze.
Pierwsza rozsądna ścieżka dla małego zespołu:
- Zaktualizuj Docker Desktop do 4.63+
- Zainstaluj wtyczkę Docker Agent
- Uruchom model lokalnie przez Docker Model Runner
- Napisz agenta do konkretnego, powtarzalnego zadania (np. sprawdzanie czy kontenery działają)
- Przetestuj na środowisku testowym — nigdy od razu na produkcji
Ryzyka i ograniczenia: co deweloperzy mówią o bezpieczeństwie
Społeczność na Hacker News jest podzielona (news.ycombinator.com/item?id=49996259). I dobrze — to zdrowy odruch wobec każdego narzędzia, które daje agentowi AI dostęp do powłoki systemowej.
Dwa zastrzeżenia warto wziąć poważnie:
Bezpieczeństwo agentów z dostępem do powłoki. Agent, który może uruchamiać komendy shell, może też narobić bigosu, jeśli otrzyma złe instrukcje — od modelu albo od kogoś, kto zmanipuluje jego wejście (prompt injection). Przed uruchomieniem agenta z uprawnieniami do środowisk produkcyjnych trzeba dokładnie przemyśleć zakres dostępu i zasadę najmniejszych uprawnień.
Kolejna warstwa YAML. Część komentujących zwraca uwagę, że Docker dokłada kolejną abstrakcję do ekosystemu, który i tak ma ich dużo. YAML jest czytelny na początku, ale konfiguracje potrafią rosnąć szybciej niż dokumentacja.
To nie są powody, żeby nie testować Docker Agent. To są powody, żeby testować go ostrożnie — zaczynając od środowisk testowych, limitując uprawnienia i weryfikując co agent naprawdę robi, zanim dostanie klucze do produkcji.
Docker Agent to sygnał, że AI przestaje być narzędziem do pisania — zaczyna być narzędziem do działania. Dla małego zespołu z kilkoma projektami oznacza to realną możliwość automatyzacji rutynowych zadań DevOps bez zatrudniania kolejnej osoby. Narzędzie jest darmowe, ekosystem gotowy, dokumentacja przyzwoita.
Warto sprawdzić, zanim za rok stanie się standardem i zacznie pojawiać się w wymaganiach przetargowych klientów.
