Google opublikowało na otwartej licencji wtyczkę Elephant-Goldfish Model (EGM) – narzędzie, które zmusza agenty AI do napisania specyfikacji zanim wygenerują choćby linijkę kodu. Firma twierdzi, że korzystają z niego już tysiące jej inżynierów. To odwrócenie dotychczasowego porządku pracy z AI: zamiast poprawiać błędny kod w pull requeście, łapiesz złe założenia w pliku Markdown.
Czym jest wtyczka Elephant-Goldfish Model i skąd ta nazwa?
Elephant-Goldfish Model (EGM) to warstwa projektowania i recenzji dla agentów AI do pisania kodu, opublikowana przez Google na licencji Apache 2.0. Nie jest to nowy model językowy – plugin nie zawiera żadnych wag sieci neuronowej. Do działania wykorzystuje model dostarczony przez użytkownika i jego istniejący limit zapytań.
Nazwa nawiązuje do eseju Dave’a Rensin, opisującego dwa skrajne podejścia do pamięci i kontekstu w pracy agentów AI: słonia, który pamięta wszystko, i złotej rybki, która nie pamięta niczego. Blog Google Open Source przedstawia EGM jako odpowiedź na problem „AI slop” – czyli kodu generowanego pochopnie, bez refleksji – oraz na zjawisko session context collapse, polegające na stopniowym rozpadzie spójności długiej sesji konwersacyjnej.
Jak działa mechanizm wymuszonej specyfikacji?
Zasada działania EGM jest celowo prosta: agent musi najpierw napisać specyfikację w formacie Markdown, a dopiero potem może przejść do generowania kodu. Kluczową rolę odgrywają świeże subagenty – nowe instancje agenta bez żadnej historii rozmowy, które atakują powstałą specyfikację z różnych perspektyw.
Architektura wtyczki składa się z siedmiu umiejętności (skills), dziewięciu person recenzentów, sześciu soczewek burzy mózgów oraz pięciu etapów recenzji. Każda persona recenzenta ocenia specyfikację z innego punktu widzenia, co ma symulować niezależne code review – zanim jeszcze powstanie kod.
EGM działa na każdym środowisku zdolnym do uruchamiania świeżych subagentów, w tym Antigravity, Claude Code w wersji 2.1.271 i wyższych, Claude Cowork, Codex oraz ChatGPT.
Redakcja IWD Partner: Wymuszanie specyfikacji przed generowaniem kodu brzmi jak powrót do klasycznych praktyk inżynierii oprogramowania – tyle że zautomatyzowany i osadzony w procesie AI. Pytanie, czy to faktycznie zmienia jakość kodu, czy tylko przesuwa błędy na wcześniejszy etap, pozostaje otwarte: Google nie opublikowało żadnego benchmarku dokładności. Adopcja przez tysiące inżynierów to mocny sygnał, ale nie zastępuje twardych danych.
Wyniki testów: co działało, a co się posypało?
Google przeprowadziło testy end-to-end na kilku środowiskach – bez publikacji formalnych benchmarków dokładności. Dowodem skuteczności są wyniki adopcji oraz przebiegi testów na rzeczywistych harnesach.
Najlepiej wypadł Codex w wersji 0.163.0, który ukończył 15 natywnych recenzentów w świeżym kontekście we właściwej kolejności. Dwa testy zakończyły się sukcesem w łącznym czasie 573,13 sekundy. Na przeciwnym biegunie znalazło się środowisko Claude Cowork, gdzie przebieg zatrzymał się po etapach od 5. do 7. z powodu przekroczenia limitu użycia.
Raport o błędzie oznaczony jako Issue #237 wskazuje na problem wycieku pliku AGENTS.md do kontekstu recenzentów w Codex – co podważa założenie o pełnej izolacji świeżych subagentów. Ciężkie zużycie tokenów i nieweryfikowalna izolacja na niektórych środowiskach to dwa najpoważniejsze zastrzeżenia wobec bieżącego stanu wtyczki.
Co zmieni wymuszony przegląd specyfikacji w pracy z agentami AI?
Podejście „spec-first” może przestawić punkt ciężkości całego procesu tworzenia oprogramowania z pomocą AI. Błędne założenia wykryte w specyfikacji Markdown kosztują znacznie mniej niż te same błędy odkryte podczas code review gotowego kodu – zarówno pod względem czasu inżynierów, jak i zużycia tokenów na regenerację.
Dla zespołów używających agentów AI do pisania kodu kluczowe jest jednak pytanie o rzeczywistą izolację subagentów. Jeśli świeży recenzent nieświadomie widzi kontekst poprzedniej sesji – a issue #237 sugeruje, że taka sytuacja jest możliwa – niezależność recenzji staje się iluzoryczna. Rozwiązanie tego problemu zdecyduje o tym, czy EGM pozostanie narzędziem wewnętrznym Google, czy stanie się standardem dla całej branży.
Otwarta licencja Apache 2.0 i brak konieczności użycia konkretnego modelu językowego obniżają barierę wejścia do minimum. Każdy zespół z dostępem do dowolnego dużego modelu językowego może wypróbować wtyczkę bez dodatkowych kosztów infrastruktury.
Powiązane pojęcia z AI i uczenia maszynowego
- Agent AI (coding agent) – autonomiczny program oparty na modelu językowym, zdolny do samodzielnego pisania, testowania i modyfikowania kodu na podstawie instrukcji.
- Session context collapse – zjawisko stopniowego pogarszania się spójności i jakości odpowiedzi modelu w miarę wydłużania się sesji konwersacyjnej i zapełniania okna kontekstowego.
- Spec-first coding – metodologia tworzenia oprogramowania, w której formalna specyfikacja wymagań musi powstać przed napisaniem kodu.
- Fresh subagent – nowa instancja agenta AI uruchamiana bez historii poprzedniej rozmowy, stosowana w EGM jako mechanizm niezależnego przeglądu.
- AI slop – potoczne określenie na kod lub treść generowane przez AI pochopnie i bez refleksji, charakteryzujące się powierzchownością i błędami wynikającymi z braku weryfikacji założeń.
Opracowanie redakcji IWD Partner z wykorzystaniem narzędzi AI na podstawie materiału: MarkTechPost (8.11.2026).
Zdjęcie: Erik Mclean / Unsplash
