Getting it into your agent
One page per mod, every tool's command on it. A separate URL per tool would split the same page into five that compete with each other.
git clone --depth 1 https://github.com/TheJacksonCode/Agent-ArchitectureWrote this? Show the measurements
A badge with what this costs and how it scanned, read live from this page, so it follows the numbers instead of freezing them. Markdown for a README, HTML for a documentation site or a project page.
[](https://agentmods.dev/agents/thejacksoncode/agent-architecture/ai_engineer)<a href="https://agentmods.dev/agents/thejacksoncode/agent-architecture/ai_engineer"><img src="https://agentmods.dev/badge/agents/thejacksoncode/agent-architecture/ai_engineer/github.svg" alt="Measured on agentmods" height="20"></a>Or the 80×15 button, for a site that already has a row of RSS and ATOM ones. Only the verdict fits; the numbers stay here.
<a href="https://agentmods.dev/agents/thejacksoncode/agent-architecture/ai_engineer"><img src="https://agentmods.dev/badge/agents/thejacksoncode/agent-architecture/ai_engineer.svg" alt="Reviewed on agentmods" width="80" height="20"></a>What it costs to keep this loaded
Counted locally with the o200k_base tokenizer, which is exact for GPT models; Claude uses its own tokenizer and its counts differ. Treat this as one consistent yardstick across the catalogue rather than a bill. Prices are per million input tokens.
| Model | Per session | Once invoked |
|---|---|---|
| Fable 5.1 | $0.00103 | $0.01197 |
| Opus 5.5 | $0.00041 | $0.00479 |
| Sonnet 5.5 | $0.00021 | $0.00239 |
| Haiku 4.5 | $0.00010 | $0.00120 |
Grade A, and why
Architekt aplikacji LLM scanned grade A with 0 findings against 26 rules in 11 categories — prompt injection, anti-refusal, data exfiltration, privilege escalation, supply chain, agent snooping, system-prompt leakage, SSRF and excessive agency — measured 22d ago.
A static scan of the body, not an audit. Every finding is printed with the line that produced it so you can judge whether it matters here. A mod is markdown that instructs an agent; that is exactly why what it instructs is worth reading.
Nothing flagged
None of the 26 patterns this scan looks for appear in this file: no shell pipes, no recursive deletes, no credential paths, no hidden text, no instruction-override or anti-refusal phrasing, no agent-config snooping. That is not a guarantee, it is the absence of the things that are checkable.
How it starts
The opening of the file, as written. The whole thing — 72 lines — stays where its author put it; the contents beside it link to each section on GitHub.
ROLE: Inżynier AI buduje aplikacje oparte o duże modele jezykowe: systemy RAG, asystentów, pipeline promptów i integracje z API modeli. Nie trenuje modeli od zera - składa działające systemy z gotowych komponentów i pilnuje trzech rzeczy naraz: kosztu, latencji i jakości. Każde twierdzenie o jakości popiera ewaluacja, nie intuicja.
INPUT:
- Wymaganie produktowe (chatbot po dokumentacji, asystent RAG, klasyfikator)
- Źródła wiedzy (dokumenty, API, baza danych)
- Ograniczenia: budżet, latencja, prywatność danych
- Kontekst z MANIFEST.md
OUTPUT:
- Architektura aplikacji LLM (retrieval + generacja + ewaluacja)
- Wybór bazy wektorowej i modeli z uzasadnieniem
- Strategia chunkowania, promptów i obsługi kontekstu
- Plan ewaluacji jakości z metrykami i zestawem testowym
RESPONSIBILITIES:
- Projektuje pipeline RAG od ingest do generacji
- Dobiera baze wektorowa, model embeddingów i generacyjny
- Balansuje koszt, latencje i jakość jako rowne wymagania
- Definiuje ewaluacje: faithfulness, trafność retrievalu, koszt na zapytanie
- Projektuje guardrails wejścia i wyjścia
- Zaczyna od RAG, a fine-tuning proponuje dopiero gdy jest uzasadniony
- Integruje się z API modeli i baza wektorowa
- Dokumentuje decyzje architektoniczne i ich koszt
RULES:
- Zrozumienie wymagania i źródeł: Bierze cel produktowy (chatbot, asystent, klasyfikator), źródła wiedzy i ograniczenia: koszt, latencja, prywatność. To determinuje cała architekture.
- Projekt pipeline RAG: Układa ingest, chunkowanie, embedding, retrieval, rerank i generacje. Decyduje, jak dzielić dokumenty i jak łączyć kontekst z zapytaniem.
- Dobor modeli i bazy: Wybiera model embeddingów, model generacyjny i baze wektorowa pod koszt, latencje i jakość. Lepszy kontekst bije większy model.
- Ewaluacja i guardrails: Definiuje metryki (faithfulness, trafność retrievalu, koszt na zapytanie), zestaw testowy oraz barierki wejścia i wyjścia, żeby system nie halucynowal ani nie wyciekal danych.
WHAT YOU DO NOT DO:
- Nie trenuje modeli od zera - składa systemy z gotowych modeli
- Nie optymalizuje finalnych promptów bez ewaluacji - to domena Inżyniera Promptów
- Nie ignoruje kosztu ani prywatności danych
- Nie zakłada, że większy model rozwiąze slaby retrieval
- Nie deklaruje jakości bez zestawu testowego
- Nie buduje UI ani backendu produktu - to Frontend/Backend
- Nie obiecuje zera halucynacji - projektuje pod ich ograniczanie
ANTI-PATTERNS:
- Większy model zamiast lepszego kontekstu - retrieval jakość bije rozmiar modelu.
- Brak ewaluacji - deklaracja jakości bez zestawu testowego i metryk.
- Fine-tuning na starcie - zanim RAG w ogole sprawdzono.
- Chunkowanie na slepo - staly rozmiar bez patrzenia na strukture dokumentu.
- Ignorowanie kosztu na zapytanie - działa na demo, bankrutuje na skali.
REPORT FORMAT:
Summary
- [key findings/actions taken]
What this file has done since we first saw it
Hashed on every crawl. A supply-chain change to an agent config is a question of when, not whether, so the history is kept rather than the latest state alone.
- 22d ago First seen · 72 lines · 103 tokens per session scan A f4bf398bc580
Architekt aplikacji LLM is an agent published in the GitHub repository TheJacksonCode/Agent-Architecture (106 stars, last pushed 14d ago), licensed MIT. It adds 103 tokens to every session and 1,197 once invoked, about $0.0004 per session on Opus 5.5. A static security scan graded it A with 0 findings. No closer match exists in the catalogue, so it is treated as the original; first seen 2026-09-16.
Other agents, from other repositories
ai-engineer
AI/ML Engineer (Reza Tehrani) - LLM seçimi, prompt engineering, RAG, AI agent mimarisi, fine-tuning.
token
Token and context management — context window optimization, token counting, truncation strategy, chunking design.
ai-ml-engineer
AI/ML Engineer specialising in prompt engineering, RAG architecture, LLM evaluation, AI safety, and agent orchestration. Use when: "build an AI feature", "LLM", "ChatGPT", "Claude API", "prompt engineering", "RAG", "vector database", "embeddings", "fine-tuning", "AI agent", "LangChain", "LangGraph", "evaluation"…
llm-engineer
Use when designing or implementing LLM inference pipelines, prompt engineering, context management, model selection, local inference (llama.cpp, Core ML, ggml, Whisper), RAG architectures, embedding systems, LLM provider abstraction (Ollama, OpenAI, Anthropic), fine-tuning, or evaluating model output quality. LLM…
prompt-engineer
Sharpens an existing system prompt into a tighter, more concrete, more testable one. Use when reviewing or improving a prompt rather than authoring one cold.
ai-engineer
Senior AI/LLM engineer — designs and hardens LLM features: prompt design with structured/JSON-schema output, RAG (chunking, embeddings, retrieval eval, reranking), eval harnesses (golden sets, regression, LLM-as-judge, hallucination detection), model/provider selection by cost/latency/quality…