Wybór modułów Drupal AI warto zacząć od praktycznego pytania: które zadanie pozwoli zespołowi zaoszczędzić czas, nie powodując jednocześnie dodatkowej pracy w innym obszarze? Ten przegląd modułów Drupal AI porządkuje dostępne rozwiązania, status ich wydań, zależności i koszty eksploatacji, aby ułatwić wybór modułów do dalszej analizy.
Warto przy tym rozróżnić kilka rodzajów zastosowań. Wsparcie redaktorów przy streszczaniu treści to coś innego niż pozwolenie zewnętrznemu agentowi na zmianę tych treści. Wyszukiwanie semantyczne wprowadza z kolei inny zestaw zależności i kosztów.
Ekosystem obejmuje wszystkie te zastosowania, ale poszczególne komponenty różnią się poziomem dojrzałości.
Stan na 13 października 2026 roku. Informacje o wydaniach potwierdzają ich dostępność, ale nie gwarantują kompatybilności ani przydatności w konkretnym projekcie.
W tym artykule:
- Zacznij od architektury, nie od listy modułów
- Ekosystem modułów Drupal AI w pigułce
- Wsparcie redakcyjne: redaktorzy zachowują kontrolę
- Automatyzacja: ostrożnie eliminuj powtarzalne zadania
- Wyszukiwanie i pobieranie informacji: uwzględnij koszt całego procesu
- Tłumaczenie: oddziel generowanie szkicu od akceptacji
- Agenci, kontekst i dostęp zewnętrzny
- Zmiany w strukturze pakietów, które wpływają na aktualizacje
- Konfiguracja dostawcy i kontrola kosztów
- Jak ocenić gotowość do wdrożenia produkcyjnego?
- Które komponenty mają znaczenie w tej serii?
Zacznij od architektury, nie od listy modułów
Podział ekosystemu na warstwy pomaga uniknąć niepotrzebnych zależności.
AI framework zapewnia wspólną warstwę integracyjną i ujednolicony sposób obsługi dostawców modeli AI. Moduły integracyjne łączą Drupal z wybranymi modelami i usługami AI. Moduły funkcjonalne dodają konkretne możliwości, na przykład tłumaczenie albo podpowiedzi w formularzach edycji.
Recipes zawierają gotowe zestawy konfiguracji przeznaczone do określonych zastosowań. Ułatwiają rozpoczęcie pracy, ale nie gwarantują, że wszystkie zawarte w nich zależności mają stabilne wydania.
Integracje z agentami zewnętrznymi mają inny cel: udostępniają wybrane funkcje Drupala oprogramowaniu działającemu poza serwisem.
Inicjatywa Drupal AI opisuje to rozróżnienie jako Inside AI and Outside AI:
- Inside AI: użytkownicy korzystają z AI bezpośrednio w interfejsach Drupala i procesach redakcyjnych.
- Outside AI: zewnętrzne systemy i agenci AI korzystają z funkcji udostępnionych przez Drupal.
Takie rozwiązania wykorzystują istniejące mocne strony Drupala. Pola, encje, taksonomie i metadane językowe nadają treści spójną strukturę. JSON:API, dane strukturalne i inne formaty wyjściowe pozwalają udostępniać te informacje zewnętrznym systemom. Modelowanie oparte na polach opisujemy w artykule Modelowanie treści w Drupalu pod odpowiedzi kupujących: pola zamiast prozy.
Sama instalacja modułu AI nie sprawia, że strona staje się łatwiejsza do zrozumienia dla asystentów AI. Największe znaczenie nadal mają przejrzysty model treści oraz spójne zasady jej publikowania.
Ekosystem modułów Drupal AI w pigułce
Poniższa tabela pomaga wybrać moduły, które warto poddać dalszej analizie. Przed instalacją trzeba jednak przejrzeć wybrane wydanie i jego zależności.
Praktycznym punktem wyjścia dla zastosowań redakcyjnych może być również angielski poradnik Drupal AI: how to create website content using Drupal AI modules?
Określenie „stable” oznacza, że opublikowano stabilne wydanie danego modułu. Osobno trzeba zweryfikować, czy wydanie jest objęte polityką bezpieczeństwa Drupala i czy spełnia wymagania konkretnego projektu. Informacje o zależnościach obejmują najważniejsze elementy, ale nie zastępują pełnej weryfikacji wymagań w Composerze. Oznaczenie „Sprawdź” wskazuje, że podczas przygotowywania przeglądu nie potwierdzono jednoznacznie wymagań dotyczących wersji rdzenia Drupala.
| Moduł | Zadanie | Wydanie i core | Zależności, koszty i wymagania operacyjne |
|---|---|---|---|
| AI framework | Wspólna warstwa integracyjna AI i obsługa różnych dostawców | 1.5.0 stable; 2.0 development branch Core: ^10.5 lub ^11.2 | Moduł odpowiedniego dostawcy oraz dane uwierzytelniające potrzebne do wykonywania wybranych operacji Koszt eksploatacji: wywołania API dostawcy albo infrastruktura potrzebna do uruchomienia modelu we własnym środowisku oraz utrzymanie integracji |
| AI Automators, w ramach AI framework | Automatyczne przetwarzanie treści z użyciem AI, w tym operacje wykonywane na polach | Podmoduł frameworku; ocena w wybranym wydaniu AI Core: zgodnie z wybranym wydaniem frameworku | AI framework, skonfigurowany dostawca oraz reguły określające przebieg przetwarzania Koszt eksploatacji: liczba wywołań przypadających na rekord, operacje wieloetapowe, ponowienia oraz przetwarzanie zbiorcze |
| AI Content Suggestions | Podpowiedzi w formularzach edycji | 1.5.2 stable; dostępne też 1.6.0-alpha2 Core: Sprawdź | AI framework i skonfigurowany dostawca; sprawdź wymagania wydania Koszt eksploatacji: liczba podpowiedzi generowanych podczas edycji, długość promptu oraz objętość odpowiedzi modelu |
| AI Content Review | Konfigurowalne procesy weryfikacji treści, zapisywanie wyników i proponowanie zmian | 1.0.0-alpha3; brak stabilnego wydania Core: ^10.5 lub ^11.2 | AI ^1.3, Entity API ^1.6; domyślne kryterium oparte na agencie wymaga też AI Agents ^1.2 i dostawcyKoszt eksploatacji: liczba kryteriów weryfikacji, długość treści, ponowne analizy oraz wywołania agentów |
| AI Image Alt Text | Generowanie propozycji tekstów alternatywnych dla obrazów | 1.0.3 stable Core: ^10.2 lub ^11 | Skonfigurowany dostawca obsługujący obrazy; sprawdź zależności wybranego wydania Koszt eksploatacji: żądania przetwarzania obrazów i ludzka weryfikacja |
| AI Integration - ECA | Operacje AI w procesach opartych na zdarzeniach, warunkach i akcjach w ECA | 1.0.1 stable Core: Sprawdź | ECA, AI framework i odpowiednia konfiguracja dostawcy Koszt eksploatacji: częstotliwość zdarzeń, liczba akcji uruchamianych przez każde zdarzenie, ponowienia oraz obsługa kolejek |
| AI Search | Integracja z Search API, tworzenie embeddingów, wyszukiwanie wektorowe i generowanie odpowiedzi wspomagane pobieraniem informacji (RAG) | 2.0.0-alpha2 oraz 1.3.0-alpha5; brak stabilnego wydania Core: Sprawdź według gałęzi | Search API oraz integracje embeddingów i wektorów użyte w wybranej konfiguracji Koszt eksploatacji: początkowa indeksacja, ponowne indeksowanie, przechowywanie wektorów, pobieranie informacji i generowanie odpowiedzi |
| AI Translate | Tłumaczenie treści przez skonfigurowanych dostawców AI | 1.4.2 stable; gałąź rozwojowa 2.0 opisana jako pre-alpha Core: ^10.4 lub ^11 | AI framework, dostawca i odpowiednia konfiguracja tłumaczeń w Drupalu Koszt eksploatacji: wolumen źródła, języki docelowe, ponowne generowanie i weryfikacja językowa |
| AI Agents | Agenci korzystający z narzędzi Drupala oraz wykonujący operacje na treściach lub konfiguracji | 1.3.5 stable; dostępne też 1.4.0-beta1 Core: ^10.3 lub ^11 | AI framework, odpowiedni dostawca i narzędzia potrzebne do zadania Koszt eksploatacji: wieloetapowe wywołania modelu, wykonanie narzędzi, ponowienia i monitoring |
| AI Dashboard | Konfiguracja i przegląd dostępnych funkcji AI | 1.0.3 stable Core: ^10.4 lub ^11.1 | Sprawdź wymagania wybranego wydania i funkcji Koszt eksploatacji: konfiguracja i utrzymanie; koszty funkcji włączanych przez panel |
| AI Metering | Śledzenie użycia, szacunki kosztów i limity | 1.0.2 stable Core: ^10.5 lub ^11.2 | Sprawdź, które operacje frameworku, moduły dostawców i typy żądań są objęte pomiarem Koszt eksploatacji: logowanie, magazyn, utrzymanie i konfiguracja |
| Context Control Center | Zarządzanie kontekstem organizacyjnym dla AI | 1.0.0-rc1; brak stabilnego wydania Core: Sprawdź | Istotne integracje AI i konfiguracja kontekstu Koszt eksploatacji: utrzymanie kontekstu i dołączanie go do żądań |
| Tool API | Definiowanie funkcji Drupala, które mogą być wielokrotnie wykorzystywane przez różne systemy | 1.0.0-beta11; brak stabilnego wydania Core: Sprawdź | Implementacje udostępnianych narzędzi Koszt eksploatacji: wykonywanie operacji, kontrola dostępu, utrzymanie integracji oraz koszty ponoszone przez system wywołujący |
| MCP Server | Udostępnianie możliwości Drupala zewnętrznym klientom AI | 2.0.0-beta5; brak stabilnego wydania Core: Sprawdź | Zgodna konfiguracja serwera i klienta oraz udostępnione możliwości; sprawdź wymagania gałęzi Koszt eksploatacji: hosting, uwierzytelnianie, monitoring, wykonanie narzędzi i użycie modelu po stronie klienta |
Sama zgodność z określoną wersją rdzenia Drupala nie wystarcza do potwierdzenia, że cały zestaw modułów można bezpiecznie zainstalować. Jeden moduł może obsługiwać starszą wersję Drupala, podczas gdy inna zależność w tym samym zestawie wymaga wersji nowszej.
Warto też sprawdzić źródło informacji o wydaniu. Katalog ekosystemu AI Dashboard ułatwia wyszukiwanie modułów, ale może nie odzwierciedlać ich najnowszych wydań. W sprawdzanej wersji katalogu widniał AI Agents 1.2.7, podczas gdy strona projektu wskazywała wydanie stabilne 1.3.5 oraz wersję beta 1.4.0. Przy wyborze wersji należy opierać się przede wszystkim na stronie projektu i informacjach o konkretnych wydaniach.
Wsparcie redakcyjne: redaktorzy zachowują kontrolę
Wsparcie redakcyjne jest często dobrym punktem wyjścia, ponieważ redaktor może sprawdzić wynik przed publikacją. Na początku warto ograniczyć zakres do jednego, dobrze zdefiniowanego zadania.
AI Content Suggestions wspiera redaktora bezpośrednio podczas edycji treści, generując podpowiedź na jego żądanie. AI Content Review wspiera szerszy proces weryfikacji z konfigurowalnymi kryteriami, zapisanymi wynikami i proponowanymi zmianami.
To różne zadania. Rozwój bardziej rozbudowanych procesów weryfikacji jest kierowany w stronę Content Review, ale nie oznacza to rezygnacji z modułu AI Content Suggestions. Moduły różnią się również poziomem dojrzałości: AI Content Suggestions ma stabilne wydanie, natomiast AI Content Review pozostaje w fazie alpha.
Jeśli zespół potrzebuje pomocy w skracaniu streszczeń, podpowiedź generowana w formularzu edycji może być wystarczająca. Podpowiedź w formularzu może wystarczyć. Jeśli jednak każdy artykuł ma zostać sprawdzony według kilku kryteriów, a wyniki mają być zapisywane, warto ocenić moduł przeznaczony do bardziej rozbudowanej weryfikacji treści.
AI Image Alt Text wspiera inne powtarzalne zadanie: przygotowywanie propozycji tekstów alternatywnych. Wygenerowane opisy mogą dać redaktorowi punkt wyjścia, lecz liczy się kontekst strony. Obraz może ilustrować proces, linkować do innej strony albo pełnić rolę czysto dekoracyjną. Redaktor powinien ocenić cel, zanim zaakceptuje tekst.
W takich scenariuszach warto zachować oryginalną treść oraz jednoznacznie zapisywać, czy propozycja została zaakceptowana przez redaktora. Redaktorzy poświęcają mniej czasu na poprawianie nieoczekiwanych zmian, gdy AI przygotowuje szkic zamiast automatycznie nadpisywać istniejącą treść.
Automatyzacja: ostrożnie eliminuj powtarzalne zadania
Automatyzacja może przynieść duże oszczędności czasu, gdy zespół wykonuje to samo zadanie na wielu rekordach. Jednocześnie może szybko powielać błędy i zwiększać koszty.
W pierwszej kolejności warto przeanalizować dwa rozwiązania:
- AI Automators działa w ramach AI framework i umożliwia automatyczne przetwarzanie treści oraz danych w polach.
- AI Integration - ECA pozwala dodawać operacje AI do procesów opartych na zdarzeniach, warunkach i akcjach w module ECA.
Wybór zależy od tego, jaki proces trzeba opisać. Automatyczne przetwarzanie pól i proces uruchamiany zdarzeniem mogą wymagać innej konfiguracji, nawet jeśli oba korzystają z tego samego modelu.
Załóżmy, że podczas importowania treści trzeba przygotować szkice streszczeń dla artykułów, które jeszcze ich nie mają. Odpowiednio skonfigurowany proces obejmie tylko te rekordy, zapisze wyniki do weryfikacji i zarejestruje ewentualne błędy. Proces uruchamiany przy każdym zapisie mógłby w kółko generować streszczenia i zużywać tokeny.
Przed uruchomieniem przetwarzania zbiorczego trzeba ustalić jego wyzwalacz, warunki zakończenia oraz sposób ponownego przetworzenia rekordów zakończonych błędem. Tam, gdzie jest to uzasadnione, warto wykorzystać kolejkę i upewnić się, że ponowienie zadania nie powoduje duplikowania zmian ani zbędnych wywołań API dostawcy.
Wyszukiwanie i pobieranie informacji: uwzględnij koszt całego procesu
Projekty związane z wyszukiwaniem mogą wymagać znacznie więcej infrastruktury i pracy inżynierskiej, niż wynikałoby z kosztu samego wywołania modelu.
AI Search łączy kilka obszarów: Search API, embeddingi, wyszukiwanie wektorowe oraz generowanie wspomagane pobieraniem, często skracane do RAG. W typowym procesie RAG system pobiera istotne fragmenty treści i przekazuje je modelowi jako kontekst odpowiedzi.
Każdy etap ma własny koszt:
- Przygotowanie treści: wybór pól, oczyszczenie tekstu i podział na sensowne fragmenty.
- Tworzenie embeddingów: przetworzenie początkowej kolekcji i późniejszych zmian.
- Przechowywanie i wyszukiwanie wektorów: utrzymanie odpowiedniej bazy lub innego systemu obsługującego dane wektorowe.
- Generowanie odpowiedzi: koszt promptu, przekazanego kontekstu i odpowiedzi wygenerowanej przez model.
- Utrzymanie indeksu: aktualizacje, usunięcia, zmiany języka i uprawnień.
W tym przeglądzie samodzielny projekt AI Search nie ma stabilnego wydania. Wersje alpha wymagają osobnej oceny technicznej oraz planu obsługi zmian i potencjalnych problemów po aktualizacji.
Analizę warto zacząć od określenia, jakich informacji użytkownicy próbują znaleźć i dlaczego obecne wyszukiwanie sobie z tym nie radzi. Jeśli użytkownicy szukają dokładnych kodów produktów albo korzystają z jednoznacznych filtrów, standardowe wyszukiwanie oparte na Search API może być wystarczające. Wyszukiwanie semantyczne jest bardziej przydatne, gdy użytkownicy formułują pytania innymi słowami niż te występujące w treściach źródłowych.
Szczególnej uwagi wymagają granice dostępu. Trzeba przetestować dostęp do ograniczonych treści przy użyciu kont z różnymi uprawnieniami i upewnić się, że nieautoryzowane materiały nie są pobierane ani przekazywane do modelu. Nawet odpowiedź zawierająca jedynie cytat może ujawnić poufną informację, jeśli została wygenerowana na podstawie prywatnego fragmentu. Na jakość wyszukiwania wpływają również kontrolowane słowniki i spójna taksonomia; zobacz artykuł Inteligentne mapowanie taksonomii w systemach Drupal z AI: praktyczny poradnik.
Tłumaczenie: oddziel generowanie szkicu od akceptacji
W tym przeglądzie AI Translate ma stabilne wydanie 1.4.2. Gałąź 2.0 została oznaczona jako pre-alpha, dlatego należy traktować ją jako osobną, eksperymentalną opcję, a nie bezpośrednią kontynuację stabilnej wersji 1.4.2.
Tłumaczenie może ograniczyć powtarzalną pracę nad szkicami, zwłaszcza gdy treść jest już w dobrze zdefiniowanych polach. Budżet rośnie jednak wraz z wolumenem źródła, liczbą języków docelowych i częstotliwością ponownego generowania.
Dobrze zaprojektowany proces zapisuje, na podstawie której wersji treści źródłowej wygenerowano dany szkic tłumaczenia. Po zmianie treści źródłowej recenzenci mogą łatwo ustalić, które tłumaczenia wymagają ponownej weryfikacji.
Recenzenci potrzebują spójnej terminologii. Nazwy produktów, sformułowania umowne, jednostki i regionalne zwroty wymagają jednolitego traktowania, a weryfikacja językowa pozostaje częścią kosztu eksploatacji.
Jeśli zespół korzysta już z procesu zarządzania tłumaczeniami, przed wdrożeniem AI trzeba określić, w jaki sposób generowane szkice zostaną włączone do istniejącej ścieżki akceptacji. Więcej opisuje artykuł Wielojęzyczne strony Drupal: jak AI ogranicza pracę przy tłumaczeniach, a zespół zachowuje kontrolę.
Agenci, kontekst i dostęp zewnętrzny
Agenci mogą nie tylko sugerować działania, ale również je wykonywać. Wymaga to innego podejścia do oceny ryzyka.
AI Agents ma stabilne wydanie, ale możliwość wykorzystania go w środowisku produkcyjnym zależy od narzędzi udostępnionych agentowi oraz zakresu jego uprawnień. Odczyt opublikowanego artykułu wiąże się z innym poziomem ryzyka niż zmiana konfiguracji serwisu.
Na początku warto przyznać agentowi możliwie ograniczony zakres uprawnień. Dostęp tylko do odczytu łatwiej ocenić; zapis wymaga jasnych granic, punktów weryfikacji i sposobu cofnięcia niechcianych zmian.
Tool API ma umożliwić definiowanie funkcji Drupala, z których mogą korzystać różne systemy i agenci. MCP Server udostępnia je zewnętrznym klientom według Model Context Protocol (MCP). W chwili przygotowywania przeglądu żaden z tych projektów nie miał stabilnego wydania. Dokumentacja Tool API wskazywała również, że interfejs może zmieniać się między kolejnymi wersjami beta.
Context Control Center odpowiada na powiązane wyzwanie: zarządzanie kontekstem organizacyjnym wykorzystywanym przez integracje AI. Status release candidate uzasadnia przeprowadzenie testów, ale treści tworzące kontekst organizacyjny nadal wymagają jasno wskazanego właściciela. Nieaktualne reguły produktowe zapisane we wspólnym kontekście mogą powodować błędy w wielu procesach korzystających z AI.
Oficjalne podsumowanie po Rotterdamie z 2 października opisuje działające zintegrowane demo. Jednocześnie wyraźnie oznacza podejście do udostępniania możliwości oparte na atrybutach PHP jako prototyp. Rosetta Sprint pojawia się w roadmapie.
Te rozróżnienia mają znaczenie. Działające demo pokazuje kierunek rozwoju, ale prototyp lub element roadmapy nie zapewnia takiej samej przewidywalności jak opublikowane wydanie modułu.
Zmiany w strukturze pakietów, które wpływają na aktualizacje
Starsze zestawienia modułów mogą odwoływać się do nieaktualnego podziału funkcji między pakietami.
W informacji o wydaniu AI 1.5.0 wskazuje, że wbudowane komponenty AI Search i AI CKEditor zostały oznaczone jako przestarzałe. AI Translate jest osobnym projektem od wersji AI 1.4.0.
W istniejącej instalacji trzeba najpierw zidentyfikować włączone podmoduły oraz zależną od nich konfigurację. Następnie należy sprawdzić udokumentowaną ścieżkę migracji dla używanych wersji.
Nie należy zakładać, że dodanie osobnego pakietu automatycznie przeniesie konfigurację. Przed zaplanowaniem aktualizacji trzeba potwierdzić, czym zastąpić AI CKEditor i jak przenieść jego konfigurację.
W nowych wdrożeniach komponenty należy wybierać na podstawie aktualnych stron projektów i dokumentacji, zamiast korzystać ze starszych instrukcji instalacji. Taka weryfikacja pozwala uniknąć dodatkowej pracy podczas późniejszych aktualizacji.
Konfiguracja dostawcy i kontrola kosztów
Wspólna warstwa obsługi dostawców ułatwia zarządzanie integracjami, ale nie oznacza, że można zmienić dostawcę bez dostosowania konfiguracji i procesu.
Trzeba określić, jakich funkcji naprawdę wymaga dany proces: generowania tekstu, tworzenia embeddingów, analizy obrazów, wywoływania narzędzi czy generowania odpowiedzi strukturalnych. Następnie należy sprawdzić, czy wybrana kombinacja modułu dostawcy i modelu obsługuje te funkcje oraz jakie limity mają znaczenie przy planowanym obciążeniu.
Następnie warto ustalić, dokąd trafia treść. Przed wysłaniem poufnych materiałów poza własne środowisko trzeba sprawdzić zasady przechowywania danych przez dostawcę, miejsca ich przetwarzania oraz warunki umowy. Dane logowania nie powinny trafiać do eksportowanej konfiguracji; tam, gdzie to możliwe, warto stosować osobne dane na środowisko deweloperskie i produkcyjne.
Uwidocznij zużycie tokenów
Zużycie tokenów często zaskakuje zespoły, bo jedna akcja użytkownika może wywołać kilka żądań. Agent może wykonać wiele kroków; przegląd może sprawdzić kilka kryteriów; zadanie tłumaczeniowe może obejmować wiele języków.
Koszt rośnie wraz z długością kontekstu, liczbą kroków i ponowieniami nieudanych operacji.
Tam, gdzie to możliwe, warto śledzić użycie według funkcji lub procesu pracy, zamiast polegać wyłącznie na jednej fakturze dostawcy. Przydatny rejestr powinien łączyć każde żądanie z użytym modelem, liczbą tokenów wejściowych i wyjściowych, statusem oraz zadaniem źródłowym, bez niepotrzebnego zapisywania wrażliwych treści.
AI Metering może służyć do monitorowania użycia, szacowania kosztów i konfigurowania limitów. Trzeba jednak sprawdzić, które elementy używanego zestawu modułów i dostawców są przez niego monitorowane. Sama instalacja modułu nie gwarantuje, że wszystkie typy żądań są mierzone ani że limity kosztów są skutecznie egzekwowane.
Kilka mechanizmów działa lepiej razem:
- Ustawić limity wejścia i wyjścia adekwatne do zadania.
- Ograniczyć rozmiar partii, liczbę kroków agenta i ponowień.
- Unikać ponownego generowania niezmienionej treści.
- Skonfigurować budżety lub limity częstotliwości po stronie dostawcy, gdy są dostępne.
- Powiadamiać zespół, gdy użycie odbiega od oczekiwań.
Hosting we własnej infrastrukturze zmienia strukturę kosztów, a nie usuwa ich. Moc obliczeniowa, magazyn, monitoring, utrzymanie modelu i wsparcie operacyjne nadal wymagają budżetu.
Jak ocenić gotowość do wdrożenia produkcyjnego?
Nie można przypisać jednego statusu gotowości produkcyjnej całemu ekosystemowi. Na dzień 13 października 2026 kilka komponentów ma wydania stabilne, inne pozostają w fazie alpha, beta lub release candidate.
Do krótkiej listy stabilnych wydań należą: AI framework, AI Agents, AI Content Suggestions, AI Image Alt Text, AI Integration - ECA, AI Translate, AI Dashboard i AI Metering.
AI Content Review, samodzielny AI Search, Context Control Center, Tool API i MCP Server nie mają w tym przeglądzie stabilnych wydań. Ich wdrożenie wymaga świadomej decyzji o wykorzystaniu wersji rozwojowej. W ograniczonym pilotażu może to być uzasadnione, ale trzeba uwzględnić dodatkową pracę utrzymaniową oraz ryzyko zmian między wersjami.
W przypadku pierwszego wdrożenia rozwiązaniem o niższym ryzyku jest zwykle funkcja wspierająca redaktora i wymagająca jego akceptacji, a nie agent uprawniony do zmiany konfiguracji.
Przed szerszym wdrożeniem warto sprawdzić wybrany stos na kilku praktycznych pytaniach:
| Sprawdzenie | Czego chcecie się dowiedzieć |
|---|---|
| Instalacja zależności | Czy dokładnie ten zestaw pakietów można zainstalować przez Composer i czy przechodzi testy projektu? |
| Utrzymanie wydania | Czy wybrane wydanie jest utrzymywane i objęte polityką bezpieczeństwa w zakresie wymaganym przez organizację? |
| Uprawnienia | Czy każdy użytkownik i agent może odczytywać lub zmieniać wyłącznie dane objęte jego uprawnieniami? |
| Obsługa treści | Czy pola prywatne, treści nieopublikowane i dane wrażliwe pozostają w zatwierdzonych granicach? |
| Weryfikacja przez człowieka | Czy recenzenci mogą obejrzeć zmiany przed publikacją i przywrócić poprzednią wersję? |
| Zachowanie przy błędach | Co dzieje się po przekroczeniu limitu czasu, osiągnięciu limitu żądań, otrzymaniu nieprawidłowej odpowiedzi lub ponowieniu operacji? |
| Koszt eksploatacji | Czy można zmierzyć reprezentatywne obciążenie i zatrzymać niekontrolowane przetwarzanie? |
Są to elementy wymagające sprawdzenia w konkretnym wdrożeniu, a nie gwarancje wynikające wyłącznie z numeru wersji modułu. Przed wdrożeniem warto ponownie sprawdzić wydania i odpowiednie kolejki zgłoszeń.
Które komponenty mają znaczenie w tej serii?
W serii o Drupalu w kontekście modeli językowych (LLM) najbardziej przydatne jest rozróżnienie między udostępnianiem treści maszynom a korzystaniem z AI przy pracy nad treścią.
Ustrukturyzowane pola, taksonomie, stabilne adresy URL, metadane językowe, JSON-LD i API tworzą fundament publikacji. Przed wdrożeniem integracji z modelem może być konieczne uporządkowanie modelu treści, metadanych i sposobu publikacji danych. Fundament wpływa też na to, jak asystenci czytają stronę, co opisujemy w artykułach Dlaczego strony Drupal są czytane i cytowane przez AI oraz Poza SEO: co sprawdzamy w audycie Drupal AI-readability.
Na tym fundamencie można rozwijać kolejne zastosowania:
- Wsparcie redakcyjne i tłumaczenie mogą pomóc utrzymać ustrukturyzowaną, aktualną treść, gdy ludzie weryfikują wynik.
- Automatyzacja może ograniczyć powtarzalną pracę na dużych zbiorach treści, o ile wyzwalacze i ponowienia mają jasne granice.
- Wyszukiwanie i pobieranie mogą pomóc odwiedzającym lub użytkownikom wewnętrznym znaleźć informacje ujęte innymi słowami, pod warunkiem że pobieranie respektuje reguły dostępu.
- Tool API i integracje MCP mają znaczenie, gdy zewnętrzni agenci potrzebują kontrolowanego dostępu do funkcji Drupala. W planie projektu trzeba jednak uwzględnić brak stabilnych wydań tych komponentów.
Nie ma potrzeby wdrażania całego ekosystemu jednocześnie. Warto wybrać jedno mierzalne zadanie, przetestować je na reprezentatywnych treściach oraz ocenić jakość wyników, koszty i nakład pracy przed rozszerzeniem zakresu.
Planujesz wdrożenie AI w Drupalu? Porozmawiajmy o procesie redakcyjnym, problemach z wyszukiwaniem albo planowanej integracji z agentem AI. W Droptica pomożemy porównać odpowiednie moduły, zidentyfikować ryzyka związane z zależnościami i zaplanować pilotaż, który dostarczy konkretnych danych przed szerszym wdrożeniem. Więcej informacji znajdziesz na stronie poświęconej usługom AI dla Drupala.
