Factory Droid 1.0: agent pisze program zamiast wywoływać narzędzia jedno po drugim

Factory opublikowało Droid 1.0, czyli nową wersję harnessu, w którym działa jego agent do kodowania. Harness to wszystko, co otacza model: prompty, narzędzia, sposób zwracania wyników i pętla, która to napędza. Firma twierdzi, że na tych samych zadaniach i z tymi samymi modelami Droid osiąga wyższy wynik przy niższym koszcie niż konkurencyjne rozwiązania, w tym „natywne” harnessy samych dostawców modeli.

Skrypt zamiast pętli

Najważniejsza zmiana to programmatic tool calling (PTC), od teraz domyślny. W klasycznej pętli model wywołuje narzędzia bezpośrednio, a każdy wynik trafia do jego kontekstu. W Droidzie model pisze program w JavaScripcie, uruchamiany w piaskownicy bez własnego dostępu do plików, sieci i systemu. Program wywołuje narzędzia, a do modelu wraca tylko to, co zostanie wydrukowane. Surowe pliki, wyniki wyszukiwania i logi zostają w zmiennych. Rozmiar wydruku jest ograniczony, a pełne wyniki trafiają do logu, który model może później przeszukać. Niezależne wywołania idą równolegle.

Pomysł nie jest nowy. Factory powołuje się na CodeAct (Wang i in., 2024), a także na Cloudflare i Anthropic, które wdrożyły go produkcyjnie pod koniec 2025 roku. Według firmy w tym roku do agentów kodujących wprowadził go też Codex. Factory uzasadnia wybór trzema argumentami: czystszy kontekst, mniej zapytań do modelu i większa niezawodność, bo pętle i kontrole wykonują się deterministycznie w kodzie, a model nie może „z lenistwa” pominąć zaplanowanego przypadku.

Przykłady pochodzą z własnych sesji Factory:

• Naprawa testu jednostkowego (GPT-6.1 Sol): wykonanie tych samych 15 wywołań narzędzi wymagało 5 zapytań do modelu zamiast 10, a zadanie skończyło się w 41,6 s zamiast 56,8 s.
• Porządki w Linearze: przeniesienie i weryfikacja 151 zgłoszeń, łącznie 312 wywołań narzędzi. Skrypt potrzebował 2 zapytań i ok. 61 tys. tokenów. Factory szacuje, że przy bezpośrednich wywołaniach, zakładając 10 na zapytanie, byłoby to 36 zapytań i ok. 3,1 mln tokenów wejściowych.
• Przegląd CI: 5384 zadania z 547 uruchomień, 550 wywołań narzędzi, po 60 naraz. Wystarczyły 2 zapytania zamiast szacowanych 59–187. Model zobaczył tylko podsumowanie złożone z pięciu liczb, w tym liczbę nieudanych zadań: 41. Do jego kontekstu trafiło poniżej 0,1% wyników narzędzi.

Liczby dla bezpośrednich wywołań w dwóch ostatnich przykładach to szacunki Factory, nie pomiary. Ogólny efekt jest skromniejszy: na Claude Opus 5.5 tryb skryptowy obniża koszt Droida o 15% względem wywołań bezpośrednich. Większość skryptów jest mała, a oszczędności skupiają się w 12,5% tych, które wykonują sześć lub więcej wywołań.

Wyniki na Terminal-Bench 4

Factory porównało Droida z innymi harnessami na Terminal-Bench 4. Testy trwały od 23 do 28 października 2026, każdy harness miał po 3 podejścia do zadania, a do kosztu i czasu liczyły się tylko zadania zaliczone przez oba porównywane harnessy we wszystkich próbach. To własne testy firmy, która sprzedaje Droida.

• Claude Opus 5.5: Droid 65,2% przy 4,73 dol. za zaliczone zadanie. Cursor i OpenCode mają 62,1%, Devin 59,6%, Claude Code 57,6%. Koszt jest do 24% niższy, a czas na zaliczone zadanie krótszy o 16–26%. W porównaniu z Claude Code Droid zużywa też 17% mniej tokenów.
• GPT-6.1 Sol: Droid 57,6% przy 0,79 dol. za zaliczone zadanie, Codex 54,0%, OpenCode 51,0%, Devin 45,0%. Przewaga nad Codexem to 3,5 pkt przy 12% niższym koszcie. Cursora w tym zestawieniu nie ma, bo nie ma dostępu do modeli OpenAI.

Zwycięstwo nie jest całkowite. Według wyników testów Factory z GPT-6.1 Sol Droid potrzebuje na zaliczone zadanie o 10% więcej czasu niż Codex. Główna teza Factory, że harness ma znaczenie niezależne od modelu, pasuje do tego, co pokazują inne zewnętrzne pomiary, np. benchmark Snowflake opisujący wpływ harnessu na koszt i jakość.

Agent Factory i mniejsze poprawki

Factory podkreśla, że Droid jest niezależny od modelu: prompty, opisy narzędzi i tryb wywoływania narzędzi są dostrajane osobno dla każdego wspieranego modelu, także przy własnych kluczach API. Można też zdać się na Factory Router, który dobiera najbardziej opłacalny zestaw modeli. Zmiany powstają w wewnętrznym procesie Agent Factory. Agenci analizują błędy z benchmarków oraz problemy użytkowników z prawdziwych sesji, proponują poprawki i testują je na każdej rodzinie modeli, której dotyczą. Decyzję o wdrożeniu podejmują inżynierowie.

Poza PTC zmieniło się m.in.:

• bazowy prompt skurczył się z 20 887 do 13 055 tokenów (−37%), a na starcie ładowane są 2 definicje narzędzi zamiast 11;
• nowo ładowane narzędzia są dopisywane na końcu żądania, więc typowe zapytanie produkcyjne czyta 98% wejścia z cache;
• trzy identyczne wywołania narzędzia uruchamiają ostrzeżenie, a sześć zatrzymuje pętlę;
• podsumowania przy kompaktowaniu kontekstu mogą mieć 16 tys. tokenów zamiast 8 tys.;
• pierwsze wyrenderowanie aplikacji skróciło się z 1839 do 488 ms, a każda dodatkowa sesja zużywa ok. 20 MB pamięci zamiast 350 MB.

Droid 1.0 działa jako aplikacja desktopowa na macOS i Windows, interfejs terminalowy oraz SDK dla Node (@factory/droid-sdk). Płatne plany zaczynają się od 20 dol. miesięcznie.