Infrastruktura wyszukiwania obrazów dla agentów AI: co naprawdę dostarcza rynek

Każdy framework agentowy wypuszczony w tym roku potrafi pisać, planować, wywoływać narzędzia i otwierać pull requesty. Poproś go o fotografię, a całość rozpada się do wzruszenia ramion: adres URL zdjęcia stockowego zmyślony z pamięci, uszkodzony hotlink albo obraz wygenerowany, bo wyszukanie prawdziwego było trudniejsze niż wymyślenie jednego. Modele nie są najsłabszym ogniwem. Warstwa obrazów pod nimi jest — i brakuje jej w bardzo konkretny, mierzalny sposób.

To jest analiza rynku, nie manifest. Wszystko poniżej zostało zmierzone lub odczytane ze źródła pierwotnego 18 sierpnia 2026: spis oficjalnego rejestru MCP, opublikowane regulaminy czterech dużych darmowych API do zdjęć, warunki dostępu dwóch płatnych graczy, którzy w tym miesiącu wypuścili konektory agentowe, oraz mały, powtarzalny benchmark, który możesz uruchomić ponownie w minutę bez żadnego klucza API.

Jedno zastrzeżenie, żebyś mógł przerwać lekturę wcześniej, jeśli to nie jest twoje pytanie: ten artykuł dotyczy warstwy dostępu — wyszukiwania, dostępności, regulaminów, limitów. Nie jest to pipeline publikacji. Jeśli potrzebujesz informacji, jak zamienić szkic w zilustrowane, opatrzone przypisami, oznaczone znacznikami strony — prompt routera, briefy wizualne, montaż, znaczniki ImageObject — to jest opisane osobno w pipeline, który ilustruje artykuły napisane przez AI.

Co się zmienia, gdy wywołującym jest maszyna

Człowiek szukający zdjęcia wpisuje dwa lub trzy słowa, przegląda siatkę i wie, że dobre zdjęcie poznaje, gdy je zobaczy. Każda wyszukiwarka zdjęć stockowych kiedykolwiek zbudowana zakłada tę pętlę. Agent łamie wszystkie trzy założenia naraz:

1. Pisze zdania, nie słowa kluczowe. Model, który właśnie napisał sekcję o dokumentach kredytu hipotecznego, nie wygeneruje kredyt hipoteczny; wygeneruje „kobieta podpisująca dokument kredytu hipotecznego przy stole kuchennym, podczas gdy doradca bankowy wyjaśnia warunki”. To jest naturalny wynik działania modelu językowego, i to jest dokładnie to, czego indeks dopasowujący tokeny nie umie obsłużyć.
2. Nie potrafi przejrzeć siatki. Cokolwiek zwróci narzędzie, to jest wszystko, co agent wie. Jeśli odpowiedź to lista adresów URL bez opisu, wymiarów czy podpisu, agent musi pobrać i obejrzeć każdy obraz — albo, znacznie częściej, zgadywać.
3. Nie ma rąk. Nie może wgrać zrzutów ekranu do kolejki przeglądu, zaakceptować regulaminu, obrócić klucza ani czekać trzy dni robocze na zatwierdzenie produkcyjne. Każdy ludzki krok w procesie wdrożenia API to ściana, o którą agent się zatrzymuje.

Zatem „infrastruktura wyszukiwania obrazów dla agentów AI” to nie jest fraza marketingowa. To jest lista kontrolna: wyszukiwanie w języku naturalnym, wyniki czytelne dla maszyny, na tyle bogate, by można było na nich rozumować, oraz model uwierzytelniania i limitów, który program może zrealizować samodzielnie.

Test: zdanie kontra indeks słów kluczowych

Najtańszy sposób, by zobaczyć problem, to wysłać własne słowa agenta do silnika opartego na słowach kluczowych. Poniższy test korzysta z Openverse, wyszukiwarki mediów na otwartych licencjach prowadzonej przez WordPress.org, ponieważ jej API jest publiczne, nie wymaga klucza i każdy czytelnik może je uruchomić ponownie w niecałą minutę. Cztery briefy, w rodzaju tych, które pisze model, ilustrując to, co właśnie napisał:

import json, urllib.request, urllib.parse

BRIEFS = [
  "a woman signing a mortgage document at a kitchen table while a bank"
  " adviser explains the terms, warm morning light",
  "An elderly couple enjoying a peaceful retirement together",
  "a child discovering snow for the first time in a suburban garden",
  "a delivery cyclist waiting at a red light in heavy rain",
]

def count(q):
    u = "https://api.openverse.org/v1/images/?" + urllib.parse.urlencode({"q": q})
    r = urllib.request.Request(u, headers={"User-Agent": "benchmark/1.0"})
    return json.load(urllib.request.urlopen(r))["result_count"]

for b in BRIEFS:
    print(count(b), "|", b[:48])
# 0 | a woman signing a mortgage document at a kitchen
# 0 | An elderly couple enjoying a peaceful retirement
# 0 | a child discovering snow for the first time in a
# 0 | a delivery cyclist waiting at a red light in hea

Cztery briefy, cztery puste zestawy wyników. Teraz skróć każdy brief do dwóch słów kluczowych, które wpisałby człowiek — signing document, elderly couple, child snow, cyclist rain — i każdy z nich zwraca pełną stronę zdjęć (API raportuje 240, co jest limitem liczby wyników dla anonimowych wywołań). Katalog zawiera te zdjęcia. To zdanie jest tym, czego indeks nie potrafi sparsować.

Przesuń tabelę w bok, aby zobaczyć wszystkie kolumny →

Kolumna Pexafy to te same cztery zdania wysłane bez zmian do search_photos na hostowanym serwerze MCP, z opóźnieniem raportowanym przez sam serwer. To jest porównanie kształtów zapytań, nie jakości katalogu — a katalog zdecydowanie nie jest problemem. Własny endpoint statystyk Openverse raportuje 915 milionów obrazów z 52 źródeł w dniu testu, i jest doskonały w tym, do czego został zbudowany: wyszukiwaniu słów kluczowych, dla ludzi. Nic w nim nie jest zepsute. Po prostu nigdy nie był zaprojektowany dla wywołującego, który myśli w zdaniach. Dlaczego dopasowywanie tagów zawodzi przy opisanej scenie — i co robi w zamian wyszukiwanie semantyczne — jest omówione z perspektywy czytelnika w wyszukiwaniu zdaniem zamiast słowami kluczowymi; nowością jest tu pomiar i to, co znaczy, gdy wywołującym jest program, a nie osoba.

„Starsza para cieszy się razem spokojną emeryturą” · 16 wyników w 135 ms · trzy z nich

Ranking 1Pexels Pixabay Unsplash

Rynek na 18 sierpnia 2026

Wyszukiwanie to jedna połowa. Druga to dostępność: czy agent może w ogóle dotrzeć do katalogu, i na jakich warunkach? Odkąd Model Context Protocol stał się sposobem, w jaki asystenci łączą się z systemami zewnętrznymi — jego aktualna specyfikacja, datowana na 28 lipca 2026, przeniosła protokół na bezstanowy rdzeń żądanie/odpowiedź, dzięki czemu serwery mogą stać za zwykłymi load balancerami1 — uczciwym sposobem przeglądu tego rynku jest spojrzenie na to, co faktycznie jest opublikowane, a nie na zapowiedzi.

Płatni gracze pojawili się w tym miesiącu

Getty Images uruchomiło swój serwer MCP 12 sierpnia 2026, sześć dni przed tym artykułem, udostępniając wyszukiwanie i pobieranie treści kreatywnych, redakcyjnych i archiwalnych na potrzeby workflow AI.2 Jest skierowany do zespołów korporacyjnych i budowniczych platform, a jego strona dostępu jednoznacznie określa próg wejścia: potrzebna jest aktywna umowa z Getty Images, taka jak Premium Access, plus akceptacja regulaminu Web Service. Nie ma darmowego planu. Treści Shutterstock są również dostępne przez serwer MCP — 24 narzędzia obejmujące wyszukiwanie, kolekcje i licencjonowanie — z pobieraniem zablokowanym za kontem z aktywną subskrypcją.3

Oba ruchy są racjonalne i oba są skierowane do konkretnego nabywcy. Getty zaksięgowało 981,3 mln USD przychodu w 2025 roku4 na rynku fotografii stockowej wycenianym na około 5,4 mld USD na 2026 rok5; konektory wymagające umowy chronią ten przychód, zamiast go otwierać. Jeśli jesteś bankiem lub nadawcą telewizyjnym, to dokładnie tego chcesz. Jeśli jesteś programistą podpinającym projekt poboczny — albo agentem, który nie może się zatrzymać i poprosić człowieka o podpisanie czegoś — to jest zamknięte drzwi.

Darmowe biblioteki nie wypuściły żadnego

Unsplash, Pexels i Pixabay to trzy katalogi, po które sięga większość twórców, i żaden z nich nie publikuje oficjalnego serwera MCP. To, co istnieje zamiast tego, to półka wrapperów społecznościowych. Przeszukaliśmy w całości oficjalny rejestr MCP — 22 607 serwerów, 75 487 opublikowanych wersji — i zachowaliśmy każdy wpis, którego nazwa lub opis dotyczy wyszukiwania zdjęć lub obrazów stockowych. Wzorzec jest jednolity:

Przesuń tabelę w bok, aby zobaczyć wszystkie kolumny →

import json, urllib.request, urllib.parse

def crawl(term):                      # rejestr paginuje przez `nextCursor`
    out, cursor = {}, None
    while True:
        p = {"limit": "100", "search": term} | ({"cursor": cursor} if cursor else {})
        d = json.load(urllib.request.urlopen(
            "https://registry.modelcontextprotocol.io/v0/servers?" + urllib.parse.urlencode(p)))
        for e in d["servers"]: out[e["server"]["name"]] = e["server"]
        cursor = (d.get("metadata") or {}).get("nextCursor")
        if not cursor or not d["servers"]: return out

servers = {}
for t in ["photo", "image", "stock", "picture", "unsplash",
          "pexels", "pixabay", "getty", "shutterstock", "openverse"]:
    servers |= crawl(t)

# 137 unikalnych serwerów · zdalny vs lokalny to `server["remotes"]`
# wymagane klucze zewnętrzne są w packages[].environmentVariables

Każdy z tych wrapperów jest cienkim klientem tych samych trzech API opartych na słowach kluczowych, co oznacza, że powyższy benchmark odnosi się do wszystkich z nich: transport się zmienił, wyszukiwanie nie. Wrapper nie może sprawić, że indeks tagów zrozumie zdanie.

Klauzula, która zatrzymuje maszynę, to nie limit

Limity i regulaminy darmowych bibliotek są porównane obok siebie, we wspólnej jednostce, w porównaniu darmowych API do zdjęć stockowych — kolejki zatwierdzeń, obowiązkowe wywołanie pobierania, obowiązek cache'owania na 24 godziny, zasady podpisów autorskich. Ten artykuł czyta je z perspektywy programisty wybierającego dostawcę. Przeczytaj je ponownie z perspektywy programu, który musi je respektować, a wyróżni się jedna linijka, niemająca nic wspólnego z limitem objętości:

To samo dotyczy procesu wdrażania. Poziom demo, który staje się produkcyjny dopiero po tym, jak człowiek przejrzy zrzuty ekranu twojej aplikacji, to nie jest limit szybkości, od którego agent może się odsunąć; to jest krok, którego w ogóle nie może wykonać. Pixabay wprost formułuje ten cel — API jest przeznaczone do uzasadnionego użytku przez człowieka, a masowe automatyczne pobieranie jest zabronione. Nic z tego nie jest nierozsądne: fotografowie oddają swoją pracę za darmo, a ktoś płaci za transfer danych. To po prostu opisuje API, którego wywołujący miał, zgodnie z założeniem, ekran i parę rąk.

Cztery wymagania i kto je spełnia

Zestawiając obie połowy, otrzymujemy krótką i testowalną specyfikację warstwy obrazów, którą agent może faktycznie wykorzystać. To celowo nie jest porównanie dostawców — wielkość katalogu, ceny i warunki licencji są zestawione w artykule porównawczym. Te cztery punkty dotyczą wyłącznie tego, czy program w ogóle może dotrzeć do zdjęć:

1. Wyszukiwanie semantyczne — pełne zdanie zwraca stronę uszeregowanych wyników, a nie pusty zbiór.
2. Darmowe licencje, wiele źródeł — nic do licencjonowania per zdjęcie i żadna pojedyncza biblioteka nie narzuca gustu każdej publikowanej stronie.
3. Hostowany serwer z własnym logowaniem — zdalny, OAuth, bez lokalnego procesu do instalacji i bez klucza API od zewnętrznego dostawcy do wklejenia w plik konfiguracyjny.
4. Darmowy plan, który maszyna może zrealizować samodzielnie — bez przeglądu zrzutów ekranu, bez umowy, z miesięcznym limitem i limitem szybkości na minutę, do którego worker może dostosować tempo.

Przesuń tabelę w bok, aby zobaczyć wszystkie kolumny →

Budujemy Pexafy, więc czytaj ten ostatni wiersz ze sceptycyzmem, na jaki zasługuje — a potem to sprawdź: spis rejestru da się odtworzyć jednym skryptem, warunki dostępu Getty i Shutterstock są na ich własnych stronach, a limity trzech API do zdjęć są w ich własnej dokumentacji, wszystko zalinkowane na dole. Twierdzenie jest wąskie i możliwe do obalenia: 18 sierpnia 2026 nie znaleźliśmy drugiej usługi, która spełnia wszystkie cztery warunki. Jeśli znasz taką, dodamy ją do tej tabeli — sensem spisania tych wymagań jest to, że każdy może je zastosować do dowolnego produktu, łącznie z naszym.

Co robi dobry serwer obrazów przez MCP

Konektor to nie jest endpoint REST w nowym opakowaniu. Dwa zastosowania tej warstwy są opisane gdzie indziej i nie są tu powtarzane — ilustrowanie szkicu, w artykule o pipeline, oraz utrzymanie spójności wizualnej długiej serii, w artykule o skali. Do infrastruktury należy to, od czego zależą oba te zastosowania i czego nie da się dodać później: trzy decyzje po stronie serwera, podjęte raz, dla każdego agenta, który kiedykolwiek się połączy.

1. Zwracaj obiekty, na których agent może rozumować. Cokolwiek zwróci narzędzie, to jest wszystko, co wie model — nie potrafi przejrzeć siatki. Różnica między dwoma poniższymi kształtami to różnica między asystentem, który rozumuje na temat fotografii, a takim, który przekazuje linki:

# Typowy wrapper słów kluczowych: agent musi pobrać i obejrzeć, albo zgadywać
[{ "url": "https://…/photo-8795398.jpeg" }, { "url": "https://…/366611.jpg" }]

# Jeden wynik, tak jak jest zwracany — skrócony tutaj, nic nie dodane
{
  "rank": 1,                       // uchwyt, którego używa człowiek: "more like #1"
  "photo_id": "019e14d9-e821-…",   // to, co przyjmuje get_similar_photos
  "width": 6424, "height": 4283, "orientation": "landscape",
  "color_hex": "#918872", "blur_hash": "LPI#Px?aDikCGwW?M{kD-VR*s.fl",
  "source": "Pexels", "license_type": "free",
  "alt_description": "Older couple sits together on wooden bench in a park",
  "attribution": { "plain": "Photo by Anastasia Shuraeva on Pexels", "html": "…" },
  "urls": { "thumb": "…", "small": "…", "regular": "…", "large": "…" }
}

Przy drugim kształcie agent może powiedzieć „#3 jest w pionie, zepsuje twój slot na hero”, odrzucić zdublowanego fotografa, wygenerować linijkę z podpisem autorskim i przekazać twojemu szablonowi parę width/height, która eliminuje przesunięcie układu — bez pobierania choćby jednego obrazu. Przy pierwszym kształcie każda z tych decyzji to zgadywanie albo dodatkowe zapytanie.

2. Numeruj wyniki, żeby człowiek mógł wskazać. Wyniki wracają uszeregowane jako #1, #2, #3…, co jest sposobem, w jaki każdy odnosi się do zdjęcia w rozmowie — „więcej jak #3” — bez ręcznego kopiowania identyfikatorów. W klientach obsługujących MCP Apps miniatury renderują się w linii, a otwarcie jednej pokazuje metadane, które już były w wyniku narzędzia, bez dodatkowego wywołania.

3. Pozostań tylko-do-odczytu i mów o tym wprost. Trzy narzędzia, brak zakresu zapisu, brak modyfikacji konta. Jedno z nich nie ma odpowiednika w żadnym API opartym na słowach kluczowych: search_photos_by_image przyjmuje obraz referencyjny — istniejące hero klienta, zrzut ekranu wklejony do czatu — plus opcjonalne zdanie, które je modyfikuje („jak to, ale w nocy”). Nie ma pola w API dopasowującym tagi, w którym takie żądanie dałoby się w ogóle wpisać. A agent, który nie może niczego zmienić, to agent, którego najgorszym wynikiem jest pusty zbiór wyników, a nie zgłoszenie do supportu.

Dwie powierzchnie i którą wybrać

Istnieją dokładnie dwa sposoby dostępu, a wybór dotyczy tego, kto jest w pętli, a nie możliwości — narzędzia i katalog są identyczne w obu przypadkach.

Konektor, gdy w pętli jest człowiek. Jeden adres URL, https://mcp.pexafy.com/mcp, dodany raz w ustawieniach konektorów asystenta; logowanie odbywa się w oknie przeglądarki, a klient otrzymuje własne poświadczenia, więc nie ma klucza do wklejenia w plik konfiguracyjny ani żadnego do obracania później. Klienci, którzy nie implementują OAuth, wysyłają klucz API Pexafy jako token bearer do tego samego endpointu — co sprawia, że konektor jest użyteczny z zadania cron na serwerze budowania, gdzie nie ma nikogo, kto kliknąłby „Zezwól”. Krok po kroku konfiguracja dla Claude, ChatGPT i pliku konfiguracyjnego floty jest w artykule o pipeline; nie zmieniła się.

API HTTP, gdy nikogo nie ma. Zadanie wsadowe wypełniające pulę dla 800 klastrów tematycznych nie powinno udawać klienta czatu: to samo konto, ten sam klucz, zwykłe HTTP, 100 wyników na wywołanie. Zasady tempa, które temu towarzyszą — nagłówki limitów szybkości, dlaczego 429 na minutę warto ponowić, a 429 od miesięcznego limitu nie warto, ile kosztuje worker przy dużej skali — należą do artykułu o ilustrowaniu na dużą skalę, gdzie ten worker jest opisany w pełni.

Wartą zapamiętania kwestią jest tu coś węższego, i to jest to, na czym opiera się cała analiza rynku: obie powierzchnie są dostępne dla programu w dniu, w którym powstaje, bez kolejki i bez umowy.

Czego to nie rozwiązuje

Uczciwa lista, ponieważ każdy z tych punktów kosztował kogoś rollback.

• Licencja nadal reguluje zdjęcie. Podpis autorski nie jest wymagany przez regulamin API Pexafy, a każdy wynik dostarczany jest z ciągiem znaków podpisu gotowym do wyrenderowania — ale licencja dołączona przez bibliotekę źródłową obowiązuje w odniesieniu do twojego użycia tego zdjęcia. Renderuj podpis automatycznie; to taniej niż audytować później.
• Katalogi na darmowej licencji to nie archiwa redakcyjne. Brak wiadomości, brak sportu, brak rozpoznawalnych marek czy osób publicznych na żądanie. Jeśli twoja strona potrzebuje fotografii konkretnego wydarzenia lub osoby, od tego są licencjonowani gracze, a ich konektory już istnieją.
• To jest wyszukiwanie, i tylko wyszukiwanie. Diagramy, wykresy i zrzuty ekranu są renderowane z kodu, nie wyszukiwane; deduplikacja na twoich stronach to kolumna w twojej bazie danych, nie parametr na endpoincie; a żadne zdjęcie nie sprawia, że cienka strona zajmuje wysoką pozycję — polityki antyspamowe Google traktują nadużycie treści na dużą skalę tak samo, niezależnie od tego, czy strony są zilustrowane.6 Te trzy sprawy to problemy pipeline'u z rozwiązaniami właściwymi dla pipeline'u, opracowane w artykule o pipeline i artykule o skali.

Od czego zacząć

1. Powtórz benchmark. Dwadzieścia linii, bez klucza. Niezależnie od tego, jakiego API do obrazów używasz dziś, wyślij mu trzy briefy swojego agenta dosłownie i policz puste zestawy wyników.
2. Podłącz jeden konektor do asystenta, którego już używasz, i poproś go, jednym zdaniem, o zdjęcie, którego naprawdę potrzebujesz w tym tygodniu. To cała ocena.
3. Przenieś briefy do agenta — jedna scena na slot, napisana na podstawie szkicu, nigdy tytułu.
4. Dodaj kolumnę photo_id, zanim zaczniesz publikować cokolwiek na dużą skalę.
5. Uruchom to na darmowym planie — 5,000 wyszukiwań miesięcznie przy 20 na minutę, dopóki nie zmusi cię do przejścia wyżej okno budowania, a nie rachunek.

Źródła i przypisy