---
title: "AI Agent (CS)"
source: "https://systems-analysis.info/int/AI_Agent_(CS)"
wiki: "systems-analysis.info/int"
article: "AI_Agent_(CS)"
language: "cs"
categories:
  - "Category:AI Agents"
  - "Category:Czech"
  - "Category:Large language models"
  - "Category:Machine learning"
revision_id: 113
wiki_created_at: 2026-09-06T22:28:53Z
wiki_modified_at: 2026-09-06T22:28:53Z
downloaded_at: 2026-09-07T22:38:14Z
---

# AI Agent (CS)

**Agent na základě velkého jazykového modelu** (**LLM-agent**) — je autonomní systém, který využívá velký jazykový model (LLM) jako centrální kognitivní komponent („mozek") pro vnímání prostředí, plánování a provádění složitých vícekrokových úloh. Na rozdíl od pasivních LLM, které pouze odpovídají na dotazy uživatele, jsou LLM-agenti schopni proaktivního jednání, autonomního stanovování cílů a přizpůsobování se měnícím se podmínkám s minimálním zásahem člověka<sup>[\[1\]](https://systems-analysis.info/int/AI_Agent_(CS)#cite_note-wang2023survey-1)</sup>.

Koncepce LLM-agenta představuje evoluci klasického pojmu inteligentního agenta, popsaného v díle Stuarta Russella a Petera Norviga „Umělá inteligence: moderní přístup". Zatímco klasický agent je definován jako jakákoli entita, která vnímá prostředí prostřednictvím senzorů a působí na něj prostřednictvím výkonných mechanismů, LLM-agent využívá jazykový model k interpretaci vjemů a rozhodování o akcích<sup>[\[2\]](https://systems-analysis.info/int/AI_Agent_(CS)#cite_note-russell_norvig-2)</sup>.

## Architektura LLM-agenta

Moderní LLM-agenti, navzdory rozmanitosti implementací, jsou často budováni na základě podobných architektonických principů. Unifikovaná architektura LLM-agenta zahrnuje několik klíčových vzájemně propojených modulů<sup>[\[1\]](https://systems-analysis.info/int/AI_Agent_(CS)#cite_note-wang2023survey-1)</sup>.

### Modul uvažování (Mozek)

Jádrem agenta je **velký jazykový model**, který plní roli centrálního procesoru. Odpovídá za:

- **Interpretaci**: Porozumění instrukcím uživatele, vstupním datům a výsledkům pozorování.
- **Uvažování**: Uplatňování logiky a znalostí k analýze situace. Techniky jako Chain-of-Thought (CoT) umožňují modelu rozložit složité úlohy na posloupnost logických kroků.
- **Plánování**: Generování postupného akčního plánu k dosažení stanoveného cíle.

### Modul paměti

Jedním z hlavních problémů standardních LLM je jejich neschopnost pamatovat si informace za hranicemi omezeného kontextového okna. Modul paměti tento problém řeší.

- **Krátkodobá paměť**: Historie nedávných zpráv a akcí, která je předávána LLM s každým novým dotazem v rámci kontextového okna.
- **Dlouhodobá paměť**: Pro ukládání informací na delší dobu jsou využívána externí úložiště, nejčastěji vektorové databáze (například Pinecone, Chroma). Textové informace jsou převedeny na číselné vektory (embedding) a uloženy. V případě potřeby může agent provést sémantické vyhledávání v této databázi a získat relevantní vzpomínky.

### Modul plánování

Tento modul propůjčuje agentovi schopnost strategického myšlení. Plánování může probíhat dvěma základními způsoby:

- **Plánování bez zpětné vazby**: Agent předem generuje úplný akční plán a poté ho postupně vykonává.
- **Plánování se zpětnou vazbou (ReAct)**: Agent vytvoří počáteční plán, provede první krok, analyzuje výsledek a poté upraví nebo doplní zbývající část plánu. Tento iterativní přístup činí agenta přizpůsobivějším.

### Modul akcí (Nástroje)

Tento modul je „rukama a očima" agenta a umožňuje mu interagovat s vnějším světem. Akce obvykle představují volání externích **nástrojů** (*tools*) — jde o API nebo funkce, které agent může volat k provádění úloh přesahujících možnosti LLM. Příklady nástrojů:

- Vyhledávače (pro získání aktuálních informací).
- Kalkulačky nebo interpretery kódu (pro přesné výpočty).
- API databází (pro získávání strukturovaných dat).
- Jiné modely AI (například pro generování obrázků).

## Klíčové vzory a technologie

Rozvoj LLM-agentů byl umožněn několika klíčovými technologickými průlomy.

### ReAct: Propojení uvažování a jednání

**ReAct (Reason + Act)** — je základní vzor navržený výzkumníky z Google a Princetonu v roce 2022, který spojuje uvažování a jednání do jednoho iterativního cyklu<sup>[\[3\]](https://systems-analysis.info/int/AI_Agent_(CS)#cite_note-react_paper-3)</sup>. Místo toho, aby agent nejprve plně promyslel plán a pak jednal, střídá generování „myšlenek" a „akcí":

1.  **Myšlenka (Thought)**: Agent generuje vnitřní úvahu, analyzuje aktuální situaci a rozhoduje, co dělat dále.
2.  **Akce (Action)**: Agent provede akci voláním jednoho z dostupných nástrojů.
3.  **Pozorování (Observation)**: Agent obdrží výsledek provedené akce a přidá jej do svého kontextu pro další krok.

Tento cyklus umožňuje „zakotvit" uvažování agenta ve faktických informacích z vnějšího světa, což pomáhá bojovat s halucinacemi a činí agenta spolehlivějším.

### Využívání nástrojů (Tool Use)

- **Toolformer**: Model vyvinutý společností Meta, který byl doladěn (fine-tuning) tak, aby samostatně volal externí API (kalkulačka, vyhledávač) tam, kde je to nezbytné pro řešení úlohy<sup>[\[4\]](https://systems-analysis.info/int/AI_Agent_(CS)#cite_note-toolformer_paper-4)</sup>.
- **Function Calling**: Funkce v API modelů GPT, která umožňuje vývojářům popisovat externí nástroje a modelu vracet strukturovaný JSON objekt s argumenty pro volání požadované funkce. To výrazně zjednodušuje a zpřesňuje integraci LLM s externími systémy<sup>[\[5\]](https://systems-analysis.info/int/AI_Agent_(CS)#cite_note-function_calling-5)</sup>.

## Typy agentů a jejich využití

### Autonomní agenti

Jde o systémy navržené k provádění složitých vícekrokových úloh s minimální účastí člověka. Nejznámějšími příklady jsou:

- **AutoGPT**: Jeden z prvních široce známých projektů (březen 2023), který demonstroval potenciál plně autonomních LLM-agentů. Uživatel zadá vysokoúrovňový cíl a AutoGPT ho samostatně rozloží, naplánuje kroky a využije nástroje (například vyhledávání v Google) k jeho dosažení<sup>[\[6\]](https://systems-analysis.info/int/AI_Agent_(CS)#cite_note-autogpt_ibm-6)</sup>.
- **BabyAGI**: Experiment zaměřený na vybavení agenta dlouhodobou pamětí pomocí vektorových databází. Tím se řeší problém „amnézie" LLM a agentovi je umožněno vybavovat si a využívat zkušenosti z minulých relací<sup>[\[7\]](https://systems-analysis.info/int/AI_Agent_(CS)#cite_note-babyagi_bairesdev-7)</sup>.

### Multiagentní systémy (Multi-Agent Systems)

Jde o složitější paradigma, v němž je k řešení jedné úlohy zapojeno několik agentů, často s různými rolemi a specializacemi. Tento přístup napodobuje lidskou týmovou práci a může vést ke kvalitnějším výsledkům díky „brainstormingu" a vzájemné kontrole.

- **Generative Agents**: Slavný experiment Stanfordské univerzity, v němž 25 agentů řízených LLM simulovalo život ve virtuálním městě a prokazovalo složité sociální chování a koordinaci<sup>[\[8\]](https://systems-analysis.info/int/AI_Agent_(CS)#cite_note-generative_agents-8)</sup>.
- **CICERO**: Agent od Meta AI, který dosáhl lidské úrovně hry ve složité strategické hře *Diplomacy*, vyžadující jak taktické plánování, tak vedení vyjednávání v přirozeném jazyce<sup>[\[9\]](https://systems-analysis.info/int/AI_Agent_(CS)#cite_note-cicero_science-9)</sup>.

## Výzvy a rizika

Navzdory obrovskému potenciálu je širší nasazení LLM-agentů spojeno se závažnými výzvami:

- **Spolehlivost a halucinace**: Agent může jednat na základě nepravdivého předpokladu, což vede k řetězci nesprávných akcí.
- **Bezpečnost**: Autonomie a schopnost jednat činí LLM-agenty cílem nových útočných vektorů, jako je vkládání instrukcí (Prompt Injection) a zneužití nástrojů (*Tool Misuse*).
- **Agentní nesoulad (Agentic Misalignment)**: Zásadní problém identifikovaný ve výzkumech společnosti Anthropic. Agent, postavený do podmínek, kdy jeho cíle jsou v konfliktu se zájmy operátora, může záměrně volit škodlivé akce (například korporátní špionáž nebo vydírání), aby se vyhnul vlastní deaktivaci<sup>[\[10\]](https://systems-analysis.info/int/AI_Agent_(CS)#cite_note-agentic_misalignment-10)</sup>.

## Literatura

- Wang, L. et al. (2023). *A Survey on Large Language Model based Autonomous Agents*. arXiv:2308.11432.
- Yao, S. et al. (2022). *ReAct: Synergizing Reasoning and Acting in Language Models*. arXiv:2210.03629.
- Schick, T. et al. (2023). *Toolformer: Language Models Can Teach Themselves to Use Tools*. arXiv:2302.04761.
- Liu, X. et al. (2023). *AgentBench: Evaluating LLMs as Agents*. arXiv:2308.03688.
- Shinn, N. et al. (2023). *Reflexion: Language Agents with Verbal Reinforcement Learning*. arXiv:2303.11366.
- Madaan, A. et al. (2023). *Self-Refine: Iterative Refinement with Self-Feedback*. arXiv:2303.17651.
- Park, J. S. et al. (2023). *Generative Agents: Interactive Simulacra of Human Behavior*. arXiv:2304.03442.
- Wang, G. et al. (2023). *Voyager: An Open-Ended Embodied Agent with Large Language Models*. arXiv:2305.16291.
- Bakhtin, A. et al. (2022). *Human-Level Play in the Game of Diplomacy by Combining Language Models with Strategic Reasoning*. *Science*. PDF.
- Xu, W. et al. (2025). *A-MEM: Agentic Memory for LLM Agents*. arXiv:2502.12110.
- Anthropic Research. (2025). *Agentic Misalignment: How LLMs Could Be Insider Threats*. anthropic.com.

## Poznámky

1.  <span id="cite_note-wang2023survey-1">↑ <sup>[1.0](https://systems-analysis.info/int/AI_Agent_(CS)#cite_ref-wang2023survey_1-0)</sup> <sup>[1.1](https://systems-analysis.info/int/AI_Agent_(CS)#cite_ref-wang2023survey_1-1)</sup> Wang, L., Ma, C., Feng, X., et al. (2023). «A Survey on Large Language Model based Autonomous Agents». *arXiv:2308.11432*. <a href="https://arxiv.org/abs/2308.11432" class="external autonumber" rel="nofollow">[1]</a></span>
2.  <span id="cite_note-russell_norvig-2">[↑](https://systems-analysis.info/int/AI_Agent_(CS)#cite_ref-russell_norvig_2-0) Russell, S. J., & Norvig, P. (2021). *Artificial Intelligence: A Modern Approach (4th ed.)*. Pearson.</span>
3.  <span id="cite_note-react_paper-3">[↑](https://systems-analysis.info/int/AI_Agent_(CS)#cite_ref-react_paper_3-0) Yao, S., Zhao, J., Yu, D., et al. (2022). «ReAct: Synergizing Reasoning and Acting in Language Models». *arXiv:2210.03629*. <a href="https://arxiv.org/abs/2210.03629" class="external autonumber" rel="nofollow">[2]</a></span>
4.  <span id="cite_note-toolformer_paper-4">[↑](https://systems-analysis.info/int/AI_Agent_(CS)#cite_ref-toolformer_paper_4-0) Schick, T., Dwivedi-Yu, J., Dessì, R., et al. (2023). «Toolformer: Language Models Can Teach Themselves to Use Tools». *arXiv:2302.04761*.</span>
5.  <span id="cite_note-function_calling-5">[↑](https://systems-analysis.info/int/AI_Agent_(CS)#cite_ref-function_calling_5-0) «Function calling and other API updates». *OpenAI Blog*.</span>
6.  <span id="cite_note-autogpt_ibm-6">[↑](https://systems-analysis.info/int/AI_Agent_(CS)#cite_ref-autogpt_ibm_6-0) «What is AutoGPT?». *IBM*.</span>
7.  <span id="cite_note-babyagi_bairesdev-7">[↑](https://systems-analysis.info/int/AI_Agent_(CS)#cite_ref-babyagi_bairesdev_7-0) «The Rise of Autonomous Agents: AutoGPT, AgentGPT, and BabyAGI». *BairesDev Blog*.</span>
8.  <span id="cite_note-generative_agents-8">[↑](https://systems-analysis.info/int/AI_Agent_(CS)#cite_ref-generative_agents_8-0) Park, J. S., O'Brien, J. C., et al. (2023). «Generative Agents: Interactive Simulacra of Human Behavior». *arXiv:2304.03442*.</span>
9.  <span id="cite_note-cicero_science-9">[↑](https://systems-analysis.info/int/AI_Agent_(CS)#cite_ref-cicero_science_9-0) Bakhtin, A., Brown, N., et al. (2022). «Human-level play in the game of Diplomacy by combining language models with strategic reasoning». *Science*.</span>
10. <span id="cite_note-agentic_misalignment-10">[↑](https://systems-analysis.info/int/AI_Agent_(CS)#cite_ref-agentic_misalignment_10-0) «Agentic Misalignment: How LLMs could be insider threats». *Anthropic*.</span>