--- title: "Agentní pracovní postupy" source: "https://systems-analysis.info/int/Agentn%C3%AD_pracovn%C3%AD_postupy" wiki: "systems-analysis.info/int" article: "Agentní_pracovní_postupy" language: "cs" categories: - "Category:AI Agents" - "Category:Czech" - "Category:Large language models" - "Category:Machine learning" revision_id: 233 wiki_created_at: 2026-09-06T22:30:48Z wiki_modified_at: 2026-09-06T22:30:48Z downloaded_at: 2026-09-07T22:38:53Z --- # Agentní pracovní postupy **Agentní pracovní postupy** (**Agentic Workflows**) — jsou dynamické víceúrovňové procesy, ve kterých autonomní AI agenti na bázi velkých jazykových modelů (LLM) samostatně přijímají rozhodnutí, provádějí akce a koordinují úkoly s minimální účastí člověka[\[1\]](https://systems-analysis.info/int/Agentn%C3%AD_pracovn%C3%AD_postupy#cite_note-ibm_what_is-1). V takových systémech se LLM využívá nejen ke generování odpovědi na jeden dotaz, ale také k plánování posloupnosti akcí, interakci s externími nástroji a iterativnímu zlepšování výsledku. Na rozdíl od tradiční automatizace založené na pevně naprogramovaných pravidlech disponují agentní přístupy flexibilitou — mohou se přizpůsobovat novým datům a nepředvídaným podmínkám. Agentní pracovní postup se odlišuje od prostého volání LLM (například pro sumarizaci textu) tím, že agentovi je přidělena autonomie při volbě akcí, která zahrnuje plánování, využívání nástrojů a sebekorekci[\[2\]](https://systems-analysis.info/int/Agentn%C3%AD_pracovn%C3%AD_postupy#cite_note-weaviate_blog-2). ## Komponenty a architektura agentního workflow Agentní pracovní postup spojuje několik klíčových komponent pro dosažení cíle. ### AI agent a LLM V centru procesu se nachází **AI agent** — autonomní program jednající jménem uživatele nebo systému. Klíčovou komponentou agenta je velký jazykový model, který zajišťuje porozumění instrukcím v přirozeném jazyce a generování potřebných úvah. Kvalita práce agenta výrazně závisí na inženýrství promptů — různá schémata promptů (například Chain-of-Thought) pomáhají nastavit LLM na požadovaný styl práce[\[1\]](https://systems-analysis.info/int/Agentn%C3%AD_pracovn%C3%AD_postupy#cite_note-ibm_what_is-1). ### Nástroje (přístup k externím akcím) Protože znalosti LLM jsou omezeny daty jejího trénování, jsou agentovi poskytnuty externí **nástroje** rozšiřující jeho možnosti. Nástroje mohou zahrnovat přístup ke znalostním bázím, vyhledávacím systémům, API, interpretátorům kódu a dalším aplikacím. S jejich pomocí agent získává aktuální informace nebo provádí reálné akce mimo samotný model[\[2\]](https://systems-analysis.info/int/Agentn%C3%AD_pracovn%C3%AD_postupy#cite_note-weaviate_blog-2). ### Paměť a kontext Charakteristickým rysem agentních workflow je přítomnost mechanismu paměti, který umožňuje agentovi zohledňovat předchozí zkušenosti a kontext. - **Krátkodobá paměť** uchovává nedávné informace (například historii dialogu) v rámci aktuální relace. - **Dlouhodobá paměť** ukládá znalosti a výsledky nashromážděné během mnoha spuštění, často s využitím externích úložišť (například vektorových databází)[\[3\]](https://systems-analysis.info/int/Agentn%C3%AD_pracovn%C3%AD_postupy#cite_note-ibm_autogpt-3). ### Zpětná vazba a korekce Mechanismy zpětné vazby hrají důležitou roli při zvyšování spolehlivosti. Agent může získávat *feedback* z prostředí vykonávání úkolu, od pomocného modelu-„kritika" nebo od člověka (režim *human-in-the-loop*). Například systém **Reflexion** realizuje interní sebereflexi: agent analyzuje vlastní chyby a ukládá „úvahy" do paměti, aby zlepšil následné pokusy[\[4\]](https://systems-analysis.info/int/Agentn%C3%AD_pracovn%C3%AD_postupy#cite_note-reflexion_paper-4). ### Multiagentní konfigurace Ve složitých scénářích se využívá multiagentní architektura, kde několik specializovaných agentů vzájemně interaguje. Například agent-„plánovač" zadává dílčí úkoly a několik agentů-„vykonavatelů" řeší své úzce vymezené úkoly (vyhledávání dat, výpočty atd.)[\[1\]](https://systems-analysis.info/int/Agentn%C3%AD_pracovn%C3%AD_postupy#cite_note-ibm_what_is-1). ## Typické vzory a algoritmy práce agentů Ačkoli univerzální standardizovaná architektura agentních LLM systémů zatím nebyla vytvořena, v letech 2023–2024 se začaly objevovat opakující se vzory[\[5\]](https://systems-analysis.info/int/Agentn%C3%AD_pracovn%C3%AD_postupy#cite_note-vellum_guide-5). - **Postupné plánování (Prompt Chaining)**. Úkol je rozdělen na posloupnost etap pomocí řetězce volání LLM. Každý krok obdrží na vstupu výsledek předchozího a vykoná část celkového úkolu. Tento přístup zlepšuje interpretovatelnost, ale je méně flexibilní. - **Směrování a výběr nástroje (Router Pattern)**. Agent nejprve klasifikuje typ vstupního úkolu, poté vybírá specializovaný proces nebo nástroj pro jeho řešení a funguje jako dispečer. - **Paralelní hledání řešení**. Místo jediného lineárního průběhu myšlenek je zkoumáno několik variant řešení současně. Příkladem je přístup Tree-of-Thoughts, kde agent větví řetězec uvažování podobně jako strom, generuje na každém kroku několik kandidátních „myšlenek" a vybírá ty nejslibnější[\[6\]](https://systems-analysis.info/int/Agentn%C3%AD_pracovn%C3%AD_postupy#cite_note-tot_paper-6). - **Reflexe a sebekorekce**. Agent kriticky hodnotí vlastní řešení a učí se z chyb. V metodě Reflexion agent po každém pokusu analyzuje výsledek a ukládá závěry, které využívá v následujících cyklech[\[4\]](https://systems-analysis.info/int/Agentn%C3%AD_pracovn%C3%AD_postupy#cite_note-reflexion_paper-4). ## Příklady známých přístupů - **ReAct** (*Reasoning and Acting*) — základní metoda (2022), která kombinuje uvažování a akci. LLM střídavě generuje logické závěry (*thoughts*) a konkrétní kroky-akce (*actions*), které jsou prováděny pomocí nástrojů[\[7\]](https://systems-analysis.info/int/Agentn%C3%AD_pracovn%C3%AD_postupy#cite_note-react_paper-7). - **Reflexion** (2023) — framework sebereflexe, umožňující agentům učit se z vlastních chyb prostřednictvím textové zpětné vazby, bez aktualizace vah modelu[\[4\]](https://systems-analysis.info/int/Agentn%C3%AD_pracovn%C3%AD_postupy#cite_note-reflexion_paper-4). - **Tree-of-Thoughts (ToT)** (2023) — framework zobecňující myšlenku Chain-of-Thought pro organizaci hledání řešení ve formě stromu, což umožňuje modelu uvažovat o několika variantách vývoje situace[\[6\]](https://systems-analysis.info/int/Agentn%C3%AD_pracovn%C3%AD_postupy#cite_note-tot_paper-6). - **Auto-GPT** (2023) — jeden z prvních široce známých open-source projektů demonstrující plně autonomní agentní workflow. Systém generuje skupinu specializovaných GPT-4 agentů, kteří společně plánují a provádějí kroky k dosažení vysokoúrovňového cíle zadaného uživatelem[\[3\]](https://systems-analysis.info/int/Agentn%C3%AD_pracovn%C3%AD_postupy#cite_note-ibm_autogpt-3). ## Využití a vliv Agentní přístupy nacházejí uplatnění v mnoha oblastech, kde je vyžadována inteligentní automatizace a flexibilita. - **Obchodní procesy**: Agentní systémy rozšiřují možnosti chatbotů technické podpory, které mohou samostatně diagnostikovat problémy a nacházet řešení. Využívají se také ve financích, řízení lidských zdrojů a marketingu[\[1\]](https://systems-analysis.info/int/Agentn%C3%AD_pracovn%C3%AD_postupy#cite_note-ibm_what_is-1). - **Generativní simulace**: Autonomní LLM agenti mohou modelovat složité chování komunit nebo postav. V práci „Generative Agents" (Park et al., 2023) desítky GPT agentů obdařených různými osobnostmi věrohodně napodobovaly společenský život v simulovaném městečku. Podле odhadu analytiků společnosti Gartner je agentní AI (*Agentic AI*) zařazena mezi strategické technologické trendy roku 2025[\[1\]](https://systems-analysis.info/int/Agentn%C3%AD_pracovn%C3%AD_postupy#cite_note-ibm_what_is-1). ## Problémy a perspektivy rozvoje Navzdory úspěchům zůstávají agentní LLM systémy novou a komplexní technologií. - **Náklady na zdroje**: Každý dodatečný krok plánování, vyhledávání nebo introspekce představuje samostatné volání LLM, což zvyšuje dobu provádění a náklady. - **Nepředvídatelnost chování**: Čím větší svobodu agent má, tím obtížnější je zaručit, jakou cestu zvolí. To vyžaduje zavedení omezení a ochranných mechanismů (*guardrails*). - **Hodnocení kvality a ladění**: Analyzovat rozsáhlé záznamy víceúrovňových systémů za účelem nalezení chyb je netriviální úkol. - **Bezpečnost a etika**: S rostoucí autonomií AI vyvstává potřeba zajistit, aby agenti jednali v zájmu uživatele a společnosti. Budoucí výzkum je zaměřen na vytvoření univerzálních prostředků pro využívání nástrojů, vývoj jednotných průřezových workflow a optimalizaci efektivity agentních systémů[\[8\]](https://systems-analysis.info/int/Agentn%C3%AD_pracovn%C3%AD_postupy#cite_note-survey_li_2024-8). ## Odkazy - Přehled agentních pracovních postupů od IBM - Průvodce tvorbou efektivních AI agentů od Anthropic ## Literatura - 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. - Yao, S. et al. (2023). *Tree of Thoughts: Deliberate Problem Solving with Large Language Models*. arXiv:2305.10601. - Shinn, N. et al. (2023). *Reflexion: Language Agents with Verbal Reinforcement Learning*. arXiv:2303.11366. - 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*. DOI:10.1126/science.ade9097. - Wang, L. et al. (2025). *A Survey on Large Language Model based Autonomous Agents*. arXiv:2308.11432. - Li, X. (2024). *A Survey on LLM-Based Agentic Workflows and LLM-Profiled Components*. arXiv:2406.05804. - Jung, J. et al. (2024). *Trust or Escalate: LLM Judges with Provable Guarantees for Human Agreement*. arXiv:2407.18370. - Xu, W. et al. (2025). *A-MEM: Agentic Memory for LLM Agents*. arXiv:2502.12110. - He, G. et al. (2025). *Plan-Then-Execute: An Empirical Study of User Trust and Team Performance When Using LLM Agents as a Daily Assistant*. arXiv:2502.01390. - Huang, X. et al. (2024). *Understanding the Planning of LLM Agents: A Survey*. arXiv:2402.02716. - Kuang, Z. et al. (2023). *PEARL: Prompting Large Language Models to Plan and Execute Reasoning over Long Documents*. arXiv:2305.14564. ## Poznámky 1. ↑ [1.0](https://systems-analysis.info/int/Agentn%C3%AD_pracovn%C3%AD_postupy#cite_ref-ibm_what_is_1-0) [1.1](https://systems-analysis.info/int/Agentn%C3%AD_pracovn%C3%AD_postupy#cite_ref-ibm_what_is_1-1) [1.2](https://systems-analysis.info/int/Agentn%C3%AD_pracovn%C3%AD_postupy#cite_ref-ibm_what_is_1-2) [1.3](https://systems-analysis.info/int/Agentn%C3%AD_pracovn%C3%AD_postupy#cite_ref-ibm_what_is_1-3) [1.4](https://systems-analysis.info/int/Agentn%C3%AD_pracovn%C3%AD_postupy#cite_ref-ibm_what_is_1-4) «What are Agentic Workflows?». *IBM*. [1] 2. ↑ [2.0](https://systems-analysis.info/int/Agentn%C3%AD_pracovn%C3%AD_postupy#cite_ref-weaviate_blog_2-0) [2.1](https://systems-analysis.info/int/Agentn%C3%AD_pracovn%C3%AD_postupy#cite_ref-weaviate_blog_2-1) «What Are Agentic Workflows? Patterns, Use Cases, Examples, and More». *Weaviate*. [2] 3. ↑ [3.0](https://systems-analysis.info/int/Agentn%C3%AD_pracovn%C3%AD_postupy#cite_ref-ibm_autogpt_3-0) [3.1](https://systems-analysis.info/int/Agentn%C3%AD_pracovn%C3%AD_postupy#cite_ref-ibm_autogpt_3-1) «What is AutoGPT?». *IBM*. [3] 4. ↑ [4.0](https://systems-analysis.info/int/Agentn%C3%AD_pracovn%C3%AD_postupy#cite_ref-reflexion_paper_4-0) [4.1](https://systems-analysis.info/int/Agentn%C3%AD_pracovn%C3%AD_postupy#cite_ref-reflexion_paper_4-1) [4.2](https://systems-analysis.info/int/Agentn%C3%AD_pracovn%C3%AD_postupy#cite_ref-reflexion_paper_4-2) Shinn, N. et al. «Reflexion: Language Agents with Verbal Reinforcement Learning». *arXiv:2303.11366*, 2023. [4] 5. [↑](https://systems-analysis.info/int/Agentn%C3%AD_pracovn%C3%AD_postupy#cite_ref-vellum_guide_5-0) «Agentic Workflows in 2025: The ultimate guide». *Vellum.ai*. [5] 6. ↑ [6.0](https://systems-analysis.info/int/Agentn%C3%AD_pracovn%C3%AD_postupy#cite_ref-tot_paper_6-0) [6.1](https://systems-analysis.info/int/Agentn%C3%AD_pracovn%C3%AD_postupy#cite_ref-tot_paper_6-1) Yao, S. et al. «Tree of Thoughts: Deliberate Problem Solving with Large Language Models». *arXiv:2305.10601*, 2023. [6] 7. [↑](https://systems-analysis.info/int/Agentn%C3%AD_pracovn%C3%AD_postupy#cite_ref-react_paper_7-0) Yao, S. et al. «ReAct: Synergizing Reasoning and Acting in Language Models». *arXiv:2210.03629*, 2022. [7] 8. [↑](https://systems-analysis.info/int/Agentn%C3%AD_pracovn%C3%AD_postupy#cite_ref-survey_li_2024_8-0) Li, X. «A Survey on LLM-Based Agentic Workflows and LLM-Profiled Components». *arXiv:2406.05804*, 2024. [8]