---
title: "Multi-agent prompting (CS)"
source: "https://systems-analysis.info/int/Multi-agent_prompting_(CS)"
wiki: "systems-analysis.info/int"
article: "Multi-agent_prompting_(CS)"
language: "cs"
categories:
- "Category:Czech"
- "Category:Large language models"
- "Category:Machine learning"
- "Category:Prompt engineering"
revision_id: 4666
wiki_created_at: 2026-09-06T23:38:15Z
wiki_modified_at: 2026-09-06T23:38:15Z
downloaded_at: 2026-09-07T23:03:53Z
---
# Multi-agent prompting (CS)
**Multiagentní prompting** (angl. *multi-agent prompting*) — je metoda v oblasti prompt inženýrství a systémů umělé inteligence, při níž několik autonomních agentů založených na velkých jazykových modelech (LLM) vzájemně spolupracuje za účelem řešení složitých úloh prostřednictvím strukturované výměny instrukcí a odpovědí[\[1\]](https://systems-analysis.info/int/Multi-agent_prompting_(CS)#cite_note-comm_paper-1).
Jinými slovy, multiagentní systém se skládá z několika LLM agentů, kteří společně pracují na složitém požadavku uživatele a rozdělují fáze uvažování (*subtasks*) mezi agenty s různými „rolemi" a kompetencemi. Hlavním cílem tohoto přístupu je překonat omezení jednotlivého modelu při náročných úlohách prostřednictvím kolektivního řešení. Použití několika vzájemně spolupracujících agentů má zvýšit kvalitu uvažování, faktickou přesnost a spolehlivost odpovědi[\[2\]](https://systems-analysis.info/int/Multi-agent_prompting_(CS)#cite_note-anthropic-mas-2). Důležitou vlastností je přísná instruktivnost: každému LLM je přidělena určitá role nebo úkol v rámci celkového schématu řešení.
## Metody a architektonické vzory
Výzkumníci navrhli řadu schémat multiagentního promptingu, které se liší povahou interakce agentů a jejich rolemi.
### Rolové expertní modelování
Jeden nebo více agentů je určeno jako doménoví experti s úzkou specializací. Například v multiagentní skupině mohou různí agenti zastupovat různé oblasti znalostí (fyzik, chemik, biolog) nebo různé fáze řešení úlohy (plánovač, vykonavatel, kritik)[\[1\]](https://systems-analysis.info/int/Multi-agent_prompting_(CS)#cite_note-comm_paper-1). Tento přístup umožňuje efektivní *few-shot* prompting, při němž každý agent-expert získává demonstrační příklady ze své oblasti, čímž se zlepšuje celkový výkon.
### Samooprava a kritika (Self-reflection)
Agent může vystupovat v roli „kritika" nebo reflektovat řešení jiného agenta či vlastní předchozí odpovědi. Strategie *self-reflection* nebo *self-refinement* spočívá v tom, že LLM nejprve vygeneruje odpověď a poté stejný nebo jiný model tuto odpověď analyzuje a opravuje chyby v ní[\[1\]](https://systems-analysis.info/int/Multi-agent_prompting_(CS)#cite_note-comm_paper-1). To umožňuje iterativně zlepšovat výsledný výstup.
### Debaty mezi agenty
Konkurenční varianta multiagentního promptingu, která spočívá v organizaci diskuse nebo sporu mezi několika LLM. Ve schématu **LLM-Debate** dva nebo více agentů debatují o správné odpovědi na úlohu (například matematickou) a kritizují navzájem své argumenty[\[3\]](https://systems-analysis.info/int/Multi-agent_prompting_(CS)#cite_note-more_agents_all_you_need-3). Tento debatní formát zlepšuje schopnost modelu logicky uvažovat a zvyšuje faktickou přesnost odpovědí ve srovnání s jednotlivým řešením.
### Plánování a dekompozice úloh
Jeden agent plní funkci plánovače, který složitý požadavek rozděluje na posloupnost kroků nebo dílčích úloh, jež jsou následně řešeny jím samým nebo jinými agenty. Metody jako *ReAct* a *Reflexion* realizují podobný princip iterativního plánování se zpětnou vazbou. LLM nejprve generuje plán řešení, než přistoupí k jeho realizaci, což pomáhá zvládat dlouhé řetězce uvažování[\[1\]](https://systems-analysis.info/int/Multi-agent_prompting_(CS)#cite_note-comm_paper-1).
### Vícepersonální spolupráce
Místo různých modelů lze použít jeden a tentýž LLM a přimět jej, aby „hrál" několik agentů s různými personálními nastaveními nebo úhly pohledu. V přístupu *multi-persona self-collaboration* jeden model v průběhu dialogu postupně přijímá několik rolí a vede diskusi jakoby sám se sebou. Ačkoliv výzkumy ukazují, že samostatní nezávislí agenti zajišťují vyšší efektivitu, tato metoda umožňuje simulovat tým expertů uvnitř jednoho LLM[\[1\]](https://systems-analysis.info/int/Multi-agent_prompting_(CS)#cite_note-comm_paper-1).
## Využití a výsledky
Přístup multiagentního promptingu prokázal svou účinnost v řadě oblastí, kde se jednotlivé LLM dříve potýkaly s obtížemi.
### Matematické a logické uvažování
Použití více agentů výrazně zvyšuje přesnost u úloh vyžadujících víceúrovňový odvod (složitá aritmetika, matematické důkazy, logické hádanky). V práci Du et al. (2023) multiagentní „debatní" přístup zlepšil výsledek ve srovnání s jednotlivým agentem. Analýza ukázala, že s rostoucím počtem agentů zapojených do diskuse přesnost odpovědi roste[\[3\]](https://systems-analysis.info/int/Multi-agent_prompting_(CS)#cite_note-more_agents_all_you_need-3).
### Vědecké a technické úlohy
Pro složité odborné problémy (fyzika, chemie) byla navržena metoda **CoMM** (*Collaborative Multi-Agent, Multi-Reasoning-Path Prompting*), při níž několik LLM agentů s různými rolemi (experti) paralelně uplatňují různé strategie uvažování. Při testech na úlohách z fyziky na vysokoškolské úrovni CoMM výrazně překonal základní přístupy jako *chain-of-thought*, přičemž docházelo k méně chybám ve vzorcích a výpočtech[\[1\]](https://systems-analysis.info/int/Multi-agent_prompting_(CS)#cite_note-comm_paper-1).
### Generování a ladění kódu
V oblasti programování jsou multiagentní systémy využívány ke zvýšení kvality kódu a snížení počtu chyb. Systém **PromptV** používá několik agentů pro postupné psaní, kontrolu a opravy kódu v jazyce Verilog. Rozdělení rolí (generování, revize, testování) zlepšilo schopnost modelu odhalovat a opravovat chyby, v důsledku čehož podíl úspěšně kompilovaných řešení vzrostl na **96,5 %** na jednom z benchmarků[\[4\]](https://systems-analysis.info/int/Multi-agent_prompting_(CS)#cite_note-promptv_paper-4).
### Vyhledávání a analýza informací
Multiagentní systémy jsou zvláště užitečné pro otevřené, špatně strukturované dotazy. Společnost **Anthropic** vyvinula multiagentní režim pro model **Claude** určený pro webový výzkum. V tomto systému vedoucí agent analyzuje dotaz a vytváří několik paralelních agentů-dílčích úloh, z nichž každý provádí vyhledávání různých aspektů tématu. Tato architektura si poradila se složitými vyhledávacími dotazy o **90 %** lépe ve srovnání s jedním modelem Claude[\[2\]](https://systems-analysis.info/int/Multi-agent_prompting_(CS)#cite_note-anthropic-mas-2).
### Klasifikace textu a NLP úlohy
Pro NLP úlohy byl vyvinut **principiálně orientovaný prompting** (*Principle-Based Prompting*). V této metodice LLM agenti nejprve generují sadu „principů" (pravidel řešení), poté finalizující agent vybere ty nejlepší, na jejichž základě jiný agent provede klasifikaci. Tento přístup zvýšil metriku macro-F1 o **1,5–19 %** ve srovnání se základními metodami, čímž se kvalitou přiblížil klasickému učení na příkladech (*few-shot*)[\[5\]](https://systems-analysis.info/int/Multi-agent_prompting_(CS)#cite_note-principle_based_paper-5).
## Omezení a problémy
### Výpočetní složitost a náklady
Hlavní nevýhodou je výrazně vzrostlá výpočetní zátěž. Každý agent vyžaduje vlastní generační relaci, což vede ke značné spotřebě tokenů a zdrojů. Podle údajů Anthropic jejich systém spotřebovává v průměru **4× více tokenů** na jeden dialog, v některých případech až 15×[\[2\]](https://systems-analysis.info/int/Multi-agent_prompting_(CS)#cite_note-anthropic-mas-2). To činí využití tohoto přístupu opodstatněným pouze pro úlohy s vysokou hodnotou.
### Složitost návrhu a koordinace
Pro úspěšný provoz je nutné pečlivé **inženýrské nastavení promptů**: je třeba přesně definovat roli každého agenta, formát výměny zpráv a kritéria ukončení. V opačném případě mohou agenti duplicitně vykonávat práci, upadat do nekonečného vyhledávání nebo vytvářet zbytečné dílčí úlohy[\[2\]](https://systems-analysis.info/int/Multi-agent_prompting_(CS)#cite_note-anthropic-mas-2).
### Bezpečnost a spolehlivost
Objevují se nové vektory útoků. Výzkumníci demonstrovali jev **Prompt Infection** (nakažení promptu), kdy škodlivý fragment instrukce od jednoho agenta se přenáší na jiného a šíří se celým řetězcem uvažování jako virus. Takový útok *LLM-to-LLM* odhaluje zranitelnost multiagentních systémů vůči skrytým injekcím a manipulacím, což vyžaduje vývoj zvláštních ochranných opatření, například označování výstupu každého agenta (*LLM Tagging*)[\[6\]](https://systems-analysis.info/int/Multi-agent_prompting_(CS)#cite_note-prompt_infection_paper-6).
## Odkazy
- «How we built our multi-agent research system» — podrobný rozbor od Anthropic
- «More Agents Is All You Need» — vědecký článek o efektivitě ansámblů agentů
## Literatura
- Chen, P. et al. (2024). *CoMM: Collaborative Multi-Agent, Multi-Reasoning-Path Prompting for Complex Problem Solving*. arXiv:2404.17729.
- Li, J. et al. (2024). *More Agents Is All You Need*. arXiv:2402.05120.
- Mi, Y. et al. (2024). *PromptV: Leveraging LLM-Powered Multi-Agent Prompting for High-Quality Verilog Generation*. arXiv:2412.11014.
- Wei, P. et al. (2024). *Don't Just Demo, Teach Me the Principles: A Principle-Based Multi-Agent Prompting Strategy for Text Classification*. arXiv:2502.07165.
- Lee, D.; Tiwari, A. (2024). *Prompt Infection: LLM-to-LLM Prompt Injection within Multi-Agent Systems*. arXiv:2410.07283.
- Fernando, C. et al. (2023). *PromptBreeder: Self-Referential Self-Improvement via Prompt Evolution*. arXiv:2309.16797.
- Wu, Q. et al. (2023). *AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation*. arXiv:2308.08155.
- Liu, X. et al. (2023). *AgentBench: Evaluating LLMs as Agents*. arXiv:2308.03688.
- Li, G. et al. (2024). *Multi-LLM Debate: Framework, Principles, and Interventions*. PDF.
- Du, N. et al. (2023). *Improving Factuality and Reasoning in Language Models through Multi-Agent Debate*. arXiv:2305.14325.
## Poznámky
1. ↑ [1.0](https://systems-analysis.info/int/Multi-agent_prompting_(CS)#cite_ref-comm_paper_1-0) [1.1](https://systems-analysis.info/int/Multi-agent_prompting_(CS)#cite_ref-comm_paper_1-1) [1.2](https://systems-analysis.info/int/Multi-agent_prompting_(CS)#cite_ref-comm_paper_1-2) [1.3](https://systems-analysis.info/int/Multi-agent_prompting_(CS)#cite_ref-comm_paper_1-3) [1.4](https://systems-analysis.info/int/Multi-agent_prompting_(CS)#cite_ref-comm_paper_1-4) [1.5](https://systems-analysis.info/int/Multi-agent_prompting_(CS)#cite_ref-comm_paper_1-5) Chen, Y. et al. «CoMM: Collaborative Multi-Agent, Multi-Reasoning-Path Prompting for Complex Problem Solving». *arXiv*, 2024. [1]
2. ↑ [2.0](https://systems-analysis.info/int/Multi-agent_prompting_(CS)#cite_ref-anthropic-mas_2-0) [2.1](https://systems-analysis.info/int/Multi-agent_prompting_(CS)#cite_ref-anthropic-mas_2-1) [2.2](https://systems-analysis.info/int/Multi-agent_prompting_(CS)#cite_ref-anthropic-mas_2-2) [2.3](https://systems-analysis.info/int/Multi-agent_prompting_(CS)#cite_ref-anthropic-mas_2-3) «How we built our multi-agent research system». *Anthropic*. [2]
3. ↑ [3.0](https://systems-analysis.info/int/Multi-agent_prompting_(CS)#cite_ref-more_agents_all_you_need_3-0) [3.1](https://systems-analysis.info/int/Multi-agent_prompting_(CS)#cite_ref-more_agents_all_you_need_3-1) Li, G. et al. «More Agents Is All You Need». *arXiv*, 2024. [3]
4. [↑](https://systems-analysis.info/int/Multi-agent_prompting_(CS)#cite_ref-promptv_paper_4-0) Mi, Y. et al. «PromptV: Leveraging LLM-powered Multi-Agent Prompting for High-quality Verilog Generation». *ResearchGate*, 2024. [4]
5. [↑](https://systems-analysis.info/int/Multi-agent_prompting_(CS)#cite_ref-principle_based_paper_5-0) Wei, J. et al. «Don't Just Demo, Teach Me the Principles: A Principle-Based Multi-Agent Prompting Strategy for Text Classification». *arXiv*, 2024. [5]
6. [↑](https://systems-analysis.info/int/Multi-agent_prompting_(CS)#cite_ref-prompt_infection_paper_6-0) Lee, K. & Tiwari, A. «Prompt Infection: LLM-to-LLM Prompt Injection within Multi-Agent Systems». *OpenReview*, 2024. [6]