--- title: "Multiagentové frameworky" source: "https://systems-analysis.info/int/Multiagentov%C3%A9_frameworky" wiki: "systems-analysis.info/int" article: "Multiagentové_frameworky" language: "cs" categories: - "Category:AI Agents" - "Category:Czech" - "Category:Large language models" - "Category:Machine learning" revision_id: 4713 wiki_created_at: 2026-09-06T23:38:52Z wiki_modified_at: 2026-09-06T23:38:52Z downloaded_at: 2026-09-07T23:04:10Z --- # Multiagentové frameworky **Multiagentní frameworky na základě LLM** — to jsou softwarové platformy, které umožňují několika autonomním AI agentům, postaveným na základě velkých jazykových modelů (LLM), vzájemně spolupracovat při společném řešení složitých úkolů[\[1\]](https://systems-analysis.info/int/Multiagentov%C3%A9_frameworky#cite_note-survey_agents-1). V těchto systémech je kladen důraz na rozmanitost profilů agentů, jejich komunikaci a kolektivní rozhodování. Přístup využívá „kolektivní inteligenci" skupiny, kde každý agent plní specializovanou roli a výměna zpráv mezi nimi napodobuje spolupráci lidí. To umožňuje modelovat složité scénáře reálného světa a řešit úkoly, které přesahují možnosti jednotlivého inteligentního agenta. Multiagentní LLM systémy již vykazují úspěšné výsledky v oblastech, jako je vývoj softwaru, sociální simulace, ekonomické hry a modelování politických diskusí[\[1\]](https://systems-analysis.info/int/Multiagentov%C3%A9_frameworky#cite_note-survey_agents-1). ## Klíčové frameworky a přístupy Rozvoj multiagentních systémů vedl ke vzniku řady otevřených frameworků, které usnadňují jejich tvorbu a výzkum. ### MetaGPT (2023) Jeden z prvních otevřených frameworků, zaměřený na spolupráci podle principu „montážní linky\\ (*assembly line*). **MetaGPT** zavádí do systému standardní operační postupy (SOPs) a přiřazuje každému agentovi určitou roli (například produktový manažer, inženýr, tester). Tento přístup umožňuje rozložit složitý úkol na dílčí úlohy a rozdělit je mezi specializované agenty, čímž snižuje chaotičnost a riziko halucinací[\[2\]](https://systems-analysis.info/int/Multiagentov%C3%A9_frameworky#cite_note-harmony_survey-2). ### CAMEL (2023) Framework **CAMEL** (*Communicative Agents for \\Mind\\ Exploration*) je zaměřen na autonomní interakci agentů prostřednictvím dialogu. Nabízí metodiku *inception prompting* pro koordinaci konverzace mezi LLM agenty a směruje je ke společnému cíli. Každý agent je vybaven rolí a kontextem, poté agenti komunikují v přirozeném jazyce a postupně dospívají ke společnému řešení. CAMEL se osvědčil ve scénářích vyžadujících kooperaci bez přímého zásahu člověka[\[1\]](https://systems-analysis.info/int/Multiagentov%C3%A9_frameworky#cite_note-survey_agents-1). ### AutoGen (2023) Univerzální a konfigurovatelný framework od výzkumníků Microsoftu, určený k vytváření složitých aplikací na základě komunikace více LLM. **AutoGen** umožňuje programovat logiku interakce agentů jak pomocí kódu, tak v přirozeném jazyce. Podporuje integraci s externími nástroji a API, což jej činí vhodným pro širokou škálu úkolů — od vývoje softwaru po tvorbu dialogových systémů[\[1\]](https://systems-analysis.info/int/Multiagentov%C3%A9_frameworky#cite_note-survey_agents-1). ### AgentVerse (2023) Otevřená platforma vyvinutá komunitou OpenBMB pro zkoumání dynamické spolupráce a emergentního chování agentů. **AgentVerse** poskytuje dva režimy provozu: 1. **Řešení úkolů (task-solving)**: Několik LLM agentů se spojí do týmu pro splnění složitého úkolu (například společný vývoj softwaru). 2. **Simulace prostředí (simulation)**: Umožňuje uživateli definovat virtuální prostředí a sledovat interakci agentů (například simulace školní třídy nebo vězňova dilematu). Platforma zdůrazňuje důležitost standardizovaného prostředí a komunikačních protokolů pro řízenou komunikaci[\[3\]](https://systems-analysis.info/int/Multiagentov%C3%A9_frameworky#cite_note-agentverse_github-3). ### CrewAI (2024) Framework zaměřený na integraci LLM agentů do obchodních procesů a analýzy dat. **CrewAI** realizuje koncept *AI-Based Agents Workflow* (AgWf), kde agenti provádějí kroky popsané formou textových instrukcí a mohou využívat externí nástroje (Python třídy/funkce). To umožňuje automatizovat složité analytické scénáře kombinací flexibility LLM s deterministickým kódem[\[2\]](https://systems-analysis.info/int/Multiagentov%C3%A9_frameworky#cite_note-harmony_survey-2). ### LangGraph (2024) Experimentální framework využívající grafové struktury k reprezentaci stavu a kontextu v dialozích s LLM. Klíčovou vlastností **LangGraph** je podpora **cyklických pracovních postupů**. To umožňuje agentům sdílet data prostřednictvím společného grafu znalostí, iterativně vyhledávat informace, hodnotit jejich spolehlivost a korigovat odpovědi, což je zvláště užitečné při vyhledávání informací (QA) s rozšířenou znalostní bází[\[2\]](https://systems-analysis.info/int/Multiagentov%C3%A9_frameworky#cite_note-harmony_survey-2). ### Další projekty Velkou pozornost si získaly také experimentální projekty **AutoGPT** a **AgentGPT**, které demonstrovaly potenciál plně autonomních AI agentů schopných samostatně stanovovat cíle, provádět webové vyhledávání, spouštět kód a spravovat soubory. Přestože tyto projekty neprošly vědeckou recenzí, zdůraznily důležitost komponent plánování, paměti a nástrojů pro budování skutečně samostatných agentů[\[4\]](https://systems-analysis.info/int/Multiagentov%C3%A9_frameworky#cite_note-nvidia_blog-4). ## Využití multiagentních systémů - **Automatizace vývoje softwaru**: Skupiny LLM agentů zastávají role manažera, programátora a testera a společně plánují a realizují softwarové projekty. Výzkum *ChatDev* ukázal, že tým čtyř agentů dokázal během několika minut vytvořit jednoduchou aplikaci vedením dialogu ve všech fázích od zadání úkolu po testování[\[2\]](https://systems-analysis.info/int/Multiagentov%C3%A9_frameworky#cite_note-harmony_survey-2). - **Inteligentní asistenti**: Podnikové produkty jako Microsoft 365 Copilot a IBM Watsonx Orchestrate využívají více agentů pro plnění složitých úkolů, kde jeden agent zpracovává požadavek, druhý získává fakta z databáze a třetí sestavuje zprávu. - **Vědecký výzkum**: Agenti jsou využíváni ke generování a kritice hypotéz. V přístupech typu *Guided Debate* nebo *Self-Refine* jeden agent navrhuje řešení, druhý jej hodnotí a koriguje, což pomáhá snížit počet chyb[\[4\]](https://systems-analysis.info/int/Multiagentov%C3%A9_frameworky#cite_note-nvidia_blog-4). - **Sociální modelování a virtuální světy**: V přelomovém projektu *Generative Agents* desítky LLM agentů vybavených osobnostmi a pamětí simulovaly život malého virtuálního městečka a demonstrovaly věrohodné sociální interakce. Takovéto simulace mohou najít uplatnění ve hrách (pro tvorbu realistických NPC), ve vzdělávání a v sociálních vědách[\[4\]](https://systems-analysis.info/int/Multiagentov%C3%A9_frameworky#cite_note-nvidia_blog-4). ## Výzvy a perspektivy Navzdory úspěchům čelí multiagentní systémy řadě závažných problémů: - **Halucinace a kaskádové chyby**: Chyba jednoho agenta se může přenášet řetězcem na další agenty, kteří ji přijímají jako základ pro svá uvažování, což vede k narušení práce celé skupiny[\[1\]](https://systems-analysis.info/int/Multiagentov%C3%A9_frameworky#cite_note-survey_agents-1). - **Škálovatelnost a náročnost na zdroje**: Každý agent na bázi LLM vyžaduje značné výpočetní zdroje. Zajištění souběžného provozu desítek agentů je složitý technický úkol[\[1\]](https://systems-analysis.info/int/Multiagentov%C3%A9_frameworky#cite_note-survey_agents-1). - **Koordinace a řízení**: S rostoucím počtem agentů roste riziko chaosu. Jsou zapotřebí promyšlené mechanismy „orchestrace" pro řízení jejich vzájemné interakce. - **Hodnocení a testování**: Chybí obecně uznávané benchmarky pro objektivní srovnání různých multiagentních frameworků. V budoucnu se očekává vznik efektivnějších a bezpečnějších multimodálních systémů, kde agenti budou moci vyměňovat nejen text, ale také obrázky a další data. Zavedení Reinforcement Learning může naučit skupiny agentů lépe se koordinovat v průběhu času a dosahovat efektu „kolektivní inteligence\\. V konečném důsledku jsou multiagentní frameworky krokem k vytvoření flexibilnějších a výkonnějších AI systémů, kde množství specializovaných „myslí\\ pracuje společně. ## Odkazy - Přehledový článek: Large Language Model based Multi-Agents (2024) - Přehledový článek: LLMs Working in Harmony (2025) ## Literatura - Yao, S. et al. (2022). *ReAct: Synergizing Reasoning and Acting in Language Models*. arXiv:2210.03629. - Hong, S. et al. (2023). *MetaGPT: Meta Programming for a Multi-Agent Collaborative Framework*. arXiv:2308.00352. - Li, G. et al. (2023). *CAMEL: Communicative Agents for \\Mind\\ Exploration of Large Language Model Society*. arXiv:2303.17760. - 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. - 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. - Chen, W. et al. (2023). *AgentVerse: Facilitating Multi-Agent Collaboration and Exploring Emergent Behaviors*. arXiv:2308.10848. - Park, J. S. et al. (2023). *Generative Agents: Interactive Simulacra of Human Behavior*. arXiv:2304.03442. - Guo, T. et al. (2024). *Large Language Model Based Multi-Agents: A Survey of Progress and Challenges*. arXiv:2402.01680. - Chen, Q. et al. (2024). *ChatDev: Communicative Agents for Software Development*. arXiv:2307.07924. - Duan, Z.; Wang, J. (2024). *Exploration of LLM Multi-Agent Application Implementation Based on LangGraph + CrewAI*. arXiv:2411.18241. - Aratchige, R. M.; Ilmini, W. M. K. S. (2025). *LLMs Working in Harmony: A Survey on the Technological Aspects of Building Effective LLM-Based Multi-Agent Systems*. arXiv:2504.01963. ## Poznámky 1. ↑ [1.0](https://systems-analysis.info/int/Multiagentov%C3%A9_frameworky#cite_ref-survey_agents_1-0) [1.1](https://systems-analysis.info/int/Multiagentov%C3%A9_frameworky#cite_ref-survey_agents_1-1) [1.2](https://systems-analysis.info/int/Multiagentov%C3%A9_frameworky#cite_ref-survey_agents_1-2) [1.3](https://systems-analysis.info/int/Multiagentov%C3%A9_frameworky#cite_ref-survey_agents_1-3) [1.4](https://systems-analysis.info/int/Multiagentov%C3%A9_frameworky#cite_ref-survey_agents_1-4) [1.5](https://systems-analysis.info/int/Multiagentov%C3%A9_frameworky#cite_ref-survey_agents_1-5) Wang, L., et al. «Large Language Model based Multi-Agents: A Survey of Progress and Challenges». *arXiv:2402.01680* \[cs.AI\], 1 февр. 2024 г. [1] 2. ↑ [2.0](https://systems-analysis.info/int/Multiagentov%C3%A9_frameworky#cite_ref-harmony_survey_2-0) [2.1](https://systems-analysis.info/int/Multiagentov%C3%A9_frameworky#cite_ref-harmony_survey_2-1) [2.2](https://systems-analysis.info/int/Multiagentov%C3%A9_frameworky#cite_ref-harmony_survey_2-2) [2.3](https://systems-analysis.info/int/Multiagentov%C3%A9_frameworky#cite_ref-harmony_survey_2-3) Yu, H., et al. «LLMs Working in Harmony: A Survey on the Technological Aspects of Building Effective LLM-Based Multi Agent Systems». *arXiv:2504.01963* \[cs.CL\], 2 апр. 2025 г. [2] 3. [↑](https://systems-analysis.info/int/Multiagentov%C3%A9_frameworky#cite_ref-agentverse_github_3-0) «GitHub - OpenBMB/AgentVerse». *GitHub*. [3] 4. ↑ [4.0](https://systems-analysis.info/int/Multiagentov%C3%A9_frameworky#cite_ref-nvidia_blog_4-0) [4.1](https://systems-analysis.info/int/Multiagentov%C3%A9_frameworky#cite_ref-nvidia_blog_4-1) [4.2](https://systems-analysis.info/int/Multiagentov%C3%A9_frameworky#cite_ref-nvidia_blog_4-2) «Building Your First LLM Agent Application». *NVIDIA Technical Blog*. [4]