AI agent, nebo workflow? Pět vzorů agentních systémů podle Anthropic a kdy použít agenta

Slovo „agent“ se v souvislosti s umělou inteligencí používá pro všechno od chatbota s vyhledáváním po robota, který sám píše a testuje kód. Pro uživatele i firmy je užitečné rozlišovat, co přesně dostávají. Společnost Anthropic v článku „Building effective agents“ rozlišuje dva pojmy: workflow (předem dané kroky) a agent (model, který si sám řídí postup). Tento článek je shrnuje srozumitelně a přidává praktické rady, kdy který přístup zvolit a jaká jsou rizika.

Informace vycházejí z článku Building effective agents (Anthropic). Autoři sami uvádějí, že se oblast nástrojů od prosince 2024 výrazně změnila, takže berte popsané vzory jako stavební kameny, ne předpisy. Nejde o technický návod k nasazení ani o doporučení konkrétního produktu.

Související články: Budoucí AI agenti – co jsou a jak fungují, AI agenti a bezpečnostní rizika a Jak funguje umělá inteligence.

Aktualizováno: listopad 2026.

Dva pojmy: workflow a agent

Podle Anthropic je zastřešujícím pojmem agentní systémy. Dělí se na:

• Workflow: velké jazykové modely (LLM) a nástroje jsou propojeny předem danými kroky v kódu. Postup určuje vývojář.
• Agent: LLM, které dynamicky řídí vlastní proces a používání nástrojů. Samo rozhoduje, co udělá dál.

Základním stavebním blokem je „rozšířený LLM“: model doplněný o vyhledávání informací, nástroje a paměť. Anthropic doporučuje navrhnout toto rozhraní jasně a dobře zdokumentovaně; jednou z cest integrace je protokol MCP.

Postup výběru mezi jedním voláním, workflow a agentem – vlastní infografika

Pět vzorů workflow

1. Řetězení promptů (prompt chaining). Úloha se rozloží na po sobě jdoucí kroky; každé volání zpracovává výstup předchozího. Mezi kroky mohou být programové „brány“, které kontrolují mezivýsledky. Platí se delší dobou odezvy za vyšší přesnost. Příklad: napsat marketingový text a pak ho přeložit, nebo zkontrolovat osnovu podle kritérií a teprve potom psát dokument.

2. Směrování (routing). Vstup se klasifikuje a pošle specializovanému navazujícímu kroku, což umožňuje specializovanější prompty. Klasifikátorem může být LLM či klasický model. Příklady: třídění dotazů zákaznického servisu, jednoduché dotazy menším modelům a složité výkonnějším.

3. Paralelizace. Dvě varianty: rozdělení (nezávislé podúlohy běží současně) a hlasování (tatáž úloha běží vícekrát pro různé výstupy). Příklady: zvláštní model kontroluje vstup uživatele podle bezpečnostních pravidel; více promptů kontroluje kód na zranitelnosti; moderace obsahu s prahem hlasů.

4. Orchestrátor a pracovníci (orchestrator-workers). Centrální LLM dynamicky rozloží úlohu, předá podúlohy „pracovním“ LLM a spojí výsledky. Na rozdíl od paralelizace nejsou podúlohy předem dané, ale vyplynou ze vstupu. Příklady: úpravy kódu v mnoha souborech, sběr informací z více zdrojů.

5. Hodnotitel a optimalizátor (evaluator-optimizer). Jeden LLM generuje a druhý hodnotí a dává zpětnou vazbu ve smyčce. Hodí se tam, kde jsou jasná kritéria a opakování prokazatelně pomáhá. Příklady: kritika literárního překladu, iterativní vyhledávání, kde hodnotitel rozhoduje, zda je potřeba hledat dál.

Agent: kdy dává smysl

Agent začíná příkazem nebo dialogem s člověkem, pak plánuje a jedná samostatně. V každém kroku musí získat „pravdu z prostředí“ (výsledek nástroje, spuštění kódu). Může se zastavit pro zpětnou vazbu na kontrolních bodech a obvykle končí při dokončení nebo při podmínce zastavení (například maximální počet iterací). V praxi jde o LLM používající nástroje ve smyčce podle zpětné vazby z prostředí, takže zásadní je návrh nástrojů a jejich dokumentace.

Kdy ho použít: u otevřených problémů, kde nelze předem určit počet kroků a kde důvěřujete rozhodnutím modelu; hodí se pro škálování úloh v důvěryhodném prostředí.

Upozornění: agenti znamenají vyšší náklady a riziko kumulujících se chyb. Anthropic doporučuje rozsáhlé testování v izolovaném prostředí (sandboxu) a ochranná opatření. Pro bezpečnostní stránku viz AI agenti a bezpečnostní rizika.

Nejlepší je často nejjednodušší řešení

Klíčová rada článku: najděte nejjednodušší možné řešení a složitost přidávejte, jen když je nezbytná. Často stačí optimalizovat jediné volání modelu s vyhledáváním informací a příklady v kontextu. Agenti vyměňují rychlost a cenu za lepší výkon. Workflow se hodí na dobře definované úlohy vyžadující předvídatelnost, agenti na flexibilní rozhodování řízené modelem ve větším měřítku. Pro uživatele z toho plyne užitečná otázka: potřebuje moje úloha opravdu agenta? Pro většinu každodenních úloh stačí chatbot s dobrým zadáním; viz Prompt engineering.

Aplikace podle Anthropic

• Zákaznická podpora: konverzace plus nástroje pro data o zákazníkovi, historii objednávek a znalostní báze. Akce jako vrácení peněz lze automatizovat a úspěch je měřitelný (vyřešené případy).
• Programování: řešení lze ověřit automatickými testy, agent může iterovat podle zpětné vazby a kvalita je objektivně měřitelná. Lidská kontrola zůstává nutná pro širší požadavky na systém.

Zásady návrhu

1. Udržte návrh jednoduchý.
2. Upřednostněte transparentnost: explicitně ukazujte plánovací kroky.
3. Pečlivě navrhněte rozhraní agent–počítač (nástroje): důkladná dokumentace a testování. Nástroje si zaslouží stejnou pozornost jako hlavní prompty.
4. Při přechodu do produkce omezte vrstvy abstrakce, měřte a iterujte. Anthropic dodává, že úspěch v oblasti LLM nespočívá v budování nejsofistikovanějšího systému.
5. Frameworky používejte opatrně. Zjednodušují volání modelů a řetězení, ale mohou skrývat prompty a odpovědi a lákat ke zbytečné složitosti; doporučení zní začít přímo s API a rozumět kódu pod frameworkem.

Návrh nástrojů: praktické poznatky

Anthropic uvádí několik konkrétních zkušeností:

• Dejte modelu dost tokenů na přemýšlení, než se zavazuje k odpovědi.
• Držte formáty blízko textům, které jsou běžné na internetu, a vyhněte se režii (počítání řádků, escapování).
• Navrhujte nástroje jako rozhraní pro člověka: dobrá definice obsahuje příklad použití, okrajové případy, požadavky na vstup a hranice vůči jiným nástrojům.
• Zabraňte chybám už návrhem (argumenty obtížné zneužít). V příkladu z testů programování způsobovaly relativní cesty chyby po změně adresáře; vyžádání absolutních cest je odstranilo.

Co z toho plyne pro běžné uživatele

• Zeptejte se, co „agent“ ve vašem nástroji znamená. Je to chatbot s nástrojem, workflow s předem danými kroky, nebo samostatně jednající systém?
• Omezte oprávnění. Pokud agent může číst e-maily, mazat soubory nebo platit, dejte mu minimum a vyžadujte potvrzení u citlivých kroků; viz AI agenti a bezpečnostní rizika.
• Kontrolujte výsledky. Chyby se v řetězci kroků mohou kumulovat.
• Nepřeceňujte autonomii. Pro rutinní úlohy je často lepší předvídatelný workflow.

Jak to souvisí s dalšími pojmy

Jazykový model v pojetí Googlu odhaduje pravděpodobnost, že se token objeví v delší posloupnosti; tokeny jsou obvykle podslova a v angličtině odpovídá jeden token zhruba třem čtvrtinám slova (Google – úvod do LLM). Agentní systémy z těchto modelů jen vycházejí: dávají jim nástroje, paměť a zpětnou vazbu z prostředí. Modely s rozšířeným uvažováním (reasoning) vynakládají před odpovědí interní „uvažovací“ tokeny, což pomáhá při plánování, používání nástrojů a víckrokových úlohách, a dokumentace uvádí, že se hodí právě pro agentní workflow (OpenAI – Reasoning). Dokumentace zároveň radí dát modelu jasný cíl, omezení a formát výstupu a u agentní práce definovat, co znamená „hotovo“ a jak má model ověřit výsledek.

Rizika a řízení rizik

Při nasazení agentů v organizaci pomáhá systematické řízení rizik. Americký NIST nabízí dobrovolný rámec AI Risk Management Framework (verze 1.0 z ledna 2023) a v červenci 2024 vydal i profil pro generativní AI (NIST-AI-600-1) s doporučenými opatřeními (NIST AI RMF). Rámec je určen k tomu, aby se do návrhu, vývoje, používání a hodnocení AI lépe zahrnula hlediska důvěryhodnosti. Pro české firmy je užitečné kombinovat takové rámce s pravidly evropského AI Act; viz EU AI Act – co znamená pro uživatele.

Doporučený postup pro malý projekt

1. Zvolte jednu konkrétní úlohu s měřitelným úspěchem.
2. Začněte jedním voláním modelu a změřte kvalitu na vzorku reálných vstupů.
3. Pokud nestačí, přidejte jednoduchý workflow (řetězení, směrování).
4. Agenta přidejte až tehdy, když kroky nelze předem určit.
5. Zavedete kontrolní body s potvrzením člověka u citlivých akcí.
6. Zapisujte, co agent dělal (logy), aby šlo chyby dohledat.
7. Pravidelně vyhodnocujte kvalitu, náklady a bezpečnost a zbytečnou složitost odstraňte.

Praktický příklad (smyšlený)

Malá firma chce automaticky odpovídat na dotazy zákazníků. Nejprve zkusí jedno volání modelu s odpověďmi z interní znalostní báze; funguje na 80 % dotazů. Pro zbytek přidá směrování: jednoduché dotazy řeší menší model, složité předá člověku. Agenta, který by sám rozhodoval o vracení peněz, zatím nepoužije, protože chyba by byla drahá. Příklad je smyšlený.

Kontrolní seznam – vlastní infografika

Vzory v kostce

Základní údaje – vlastní infografika

Výhody a nevýhody

Souhrn – vlastní infografika

Související články

V kategorii Základy a principy AI najdete také Strojové učení a hluboké učení a RAG a fine-tuning.

Shrnutí

Workflow má předem dané kroky, agent řídí postup sám. Anthropic popisuje pět vzorů workflow: řetězení, směrování, paralelizaci, orchestrátora s pracovníky a hodnotitele s optimalizátorem. Agent se vyplatí u otevřených úloh s neznámým počtem kroků a důvěryhodným prostředím, ale je dražší a rizikovější. Začněte nejjednodušším řešením, navrhujte nástroje pečlivě a měřte. Nejde o technický návod.

Často kladené otázky k agentům a workflow