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. 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.

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.

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.

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).

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.

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.).

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.

• 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.
• 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.

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.
• Reflexion (2023) — framework sebereflexe, umožňující agentům učit se z vlastních chyb prostřednictvím textové zpětné vazby, bez aktualizace vah modelu.
• 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.
• 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.

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.
• 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.

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.

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.