Blog
Poznámky k budování agentní AI
Patnáct krátkých článků z našeho interního Agentic AI Masterclassu: terminologie, architektura, governance a dvě skutečné produkční případové studie.
Případová studie: Automatizace hledání práce agentním workflow
Fork-and-own framework nativní pro jednoho konkrétního coding agenta pro pracovní žádosti, postavený zcela odlišně od případové studie TradingAgents — kontrast mezi oběma je sám o sobě ponaučením.
Případová studie: Jak multiagentní systém debatuje o obchodu s akcií
TradingAgents je reálný, open-source multiagentní obchodní systém — tým analytiků, strukturovaná bull-vs-bear debata, nezávislé řízení rizika a pětistupňové rozhodnutí — kde se v jednom funkčním kódu objevuje téměř každá myšlenka z této série.
Suverenita dat v éře agentů: Co "zero data retention" skutečně znamená
"Zero data retention" se používá téměř stejně často jako marketingová fráze jako přesný technický závazek. Pomáhá rozdělit "suverenitu dat" na čtyři konkrétní, oddělené páky místo jednoho mlhavého zaškrtávacího políčka.
Retrieval-Augmented Generation jako řízené volání nástroje — ne magie
RAG bývá prezentován jako černá skříňka. Užitečnější a přesnější rámování je mnohem prostší: RAG je řízené volání nástroje, a toto pojetí zodpoví celou řadu dřív nejasných otázek.
Důvěřuj, ale prověřuj: Vynucení schématu, strukturované výstupy a evaluace agentů
Výstup agenta je užitečný jen natolik, nakolik ho dokáže zpracovat další krok. Přimět model spolehlivě produkovat strojově zpracovatelný výstup je vlastní inženýrská disciplína se skutečným žebříčkem síly záruky.
Člověk ve smyčce: Kde dohled stále záleží
Plně autonomní smyčka není vždy cílem. Téměř každý produkční agent, který se dotýká něčeho nevratného, těží ze schvalovacího bodu s člověkem — a je to elegantnější mechanismus, než zní.
Postavit si to sami, nebo si to pronajmout? Vlastní runtime vs. spravované agentní platformy
Logiku agenta vlastníte pořád vy — platforma přebírá provozní zátěž kolem ní. Poctivá otázka nezní, co je lepší, ale kolik vašeho inženýrského času má jít do infrastruktury místo do chování agenta.
Co je to "harness"? Skrytá vrstva za každým agentem
Každý agent běží uvnitř něčeho, co interpretuje jeho instrukce a skutečně provádí výsledné kroky. Velká část toho, co vypadá jako rozdíl v tom, "jak chytrý" systém je, se po bližším pohledu ukáže být rozdílem v návrhu harness.
Deterministické vs. nedeterministické: Kdy má agent rozhodovat sám?
U každého kroku vyvstává otázka: má o volání nástroje rozhodnout model, nebo má být toto rozhodnutí předem naskriptované? Dobře postavený agentní systém obvykle obsahuje hodně obojího.
Tři způsoby, jak agent přesahuje sám sebe: Tools, MCP a A2A
Jazykový model sám o sobě produkuje jen text. Existují tři odlišné mechanismy, jak ho rozšířit za tento rámec — a zvolit ten špatný pro danou úlohu vytváří pozdější reálnou komplexitu.
Paměť, která přetrvává: Jak si agenti pamatují napříč sessions
Pokud session skončí, nebo je kvůli úspoře místa shrnuta pryč, je opravdu vše ztraceno? U dobře navrženého agentního systému zní odpověď ne — ale jen proto, že paměť je záměrně oddělený mechanismus od kontextu.
Co je "kontext" u AI agenta — a proč dochází?
Kontext je vše, co model vidí v aktuálním tahu — nic víc. Disciplína návrhu agenta je z velké části disciplínou řízení toho, co se do tohoto okna dostane a co ne.
Prompty, skills, příkazy, agenti: Slovníček pojmů
Agentní AI nabrala slovní zásobu rychleji, než se většina týmů stihla shodnout na definicích. Krátký, srozumitelný přehled, aby tým používal stejná slova pro stejné věci.
Od chatu k agentovi: Kde skutečně začíná automatizace?
Každý agentní systém, který dnes existuje, začínal jako ta samá skromná věc: jediný chatový tah. Nezměnila se základní jednotka interakce — změnilo se to, kolik struktury se kolem ní omotalo.