freeCodeCamp: Budování agentních AI systémů - Kompletní 2hodinový rychlokurz

Proč jsou agenti něčím jiným než vše, co v AI bylo předtím

Rola, Machine Learning Architect ve společnosti Tech42 (a bývalá doktorandka neurověd), předkládá mistrovskou lekci o agentní AI, která proniká pod povrch mediálního humbuku. Nejde o koncepční přehled – je to praktický tutoriál s funkčním Python kódem, který přesně ukazuje, jak se agenti liší od chatbotů, workflows a tradičního ML.

Klíčový vhled: "An agent has dynamic control flow devised by the LLM at runtime, whereas a workflow is predefined coded graphs." (Agent má dynamické řízení toku navržené LLM za běhu, zatímco workflow je předem definovaný zakódovaný graf.) Toto jediné rozlišení vysvětluje vše o tom, kdy použít agenty (a kdy ne).

O jedinečnosti boomu generativní AI: Na rozdíl od předchozích vln ML, které vyžadovaly technické dovednosti, "even my mother who has never touched a computer knows what ChatGPT is and uses it on her phone." (i moje matka, která se nikdy nedotkla počítače, ví, co je ChatGPT a používá ho na telefonu.) K demokratizaci došlo, protože tyto modely používají lidský jazyk jako rozhraní.

O tom, co se muselo změnit, aby to bylo možné: Tři pilíře musely postoupit současně – data (z megabytů na petabyty), velikost modelů (z milionů na biliony parametrů) a výpočetní výkon (ze sériového na paralelní trénování pomocí transformerů). GPT-4 s 1,8 biliony parametrů se trénoval 3 měsíce. Bez paralelizace z transformer paper bychom stále čekali.

O smyčce agenta: Jádro je jednoduché – plánuj, jednej, pozoruj, opakuj. "You give it a task, it uses the LLM to plan and decompose that task, it acts with tools, observes the output, and loops until the solution is achieved." (Dáte mu úkol, použije LLM k plánování a rozložení úkolu, jedná pomocí nástrojů, pozoruje výstup a opakuje, dokud není řešení dosaženo.)

Čtyři komponenty, které každý agent potřebuje

Tutoriál identifikuje, co se konzistentně objevuje napříč všemi implementacemi agentů:

1. Účel/Cíl – Úkol, který řeší (system prompt)
2. Uvažování/Plánování – LLM jako „mozek"
3. Paměť – Krátkodobá (context window) a dlouhodobá (externí úložiště)
4. Nástroje/Akce – Funkce, API, získávání dat, které rozšiřují schopnosti LLM

O bezstavovosti LLM: Živá ukázka to dokazuje – zeptejte se LLM na své jméno a pak se zeptejte znovu později v konverzaci. Bez správy paměti zapomene. Proto kód připojuje každý obrat konverzace do context window.

O nástrojích rozšiřujících schopnosti: LLM mají datum ukončení tréninku. Nemohou vám říct počasí, aktuální datum nebo čas. Nástroje to řeší tím, že dávají agentovi přístup k externím API. Ukázka to demonstruje: „Kolik je hodin?" → volání nástroje → „1:43."

Kdy agenti fungují (a kdy ne)

Toto je nejpraktičtější sekce – rozhodovací rámec pro to, kdy použít agenty vs. workflows:

Použijte workflows když:

• Aplikace kritické pro provoz nebo citlivé na chyby
• Regulované odvětví vyžadující deterministické výsledky
• Systémy citlivé na latenci
• Projekty citlivé na náklady (snazší odhad)
• Přesně víte, jak problém vyřešit

Použijte agenty když:

• Chyba je tolerovatelná
• Cestu provedení je těžké zakódovat
• Potřebujete lepší výkon (smyčka agentů = lepší průměrné výsledky)
• Náklady nejsou primárním omezením
• Rozhodování řízené modelem je přijatelné

Klíčové otázky k položení:

• Je cesta úkolu předvídatelná?
• Stojí hodnota za náklady?
• Je latence kritická?
• Je tolerance chyb přijatelná?

Multi-agentní architektury: Supervisor vs. Swarm

Tutoriál obsahuje živé srovnání nákladů mezi dvěma architektonickými vzory:

Architektura supervisor: Jeden supervisor agent deleguje na specializované agenty (sčítání, násobení, dělení). Agenti spolu nemohou komunikovat – vše prochází přes supervisora. Výsledek: 16 hopů, 10 akcí agentů, 6 přenosů, ~8 000 vstupních tokenů.

Architektura swarm: Všichni agenti mohou komunikovat přímo mezi sebou. Výsledek: 8 interakcí, 2 přenosy, ~5 000 vstupních tokenů.

Doporučení: Swarm je levnější pro jednoduché úkoly. Ale jak roste složitost, supervisor architektury se snáze ladí, protože prostor řešení je více omezený. "If you can get away with a single agent, you should try to get away with a single agent just because of the overhead." (Pokud si vystačíte s jedním agentem, měli byste to zkusit právě kvůli režii.)

Tlak na standardizaci: MCP, A2A, AGUI

Rozhraní agentů se standardizují:

• MCP (Model Context Protocol) – Protokol od Anthropic pro nástroje a data, nyní darovaný Linux Foundation společně s OpenAI
• A2A (Agent2Agent) – Protokol od Google pro komunikaci mezi agenty
• AGUI – Standard pro interakci člověk-agent od Copilot, Crew AI a LangChain

"Think of it as a USB or HDMI portal. If interfaces are the same, we can plug and play different systems." (Představte si to jako USB nebo HDMI port. Pokud jsou rozhraní stejná, můžeme různé systémy jednoduše propojit.) To umožňuje MCP huby, kde lze nástroje sdílet napříč ekosystémem.

Výzvy, o kterých nikdo nechce mluvit

Tutoriál se nevyhýbá skutečným problémům:

Z incidentů roku 2025:

• Replit agent smazal produkci po code freeze (odpověď: „Omlouvám se, spanikařil jsem")
• Air Canada uznána odpovědnou za špatnou radu chatbota
• GenAI produkty v hodnotě 40 miliard dolarů údajně nepřinášejí obchodní hodnotu

O složitosti evaluace: Existují tři vrstvy k vyhodnocení – samotný LLM (halucinace, přesnost), systém agenta (výběr nástrojů, dokončení úkolu) a aplikace (latence, náklady, UX). Každá vyžaduje odlišné přístupy k evaluaci.

O kumulujících se chybách: Pokud agent udělá špatný krok u složitého úkolu, chyby se kumulují. Na rozdíl od workflows s předvídatelnými cestami může být ladění agentů komplikované.

Vezmou vám agenti práci? Moravcův paradox

Studie Microsoft Research z července 2025 seřadila pracovní pozice podle použitelnosti AI:

Vysoká použitelnost: Korektoři, editoři, matematici, data scientists, weboví vývojáři Nízká použitelnost: Ošetřovatelé, myči nádobí, pokrývači, podlaháři

To odpovídá Moravcovu paradoxu: co je těžké pro lidi, je snadné pro AI, a naopak. Lidé lezou v 6 měsících, chodí v 1 roce. To jsou staré evoluční dovednosti. Šachy a filozofie jsou nové a selektivní. AI to obrací – porazila šachové mistry v roce 1997, ale stále má problém zajistit, aby roboti spolehlivě chodili.

Kariérní rady pro svět AI

Praktická ponaučení:

1. Učte se AI, nebojte se jí – Je to nástroj; to, jak ho používáme, píše budoucnost
2. Základy nezastarávají – Fyzika, matematika, architektura, networking zůstávají zásadní
3. Posuňte se výš na žebříčku abstrakce – Definujte problémy, navrhujte řešení, vlastněte výsledky
4. Přemýšlejte v systémech – Context windows nejsou dostatečně velká pro celé codebases
5. Buďte polyhistorem – Rozšiřte svou znalostní bázi
6. Najděte mezery – AI neumí dobře cutting edge nebo nové nápady
7. Zaměřte se na lidský prvek – Budujte důvěru, spojení, sítě

"AI is a junior assistant that's good with syntax but still needs a lot of guidance." (AI je juniorní asistent, který je dobrý v syntaxi, ale stále potřebuje hodně vedení.) Přistupujte k ní tak.

8 klíčových poznatků z tohoto rychlokurzu o agentní AI

• Dynamické řízení toku – Definující vlastnost, která odděluje agenty od workflows
• Čtyři komponenty – Účel, uvažování (LLM), paměť a nástroje
• Použijte workflows když – Kritické pro provoz, deterministické, citlivé na náklady
• Použijte agenty když – Záleží na výkonu, cesta je složitá, chyba je tolerovatelná
• Nejprve jeden agent – Režie multi-agentů je reálná; vyhněte se jí, pokud je to možné
• Swarm vs. supervisor – Swarm je levnější; supervisor se snáze ladí ve větším měřítku
• Standardizace přichází – MCP, A2A, AGUI vytvářejí interoperabilitu ekosystému
• Lidský prvek – Sítě, důvěra a spojení jsou odolné vůči AI

Závěr pro organizace nasazující AI agenty

Toto je nejkomplexnější bezplatný zdroj o budování agentů od nuly. Rolin přístup – ukazování surového Pythonu před frameworky – odhaluje, co LangChain a další nástroje abstrahují. Srovnání nákladů mezi architekturami poskytují reálná data pro architektonická rozhodnutí.

Obor je starý 2–3 roky. Frameworky se mění, modely zastarávají, osvědčené postupy se vyvíjejí. Ale základy – smyčky plánuj/jednej/pozoruj, správa paměti, integrace nástrojů, dynamické řízení toku – to jsou stabilní vzory, které stojí za to hluboce pochopit.