AI agenti od nuly: Tohle potřebujete vědět

Vytvořeno: 26.8.2026 | Aktualizováno: 26.08.2026 15:15

AI agenti od nuly: Tohle potřebujete vědět je úvod do rozdílu mezi AI modelem, chatem a agentem. Vysvětluje, proč agent není jen chat s lepším promptem, jak vznikají velké jazykové modely a kdy je vhodnější použít obyčejný skript.

Model, chat a agent

Pojmy model, chat a agent se často zaměňují, ale popisují různé vrstvy systému.

Pojem	Co to je	Co samo o sobě neumí
AI model	Natrénovaný matematický model, který z kontextu predikuje další tokeny. Slovo „model“ označuje zjednodušené statistické zachycení vztahů v datech, ne vědomou bytost ani hotový program.	Nemá rozhraní, nástroje ani trvalou paměť mezi samostatnými požadavky.
AI chat	Aplikace, která modelu předává systémové instrukce, historii konverzace a aktuální dotaz a zobrazí odpověď.	Obvykle čeká na další vstup člověka; sám neplánuje a nevykonává práci mimo odpověď.
AI agent	Aplikace, která modelu poskytne cíl a nástroje a opakovaně mu vrací výsledky provedených kroků. Model tak může rozhodovat o dalším kroku, dokud úkol neskončí.	Není neomylný ani bezpečný bez omezení oprávnění a kontroly výstupu.

Praktický rozdíl je v rozdělení práce. Chat poradí, jak vytvořit report; agent může podle zadání načíst podklady, zpracovat je nástroji a připravit výsledek k revizi.

Jak se učí velký jazykový model

Velký jazykový model (LLM) je model optimalizovaný pro práci s jazykem. Ve videu jsou rozlišeny následující fáze a pojmy:

Pre-training je počáteční trénink nad velkým množstvím dat. Model se při něm učí statistické vztahy v jazyce a schopnost pokračovat v posloupnosti tokenů.
Post-training je následné dolaďování chování již natrénovaného modelu pro konkrétnější způsob odpovídání a práci podle instrukcí.
Reinforcement learning (RL) je učení pokusem a omylem podle odměny. Agent vyzkouší akci, dostane vyhodnocení a postupně upravuje strategii tak, aby získával lepší odměnu. Video tento princip ilustruje jízdou auta v Trackmanii a experimentem OpenAI Multi-Agent Hide and Seek.
Reward function je pravidlo nebo mechanismus, který určuje, zda je výsledek pro učení dobrý nebo špatný.
RLHF (Reinforcement Learning from Human Feedback) používá lidské hodnocení odpovědí. Lidé zde neposuzují každou budoucí odpověď modelu; jejich preference se použijí k natrénování reward modelu, který pak při dolaďování funguje jako hodnoticí „kouč“.

Tyto fáze vysvětlují, proč model může dobře pracovat s jazykem, ale samy o sobě z něj nedělají agenta. Agentní chování vzniká až kombinací modelu s instrukcemi, nástroji a řídicí smyčkou.

Co model dostává: kontext

Kontext je vše, co aplikace vloží do jednoho požadavku na model. Ve videu se skládá hlavně z těchto částí:

Systémový prompt určuje roli, pravidla, dostupné nástroje a omezení aplikace.
Historie konverzace přenáší dosavadní průběh dialogu.
Uživatelský prompt je aktuální úkol nebo otázka.

Kontextové okno je maximální množství kontextu, které model zpracuje najednou. Podrobněji jej popisuje samostatný článek o kontextovém okně. Pokud se historie do okna nevejde, aplikace musí část obsahu vynechat, zkrátit nebo nahradit shrnutím.

Inference je samotné spuštění modelu nad kontextem, při kterém generuje odpověď. Model si po dokončení inference sám nic neuloží. Pocit paměti vytváří chat nebo agent tím, že při další inference znovu dodá historii, soubory nebo dříve vytvořené shrnutí.

Proč systémový prompt z chatu neudělá agenta

Systémový prompt může modelu popsat roli a způsob práce, ale bez okolního programu nemá model jak změnit soubor, spustit příkaz ani přečíst web. Agentní aplikace proto kromě promptu poskytuje definice nástrojů a prováděcí vrstvu.

Video používá pro názorné porovnání systémové prompty ChatGPT a Claude. Archiv systémových promptů YeeKal obsahuje veřejně dostupné, extrahované i neoficiálně zveřejněné prompty různých AI produktů. Je užitečný pro studium jejich struktury, ale není stabilní ani autoritativní specifikací aktuálního chování produktu.

Smyčka AI agenta

Agent pracuje v opakovaném cyklu:

Uživatel předá cíl, pravidla a dostupný kontext.
Model vyhodnotí stav a odpoví textem nebo požadavkem na použití nástroje.
Aplikace vykoná požadovaný nástroj, například načte soubor nebo spustí příkaz.
Výsledek nástroje se vrátí do kontextu modelu.
Model rozhodne o dalším kroku, nebo úkol ukončí.

Právě tato smyčka umožňuje agentovi postupovat po dílčích krocích bez toho, aby člověk ručně přepisoval každý mezivýsledek mezi aplikacemi. Model ale stále jen rozhoduje podle předaného kontextu; provedení nástroje zajišťuje okolní software.

Skript, nebo agent?

Pro úlohu s pevnými pravidly je obvykle vhodnější skript. Typickým příkladem je pravidelný reporting, kde se stále opakuje stejná transformace dat. Agent může nejprve pomoci skript připravit, ale samotný opakovaný běh má být předvídatelný a levný.

Agent dává smysl tam, kde se v jednotlivých bězích mění vstupy nebo je potřeba průběžně vyhodnocovat situaci. Příkladem je práce s různě strukturovanými podklady, hledání informací nebo úloha kombinující více nástrojů.

Poznámka: U úloh, kde chybný krok může způsobit škodu, je potřeba zachovat člověka v rozhodovacím bodě. Agent může připravit návrh nebo provést bezpečné dílčí kroky, ale finální odeslání, platbu nebo změnu produkčního systému má člověk zkontrolovat.

Kde začít

Video doporučuje trénovat delegování: každý den předat agentovi tři malé úkoly, které by jinak člověk dělal ručně. Nejde nutně o okamžitou úsporu času; cílem je naučit se úkoly rozepisovat a předávat je jako kontrolovatelné zadání.

Praktický postup:

U opakované práce si zapsat jednotlivé kroky a vstupy.
Vybrat malý úkol s nízkým rizikem.
Nechat agenta připravit výsledek a zkontrolovat ho.
Pokud jsou pravidla stabilní, zvážit převod postupu na skript.
Před zpřístupněním souborů nebo účtů ověřit, jaká oprávnění agent skutečně dostane.

Agenti zmínění ve videu

Výběr má vycházet z ekosystému, který už člověk používá. Ceny, limity a dostupnost se mění, proto je potřeba je vždy ověřit v aktuální dokumentaci.

Codex app od OpenAI je agentní aplikace navázaná na ekosystém ChatGPT.
Claude Desktop od Anthropic je desktopová aplikace Claude.
Antigravity od Googlu je dostupný ke stažení pro desktopové systémy a nabízí také CLI.
Grok Build je nástroj od xAI uvedený ve videu.
Cursor nabízí bezplatný tarif Hobby s omezenými požadavky agentů; aktuální hranice jsou na stránce ceníku.

Další materiály uvedené u videa

Video odkazuje také na českou Wikipedii pro definici agentní AI, dva diagramy v Excalidrawu (model–chat–agent a reinforcement learning/RLHF) a ukázky Trackmania Nations a OpenAI Multi-Agent Hide and Seek. V dodaném popisu byly adresy těchto položek zkrácené, proto zde nejsou uvedeny jako funkční odkazy.

Obsah