Agent představuje v AI systém, který nevytváří jen jednorázový výstup, ale vnímá situaci, rozhoduje se, provádí akce a podle výsledků upravuje své další chování. Jinými slovy – nejde jen o model, který odpoví na jeden dotaz, ale o aktivnější jednotku, která něco sleduje, volí další krok a snaží se dojít k určitému cíli. Právě proto se pojem agent v posledních letech objevuje stále častěji v souvislosti s moderní umělou inteligencí, automatizací a takzvanou agentní AI.
Na první pohled může slovo agent působit trochu neurčitě.
V běžné řeči si pod ním člověk může představit prostředníka, zástupce nebo někoho, kdo jedná za jiného. V AI se tento význam částečně zachovává. Agent je totiž systém, který v určitém prostředí něco dělá, vyhodnocuje situaci a podle určité strategie se rozhoduje, co udělá dál.
Právě to je důležité. Agent není definovaný tím, že „má umělou inteligenci“, ale tím, že v nějakém prostředí pozoruje, rozhoduje a jedná.
Agent je systém, který vnímá stav prostředí, volí akce a směřuje k určitému cíli. Na rozdíl od běžného modelu tedy nejde jen o výpočet odpovědi, ale o opakovaný cyklus pozorování, rozhodování a jednání.
Co představuje slovo agent?
Nejjednodušší je představit si agenta jako vykonavatele rozhodnutí.
Pokud máte běžný model, může dostat vstup a vrátit výstup. Například dostane text a odpoví na otázku. Agent jde o krok dál. Nejen že něco vyhodnotí, ale na základě toho také zvolí další akci.
Představte si například software, který:
- přečte nový e-mail,
- pozná, že jde o reklamaci,
- vyhledá související objednávku,
- navrhne odpověď,
- a pokud má oprávnění, předá věc dál správnému týmu.
To už není jen jednorázová odpověď modelu. To je sled kroků, které na sebe navazují. A právě takové chování se často označuje jako agentní.
Jaké jsou základní části agenta
Aby pojem agent dával smysl, je dobré ho rozložit na několik základních prvků.
- prostředí – svět nebo systém, ve kterém agent funguje,
- pozorování – informace, které agent o tomto prostředí získává,
- stav – aktuální situace, ze které agent vychází při rozhodování,
- akce – krok, který agent provede,
- cíl – výsledek, ke kterému má jeho chování směřovat,
- strategie – způsob, jak se rozhoduje, co udělá dál.
Někdy se přidává ještě paměť, plánování nebo schopnost využívat externí nástroje. Základní logika ale zůstává stejná. Agent není jen pasivní výpočet, ale systém, který v kontextu situace vybírá další krok.
Agent není totéž co model
Tohle je jeden z nejdůležitějších rozdílů.
Model je matematický nebo statistický mechanismus, který převádí vstup na výstup. Agent je širší celek, který může model používat jako jednu ze svých součástí.
Například velký jazykový model může odpovědět na otázku. Agent ale může tento model použít k tomu, aby:
- vyhodnotil zadání,
- rozhodl, jaké informace potřebuje dohledat,
- zavolal externí nástroj,
- zpracoval výsledek,
- a na konci provedl další krok nebo vytvořil finální odpověď.
Jinými slovy – model bývá mozek určité dílčí úlohy, ale agent je širší rozhodovací a akční vrstva, která může model zapojovat do většího procesu.
Model obvykle počítá odpověď. Agent naopak rozhoduje, jaké kroky provést, v jakém pořadí a s jakým cílem. Jeden agent tak může využívat jeden nebo i více modelů jako své vnitřní součásti.
Agent ve zpětnovazebním učení
Pojem agent se dlouhodobě používá hlavně ve zpětnovazebním učení. Právě tam má velmi přesný význam.
Agent se nachází v prostředí, pozoruje jeho stav, provádí akce a dostává zpětnou vazbu ve formě odměny. Postupně se pak učí takovou strategii, která mu v čase přinese co nejlepší výsledek.
Typickým příkladem může být:
- herní agent, který se učí hrát hru,
- robot, který se učí chodit nebo manipulovat s objekty,
- autonomní systém, který se učí řídit v simulovaném prostředí.
V tomto kontextu je agent učící se rozhodovací jednotka. Nejde o pasivní model, ale o systém, který neustále volí akce a nese důsledky svých rozhodnutí.
Agent v dnešní AI a LLM systémech
V posledních letech se pojem agent začal používat i v širším významu, hlavně kolem velkých jazykových modelů a automatizovaných workflow.
Tady už nemusí jít nutně o klasické zpětnovazební učení. Agent může být například systém, který:
- přijme složitější úkol,
- rozpadne ho na menší kroky,
- pracuje s pamětí nebo historií,
- volá nástroje, API nebo databáze,
- a podle výsledků se rozhoduje, co udělat dál.
Právě zde se objevují pojmy jako AI agent nebo agentic AI. Smyslem je odlišit systém, který jen generuje výstup, od systému, který umí samostatněji vykonávat více kroků a směřovat k cíli.
Na jednoduchém příkladu – chatbot vs. agent
Rozdíl bývá dobře vidět na srovnání běžného chatbota a agenta.
Běžný chatbot:
- dostane otázku,
- vygeneruje odpověď,
- a tím jeho role končí.
Už jste četli? Probionty x probionti
Agent:
- dostane úkol,
- vyhodnotí, co přesně je potřeba udělat,
- dohledá chybějící informace,
- může pracovat s více kroky za sebou,
- případně provede i akci v externím systému.
To neznamená, že každý chatbot je automaticky neagentní a každý složitější systém je automaticky agent. Rozdíl je hlavně v tom, zda systém skutečně volí další kroky a pracuje s úkolem aktivněji, nebo jen jednorázově vrací odpověď.
Když model jen odpoví, jde typicky o inferenci nad jedním vstupem. Když ale systém zvažuje další krok, plánuje, používá nástroje a reaguje na průběžné výsledky, začíná se chovat jako agent.
Co agent dělá v praxi
V praxi může agent plnit velmi různé role. Vždy ale platí, že nejde jen o generování textu nebo výpočet jedné odpovědi.
Agent může například:
- v zákaznické podpoře – třídit dotazy, dohledávat informace, navrhovat řešení a předávat složitější případy dál,
- v e-commerce – doporučovat další kroky, analyzovat chování uživatele nebo automatizovat část komunikace,
- v logistice – rozhodovat o trase, prioritě nebo rozdělení kapacit,
- v marketingu – vyhodnocovat kampaně, spouštět akce podle pravidel a upravovat další kroky podle výsledků,
- v interních firemních systémech – spojovat data z více zdrojů a pomáhat s automatizací opakujících se procesů.
Ve všech těchto případech je důležité, že agent nefunguje jako izolovaný výpočet, ale jako součást rozhodovacího toku.
Proč se o agentech mluví tolik právě teď
Důvod je poměrně jednoduchý. Moderní modely, hlavně jazykové, jsou dnes natolik silné, že je lze využívat nejen pro odpovídání, ale i jako řídicí vrstvu složitějších procesů.
Dříve bývala automatizace často pevně naprogramovaná. Systém měl přesně dané větve, podmínky a pravidla. Dnešní AI dokáže do takového procesu vnést větší pružnost. Umí pracovat s přirozeným jazykem, interpretovat zadání a zvolit další krok i v méně předvídatelné situaci.
Právě proto se pojem agent stal výrazně viditelnější. Nejde o úplně nový princip, ale o novou fázi jeho praktického využití.
Agent neznamená automaticky autonomní inteligenci
Tohle je důležité nepřeceňovat.
Když se dnes mluví o AI agentech, může to znít, jako by šlo o systémy s vlastní vůlí nebo skoro lidským uvažováním. Ve skutečnosti je ale většina agentů stále poměrně úzce vymezená.
Mají:
- konkrétní prostředí,
- určitý typ úkolu,
- omezené akce,
- a jasně nebo nepřímo definovaný cíl.
Agent tedy není automaticky obecná inteligence. Je to spíš praktický způsob, jak propojit pozorování, rozhodování a akci do jednoho funkčního celku.
Kde jsou limity agentů
Přestože pojem agent působí dynamicky a moderně, neznamená to, že agentní systém automaticky funguje dobře.
Limity bývají hlavně v těchto bodech:
- špatně definovaný cíl – agent může plnit něco jiného, než jsme chtěli,
- nekvalitní pozorování nebo data – špatné vstupy vedou ke špatným rozhodnutím,
- omezené nástroje – agent může vědět, co by chtěl udělat, ale nemusí to umět provést,
- slabé řízení rizik – čím více akcí může agent provádět, tím důležitější je kontrola a dohled,
- přecenění autonomie – systém může vypadat schopně, ale bez lidské kontroly dělat chybné nebo nebezpečné kroky.
Právě proto se u agentů neřeší jen jejich „chytrost“, ale i governance, omezení oprávnění, auditovatelnost a bezpečnost.
Agent není užitečný jen proto, že umí dělat více kroků. Skutečně užitečný je teprve tehdy, když má dobře vymezený cíl, spolehlivé vstupy, rozumné oprávnění a kontrolu nad tím, co dělá.
Jak si pojem agent zapamatovat
Agent si můžete představit jako systém, který nejen něco ví nebo spočítá, ale také podle toho jedná.
To je jeho hlavní odlišnost od běžnějšího modelu. Není to jen „stroj na odpovědi“, ale rozhodovací jednotka, která sleduje situaci, volí další krok a snaží se dojít k určitému cíli.
Právě proto je pojem agent důležitý. Pomáhá oddělit systémy, které jen vracejí výstup, od systémů, které už vstupují do aktivnějšího rozhodování a vykonávání úloh.
Související pojmy
- Zpětnovazební učení – právě zde má pojem agent svůj klasický technický význam jako rozhodovací jednotka, která v prostředí provádí akce a dostává zpětnou vazbu.
- Velký jazykový model (LLM) – v moderních AI systémech bývá LLM často jednou ze součástí agenta, ale sám o sobě není automaticky agentem.
- Generativní AI – agenti se dnes často staví právě nad generativními modely, které slouží jako jádro pro práci s jazykem, obsahem nebo rozhodováním.
- Policy – strategie, podle které agent rozhoduje, jakou akci v dané situaci provede.
- Reward – ve zpětnovazebním učení dává agentovi číselnou zpětnou vazbu o tom, zda jeho krok pomohl nebo uškodil.
- Agentic AI – širší označení pro systémy, které nejsou jen pasivními modely, ale umějí samostatněji plánovat kroky, využívat nástroje a směřovat k cíli.
