Proaktivní AI agent: co potřebuje, aby se ozval ve správnou chvíli

TL;DR

• Proaktivní AI agent může pracovat díky pravidelnému spouštění: v určený čas zkontroluje podklady a rozhodne, zda má něco udělat nebo tě upozornit.
• Plánovač určuje čas spuštění. Užitečnost agentské práce závisí na zadání, dostupném kontextu a pravidlech pro upozornění.
• Začni jednou opakovanou kontrolou. Předem určuj, co si zaslouží zprávu, kdy má agent mlčet a které kroky musí předat ke schválení.

Každé ráno procházíš otevřené zakázky a hledáš, kde se blíží termín, ale pořád chybí podklady od klienta. Agent by tuhle kontrolu mohl udělat před tebou a ozvat se jen tam, kde je potřeba rozhodnout. Aby to zvládl, potřebuje kromě přístupu k zakázkám také čas spuštění a jasné zadání, co považovat za problém.

Právě spojení pravidelného spouštění a úsudku agenta vysvětluje velkou část toho, co se označuje jako proaktivní AI. Pro malý tým je to užitečný návrhový princip: jednu konkrétní kontrolu lze agentovi svěřit opakovaně, aniž bys mu pokaždé psal novou zprávu.

Plánovač určí čas, agent posoudí situaci

LangChain v článku z 28. října 2026 popisuje proaktivní agenty postavené na cronu, tedy mechanismu pro spouštění úloh podle časového rozvrhu. Plánovač například jednou za hodinu spustí agenta s pokynem projít nové informace a hledat další krok k zadanému cíli.

Je dobré rozlišit dvě části práce. Naplánované spuštění zajistí, že kontrola vůbec proběhne. Agent pak podle zadání vyhodnotí obsah: zda zpráva souvisí s důležitou zakázkou, zda se blíží termín nebo zda už nastal důvod tě vyrušit.

Pokud potřebuješ jen připomenout schůzku v pevný čas, může stačit běžná připomínka. Agentský přístup dává smysl tam, kde se musí posoudit proměnlivé podklady. U zakázek například nestačí znát datum odevzdání. Je potřeba zjistit také to, zda klient už dodal slíbené dokumenty.

Takto navržený agent navíc nemusí nepřetržitě vyhodnocovat každou změnu. Mezi kontrolami může čekat. Z toho plyne praktický důsledek: interval spouštění vybírej podle toho, jak dlouhé zpoždění si u dané práce můžeš dovolit.

Stejný mechanismus obslouží paměť i návrat k úkolu

Zdroj ukazuje několik využití plánovaných spuštění. Agent může pravidelně projít předchozí rozhovory a uložit důležité poznatky do dlouhodobé paměti. Může kontrolovat nové zprávy v e-mailu či Slacku a vybírat ty, které stojí za pozornost. Nebo se v určený čas vrátit k rozpracovanému úkolu.

Plánování se dá využít i při koordinaci více agentů. Řídicí agent nemusí stále čekat na dokončení dílčí práce. Může si naplánovat další kontrolu a později zjistit, jak úkol pokračuje.

Pro vlastní použití je podstatné, že každé z těchto spuštění potřebuje jiné zadání. Pokyn k aktualizaci paměti má určit, co si uchovat. Kontrola zpráv zase potřebuje kritéria důležitosti. Samotné častější spouštění tato rozhodnutí nevyřeší.

Co zajišťuje Managed Deep Agents

Popsaná architektura má dvě hlavní části: spolehlivou službu pro plánování a rozhraní, přes které může agent s plány pracovat v povoleném rozsahu. Plánovač musí umět předat zadání a potřebná oprávnění. Při větším počtu souběžných úloh má podle autora také mírně rozložit jejich starty, aby se zátěž nesešla v jediném okamžiku.

Managed Deep Agents, provozované prostřednictvím LangSmith Deployments, nabízejí vestavěné plánování dvěma způsoby:

• Pevný plán v definici agenta. Vývojář například nastaví přehled obchodních výsledků na každé pracovní ráno.
• Plán vytvořený za běhu. Agent dostane nástroje, kterými může na požádání uživatele vytvořit opakovanou úlohu nebo jednorázovou pozdější kontrolu.

Ukázky zahrnují také vypsání a odstranění plánů aktuálního uživatele. Plánované spuštění podle popisu pracuje s konverzací a pamětí navázanou na identitu, která plán vytvořila. To je důležité pro týmové použití: vedle otázky „kdy se agent spustí“ potřebuješ vědět také „s čí pamětí a oprávněními bude pracovat“.

U zakázky nastav důvod k upozornění

Vraťme se k ilustrativní kontrole otevřených zakázek. Zadání „každé ráno zkontroluj projekty“ nechává příliš mnoho rozhodnutí na agentovi. Pro první pokus doporučujeme vymezit tři věci:

• Podklady: který přehled zakázek a které související zprávy smí agent číst.
• Důvod ke zprávě: například blížící se termín, u kterého stále chybí slíbený podklad.
• Povolený výsledek: upozornění s odkazem na podklady a návrh dalšího kroku; odeslání zprávy klientovi čeká na tvoje schválení.

Součástí zadání má být i možnost neozvat se. Pokud agent při každé kontrole pošle obecný souhrn, může ti přidat další čtení místo toho, aby pomohl s rozhodnutím. U opakovaných kontrol proto doporučujeme určit také to, kdy už hlášený problém připomenout znovu.

To jsou doporučení pro návrh úlohy, nikoli doložené výchozí chování Managed Deep Agents. Zdroj ukazuje mechanismus plánování, ale nedokládá, jak přesně bude agent vybírat důležité situace ve tvých datech.

První pokus hodnoť podle užitečných zásahů

Vyber jednu kontrolu, kterou dnes opakuješ ručně, a nech agenta připravovat upozornění vedle svého běžného postupu. Porovnej, co zachytil, co přehlédl a které zprávy byly zbytečné. Sleduj také cenu opakovaných spuštění.

Teprve podle výsledků uprav interval a zadání. Pokud agent přehlíží podstatné souvislosti, častější spouštění mu samo o sobě nepomůže. Pokud rozhoduje správně, ale ozývá se pozdě, může být problém právě v rozvrhu.

Začni otázkou: kterou opakovanou kontrolu bys přestal dělat ručně, kdyby ti agent spolehlivě oznámil jen případy vyžadující tvoje rozhodnutí?

Zdroj

Nathan Drezner, LangChain: Why aren’t you building proactive agents yet?, 28. října 2026