Vyhledávání pro AI agenty: jak dostat do kontextu správné podklady

TL;DR

• AI agent může zahltit svůj kontext už při hledání podkladů. Pomáhá nejdřív najít relevantní místo a teprve potom načíst potřebný úsek.
• LangChain na Deep Agents ukazuje ukládání rozsáhlých výsledků do souborů a rozdělení jejich čtení mezi pomocné agenty. Hlavní agent pak pracuje s vybranými zjištěními.
• U vlastní rešerše ověř, zda agent našel správný subjekt, dodržel časové období a doložil závěry původními zdroji. Kratší souhrn sám o sobě správnost nezaručuje.

Zadáš agentovi přehled změn u konkurence za poslední týden. Má přístup k poznámkám, archivu zpráv i tabulce tržních údajů. Přesto může odevzdat přehled opřený o starý článek nebo přehlédnout důležitou novinku. Záleží totiž také na tom, jak podklady hledá a které z nich si načte pro další práci.

Kontextové okno je omezený prostor pro informace, se kterými model právě pracuje. Pokud ho zaplní celé dokumenty a neúspěšná hledání, zbývá méně místa na porovnání zjištění a přípravu odpovědi. Při návrhu agenta proto potřebuješ rozhodnout, co má číst hned, co až na vyžádání a co do výsledku vůbec nepatří.

LangChain v průvodci z 23. října 2026 popisuje tento přístup na Deep Agents, prostředí pro řízení práce agentů a jejich nástrojů. Pro tým, který staví rešeršního pomocníka, je užitečná především zásada: výběr podkladů začíná už způsobem vyhledávání.

Nejdřív najdi místo, potom čti obsah

Představ si, že potřebuješ dohledat poslední poznámky ke konkrétní firmě. Pokud agent postupně otevře všechny soubory ve složce, načte si i mnoho nepotřebného textu. Vhodnější je nejprve hledat podle názvu souboru nebo konkrétního výrazu a otevřít až odpovídající část.

Deep Agents k tomu podle průvodce obsahují nástroje glob pro hledání názvů souborů, grep pro hledání textových shod a read_file pro čtení vybraného úseku. Agent tak může najít řádek s požadovaným údajem a přečíst jeho okolí, místo aby načítal celou tabulku.

Přesná textová shoda ale nestačí na každou otázku. Zpráva o uzavření investičního kola nemusí obsahovat slovo, které agent zadal při hledání financování. Pro takovou úlohu se hodí vyhledávání podle významu. Strukturovaný údaj zase může být lepší získat přímo dotazem do databáze.

Praktické rozhodnutí tedy zní: znáš konkrétní název nebo výraz, hledáš významově související zprávy, nebo potřebuješ přesný údaj z tabulky? Každá z těchto situací může vyžadovat jiný nástroj.

Rozsáhlé výsledky nech dostupné mimo hlavní kontext

I správně položený dotaz může vrátit příliš mnoho obsahu. Průvodce popisuje, že Deep Agents ukládají nadměrné výsledky nástrojů do souborů a agentovi vracejí cestu k souboru s krátkou ukázkou. Potřebné části si pak může dočíst.

Stejný princip lze zabudovat do vlastního vyhledávacího nástroje: nalezené dokumenty uloží a vrátí jejich umístění. Samotné uložení ovšem ještě nevyřeší výběr. Pokud hlavní agent následně přečte všechny soubory celé, znovu si kontext zaplní.

Proto průvodce přidává pomocné agenty. Každý dostane konkrétní soubor a otázku, přečte podklad ve vlastním kontextu a vrátí klíčová zjištění se zdrojem. Hlavní agent z nich sestaví odpověď a podle potřeby zadá další hledání.

To dává smysl například při porovnávání několika firem. Je ale vhodné zachovat možnost návratu k původnímu dokumentu: stručný souhrn může vynechat podmínku, která mění význam zjištění. Rozdělení čtení také samo o sobě nedokládá nižší celkovou cenu ani vyšší přesnost.

Aktuálnost a správný zdroj musíš ověřovat zvlášť

Článek o jiné firmě s podobným názvem může být krátký a dobře shrnutý, přesto do přehledu nepatří. Stejně tak stará zpráva neodpoví na otázku, co se změnilo minulý týden.

Pro pravidelný přehled proto doporučujeme vymezit sledované období už při vyhledávání a u každého podstatného zjištění zachovat datum a odkaz. Pokud agent hledá pouze v dávno aktualizovaném archivu, potřebuje přístup k novějším podkladům. Další shrnování starého obsahu tento nedostatek neodstraní.

Získaný text navíc může obsahovat pokyny, které se snaží agenta odvést od zadání, tedy prompt injection. Průvodce upozorňuje, že samotné znění instrukcí ani oddělení textu značkami takovému útoku plně nezabrání. Podklady je třeba chápat jako data a ověřovat, zda závěrečná tvrzení odpovídají citovaným zdrojům.

Začni jednou otázkou se známou odpovědí

Než přestavíš celého rešeršního agenta, vyber jednu otázku, u které znáš správný dokument i odpověď. Mezi podklady ponech také starší verzi a text o podobně pojmenované firmě. Sleduj, co agent vyhledal, co skutečně přečetl a na čem založil závěr.

Takový pokus ti pomůže rozlišit chybu hledání od chyby při zpracování nalezeného textu. Pokud správný dokument vůbec nenašel, uprav zdroj nebo způsob dotazování. Pokud ho našel, ale závěr opřel o starší podklad, zaměř se na výběr a ověření informací. Pro začátek chtěj doložit jediný údaj: odkud pochází a proč odpovídá zadanému období.

Zdroj

Jess Weng, LangChain: Context Engineering Starts with Retrieval, 23. října 2026