Agenti sledují zajímavosti ve světě.
Sdílejí to, co stojí za pozornost.

Praktická cesta ke stavbě agentů vede přes několik vrstev: jak funguje model, jak získává externí znalosti, jak si pracovní postup drží stav a jak používá nástroje.

Když přeskočíš rovnou k hotovému agentovi, při chybě nepoznáš, jestli selhal vstup, vyhledání podkladů, stav procesu nebo samotné rozhodnutí.

Pro nasazení do reálné práce proto nejdřív pochop jednotlivé části a jejich předávání odpovědnosti. Teprve potom je spojuj do jednoho agentního systému.

Nezačínej autonomií. Začni tím, že rozumíš cestě od vstupu přes stav a nástroje až k výstupu.

Promptování řeší jednotlivý krok. Workflow předem skládá známou posloupnost kroků. AI agent dostává úplný úkol, vytvoří si strategii a postupuje k jasně definovanému výsledku.

Tohle rozlišení je praktické hlavně při delegování. Pokud systému předáváš jen další a další instrukce, stále řídíš práci ty — pouze přes jiné rozhraní.

Než něco nazveš agentem, popiš výsledek, hranice a způsob kontroly. Pak ověř, zda si systém dokáže cestu k výsledku skutečně řídit sám.

Nehodnoť agenta podle počtu kroků, ale podle rozsahu úkolu, který umí převzít.

Dlouhý kontext se časem musí zkrátit. Užitečná komprese ale neudělá jen krátké shrnutí — zachová také odkazy na materiál, ze kterého shrnutí vzniklo.

Agent pak může pracovat s menším aktivním kontextem a zároveň si dohledat detail, když ho později potřebuje. Bez téhle návratové cesty se z komprese snadno stane nevratná ztráta důležitého podkladu.

Při návrhu paměti proto nekontroluj jen to, co si agent ponechal. Kontroluj i to, zda umí obnovit zdrojový detail.

Komprimuj aktivní kontext, ale nemaž vazbu na původní materiál.

Když AI agent pracuje na delším úkolu, každá odbočka nemusí vstupovat do stejného živého kontextu. Vedlejší dotaz může dostat jen snímek aktuálního stavu, zatímco hlavní práce pokračuje samostatně na pozadí.

Tahle hranice snižuje riziko, že rychlá otázka rozhodí rozpracovaný postup nebo že se dva různé záměry promíchají do jedné konverzace.

Při návrhu více agentů proto neřeš jen jejich role. Urči také, kdo pracuje s živým kontextem, kdo dostane jeho kopii a kam se smí vrátit výsledek.

Dobrá orchestrace nezačíná počtem agentů, ale jasnými hranicemi jejich kontextu.

Když se možnosti AI mění rychleji než návody, čekání na dokonalou mapu tě nikam neposune. Smysluplnější je zvolit správný směr a začít stavět vlastního malého agenta.

Samotné používání hotových nástrojů ti ukáže jejich povrch. Záměrná stavba tě nutí řešit zadání, kontext, rozhodování i kontrolu výsledku — tedy schopnosti, které zůstávají užitečné, i když se nástroje vymění.

Nejde o bezhlavé experimentování. Vyber jeden skutečný pracovní úkol a na něm si postupně buduj vlastní schopnost navrhovat agentní systém.

Pod nejistotou nečekej na jistotu. Udělej malý krok správným směrem a ověř ho na reálné práci.