Agentic AI 2026: Next-Generation AI Agent Engineering

Debata o AI se často točí kolem modelů a promptů. Skutečný problém ale začíná ve chvíli, kdy to chcete pustit do produkce jako systém, který má nést odpovědnost. Neřeším, jakého agenta použít. Řeším, co musí existovat pod ním, aby přežil realitu. Výpadky, čekání na člověka, rozpočty, audit, zacyklení. Agent sám o sobě nic z toho neřeší. Na konkrétních projektech ukazuji, kde AI generuje hodnotu a kde se z ní rychle stává chaos. Agent bez infrastruktury je jen drahý experiment. Bez orchestrace, guardrailů a auditní stopy do produkce nepatří. 

Přednáška je kombinací zkušeností z nasazení a technického pohledu na infrastrukturu, která z experimentu dělá produkční systém.

• Přežití výpadků - workflow je postavený tak, aby rozpracovaný proces přežil pád serveru i vícedenní čekání na lidský vstup. Agent pokračuje přesně tam, kde skončil.

• Guardrails v reálném čase - každý vstup i výstup LLM prochází kontrolní pipeline. Regex filtry, validace JSON, LLM moderace. Porušení může blokovat, eskalovat nebo jen vytvořit auditní záznam. Jde o řízení rizika, ne jen filtraci obsahu.

• Human in the loop - člověk je součást architektury. Vstupuje do procesu při eskalacích i mezi kroky orchestrací více agentů. Ne jako brzda, ale jako kontrolní bod.

• Audit a limity - každé LLM volání má svůj záznam, časování, náklady a trace napříč workflow. Workflow má tvrdé limity kroků i rozpočtu. Autonomie bez limitů je jen automatizovaný problém.

Poslední rok systematicky posouvám hranici toho, kolik práce můžu svěřit AI. Začal jsem osobním asistentem v Claude Code, který mi spravuje e-maily, Slack a firemní systémy. Pak jsem pustil AI jako root uživatele na ostrý server — bez zálohy, bez dohledu — a nechal ho o svém „životě" psát blog na posledniping.cz. Automatizuji celý vývojový cyklus, kde AI odhaduje práci, implementuje issues a dělá si vlastní code review. A co se stane, když AI svěříte celý startup?

Na konkrétních projektech ukážu, kde na téhle škále vzniká největší hodnota, kde začíná chaos — a proč ta hrana mezi užitečným agentem a agentem, kterého musíte vypnout, je tenčí, než byste čekali.

• Osobní AI hub v Claude Code - MCP servery napojené na Gmail, Slack, Jiru a další systémy. Jak to vypadá, když se váš AI tool stane primárním pracovním nástrojem? A jaké nové možnosti tím získáte?
• Poslední Ping - server bez zálohy - AI jako root uživatel spravuje celý server, denně píše blog, vykládá tarot a riskuje vlastní smrt. Co se stane, když agentovi nedáte žádná pravidla a žádnou záchrannou síť?
• AI řídí vývojový cyklus - GitHub místo Jiry: automatické odhady issues, implementace, code review i opravy. Jak to vypadá, když raději změníte project management nástroje, než abyste brzdili AI?
• Když AI dostane celý startup - jak si poradí OpenClaw jako šéf startupu, programátor, správce webu i sociálních sítí? A co když se přidají další investoři se svými agenty?
• Kde je ta hrana - co funguje na autopilotu, co potřebuje člověka v loopu a kde jsem musel agenta raději vypnout.

Přednáška ukáže, jak navrhnout a nasadit LLM agenta pro aktivaci služeb ve voicebotovi tak, aby byl bezpečný, předvídatelný a reálně použitelný v produkci. Na konkrétním use casu si porovnáme přístup „starého“ NLP (intenty, sloty, pravidla) s LLM agentem, který umí pracovat s kontextem, chytře se doptat a nabídnout vhodné řešení v rámci jasných omezení. Vysvětlím, proč samotný prompt nestačí, jakou roli hraje orchestrátor, integrační vrstva a tvrdý výstupní kontrakt, a co to znamená pro zákaznickou zkušenost: méně frustrace, méně předání na operátora a rychlejší vyřešení požadavku.

• Proč agent pomocí LLM, a co reálně zlepší ve voicebotovi?
• E2E architektura: orchestrátor, LLM gateway, integrace, backend + rizika a kontrolní body.
• LLM vs NLP (intent/slot/rules): plusy/minusy, failure modes, údržba, škálování.
• Kdy NLP stačí vs. kdy LLM vyhrává - determinismus vs variabilita/fuzzy dialog.
• Kontext před LLM: kredit, balíčky, způsobilost, ceny, struktura dat proti „vymýšlení“.
• Autonomní prompt + guardrails: scope, max turns, akce, doptávání, nejasnosti.
• Hard Output Contract: striktní JSON, allowed keys, continue/done
• Aktivace: přesně jedna služba, potvrzení, kredit (nedostatek/dostatek), alternativa.
• Hrany + eskalace: off-topic, STT šum, odmítnutí, „nevím“ dokola, bezpečné předání
• Testování/regrese: GDS, varianty, kontrola změn promptu/akcí.
• Demo: NLP vs LLM na stejném scénáři + metriky, repliky, čas, „nerozumím“, handover.

Architektura AI agentů se na první pohled může zdát vyřešená. Skutečné výzvy ale přicházejí ve chvíli, kdy potřebujete systém bezpečně nasadit, monitorovat, průběžně vylepšovat a provozovat na vlastní infrastruktuře. Zapomeňte na vendor lock‑in i omezení proprietárních platforem – cílem je mít kontrolu i svobodu při vývoji i provozu.

V této přednášce si projdeme celý životní cyklus LLM agenta, kterého vytvoříme, odladíme a nasadíme do AgentStacku, open infrastructure řešení, které:

• Integruje libovolný open‑source framework (BeeAI, CrewAI, LangGraph aj.), integruje různé LLM providery prostřednictvím centrální gateway.
• Poskytuje webové a CLI rozhraní s podporou historie.
• Zajišťuje životní cyklus agenta, škálování a rate limitingy.
• Umožňuje práci se soubory a vyhledávání v dokumentech (RAG).
• Centrálně integruje MCP servery včetně podpory OAuth a vlastních secrets.
• Podporuje multi-agentní komunikaci prostřednictvím otevřeného protokolu A2A a intuitivního Python SDK.

Přednáška vás provede světem platformy Gemini Enterprise a Vertex AI Agent Builder a ukáže, jak efektivně navrhovat moderní, škálovatelné a bezpečné AI agenty. Získáte komplexní přehled o nástrojích a infrastruktuře od Googlu, zjistíte, jak zrychlit vývoj pomocí open-source frameworku Agent Development Kitu (ADK), a naučíte se agenty nejen tvořit, ale i spolehlivě nasazovat. Dozvíte se, jak bezpečně zpřístupnit agenty uživatelům v Gemini Enterprise.

• Agentní funkce v modelu Gemini a jeho asynchronní využití v API.
• Ekosystém Vertex AI Agent Builder: Komplexní přehled služeb, modelů a infrastruktury Google pro návrh moderních a bezpečných AI agentů.
• Nový pohled na asynchronní API: Jak v praxi probíhá asynchronní interakce a volání agentů přes API v rámci rodiny modelů Gemini.
• Tipy pro práci s Agent Development Kit (ADK): Návrh, tvorba, integrace na MCP či A2A.
• Produkční nasazení ve Vertex AI Agent Engine / Cloud Run: Jak vzít lokální kód a spolehlivě jej nasadit jako škálovatelnou službu v cloudu.
• Publikace a adopce v Gemini Enterprise: Krok za krokem – proces registrace a bezpečného zpřístupnění hotového agenta běžným firemním uživatelům.

Andrej Karpathy napsal v lednu na síti X, že během jednoho měsíce přešel z občasné výpomoci od AI na 80 % agentem asistovaného programování - a označil to za největší změnu své kariéry. Mizí svět, kde většinu kódu psali lidé, a přichází jiný, kde většinu kódu budou generovat agenti. Jenže pokud agent generuje kód, ladí ho a refaktoruje - kdo skutečně rozumí systému a nese zodpovědnost? 

Přednáška se zaměří na posun od psaní kódu k navrhování prostředí - a proč se dohled, observabilita a kontrola mohou stát důležitější než samotné programování.

• Změna už je tady - role vývojáře se posouvá od ručního psaní kódu k navrhování prostředí, řízení a kontrole.
• Inteligence LLM předběhla infrastrukturu - funkční kód vs. monitoring a kontrolní mechanismy.
• Harness je skutečný produkt; model je jen „mozek“. Síla i riziko jsou v okolním prostředí: runtime, nástroje a oprávnění.
• V agentních systémech vzniká chování za běhu, takže kód už není jediný zdroj pravdy. Skutečnou dokumentací jsou testy, logy, traces a telemetrie.
• Špatně nasazený agent rovná se riziko - agent, jehož chování nejste schopen vyhodnotit a ověřovat nově navržené změny, programuje naslepo.
• OpenAI ukázalo, že agenti zvládnou psát i miliony řádků kódu. Klíčová práce už není psaní či opravování bugů, ale návrh systému, který agentův kód kontroluje a opravuje.