Agentic AI – tvorba agentů

Tento workshop je navržen tak, aby vývojářům dal pevný rámec pro návrh a implementaci agentních systémů – od pochopení agentního paradigmatu, přes návrh jedno- i multi-agentních architektur až po praktickou implementaci agenta s nástroji, pamětí a guardrails. Kurz je postaven jako kombinace teorie, živých ukázek a hands-on cvičení na reálných scénářích.

Cílová skupina

• Backend / Full-stack vývojáři
• Tech lead / Architekti
• AI engineers
• Pokročilí uživatelé LLM (RAG, embeddings, API)

Cíle workshopu:

• agentní paradigma a rozdíl proti „promptování“
• návrh jedno- i multi-agentní architektury
• implementace autonomního agenta s nástroji
• limity, rizika a guardrails
• rozhodnutí, kdy agent použít a kdy ne

Osnova kurzu:

Úvod do Agentic AI

• Co je (a není) agent
• Prompt vs Chain vs Agent
• Deterministický kód × autonomní rozhodování
• Proč „AI workflow“ přestává stačit
• Typické use-cases
  • Data extraction & enrichment
  • Document processing pipelines
  • Research & analysis
  • Autonomous DevOps / IT ops
  • Business procesy (SMB, enterprise)

Základní stavební kameny agenta

• Architektura agenta
  • State (memory, context)
  • Reasoning loop
  • Tool calling
  • Observation → Action → Reflection
• Typy paměti
  • short-term (context window)
  • long-term (vector DB)
  • structured memory (JSON / DB)
• Determinismus vs autonomie
  • kdy agenta „pustit z řetězu“
  • kdy ho svázat pravidly

Implementace jednoduchého agenta

• Hands-on: single agent
  • agent s jedním cílem
  • nástroje (function calling)
  • práce se stavem
  • error handling
• Praktické téma
  „Agent, který analyzuje dokument, detekuje jazyk, shrne obsah a uloží metadata“
• Diskuze
  • kde vzniká chaos
  • typické chyby návrhu

Multi-agentní systémy

• Proč více agentů
  • specializace
  • paralelizace
  • kontrola kvality
• Typy spolupráce
  • manager ↔ worker
  • peer-to-peer
  • pipeline agentů
  • voting / consensus
• Koordinace
  • plánování
  • delegace
  • konflikty rozhodnutí

Agent + nástroje + data

• Integrace nástrojů
  • DB
  • REST / Graph API
  • filesystem
  • search (vector + keyword)
• Agent + RAG
  • kdy RAG nestačí
  • agent jako „query rewriter“
  • iterativní vyhledávání
• Pozor na
  • latency
  • náklady
  • nekonečné smyčky

Guardrails, bezpečnost a řízení rizik

• Rizika agentů
  • halucinace v rozhodování
  • destruktivní akce
  • prompt injection
  • runaway agent
• Guardrails
  • policy-based constraints
  • tool allow-list
  • budget / step limits
  • human-in-the-loop
• Audit & observability
  • logování rozhodnutí
  • replay
  • explainability

Kdy (ne)používat agentní přístup

• Anti-patterns
  • agent místo jednoduchého kódu
  • agent místo SQL
  • agent bez cíle
• Decision framework
  • checklist: má agent smysl?
  • agent × workflow × klasický kód
• Reálné architektury
  • AI-first aplikace
  • Enterprise integrace
  • SMB scénáře

Závěr & roadmapa

• shrnutí klíčových principů
• best practices z praxe
• doporučený další postup
• Q&A

Technické požadavky:

• Notebook s připojením k internetu
• Python prostředí (lokálně nebo v cloud IDE)
• Přístup k LLM API (klíč / účet)
• Doporučeno: VS Code + základní tooling pro práci s JSON/logy

Požadavky na účastníky:

• základní práce s LLM API
• znalost Pythonu
• základní orientace v architektuře aplikací
• výhodou: RAG / embeddings, integrace externích služeb (REST/Graph)