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.

Lektor kurzu

JAROSLAV ČECH

Jaroslav Čech je zkušený softwarový architekt a AI konzultant s více než 30 lety praxe v IT. Spolupracoval se společnostmi BMW, O2, ČEZ či PPL a stál u zrodu úspěšné platformy mluvii.

Více o lektorovi

Dnes se specializuje na AI agenty, RAG systémy, podnikové AI integrace a nástroje GitHub Copilot a Codex. Ve svých kurzech propojuje hluboké technické znalosti s praktickými zkušenostmi z reálných projektů a předává účastníkům postupy okamžitě využitelné v praxi.

Cílová skupina

• vývojáři,
• IT specialisté a
• techničtí architekti

Cíle kurzu

• funkční prototyp agenta s nástroji, řízeným stavem, bezpečnostními omezeními a základními testy.

Osnova kurzu

1. Úvod do Agentic AI a volba správného přístupu 

• Co je agent a čím se liší od chatbotu, řetězce volání a pevně definovaného workflow.
• Agentní smyčka: zadání → rozhodnutí → nástroj → vyhodnocení výsledku → další krok.
• Deterministický kód a autonomní rozhodování: jak je kombinovat.
• Kdy workflow postačí a kdy agent přináší skutečnou výhodu.
• Současné směry: reasoning modely, multimodalita, dlouhodobé úlohy a práce na pozadí.
• Typické scénáře: zpracování dokumentů, research, znalostní asistenti, IT diagnostika a podnikové procesy.
• Rozdíl mezi působivou demonstrací a spolehlivým provozním řešením.

2. Stavební kameny agenta: model, kontext, stav a paměť 

• Architektura: model + instrukce + nástroje + stav + řídící smyčka.
• Agent harness: prostředí zajišťující běh agenta, provádění nástrojů, oprávnění a obnovu práce.
• Volba modelu podle kvality, rychlosti, ceny a schopnosti používat nástroje.
• Zadání cíle, omezení, kritérií úspěchu a podmínek ukončení.
• Context engineering: výběr relevantních instrukcí, historie, dokumentů a výsledků nástrojů.
• Rozdíl mezi kontextovým oknem, pracovním stavem úlohy a dlouhodobou pamětí.
• Paměť v souborech, relační databázi nebo vektorovém úložišti; aktualizace a zapomínání.
• Strukturované výstupy, JSON Schema a věcná validace.
• Checkpointy, kompakce kontextu a pokračování po přerušení

3. Nástroje, MCP, skills a práce s daty 

• Function calling: návrh názvu, popisu, parametrů a výsledku nástroje.
• Validace vstupů, srozumitelné chyby, timeouty a bezpečné opakování volání.
• MCP: klient, server, tools, resources a prompts.
• Skills: opakovaně použitelné instrukce, postupy a skripty; rozdíl oproti nástroji a MCP.
• Integrace filesystemu, databáze, REST/Graph API a vyhledávání.
• Agent + RAG: volba zdroje, přeformulování dotazu a iterativní dohledávání.
• Rozhodování mezi SQL, fulltextem, vektorovým vyhledáváním a přímým API.
• Shell a computer use: možnosti, omezení a volba vhodného rozhraní.
• Autentizace a oprávnění při přístupu k podnikovým datům.

4. Praktická implementace jednoduchého agenta

Úloha: Agent pro zpracování příchozího dokumentu

Agent načte dokument, určí jeho typ a jazyk, získá potřebné informace a podle situace dohledá podklady, uloží výsledek nebo předá případ člověku.

• Práce s připravenou kostrou aplikace v jednom vybraném SDK.
• Definice cíle, povolených akcí a výstupního schématu.
• Zapojení tří nástrojů: načtení dokumentu, vyhledání podkladů a uložení metadat.
• Dynamická volba dalšího kroku podle úplnosti a konzistence vstupu.
• Práce se stavem a evidence použitých zdrojů.
• Ošetření nedostupného nástroje, neplatného výsledku a chybějících údajů.
• Omezení počtu kroků a rozpočtu; předání neřešitelného případu člověku.
• Ověření skutečně uloženého výsledku.

5. Hotová agentní prostředí: Dots, OpenClaw a podobné nástroje 

• Zadání jednotlivého úkolu vs. dlouhodobé odpovědnosti.
• Plánované spouštění, události, proaktivní upozornění a lidské schválení.
• Připojování nástrojů, dat a pracovních postupů.
• Kde běží agent, kde model a kam se přenášejí data.
• Rozdíl mezi self-hosted asistentem a plně lokálním zpracováním.
• Hotový produkt vs. vlastní agent: integrace, kontrola, náklady a údržba.

6. Multi-agentní systémy a dlouhodobé úlohy 

• Kdy specializace a paralelizace přinesou výhodu.
• Manager/worker, předávání úloh a paralelní zpracování nezávislých částí.
• Předávání kontextu, strukturované kontrakty a odpovědnost za konečný výsledek.
• Izolace pracovního stavu a řešení konfliktů.
• Kontrolní agent: přínos a limity; shoda více modelů není důkaz správnosti.
• Úlohy na pozadí, checkpointy a obnovení po chybě.
• Náklady koordinace a situace, kdy postačí jeden agent.

7. Bezpečnost, evaluace a observability 

• Prompt injection v dokumentech, webových stránkách a výsledcích nástrojů.
• Únik dat, otrávení paměti a rizika pluginů, skills a MCP serverů.
• Minimální oprávnění, oddělení čtení a zápisu, sandbox a správa tajemství.
• Vynucování pravidel v kódu a infrastruktuře.
• Schvalování významných akcí, omezení rozpočtu a možnost agenta zastavit.
• Idempotence: jak zabránit opakovanému zápisu nebo odeslání.

Ověřování kvality a diagnostika

• Malá testovací sada: běžný případ, chybějící data, selhání nástroje a škodlivá instrukce.
• Kontrola výsledného stavu, správnosti dat a dodržení oprávnění.
• Deterministické kontroly, lidské hodnocení a limity LLM-as-a-judge.
• Tracing: volání nástrojů, změny stavu, chyby, latence a náklady.
• Audit akcí a podkladů; rozdíl oproti internímu chain-of-thought.
• Regresní testy po změně modelu, promptu nebo nástroje.

8. Od prototypu k pilotu a závěrečná diskuze 

• Rozhodovací rámec: klasický kód × workflow × agent × více agentů.
• Anti-patterns: agent bez jasného cíle, zbytečná autonomie a nekontrolované nástroje.
• Výběr prvního projektu podle přínosu, dostupnosti dat a dopadu případné chyby.
• Metriky pilotu: úspěšnost úloh, počet lidských zásahů, čas a cena za dokončený úkol.
• Provozní odpovědnost, aktualizace, monitoring a návrat k předchozí verzi.
• Diskuze nad scénáři účastníků a doporučený další postup.

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 znalost programování
• API
• používání LLM