5 komponentov AI agenta: vysvetlenie

Aké sú komponenty AI agenta?

AI agent je softvérový systém postavený na (veľkom) jazykovom modeli, ktorý autonómne sleduje zadaný cieľ: vníma svoje prostredie, plánuje vo viacerých krokoch, samostatne vyberá a používa externé nástroje, pozoruje výsledky a svoj plán iteratívne upravuje. Technicky sa táto schopnosť opiera o päť kľúčových komponentov, ktoré spolupracujú v pevnom cykle.

Tri najdôležitejšie body na úvod:

• Všetkých päť komponentov je povinných. LLM jadro, pamäť, nástroje, plánovač a vykonávací modul musia spolupracovať. Ak jeden z nich chýba, ide spravidla o chatbota, workflow alebo asistenta/kopilota, nie o agenta.
• Riadi LLM, nie kód. Poradie krokov a výber nástrojov vznikajú dynamicky počas behu. Práve tým sa agent líši od deterministickej pipeline.
• Slučka drží všetko pohromade. Perceive → Reason → Act → Observe je princíp fungovania, ktorý prepája komponenty a iteratívne nimi prechádza, kým sa cieľ nedosiahne alebo kým sa beh nepreruší.

5 kľúčových komponentov podrobne

1. LLM jadro (mechanizmus uvažovania). Jazykový model je mozog agenta. Interpretuje cieľ, plánuje ďalší krok a cez volanie funkcií (function calling) rozhoduje, ktorý nástroj sa zavolá. Anthropic tu jasne rozlišuje: pri agentoch riadi LLM cestu aj používanie nástrojov dynamicky, pri workflowoch prebiehajú vopred definované cesty v kóde.

2. Pamäť (memory). Agenti potrebujú pamäť na dvoch úrovniach. Krátkodobá pamäť je konverzačný kontext aktuálneho behu (ktoré kroky sa už vykonali, aké výsledky sú k dispozícii). Dlhodobá pamäť sa typicky realizuje cez vektorové databázy, RAG alebo súbory a sprístupňuje vedomosti naprieč reláciami.

3. Nástroje (tools). Nástroje sú ruky agenta, jeho rozhranie k vonkajšiemu svetu. Patria k nim volania funkcií, REST API, prístupy k databázam, prehliadač, sandbox na spúšťanie kódu a čoraz častejšie MCP servery (Model Context Protocol). Až vďaka nástrojom môže agent skutočne konať nad rámec samotného textového výstupu.

4. Plánovač (planner). Plánovač rozkladá nadradený cieľ na čiastkové kroky. Deje sa to buď implicitne v LLM (model si poradie premyslí sám), alebo explicitne ako graf, prípadne stavový automat (state machine), ako to umožňujú frameworky typu LangGraph.

5. Vykonávací modul (executor). Vykonávací modul spúšťa volania nástrojov, ktoré zvolilo LLM, riadi jednotlivé kolá (turns) a stráži bezpečnostné hranice: limity iterácií proti nekonečným slučkám, ochranné mechanizmy (guardrails) a pri nevratných akciách Human-in-the-Loop. Je to komponent, vďaka ktorému zostáva autonómia pod kontrolou.

Slučka uvažovania: Perceive → Reason → Act → Observe

Päť komponentov sa naplno uplatní až v cykle:

1. Perceive (vnímanie): agent prijme vstup, cieľ, kontext a obsah pamäte.
2. Reason (uvažovanie): LLM jadro plánuje, ktorý krok a ktorý nástroj nasleduje.
3. Act (konanie): vykonávací modul spustí volanie nástroja, volanie API alebo kód.
4. Observe (pozorovanie): výsledok sa prečíta a zapíše do pamäte.

Potom agent overí, či je cieľ dosiahnutý. Ak nie, vráti sa k Perceive. Koncepčným základom tejto slučky je paradigma ReAct (Yao et al. 2022), ktorá prepája uvažovanie a konanie (reasoning a acting).

Konkrétny príklad: rešeršný agent

Zamestnanec zadá agentovi úlohu: „Nájdi troch najväčších konkurentov na trhu DACH a zhrň ich cenové modely.“ Perceive: agent prečíta zadanie. Reason: LLM jadro rozhodne, že najprv spustí webové vyhľadávanie. Act: vykonávací modul zavolá vyhľadávací nástroj. Observe: nájdené výsledky sa uložia do pamäte. LLM zistí, že chýbajú detailné stránky, v ďalšom kole zavolá nástroj prehliadača, extrahuje ceny, zapíše ich do pamäte a na záver vytvorí zhrnutie. Poradie krokov nikto vopred nenaprogramoval; LLM ho určilo až počas behu. Práve v tom je rozdiel oproti pevnému workflowu.

Stupne zrelosti L1–L5: od reflexu k multiagentovému systému

Nie každý „agentický“ systém je rovnako autonómny. Pri zaradení pomáha päťstupňová škála zrelosti:

Rozhodujúce je, že skutočná autonómia zameraná na cieľ začína až pri L4. Pri L1–L3 je cesta úplne alebo čiastočne určená vopred. Tu je workflow alebo asistent často realistickejšou a lacnejšou voľbou. Pri L5 sa viacero agentov koordinuje cez protokol A2A (od júna 2025 v správe Linux Foundation, 150+ organizácií), čo prináša ďalšie riziká, napríklad kumulovanie chýb (compounding errors).

Stupeň zrelosti a trhová realita

Architektúra znie pôsobivo, škálovanie však zostáva náročné. Podľa McKinsey State of AI 2025 uvádza 23 % respondentov, že ich firma škáluje aspoň jeden agentický AI systém. Ďalších 39 % hlási prvé experimenty s agentmi. V žiadnom firemnom útvare neuvádza viac ako 10 % respondentov, že v ňom ich firma škáluje agentov. To podčiarkuje, že viac komponentov a vyššie stupne zrelosti znamenajú aj viac údržby (prompty, nástroje, evaluácie, modely). Pilotný projekt by preto mal začať v malom, s prístupom len na čítanie (read-only) a s jasným ROI.

Záver

Päť komponentov (LLM jadro, pamäť, nástroje, plánovač, vykonávací modul) a slučka Perceive→Reason→Act→Observe tvoria spoločný základ každého AI agenta. Kto ich pozná, dokáže odhaliť „agent washing“ a pre každý prípad použitia zvoliť vhodný stupeň zrelosti namiesto toho, aby z princípu staval čo najzložitejšiu architektúru.