5 komponentov AI Agenta – vysvetlené
AI Agent pozostáva z piatich kľúčových komponentov: LLM-Core ako Reasoning-Engine, Memory (krátkodobá a dlhodobá), Tools (API, MCP-servery, Code-Sandbox), Planner na rozklad cieľa a Executor, ktorý vykonáva Tool-Calls a presadzuje Guardrails. Tieto komponenty spolupracujú v iteratívnom loope – Perceive, Reason, Act, Observe –, aby autonómne sledovali zadaný cieľ.
Key Takeaways
- ✓Plnohodnotný AI Agent spája päť komponentov: LLM-Core, Memory, Tools, Planner a Executor – ak jeden z nich chýba, ide spravidla o chatbota, Workflow alebo Assistant.
- ✓LLM-Core je Reasoning-Engine: dynamicky rozhoduje o ďalšom kroku a voľbe nástroja (Tool) – primárne riadenie nepreberá žiadny deterministický kód.
- ✓Loop Perceive→Reason→Act→Observe (koncepčný základ: ReAct, Yao et al. 2022) je princíp fungovania, ktorý iteratívne prepája päť komponentov, kým sa cieľ nedosiahne alebo nepreruší.
- ✓Memory rozlišuje krátkodobú (Konversations-Context) a dlhodobú (Vektor/RAG/Files); Tools siahajú od Function-Calls cez API až po MCP-servery a Code-Sandbox.
- ✓Stupne zrelosti L1–L5 siahajú od reflexného bota na báze pravidiel až po koordinovaný Multi-Agent-System; skutočná autonómia začína až pri L4, keď LLM dynamicky riadi poradie a voľbu nástroja (Tool).
- ✓Executor manažuje Turns, Loop-Limits a Guardrails – vrátane Human-in-the-Loop pri nezvratných akciách, čo je relevantné pre DACH-Compliance.
Aké sú komponenty AI Agenta?
AI Agent je softvérový systém na báze (Large) Language Modelu, ktorý autonómne sleduje zadaný cieľ: vníma svoje prostredie, plánuje viacstupňovo, samostatne vyberá a používa externé nástroje, pozoruje výsledky a svoj plán iteratívne prispôsobuje. Technicky sa táto schopnosť dá zredukovať na päť kľúčových komponentov, ktoré spolupôsobia v pevnom cykle.
Tri najdôležitejšie body na úvod:
- Päť komponentov je povinných. LLM-Core, Memory, Tools, Planner a Executor musia spolupôsobiť. Ak jeden z nich chýba, ide spravidla o chatbota, Workflow alebo Assistant/Copilot – nie o Agenta.
- Riadi LLM, nie kód. Poradie krokov a voľba nástroja (Tool) vznikajú dynamicky počas behu (runtime). Práve to odlišuje Agenta od deterministickej pipeline.
- Loop drží všetko pohromade. Perceive → Reason → Act → Observe je princíp fungovania, ktorý komponenty prepája a iteratívne prechádza, kým sa cieľ nedosiahne alebo nepreruší.
5 kľúčových komponentov detailne
1. LLM-Core (Reasoning-Engine). Jazykový model je mozog Agenta. Interpretuje cieľ, plánuje ďalší krok a prostredníctvom Function-Callingu rozhoduje, ktorý nástroj (Tool) sa zavolá. Anthropic tu robí čisté rozlíšenie: pri Agentoch riadi LLM cestu a Tool-Use dynamicky, pri Workflows prebiehajú preddefinované code-cesty.
2. Memory. Agenti potrebujú pamäť na dvoch úrovniach. Krátkodobá pamäť je Konversations-Context aktuálneho behu (ktoré kroky sa už urobili, aké výsledky sú k dispozícii). Dlhodobá pamäť sa typicky realizuje prostredníctvom vektorových databáz, RAG alebo Files a sprístupňuje vedomosti aj mimo jednotlivých relácií.
3. Tools. Tools sú ruky Agenta – rozhranie k vonkajšiemu svetu. Patria sem Function-Calls, REST-API, prístupy k databázam, prehliadač, Code-Sandbox a čoraz častejšie MCP-servery (Model Context Protocol). Až vďaka nástrojom (Tools) môže Agent skutočne konať nad rámec čistého textového výstupu.
4. Planner. Planner rozkladá nadradený cieľ na čiastkové kroky. Deje sa to buď implicitne v LLM (model si poradie premyslí sám), alebo explicitne ako graf, resp. State-Machine, ako to umožňujú frameworky typu LangGraph.
5. Executor. Executor vykonáva Tool-Calls zvolené LLM-om, manažuje jednotlivé Turns a presadzuje bezpečnostné hranice: Loop-Limits proti nekonečným slučkám, Guardrails a – pri nezvratných akciách – Human-in-the-Loop. Je to komponent, ktorý robí autonómiu kontrolovateľnou.
Reasoning-Loop: Perceive → Reason → Act → Observe
Päť komponentov rozvíja svoj účinok až v cykle:
- Perceive – Agent prijíma Input, cieľ, Context a Memory.
- Reason – LLM-Core plánuje: ktorý krok, ktorý nástroj (Tool) ako ďalší?
- Act – Executor vykoná Tool-Call, volanie API alebo kód.
- Observe – Výsledok sa prečíta a zapíše do Memory.
Potom Agent overí: je cieľ dosiahnutý? Ak nie, vracia sa späť k Perceive. Koncepčným základom tohto loopu je paradigma ReAct (Yao et al. 2022), ktorá prepletá Reasoning a Acting.
Konkrétny príklad: Recherche-Agent
Zamestnanec poverí Agenta: „Nájdi troch najväčších konkurentov na DACH-trhu a zhrň ich cenové modely.“ Perceive: Agent prečíta zadanie. Reason: LLM-Core rozhodne najprv spustiť webové vyhľadávanie. Act: Executor zavolá vyhľadávací nástroj (Tool). Observe: Výsledky pristanú v Memory. LLM rozpozná, že chýbajú detailné stránky, v ďalšom Turne zavolá Browser-Tool, extrahuje ceny, zapíše ich do Memory – a na záver vytvorí zhrnutie. Nikto poradie krokov vopred nenaprogramoval; LLM ho určilo počas behu (runtime). Práve v tom je rozdiel oproti rigidnému Workflow.
Stupne zrelosti L1–L5: Od reflexu k Multi-Agent-System
Nie každý „agentický“ systém je rovnako autonómny. Päťstupňová škála zrelosti pomáha pri zaradení:
Stupeň | Typ | Charakteristika | Príklad |
|---|---|---|---|
L1 | Reflex | Na báze pravidiel, žiadne LLM-riadenie | FAQ-Bot |
L2 | Augmented LLM | LLM + jeden samostatný Tool-Call, reaktívny | LLM s vyhľadávacou funkciou |
L3 | Workflow-Agent | LLM v deterministickej pipeline (Prompt-Chaining, Routing) | Klasifikovaný ticket-flow |
L4 | Autonómny Agent | LLM dynamicky riadi poradie + voľbu nástroja (Tool), plný Loop | Claude Code, Deep Research |
L5 | Multi-Agent-System | Viacero autonómnych Agentov sa koordinuje cez A2A (Orchestrator + špecialisti) | Koordinované tímy špecialistov |
Rozhodujúce: skutočná cieľovo orientovaná autonómia začína až pri L4. Pri L1–L3 je cesta celkom alebo čiastočne vopred určená – tu je často Workflow alebo Assistant úprimnejšia a lacnejšia voľba. Pri L5 sa viacero Agentov koordinuje prostredníctvom A2A-protokolu (od júna 2025 pri Linux Foundation, 150+ organizácií), čo prináša ďalšie riziká, ako sú Compounding Errors.
Stupeň zrelosti a trhová realita
Architektúra znie mocne – škálovanie však ostáva náročné. Podľa McKinsey State of AI 2025 škáluje aspoň jeden agentický Use Case zatiaľ len 23 % firiem, ďalších 39 % experimentuje; v žiadnej funkcii nepresahuje podiel škálovaných Agentov 10 %. To podčiarkuje: viac komponentov a vyššie stupne zrelosti znamenajú aj viac údržby (Prompts, Tools, Evals, modely) – pilot by preto mal začať v malom, read-only a s jasným ROI.
Záver
Päť komponentov – LLM-Core, Memory, Tools, Planner, Executor – a loop Perceive→Reason→Act→Observe sú spoločný základ každého AI Agenta. Kto ich pozná, dokáže odhaliť „agent washing“ a pre každý Use Case zvoliť vhodný stupeň zrelosti namiesto toho, aby z princípu staval najkomplexnejšiu architektúru.
Často kladené otázky
Akých päť komponentov má AI Agent?
Aký je rozdiel medzi krátkodobou a dlhodobou Memory?
Čo znamená loop Perceive→Reason→Act→Observe?
Od ktorého stupňa zrelosti ide o skutočného Agenta?
Na čo slúži Executor?
Potrebujem pre každý Use Case plne autonómneho Agenta?
Ísť hlbšie?
Získajte nové analýzy priamo do schránky – alebo sa pozrite, ako tieto poznatky nasadzujeme pre firmy.