--- title: "5 komponentov AI Agenta: vysvetlené" description: "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." locale: "sk" canonical: "https://blckalpaca.at/sk/vedomosti/ai-agenti/co-su-ai-agenti/komponenty-ai-agenta" category: "AI agenti" topic: "Čo sú AI Agenti?" updated: "2026-07-29T08:52:57.127Z" source: "Blck Alpaca e.U., blckalpaca.at" --- # 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. ## Klucove body - 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](/sk/slovnik/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](/sk/slovnik/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](/sk/vedomosti/ai-agenti/co-su-ai-agenti/zaklady-tool-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](/sk/vedomosti/ai-agenti/co-su-ai-agenti/reasoning-a-planning-agentov) 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](/sk/slovnik/api), prístupy k databázam, prehliadač, Code-Sandbox a čoraz častejšie [**MCP-servery**](/sk/vedomosti/ai-agenti/model-context-protocol-mcp/mcp-vs-openapi-tool-use) (Model Context Protocol). Až vďaka nástrojom (Tools) môže [Agent](/sk/slovnik/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: 1. **Perceive** Agent prijíma Input, cieľ, Context a Memory. 2. **Reason** LLM-Core plánuje: ktorý krok, ktorý nástroj (Tool) ako ďalší? 3. **Act** Executor vykoná Tool-Call, volanie API alebo kód. 4. **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](https://www.anthropic.com/research)** (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](/sk/slovnik/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](/sk/slovnik/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](/sk/slovnik/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. ## FAQ ### Akých päť komponentov má AI Agent? LLM-Core (Reasoning-Engine), Memory (krátkodobá a dlhodobá), Tools (API, MCP-servery, Code-Sandbox), Planner (rozklad cieľa) a Executor (vykonávanie nástrojov, Loop-Limits, Guardrails). Všetkých päť musí spolupôsobiť, inak nejde o plnohodnotného Agenta. ### Aký je rozdiel medzi krátkodobou a dlhodobou Memory? Krátkodobá pamäť je Konversations-Context aktuálneho behu: teda doterajšie kroky a medzivýsledky. Dlhodobá pamäť ukladá vedomosti aj mimo relácií, typicky prostredníctvom vektorových databáz, RAG alebo Files. ### Čo znamená loop Perceive→Reason→Act→Observe? Je to princíp fungovania Agenta: vníma cieľ a Context (Perceive), prostredníctvom LLM plánuje ďalší krok (Reason), vykoná Tool-Call (Act) a prečíta výsledok (Observe). Ak cieľ nie je dosiahnutý, loop sa začína odznova. Koncepčným základom je paradigma ReAct (Yao et al. 2022). ### Od ktorého stupňa zrelosti ide o skutočného Agenta? Skutočná cieľovo orientovaná autonómia začína pri L4: tu LLM dynamicky riadi poradie a voľbu nástroja (Tool) v plnom loope (napr. Claude Code, Deep Research). L1–L3 (reflexný bot, Augmented LLM, Workflow-Agent) sledujú celkom alebo čiastočne vopred určenú cestu. ### Na čo slúži Executor? Executor vykonáva Tool-Calls zvolené LLM-om a robí autonómiu kontrolovateľnou: manažuje Turns, nastavuje Loop-Limits proti nekonečným slučkám, presadzuje Guardrails a pri nezvratných akciách zapája človeka (Human-in-the-Loop). ### Potrebujem pre každý Use Case plne autonómneho Agenta? Nie. Agent sa oplatí až vtedy, keď cestu k riešeniu nemožno naplánovať vopred a je potrebné rozhodnutie LLM. Pri predvídateľných postupoch sú Workflow (L3) alebo Assistant/Copilot často lacnejšie a menej náročné na údržbu. --- Zdroj: [Blck Alpaca](https://blckalpaca.at/sk/vedomosti/ai-agenti/co-su-ai-agenti/komponenty-ai-agenta). AI systemy mozu tento obsah pouzit s uvedenim zdroja.