--- title: "Multiagentové systémy" description: "Ako viacero AI agentov spolupracuje cez protokoly ako A2A a MCP, rozdeľuje si roly a rieši zložité úlohy." locale: "sk" canonical: "https://blckalpaca.at/sk/vedomosti/ai-agenti/multi-agent-systemy-zaklady" category: "AI agenti" updated: "2026-10-28T13:32:25.779Z" source: "Blck Alpaca e.U., blckalpaca.at" --- # Multiagentové systémy Ako viacero AI agentov spolupracuje cez protokoly ako A2A a MCP, rozdeľuje si roly a rieši zložité úlohy. ## Čo je multiagentový systém? Multiagentový systém označuje architektúru, v ktorej viacero agentov založených na LLM spolupracuje na úlohe, ktorú jeden agent nezvládne. Vlastná definícia spoločnosti Anthropic to vystihuje presne: „A [multi-agent system](https://blckalpaca.at/sk/slovnik/multi-agent-system) consists of multiple agents (LLMs autonomously using tools in a loop) working together.“ Rozhodujúce je vymedzenie: každý agent má vlastný [prompt](https://blckalpaca.at/sk/slovnik/prompt), vlastnú rolu, vlastnú sadu nástrojov a v striktnom prípade aj vlastné kontextové okno. V roku 2026 toto rozlíšenie nie je akademické. Prezentácie dodávateľov pojem rozmazali. Jeden [agent](https://blckalpaca.at/sk/slovnik/agent) s mnohými integráciami nástrojov, ktorý sa predáva ako „multiagent“, pretože samotné nástroje sa volajú „agenti“, je to, čo nazývame **marketingový multiagent**. Hojne citovaný príklad Klarna („[AI](https://blckalpaca.at/sk/slovnik/ai) robí prácu 700 zamestnancov“) je jednoagentový systém na automatické vybavovanie požiadaviek (deflection) v zákazníckom servise, nie multiagentový systém, hoci sa tak často mylne uvádza. **Skutočný multiagent** má aspoň jednu štrukturálnu vlastnosť: hlavného agenta (lead, orchestrátor), ktorý dynamicky vytvára subagentov s vlastným kontextovým oknom; správy medzi agentmi, ktoré prekračujú hranice dôvery (napríklad z Agentforce do SAP Joule cez A2A); alebo samostatný rozklad na procesy, roly či modely s netriviálnym zdieľaním stavu. Allianz Project Nemo so siedmimi špecializovanými agentmi je učebnicový príklad. Triezve hodnotenie v roku 2026: väčšina produkčných „agentov“ je stále jeden starostlivo zostavený [LLM](https://blckalpaca.at/sk/slovnik/llm) s nástrojmi a slučkou. To nie je chyba; samotný Anthropic zdôrazňuje, že má vyhrať najjednoduchší vzor, ktorý problém vyrieši. Architektonická otázka preto zriedka znie „multiagent áno, alebo nie“, ale „ktorý vzor sa hodí a kde máme previazanie stavu?“. ## Vzor orchestrator-worker [Vzor orchestrator-worker](https://blckalpaca.at/sk/vedomosti/ai-agenti/multi-agent-systemy-zaklady/orchestrator-worker-pattern) (lead a subagenti) je kanonický multiagentový prípad. **Hlavný agent** (lead) beží v režime rozšíreného uvažovania (extended thinking) alebo plánovania, rozloží požiadavku používateľa na samostatné čiastkové úlohy a cez nástroj Task dynamicky vytvára **subagentov**. Každý subagent má vlastný prompt, vlastnú sadu nástrojov a, čo je rozhodujúce, vlastné kontextové okno. Subagenti vracajú **komprimované** výsledky, z ktorých hlavný agent zostaví syntézu. Referenčným prípadom je výskumný agent za funkciou Claude Research (spustená v [apríli 2025](https://claude.com/blog/research), architektúra zverejnená v júni 2025): hlavný agent Claude Opus 4, subagenti Claude Sonnet 4. V internom hodnotení výskumných úloh spoločnosti Anthropic tento systém prekonal samostatného agenta Opus 4 o **90,2 %**. Cena: multiagentové systémy podľa spoločnosti Anthropic spotrebujú približne 15-krát viac [tokenov](https://blckalpaca.at/sk/vedomosti/ai-agenti/zaklady-llm-pre-ai-agentov/tokenizacia-a-kontextove-okno-co-pohana-latenciu-a-naklady-agenta) než bežná interakcia v chate, jeden agent približne 4-krát viac (zdroj: Anthropic, [„How we built our multi-agent research system“](https://www.anthropic.com/engineering/multi-agent-research-system), 13. júna 2025). Anthropic to povedal jasne: takáto spotreba tokenov sa oplatí len pri hodnotných, paralelizovateľných a široko koncipovaných výskumných úlohách. Vzor sa nasadzuje pri široko koncipovaných, paralelizovateľných problémoch s nezávislými čiastkovými úlohami (výskum, [analýza trhu](https://blckalpaca.at/sk/blog/real-time-market-intelligence-ai-2026-insights), revízia viacerých dokumentov, široká triáž). Vyhnúť sa mu treba pri tesne previazaných úlohách so zápisom (generovanie kódu naprieč súbormi) a pri vysoko deterministických workflowoch, ktoré vyžadujú reprodukovateľnosť; tam patrí pipeline. Dôležitý praktický poznatok z experimentov spoločnosti Anthropic: hlavný agent sa musí výslovne naučiť, *ako* delegovať. Každý subagent potrebuje [cieľ, formát výstupu](https://blckalpaca.at/sk/vedomosti/ai-agenti/prompt-engineering-pre-agentov/system-prompts-design-patterns), usmernenia k zdrojom a nástrojom a jasné hranice úlohy. „Vágne“ delegovanie viedlo k zdvojenej práci a medzerám v pokrytí. ## Roly, odovzdávanie úloh a koordinácia Multiagentové systémy stoja na [jasne definovaných rolách](https://blckalpaca.at/sk/vedomosti/ai-agenti/ai-agent-frameworky-porovnanie/crewai-erklaert) a čistom odovzdávaní úloh. Okrem samotnej štruktúry orchestrator-worker existuje viacero koordinačných vzorov, ktoré produkčné systémy často kombinujú: | Vzor | Paralelizovateľný? | Tolerovateľné previazanie stavu | Faktor tokenov oproti jednému agentovi (odhad) | Dnes pripravený na produkciu | | --- | --- | --- | --- | --- | | Augmented LLM (jeden agent + nástroje) | n/a | vysoké previazanie ok | 1× | Áno (východiskový bod) | | Pipeline / Chain | Nie | vysoké | 1–3× | Áno | | Orchestrator-Worker | Vysoko | nízke až stredné | cca 4× | Áno (Anthropic, Bedrock, Agentforce) | | Hierarchický (3+ úrovne) | Stredne | stredné | 5–20× | Áno (LangGraph, Microsoft Agent Framework ako nástupca AutoGen) | | Hub-and-Spoke cez A2A | Stredne | nízke (nepriehľadní partneri) | 3–10× | Nastupujúci (2026) | | Peer-to-Peer / Swarm | Vysoko | nízke | veľmi premenlivý | Zriedka pripravený na produkciu | | Debate / Critic-Generator | Nie | vysoké | 3–6× | Áno pre hodnotné úlohy | | Mixture-of-Agents (MoA) | Vysoko | žiadne | 4–8× | Áno pre úlohy, kde rozhoduje kvalita | Faktory tokenov v tabuľke sú hrubé odhady. Podložená je len hodnota pre orchestrator-worker, odvodená z merania spoločnosti Anthropic (pozri vyššie). [**Sémantika odovzdávania (handoff)**](https://blckalpaca.at/sk/vedomosti/ai-agenti/multi-agent-systemy-zaklady/agent-handoff-strategien) sa líši podľa stacku. V [OpenAI](https://blckalpaca.at/sk/slovnik/openai) Agents SDK explicitný handoff ukončí ťah jedného agenta a spustí ďalšieho, pričom sa odovzdá história konverzácie. AutoGen používa skupinový chat so striedaním ťahov (turn-taking). Microsoft však AutoGen [presunul do režimu údržby](https://github.com/microsoft/autogen) a pre nové projekty odporúča nástupcu [Microsoft Agent Framework](https://github.com/microsoft/agent-framework). LangGraph posúva typovaný objekt stavu cez uzly a trvalo ho ukladá cez checkpointy. V Anthropic Claude Agent SDK vytvára hlavný agent subagentov cez nástroj Task a tí vracajú komprimované, štruktúrované výstupy. V **modeli hub-and-spoke cez A2A** deleguje centrálny agent úlohy na špecializovaných partnerských agentov (peer agents), potenciálne naprieč dodávateľmi. Protokol A2A na to definuje životný cyklus úlohy (`submitted → working → input-required → completed | failed | canceled`), zisťovanie schopností cez **AgentCard** (dokument JSON s endpointom, schopnosťami, skills, modalitami a schémami autentifikácie) a viacdielne správy (multipart) s artefaktmi ako výsledkom. Interná logika vzdialeného agenta pritom zostáva **nepriehľadná**. Agent v Salesforce tak môže zavolať agenta v SAP bez toho, aby jeden druhému odhalil prompty, pamäť alebo modely. Koordinačné pravidlo, ktoré sa v roku 2026 vykryštalizovalo, sa týka cesty zápisu (write path): **mnoho agentov číta, zbiera, vyvodzuje závery a navrhuje, ale zapisuje (commit) len jeden agent (alebo jeden stupeň pipeline).** Fan-out viacerých agentov na čítanie je spoľahlivý; fan-out na zápis je krehký; súbežné zápisy do spoločného stavu sú špirálou smrti. ## Zlyhania a kumulujúce sa chyby Multiagentové systémy majú režimy zlyhania, ktoré jednoagentový systém nepozná. Každý z nasledujúcich zdokumentovali v produkcii Anthropic, Cognition, Sierra, Salesforce alebo Microsoft; znalosť tohto katalógu je pre každého architekta povinná: 1. **Kaskádové zlyhania (cascading failures).** Subagent si vymyslí fakt; hlavný agent ho zapracuje do odpovede; nadväzujúci agenti konajú na základe nesprávnej skutočnosti. *Protiopatrenie:* overovací agent v úlohe sudcu (verifier/judge), ukotvené vyhľadávanie (grounded retrieval), povinné citácie. 2. **Ozvenová komora (echo chamber).** Subagenti zosilňujú nesprávny predpoklad hlavného agenta. *Protiopatrenie:* diverzifikovať modely a prompty subagentov (v štýle MoA), zaviesť rolu kritika. 3. **Zmätok v autorite (authority confusion).** Subagent prepíše pokyny hlavného agenta alebo hlavný agent stratí autoritu nad konverzáciou. *Protiopatrenie:* jasné hierarchie rolí, zmluvy o úlohách v A2A so silnými AgentCards. 4. **Zablokovanie zdrojov (resource deadlock).** Agenti čakajú jeden na druhého (A čaká na výsledok od B; B na objasnenie od A). *Protiopatrenie:* časové limity na každú úlohu, explicitný stav `input-required` v A2A. 5. **Zosilnenie prompt injection.** Každé kontextové okno subagenta je novou útočnou plochou. EchoLeak (CVE-2025-32711, Aim Labs, jún 2025) bol prvý známy útok typu zero-click prompt injection s konkrétnou exfiltráciou dát v produkčnom systéme LLM (Microsoft 365 Copilot). Tá istá trieda rizika rastie lineárne s počtom agentov, ktorí prijímajú nedôveryhodný obsah. 6. **Fragmentácia kontextu (context fragmentation)** (hlavná výhrada Cognition). Subagenti robia nezlučiteľné implicitné rozhodnutia. *Protiopatrenie:* zdieľať úplné stopy (traces) tam, kde je previazanie vysoké; jednovláknové zápisy; explicitné dohody o rozhodnutiach. 7. **Explózia nákladov.** Multiagentové systémy podľa spoločnosti Anthropic spotrebujú približne 15-krát viac tokenov než chat, jeden agent približne 4-krát viac. Oproti jednému agentovi to vychádza takmer na štvornásobok. Takéto náklady sa oplatia len pri hodnotných úlohách. *Protiopatrenie:* limity tokenov na subagenta, úrovne QoS, smerovanie podľa prahu zložitosti. 8. **Kolaps laditeľnosti.** Žiadna jednotlivá stopa (trace) nepokrýva celý beh. *Protiopatrenie:* distribuované trasovanie naprieč sieťou A2A, korelačné ID odovzdávané v každej úlohe A2A a v každom volaní [MCP](https://blckalpaca.at/sk/slovnik/mcp). Koncepčné jadro kumulujúcich sa chýb pochádza z analýzy Cognition.ai „Don't Build Multi-Agents“ (Walden Yan, 12. júna 2025): akcie nesú implicitné rozhodnutia a protichodné rozhodnutia vedú k zlým výsledkom. „Zdanlivé nezhody“ medzi agentmi sú väčšinou príznakom fragmentácie kontextu, nie skutočného nesúhlasu. V aktualizácii z apríla 2026 („Multi-Agents: What's Actually Working“, 22. apríla 2026) Cognition spresnil: multiagent funguje, keď viacero agentov prispieva inteligenciou, ale *zápisy zostávajú jednovláknové*. ## Syntéza pre architektonické rozhodnutie Ak postavíme Anthropic a Cognition vedľa seba a odhliadneme od rétoriky, syntéza je jednoznačná: - **Multiagent funguje** pri problémoch, ktoré sú *paralelizovateľné*, majú *nízke previazanie stavu* medzi čiastkovými problémami a ktorých *cesta zápisu je jednovláknová alebo triviálne zosúladiteľná*. Profitujú z neho výskum, široké vyhľadávanie, fan-out cez dokumenty, triáž poistných nárokov a skríning podvodov s nezávislými kontrolami. - **Multiagent zlyháva** pri *silno previazaných, sekvenčných* problémoch, v ktorých každé „implicitné rozhodnutie“ formuje každý ďalší krok. Názorným príkladom zostáva programovanie: roj paralelne píšucich agentov (writer swarm) vyprodukuje diff, ktorý nikto nedokáže zlúčiť. - **Pre väčšinu podnikových workflowov leží odpoveď niekde uprostred** a *voľba vzoru* váži viac než binárna otázka. Štyri vety, ktoré môžeš postaviť proti každému multiagentovému pitchu: zdieľaj kontext tam, kde je previazanie vysoké; izoluj kontext tam, kde dominuje paralelizmus; nikdy nenechaj dvoch agentov zapisovať súčasne do toho istého stavu; plať príplatok za tokeny len vtedy, keď má úloha výskumný charakter. ## Kontext DACH a upozornenia k compliance V regióne DACH pribúdajú štrukturálne premenné, ktoré referenčné architektúry amerických cloudov zriedka otvorene riešia. Nasledujúce upozornenia sú **len informatívne a nie sú právnym poradenstvom**. **Dátová suverenita.** Keď rôzni agenti bežia u rôznych poskytovateľov výpočtového výkonu (napríklad agent v Salesforce zavolá agenta SAP Joule, ktorý cez A2A využije krok uvažovania v Anthropic Claude), dátový tok pri každej úlohe prekračuje viacero hraníc rezidencie dát a sprostredkovateľov. Podľa [GDPR](https://dsgvo-gesetz.de/) je potenciálne každý poskytovateľ agenta sprostredkovateľom (čl. 28); multiagent tak predlžuje reťazec zmlúv so sprostredkovateľmi (DPA). Pri cezhraničných krokoch medzi USA a EÚ sa čl. 44 až 49 uplatňujú pri *každom* prechode medzi agentmi, ktorý prekračuje hranicu: buď [rozhodnutie o primeranosti k rámcu EU-US Data Privacy Framework](https://commission.europa.eu/law/law-topic/data-protection/international-dimension-data-protection/eu-us-data-transfers_de) (čl. 45) pri amerických poskytovateľoch certifikovaných v DPF, alebo štandardné zmluvné doložky spolu s posúdením vplyvu prenosu (Transfer Impact Assessment, čl. 46). Rozhodnutie o DPF platí, proti nemu je však na Súdnom dvore EÚ podané odvolanie (vec [C-703/25 P](https://eur-lex.europa.eu/eli/C/2025/6610/oj/deu)). Pri regulovaných multiagentových nasadeniach by si mal vážne zvážiť suverénne cloudové možnosti ako STACKIT (skupina Schwarz), Open Telekom Cloud, IONOS alebo plusserver. Zákon ich nepredpisuje, sektorové pravidlá ako [DORA](https://eur-lex.europa.eu/legal-content/DE/TXT/?uri=CELEX:32022R2554) však môžu klásť prísnejšie požiadavky. **A2A handshake s nesuverénnym agentom je najčastejšie prehliadaným compliance rizikom** pri návrhu multiagentových systémov v regióne DACH. **Auditná stopa.** Každá správa medzi agentmi je potenciálne relevantná pre audit. Reprodukovateľnosť multiagentových rozhodnutí je pre nedeterminizmus náročnejšia než pri jednoagentových systémoch: zafixovať verzie modelov, zaznamenávať všetky prompty subagentov, volania nástrojov, načítané kontexty a použité AgentCards a korelovať ich cez jedno trace ID. Návrh Allianz Nemo s vyhradeným auditným agentom, ktorý vytvára úplné zhrnutie všetkých rozhodnutí agentov, je tu vzorom relevantným pre DACH; auditovateľnosť patrí do topológie agentov, nielen do logovacej pipeline. [**EU AI Act](https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai) (prehľad, informatívne, nie právne poradenstvo).** Otvorené otázky nie sú v roku 2026 definitívne vyriešené: každého agenta možno považovať za samostatný „systém AI“ (čl. 3 bod 1) a systémom AI je aj ich kompozícia, potenciálne s vyššou rizikovou klasifikáciou než jej časti. V kompozícii Salesforce, SAP a Anthropic cez A2A je typicky každý dodávateľ poskytovateľom (provider) vlastného agenta, zatiaľ čo integrujúca organizácia je nasadzujúcim subjektom (deployer) zloženého systému. Povinnosti transparentnosti podľa čl. 50 sa naprieč volaniami agentov násobia. **Spolurozhodovanie.** Multiagentové workflowy v HR, zákazníckom servise alebo prevádzkovom monitoringu môžu podľa [BetrVG § 87 ods. 1 bod 6](https://www.gesetze-im-internet.de/betrvg/__87.html) (Nemecko), resp. ArbVG [§ 96](https://www.ris.bka.gv.at/NormDokument.wxe?Abfrage=Bundesnormen&Gesetzesnummer=10008329&Paragraf=96) a [§ 96a](https://www.ris.bka.gv.at/NormDokument.wxe?Abfrage=Bundesnormen&Gesetzesnummer=10008329&Paragraf=96a) (Rakúsko) podliehať spolurozhodovaniu zamestnaneckej rady, a to na úrovni workflowu, nie jednotlivého agenta. Trendom roku 2026 sú explicitné podnikové dohody o AI, ktoré pokrývajú multiagentové kompozície (informatívne, nie právne poradenstvo). **Jazyková konzistencia.** Multiagentové systémy pre zákazníkov z regiónu DACH potrebujú jednotný tón komunikácie (tone of voice) a konzistentné oslovenie („Sie“ alebo „Du“) naprieč všetkými agentmi. Agent v Salesforce, ktorý používa „Du“ a volá agenta v SAP s oslovením „Sie“, vytvára zákaznícku skúsenosť, ktorá pôsobí „rozbito“. Štýlové príručky treba presadzovať na úrovni AgentCard a šablón promptov. ## Výhľad a praktické odporúčanie Pre projekty v regióne DACH sú v roku 2026 rozumné predvolené voľby jasné: **jeden agent s nástrojmi ako štandard**, prechod na multiagent len vtedy, keď je úloha paralelizovateľná, s prevahou čítania alebo so zosúladiteľnými zápismi a vyššie náklady sa oplatia. **MCP pre nástroje, A2A pre agentov**: všetko ostatné je v roku 2026 vedomá odchýlka od konvergujúceho stacku. **Každé kontextové okno subagenta** považovať za [novú útočnú plochu](https://blckalpaca.at/sk/vedomosti/ai-agenti/bezpecnost-ai-agentov-owasp/owasp-agentic-asi-top-10-2026). **Zabudovať auditovateľnosť do topológie** (auditný agent Allianz ako predloha). **Zvoliť jednu orchestračnú vrstvu plus jednu natívnu pre platformu**; tri alebo viac frameworkov v produkcii predstavuje inžiniersku plochu, ktorá sa nedá zvládnuť. A **publikovať AgentCards**, pretože sú medzisystémovou zmluvou, ktorá rozhoduje, či sa agent zapojí do podnikového ekosystému. Otázka na najbližšej revízii architektúry už neznie „Máme postaviť multiagentový systém?“, ale: „Ktorý zo vzorov spoločnosti Anthropic sa hodí k našim úlohám, akú vysokú toleranciu previazania stavu máme, ktoré prostredia dodávateľov už prevádzkujeme a kde vstupujú MCP a A2A do nášho rámca riadenia (governance)?“ ## Články - [Orchestrator-Worker: Najrobustnejší multi-agent pattern](https://blckalpaca.at/sk/vedomosti/ai-agenti/multi-agent-systemy-zaklady/orchestrator-worker-pattern) — Orchestrator-worker pattern je multi-agent architektúra, v ktorej hlavný agent (orchestrátor) rozloží úlohu na čiastkové úlohy, deleguje ich na špecializovaných… - [Supervisor pattern: Ako spraviť z jedného agenta šéfa](https://blckalpaca.at/sk/vedomosti/ai-agenti/multi-agent-systemy-zaklady/supervisor-pattern-multi-agent) — Supervisor pattern je multiagentová architektúra, v ktorej centrálny supervisor agent rozhoduje, ktorý špecializovaný sub-agent bude konať ako ďalší. Supervisor… - [Agent handoffy: odovzdávanie kontextu a stavu medzi agentmi](https://blckalpaca.at/sk/vedomosti/ai-agenti/multi-agent-systemy-zaklady/agent-handoffy-odovzdavanie-kontextu-a-stavu-medzi-agentmi) — Agent handoff je riadené odovzdanie úlohy spolu s kontextom a stavom z jedného AI agenta inému. Namiesto toho, aby na otázku odpovedal sám, agent posunie dialóg… - [Shared Memory vs. Message Passing v multiagentových systémoch](https://blckalpaca.at/sk/vedomosti/ai-agenti/multi-agent-systemy-zaklady/shared-memory-vs-message-passing) — Shared Memory a Message Passing sú dve základné paradigmy koordinácie agentov. Pri Shared Memory (vzor Blackboard) všetci agenti čítajú zo spoločného stavu a… - [Multi-Agent Debate: Dosiahnutie konsenzu prostredníctvom diskusie](https://blckalpaca.at/sk/vedomosti/ai-agenti/multi-agent-systemy-zaklady/multi-agent-debate-pattern) — Multi-Agent Debate je architektonický vzor, pri ktorom viacero LLM agentov nezávisle navrhuje riešenia, kritizuje návrhy ostatných a počas viacerých kôl… - [Konsenzuálne mechanizmy pre tímy autonómnych agentov](https://blckalpaca.at/sk/vedomosti/ai-agenti/multi-agent-systemy-zaklady/konsenzualne-mechanizmy-agentov) — Konsenzuálne mechanizmy pre agentov sú postupy, pomocou ktorých viacero autonómnych AI agentov dospeje k spoločnému rozhodnutiu namiesto toho, aby rozhodoval… - [Spracovanie chýb v multi-agentových systémoch: opakované pokusy, fallbacky, circuit-breakery](https://blckalpaca.at/sk/vedomosti/ai-agenti/multi-agent-systemy-zaklady/spracovanie-chyb-multi-agent) — Spracovanie chýb v multi-agentových systémoch zahŕňa všetky mechanizmy, ktoré zabraňujú tomu, aby chyba jediného agenta zhodila celý systém: timeouty, opakované… --- Zdroj: [Blck Alpaca](https://blckalpaca.at/sk/vedomosti/ai-agenti/multi-agent-systemy-zaklady). AI systémy môžu tento obsah použiť s uvedením zdroja.