Orchestrator-Worker: Najrobustnejší multi-agent pattern

Orchestrator-worker pattern je multi-agent architektúra, v ktorej hlavný agent (orchestrátor) rozloží úlohu na čiastkové úlohy, deleguje ich na špecializovaných worker agentov, z ktorých každý má vlastné kontextové okno, a ich komprimované výsledky zlúči do finálnej odpovede. Anthropic ho v článku „Building effective agents“ opisuje ako jeden z piatich workflowov a používa ho ako architektúru svojho multi-agent výskumného systému. Medzi multi-agent vzormi sa považuje za najrobustnejší, pretože obchádza najčastejší zdroj chýb distribuovaných agentov.

• Čo sa deje: orchestrátor plánuje a rozkladá úlohu, workeri pracujú paralelne a nezávisle, orchestrátor agreguje výsledky a ako jediný zapisuje.
• Na čo sa hodí: paralelizovateľné úlohy s nízkou previazanosťou medzi čiastkovými úlohami, napríklad rešerš, sledovanie trhu, revízia viacerých dokumentov, široká triáž.
• Na čo sa nehodí: úzko previazané, sekvenčné úlohy so zápisom, ako je generovanie kódu naprieč viacerými súbormi alebo komplexné transakčné workflowy.

Ako vzor funguje

Orchestrátor beží v plánovacom režime alebo v režime extended thinking. Prijme požiadavku, rozloží ju na diskrétne, navzájom nezávislé čiastkové úlohy a pre každú spustí worker agenta cez nástroj Task alebo subagent tool. Rozhodujúca je striktná izolácia: každý worker má vlastný prompt, vlastnú sadu nástrojov a predovšetkým vlastné kontextové okno. Workeri robia rešerš, volajú nástroje a uvažujú nezávisle od seba. Namiesto kompletných transkriptov vracajú orchestrátorovi len komprimovaný výsledok, z ktorého orchestrátor syntetizuje finálnu odpoveď.

Táto architektúra je presným opakom nedisciplinovaného roja agentov. Kontexty workerov sú oddelené, aby bol paralelizmus vôbec možný. Cesta zápisu však zostáva jednovláknová: fragmenty zlučuje len orchestrátor. Práve táto kombinácia, izolovaní workeri na čítanie plus jednovláknová syntéza, robí vzor odolným.

Prečo sa považuje za najrobustnejší multi-agent pattern

Robustnosť vyplýva z inžinierskej diskusie roka 2025. Spoločnosť Cognition v článku „Don't Build Multi-Agents“ (12. júna 2025) argumentovala, že paralelní sub-agenti sú štandardne krehkí, pretože fragmentujú svoj kontext. Viacero agentov, ktorí zapisujú súčasne, robí protichodné implicitné rozhodnutia, napríklad o štýle alebo hraničných prípadoch, a produkuje výsledky, ktoré už nikto nedokáže zlúčiť. Ústredná téza spoločnosti Cognition: akcie nesú implicitné rozhodnutia a protichodné rozhodnutia vedú k zlým výsledkom („Actions carry implicit decisions, and conflicting decisions carry bad results“). Príčinou takýchto konfliktov je fragmentácia kontextu.

Práve tu nastupuje vzor orchestrator-worker. Konkurenčným zápisom sa úplne vyhýba. Workeri prispievajú inteligenciou tým, že čítajú, zbierajú a navrhujú, ale len orchestrátor zosúlaďuje a zapisuje. Vo svojej aktualizácii „Multi-Agents: What's Actually Working“ (22. apríla 2026) spoločnosť Cognition tento postoj potvrdila: sama nasadzuje multi-agent systémy, avšak práve ten variant, „v ktorom viacero agentov prispieva inteligenciou k úlohe, zatiaľ čo zápisy zostávajú jednovláknové“. Orchestrator-worker je čistá implementácia tohto princípu. Nie je to najvýkonnejší vzor pre každý prípad, ale je najspoľahlivejší pre triedu úloh, pri ktorých má multi-agent vôbec zmysel.

Referenčný príklad: Anthropic Research Agent

Kanonickou prípadovou štúdiou je multi-agent výskumný systém od Anthropicu, zdokumentovaný v článku „How we built our multi-agent research system“ (13. júna 2025) a produkčne nasadený vo funkcii Research v Claude. Architektúra:

• Hlavný orchestrátor: Claude Opus 4 v režime extended thinking, rozloží požiadavku používateľa a deleguje. Svoj plán si ukladá do pamäte (memory), pretože po prekročení 200 000 tokenov sa jeho kontext skracuje.
• Workeri: N paralelných sub-agentov Claude Sonnet 4, ktorých hlavný agent vytvára cez nástroj. Každý worker má vlastné kontextové okno a nezávisle používa nástroje na vyhľadávanie a načítanie stránok (search a fetch).
• Výstup: každý worker odovzdá komprimované zhrnutie, nie kompletný transkript. Orchestrátor z nich syntetizuje odpoveď.

Najcitovanejšie čísla z prípadovej štúdie Anthropicu:

Podľa Anthropicu sa tento objem tokenov oplatí len vtedy, keď hodnota úlohy unesie vyššie náklady, napríklad pri silno paralelizovateľných rešeršiach orientovaných do šírky. Pre úzko previazané programátorské workflowy sa vzor podľa hodnotenia Anthropicu v súčasnosti hodí zle, pretože väčšina programátorských úloh má menej skutočne paralelizovateľných čiastkových úloh než rešerš (všetky údaje stav: jún 2025).

Role vo vzore orchestrator-worker

Kedy vzor sedí a kedy nie

Hodí sa pre paralelizovateľné problémy orientované do šírky, ktorých čiastkové úlohy sú nezávislé: rešerš, zber informácií o trhu, revízia viacerých dokumentov, široká triáž, vyhľadávanie porovnateľných dokumentov. Tieto úlohy majú nízku previazanosť stavu medzi čiastkovými problémami a cestu zápisu možno triviálne udržať jednovláknovú.

Nehodí sa pre úzko previazané úlohy so zápisom (generovanie kódu naprieč viacerými súbormi, komplexné transakčné workflowy) ani pre vysoko deterministické workflowy s povinnou reprodukovateľnosťou. Tam je lepšou voľbou deterministický pipeline.

Pri výbere vzoru sa dá orchestrator-worker zaradiť takto: vysoká paralelizovateľnosť, nízka až stredná tolerovaná previazanosť stavu, stredná tolerancia latencie, stredná evaluovateľnosť (vyžaduje nástroje na trasovanie, tzv. trace tooling), dnes pripravený na produkciu u Anthropicu, v AWS Bedrock a v Agentforce (stav: 2026).

Výhody a nevýhody, náklady

Výhody: výrazný nárast kvality pri úlohách do šírky, skutočný paralelizmus vďaka izolovaným kontextom workerov, jednovláknová syntéza zabraňuje fragmentácii kontextu, pripravenosť na produkciu vo viacerých stackoch.

Nevýhody a náklady: hlavnou námietkou je spotreba tokenov. Anthropic nameral pri multi-agent systémoch približne 15-násobok tokenov oproti interakcii v chate, pri jednom agentovi približne 4-násobok. Príplatok oproti jednému agentovi tak zodpovedá približne faktoru 3 až 4. K tomu pribúdajú typické zdroje chýb:

• Vágne delegovanie. Nepresné zadania úloh viedli v raných experimentoch Anthropicu k duplicitnej práci a medzerám v pokrytí. Orchestrátor sa musí explicitne naučiť, ako delegovať.
• Drift orchestrátora. Počas dlhých behov hlavný agent stráca svoj plán a opakovane spúšťa workerov pre úlohy, ktoré sú už hotové.
• Zosilnenie prompt injection. Každé nové kontextové okno workera je novou plochou útoku. Ak workeri spracúvajú nedôveryhodný obsah, riziko injection rastie s počtom agentov.

Praktické protiopatrenia pre tímy s obmedzeným rozpočtom:

1. Explicitne zastropovať rozpočet tokenov pre workerov (Bedrock AgentCore, LangGraph aj Claude Agent SDK to podporujú).
2. Vynútiť výstupy workerov do typovanej schémy (Pydantic, JSON Schema alebo artefakt A2A).
3. Pred odovzdaním komprimovať, nikdy neposielať orchestrátorovi celý transkript workera.
4. Presne inštruovať orchestrátora: každý worker dostane cieľ (objective), výstupný formát, pokyny k nástrojom a zdrojom a jasné hranice úlohy.

Výpočtový príklad s číslami

Predpokladajme analýzu konkurencie, ktorá pokrýva 30 hráčov na trhu. Jeden agent na to spotrebuje odhadom 200 000 tokenov v sekvenčnom behu. V architektúre orchestrator-worker hlavný agent rozloží úlohu na desať paralelných workerov, každý spracuje troch konkurentov. Anthropic nameral pri agentoch približne 4-násobok a pri multi-agent systémoch približne 15-násobok spotreby tokenov oproti interakcii v chate. Oproti jednému agentovi z toho vychádza faktor približne 3 až 4, celková spotreba je teda približne 600 000 až 800 000 tokenov. V internej výskumnej evaluácii Anthropicu prekonal multi-agent systém riešenie s jedným agentom Claude Opus 4 o 90,2 percenta. Rozhodovacie pravidlo je tým jasné: oplatí sa trojnásobná až štvornásobná cena za tokeny za výsledok evaluácie lepší približne o 90 percent? Pri jednorazovej, obchodne kritickej štúdii trhu áno, pri dennom rutinnom reporte takmer vždy nie. (Hodnoty tokenov v príklade sú ilustratívne odhady. Doložené sú faktory 4 a 15 oproti chatu a 90,2 percenta z výskumného systému Anthropicu, faktor 3 až 4 oproti jednému agentovi je z nich odvodený.)

Dokladom z produkčnej prevádzky v Austrálii pre úzko príbuzné hierarchické usporiadanie je Allianz Project Nemo: sedem špecializovaných agentov (Planner, Cyber, Coverage, Weather, Fraud, Payout, Audit) na spracovanie škôd spôsobených pokazenými potravinami po prírodných katastrofách. Celý workflow trvá menej ako päť minút, ľudský likvidátor poistných udalostí skontroluje zhrnutie z auditu a rozhodne (human-in-the-loop ako explicitné pravidlo). Zdokumentovaný výsledok: o 80 percent kratší čas spracovania a likvidácie pre oprávnené prípady pod 500 AUD. Projekt spustili v júli 2025 a zaviedli ho za menej ako 100 dní.

Pre agentúry a B2B rozhodovateľov

Pre marketingové agentúry je orchestrator-worker vhodným vzorom všade tam, kde rozhoduje šírka: paralelná rešerš o mnohých konkurentoch, obsahové audity naprieč veľkým počtom stránok, vyhodnotenie mnohých zdrojov pre jeden report. Vedome ho nepoužívaj na finálnu tvorbu textov viacerými agentmi paralelne, tu platí jednovláknové písanie. Pre B2B rozhodovateľov znie pravidlo, ktoré obstojí aj pred riadiacim výborom (steering committee): multi-agent v štýle orchestrator-worker vtedy, keď je úloha paralelizovateľná, má nízku previazanosť medzi čiastkovými úlohami a cesta zápisu zostáva jednovláknová. Racionálnymi predvolenými voľbami pre projekty v regióne DACH sú n8n alebo LangGraph na orchestráciu, MCP pre nástroje a A2A pre handoffy naprieč platformami. Kto chce najrobustnejší multi-agent pattern poriadne pochopiť a implementovať, začína jasným rozkladom úlohy a tvrdými limitmi tokenov, nie počtom agentov.