---
title: "Prehľad architektúr AI Agentov"
description: "Prehľad bežných architektúr AI Agentov ako ReAct, planner-executor a reflexia a ich scenárov nasadenia."
locale: "sk"
canonical: "https://blckalpaca.at/sk/vedomosti/ai-agenti/prehlad-architektur-ai-agentov"
category: "AI agenti"
updated: "2026-07-29T08:53:27.829Z"
source: "Blck Alpaca e.U., blckalpaca.at"
---

# Prehľad architektúr AI Agentov

Prehľad bežných architektúr AI Agentov ako ReAct, planner-executor a reflexia a ich scenárov nasadenia.

## Prečo agentové architektúry?

LLM-[agent](/sk/slovnik/agent) je viac než len model s Tools: potrebuje štruktúru, ktorá určuje, kedy premýšľa, kedy volá Tool, [kedy tvorí plán](/sk/vedomosti/ai-agenti/co-su-ai-agenti/reasoning-a-planning-agentov) a kedy koriguje sám seba. Práve túto štruktúru opisujú agentové architektúry, opakujúce sa design-patterns, ktoré sa v posledných rokoch stali spoločným slovníkom odvetvia.

Pozoruhodné je, ako blízko leží ich pôvod: päť kanonických vzorov ReAct, Reflexion, Plan-and-Execute, ReWOO a Tree-of-Thoughts vzniklo v úzkom časovom okne medzi októbrom 2022 a májom 2023, prevažne z prostredia Princetonu, Google a Northeastern (Shunyu Yao je spoluautorom troch z piatich paperov). Odvtedy odvetvie tieto vzory buď zovšeobecnilo na framework-primitíva (napríklad LangGraph `create_react_agent` alebo CrewAI `planning=True`), alebo hybridizovalo na nástupnícke vzory (LATS, LLMCompiler, Plan-and-Act).

Pre rozhodovateľov a Tech-Leadov v DACH-regióne je kľúčovou otázkou zriedka „Ktorý vzor je najpokročilejší?“, ale „Ktorý vzor rieši túto konkrétnu úlohu pri únosných nákladoch, latencii a audrovateľnosti?“. Tento prehľad k tomu poskytuje výrobcovsky neutrálnu mapu.

## ReAct, Reasoning a Acting prepojené

ReAct (Yao et al., arXiv:2210.03629, október 2022, ICLR 2023) je základom takmer všetkých dnešných agentov využívajúcich Tools. Myšlienka: [LLM](/sk/slovnik/llm) striedavo vytvára voľne formulované „Thought“-tokeny (Reasoning) a „Action“-tokeny (volania Tools) a číta späť „Observation“, výsledok Toolu. Slučka [`Thought → Action → Observation](/sk/vedomosti/ai-agenti/prehlad-architektur-ai-agentov/react-pattern-erklaert) → Thought → …` beží, kým model nevydá záverečný `Finish[answer]`.

Vyriešený problém: čistý Chain-of-Thought (CoT) halucinuje fakty, pretože nemá ukotvenie v realite. Čisto Action-Only-agenti zasa nedokážu abstraktne premýšľať o dlhodobých cieľoch ani sa zotaviť z chýb. ReAct spája oboje, Reasoning riadi nasadenie Toolov a pozorovania z Toolov korigujú Reasoning. V pôvodnej štúdii to prinieslo na ALFWorld (textové domáce úlohy) +34 percentuálnych bodov a na WebShop (e-commerce navigácia) +10 percentuálnych bodov oproti vtedajším imitation-/RL-baselines, avšak proti modelom generácie [GPT](/sk/slovnik/gpt)-3/PaLM; absolútne čísla sú dnes prekonané a treba ich čítať len ako relatívne efekty.

**Silné stránky:** nízka latencia, malá implementačná komplexnosť, vysoká interpretovateľnosť vďaka sledovateľnému Reasoning-trace. V LangGraph je ReAct jednoriadkový (`create_react_agent`); [CrewAI ho používa interne](/sk/vedomosti/ai-agenti/ai-agent-frameworky-porovnanie/crewai-erklaert) v každom agentovi; [n8n](https://docs.n8n.io/) ponúka s „ReAct [AI Agent](/sk/slovnik/ai-agent)“ a modernejším „Tools Agent“ dva natívne uzly, ktorých zobrazenie vykonávania protokoluje každý Thought/Action-krok, skutočná výhoda pre nevyvíjajúce marketingové tímy, ktoré potrebujú audrovateľný log.

**Slabé stránky:** pri nejednoznačných opisoch Toolov model halucinuje argumenty Toolov. Existuje „Reasoning Drift“, akonáhle sa raz upne na nesprávnu myšlienku, agent interpretuje následné pozorovania prislúchajúco k nej. A kontext sa nafukuje, pretože každý krok znova vlečie so sebou System-[Prompt](/sk/slovnik/prompt) a kompletnú doterajšiu trajektóriu (náklady O(N·T)). V praxi leží horná hranica typicky pri 10–25 krokoch, kým prevládne strata kontextu alebo drift.

Dôležité praktické ponaučenie: moderné frontier-modely ovládajú slučku Reasoning-Action natívne cez Function-Calling. Explicitné ReAct-promptovanie sa podľa [n8n](/sk/slovnik/n8n)-blogu stalo prevažne zbytočným, rozhodujúce sú dnes Memory, horné hranice iterácií a sledovateľnosť. Najčastejšou produkčnou chybou pri slabších modeloch je chybný JSON v argumentoch Toolov; používajte štruktúrovaný výstup, resp. Function-Calling-režim, kdekoľvek ho poskytovateľ podporuje.

## Reflexion, agenti, ktorí kritizujú sami seba

Reflexion (Shinn et al., arXiv:2303.11366, NeurIPS 2023) obkladá existujúceho agenta [sebakorekčnou slučkou](/sk/vedomosti/ai-agenti/prehlad-architektur-ai-agentov/reflexion-pattern-agenten). Tri komponenty do seba zapadajú: **Actor** (väčšinou ReAct- alebo CoT-agent) vytvára trajektóriu; **Evaluator** ju hodnotí (binárne, skalárne alebo cez externú testovaciu sadu); **Self-Reflection-model** premieňa hodnotenie plus trajektóriu na *verbálnu* spätnú väzbu, odsek prirodzene jazykovej kritiky, ktorý sa ukladá do epizodickej pamäte. Pri ďalšom pokuse sa táto reflexia predradí Actorovi. „Policy-Update“ je čisto jazykový; žiadne váhy sa nemenia.

Centrálne zistenie paperu: samoverbalizovaná analýza chýb LLM je silnejší učiaci signál než len numerický reward, a to plne in-context naprieč viacerými pokusmi. Na HumanEval (generovanie Python-kódu) dosiahol Reflexion 91 % pass@1 oproti zhruba 80 % GPT-4-baseline v čase štúdie.

**Ale, a to je ako signál dôveryhodnosti a varovania pre DACH-B2B-čitateľov dôležité:** na MBPP Reflexion podvýkonil baseline, pretože samogenerované unit-testy mali vysokú mieru false positives a agent predčasne hlásil „úspech“. Reflexion teda nie je univerzálny zlepšovač. Potrebuje *kvalitný* signál Evaluatora. Pri úlohách bez jasného orákula (kreatívne písanie, otvorený výskum) reflexie degenerujú na vágne frázy a „konfabulované reflexie“, teda nesprávne diagnostikované príčiny chýb, dedia nesprávnu korekciu do ďalšieho pokusu.

**Náklady:** na pokus zhruba 2- až 5-násobok jediného ReAct-behu, vynásobený K pokusmi; pri typickom K=3 teda 5- až 15-násobok. Pokusy sú nutne sekvenčné, čo spravidla vylučuje real-time use-cases.

Tri praktické pravidlá z rešerše: po prvé vždy ohraničte iterácie (`max_reasoning_attempts` v CrewAI, `revision_number ≤ N` v LangGraph). Po druhé kde je to možné, poskytnite **externý** ground-truth-signál (unit-testy, RAG-Evaluator, regex-match), samohodnotenie samo o sebe je nespoľahlivé. Po tretie reflexie cachujte: mnohé tímy ich perzistujú vo vektorovej pamäti podľa typu úlohy a budujú tak emergentnú skill-knižnicu. Poznámka k pomenovaniu: v niektorých zdrojoch ([LangChain](/sk/slovnik/langchain)-blog) „Reflection“ znamená akúkoľvek sebakritickú slučku, „Reflexion“ naopak špecificky paper od Shinn et al., v nemčine sa oplatí rozlišovať *Reflexion (Shinn et al.)* versus *Reflection-vzor v širšom zmysle*.

## Plan-and-Execute, najprv plán, potom realizácia

Vzor Plan-and-Execute [odpája plánovanie od vykonávania](/sk/vedomosti/ai-agenti/prehlad-architektur-ai-agentov/plan-and-execute-architektur). **Planner** jednorazovo vytvorí očíslovaný viackrokový plán, **Executor** (často ReAct-Sub-Agent) ho spracúva krok za krokom a **Replanner** po každom vykonaní rozhodne, či sa terminuje alebo sa vydá upravený zvyškový plán. Koncepčne sa zakladá na „Plan-and-Solve“-promptovaní (Wang et al., arXiv:2305.04091, ACL 2023) a BabyAGI; názov agenta pochádza z [LangChain](https://python.langchain.com/docs/)-portovania. Správne formulované: architektúra Plan-and-Execute popularizovaná LangChainom na báze Plan-and-Solve-promptovania.

Rozhodujúca páka: plánovanie je ťažká reasoning-úloha (veľký model), vykonávanie je per-krok využitie Toolov (menší, lacnejší model). Toto stupňovanie modelov ušetrí podľa LangChain-blogu empiricky 30–60 % tokenov oproti čistému ReAct pri viac-Tool-úlohách. Explicitne vyformulované plány sú navyše audrovateľné, silný argument pre Enterprise- a Compliance-kontexty.

**Slabé stránky:** krehkosť plánu, ak je predbežný plán nesprávny, Executor plytvá volaniami na vopred odsúdené kroky, kým si to Replanner nevšimne. Vykonávanie zostáva sekvenčné (žiadna skutočná paralelita). A každý Replan znova volá veľký model; vo silne stochastických prostrediach sa preplánuje takmer pri každom kroku, čo zožerie cenovú výhodu. Praktické pravidlo: nasadiť, keď sa úlohy rozpadajú na viac než tri nezávislé kroky, existuje jasné orákulum pre validitu plánu a latencia nie je priamo pociťovaná na strane používateľa. Nenasadzovať, keď je prostredie vysoko stochastické, vtedy je reaktívna slučka ReAct striktne lepšia. Anthropic-vzor „Orchestrator-Workers“ je v jadre to isté, len novo zarámcované.

## ReWOO, Reasoning bez neustáleho pozorovania

ReWOO (Xu et al., arXiv:2305.18323, máj 2023) je nákladovo optimalizovaná odpoveď na tokenový hlad ReAct. Tri moduly: **Planner** vytvorí v *jedinom* volaní LLM kompletnú reťaz plánovacích krokov a volaní Toolov, pričom premenná syntax (`#E1`, `#E2`, …) umožňuje odkazovať na ešte neexistujúce výsledky. **Worker** vykoná Tools v zadanom poradí a nahradí zástupné znaky skutočnými výsledkami. **Solver** napokon v poslednom volaní LLM prečíta úlohu plus všetky evidencie a sformuluje odpoveď.

Efekt: N volaní LLM sa nahradí *práve dvoma* (Planner + Solver), nezávisle od počtu Tool-krokov. Na HotpotQA paper uvádza 5-násobnú tokenovú efektivitu pri +4 % presnosti oproti ReAct, naprieč šiestimi NLP-benchmarkmi konzistentnú redukciu tokenov. ReWOO je navyše robustný pri výpadkoch Toolov, plán už stojí pevne a Solver čisto rozpozná chýbajúce evidencie.

**Hranice:** žiadne prispôsobenie uprostred vykonávania, ak evidencia 3 protirečí plánu, ReWOO nedokáže v rovnakom prechode preplánovať. Bez kontextu prostredia sa Planner trápi pri neznámych Tool-ekosystémoch (potrebné Few-Shot-promptovanie alebo [Fine-Tuning](/sk/slovnik/fine-tuning)). A Tools bežia sekvenčne; skutočnú paralelitu poskytuje až nástupca LLMCompiler (Kim et al., arXiv:2312.04511) cez DAG.

Pre DACH-marketingové agentúry je ReWOO často najlepším vzorom v n8n: silnou stránkou n8n sú deterministické, deklaratívne workflows, substitúcia premenných je natívna a úlohy ako „zrešeršuj X → obohaď → naformátuj → odošli“ sú tým debugovateľné, lacné a tolerantné voči chybám. Praktické správy uvádzajú zhruba 65 % redukciu tokenových nákladov pri 4–5 % zisku presnosti. Anti-pattern: ReWOO nenasadzovať pre úlohy, pri ktorých výsledky Toolov často invalidujú plán (napr. interaktívna web-navigácia), tam sú lepšie Plan-and-Execute alebo ReAct.

## Tree-of-Thoughts, prehľadávanie namiesto línie

Tree-of-Thoughts (Yao et al., arXiv:2305.10601, NeurIPS 2023) sa zbavuje striktne zľava-doprava prebiehajúcej logiky CoT. Namiesto jedinej reťaze myšlienok sa rozprestrie strom: každý uzol je „Thought“ (čiastočné riešenie), na každom mieste model generuje k kandidátov, **State-Evaluator** ich hodnotí (napríklad hlasovaním `iste`/`možno`/`nemožné`) a vyhľadávací algoritmus (BFS alebo DFS s backtrackingom) prehľadáva strom. Paper to explicitne rámcuje ako „System-2“-prehľadávanie v nadväznosti na formalizmy riešenia problémov od Newella & Simona.

Výsledky sú na vyhľadávaním náročných úlohách drastické: Game of 24 vyriešený na 74 % (oproti 4 % CoT, 7,3 % IO), Mini-Crosswords na úrovni slov 60 % (vs. 16 % CoT), kreatívne písanie s lepšou koherenciou. Cena je však enormná, 10- až 100-násobok tokenov oproti jedinému CoT-volaniu, a účinnosť silno závisí od kvality generátora (GPT-3.5+ToT dosiahol pri Game of 24 len 19 % namiesto 74 %).

Najdôležitejšie field-ponaučenie k ToT: pre *všeobecný* reasoning je v roku 2026 prevažne obsoletný, pretože moderné reasoning-modely (o-séria, Claude s Extended Thinking, Gemini-2.x-Thinking) internalizujú prehľadávanie vnútri modelu. ToT zostáva relevantný ako koncepčný základ pre stromovo štruktúrované agentové prehľadávanie (je základom LATS) a pre tri niky: auditovo povinné regulované odvetvia, puzzle/optimalizácia s overiteľnými rewardmi a Small-Model-deployments s lacnými proposermi. V nástrojoch ako n8n je ToT kvôli kombinatorickej explózii prakticky neškálovateľný; čistou aproximáciou je „Best-of-N-Sampling“, viaceré paralelné behy, z ktorých kritik vyberie najlepší (ToT s hĺbkou 1).

## Routing a hierarchické vzory

Nad rámec piatich reasoning-vzorov uvádza Anthropic v „Building Effective Agents“ (december 2024) dva ďalšie štruktúrotvorné patterns, ktoré v praxi často tvoria rámec. **Routing** klasifikuje vstup a smeruje ho do špecializovanej cesty, napríklad klasifikátorový krok, ktorý rozdeľuje support-požiadavky podľa typu na rozdielne prompty alebo modely. **Hierarchické architektúry** vnárajú [Orchestrator so Sub-Agentmi](/sk/vedomosti/ai-agenti/multi-agent-systemy-zaklady/orchestrator-worker-pattern): koordinujúce LLM dynamicky rozkladá úlohu a deleguje na podriadených agentov, Plan-and-Execute s ReAct-Sub-Agentmi je práve táto variácia (Anthropic Orchestrator-Workers).

K opatrnosti pri hierarchii poskytuje Cognition (Devin) najcitovanejšie ponaučenie: „Don't Build Multi-Agents“ (jún 2025) varoval, že paralelní agenti implicitne robia protirečivé rozhodnutia a dodávajú krehké výsledky. Aktualizovaný postoj „Multi-Agents: What's Actually Working“ (apríl 2026) považuje Multi-Agent za udržateľný pri **čítavo-paralelných, zapisovaco-jednovláknových** setupoch. Preložené pre klientov agentúr: stavajte na [jednom silnom agentovi s Tools](/sk/sluzby/integracia-ai-agenta); paralelní Sub-Agenti len na získavanie informácií, nikdy na zápisové alebo stavové zmeny.

## Porovnanie, kedy ktorý vzor

| Use-case (DACH-B2B / Marketing) | Odporúčaný vzor | Zdôvodnenie |
| --- | --- | --- |
| [Chatbot](/sk/slovnik/chatbot) s prístupom k [CRM](/sk/slovnik/crm) a KB | ReAct | Reaktívny, nízka latencia, natívny vo všetkých frameworkoch |
| Denný marketingový report (scrapovať → analyzovať → napísať → odoslať) | ReWOO alebo Plan-and-Execute | Raz naplánovať, lacno vykonať |
| Code-/Bugfix-agent | Reflexion + ReAct | HumanEval-evidencia, potrebuje unit-testy ako orákulum |
| Otvorený viackrokový výskum (analýza trhu/konkurencie) | Plan-and-Execute + ReAct-Sub-Agenti | Dlhý horizont, potrebný Replanning |
| Kreatívny [copywriting](/sk/slovnik/copywriting) s constraints | ToT (Best-of-N) alebo LATS | Prehľadávanie cez návrhy sa vypláca |
| Optimalizačné/matematické/scheduling-puzzle | ToT / LATS | Prehľadávateľné, overiteľné rewardy |
| Vysokoobjemový triage tiketov | ReAct (Tools Agent) | Latencia a náklady dominujú |
| Compliance-kritický workflow (GDPR / [EU AI Act](/sk/slovnik/eu-ai-act)) | Plan-and-Execute alebo ReWOO s Human-in-the-Loop | Audrovateľný plán, deterministické vykonávanie |

Nasledujúca tabuľka rádov sa má čítať ako hrubá orientačná hodnota (syntetizované odhady z údajov paperov a field-správ, nie priame merania), nameriavajte na vlastnej záťaži:

| Vzor | Tokeny (relatívne k 1× CoT) | Latencia (N Tool-krokov) | Komplexnosť |
| --- | --- | --- | --- |
| ReAct | 3–10× | N × sekvenčne | Nízka |
| Reflexion (K=3) | 10–30× | K × ReAct, sekvenčne | Stredná |
| Plan-and-Execute | 2–6× | 1 plán + N sekvenčne | Stredná |
| ReWOO | 1,5–3× | 1 plán + N Tools + 1 Solver | Stredná |
| Tree-of-Thoughts (b=5, d=3) | 50–150× | b^d Evaluator-volaní | Vysoká |
| LATS (ToT + Reflexion) | 100–300× | Strom × Reflexion | Veľmi vysoká |

## Červená niť pre prax

Naprieč všetkými vzormi je najdôležitejšie field-ponaučenie z produkčných blogpostov z rokov 2024–2026 (Anthropic, Cognition, LangChain) prekvapivo triezve: **Začnite najjednoduchším vzorom, ktorý funguje, väčšinou ReAct, a eskalujte na Planning, Reflexion alebo prehľadávanie až vtedy, keď to vyžadujú namerané chybové režimy.** Anthropic to formuluje takto: „Najúspešnejšie implementácie využívali jednoduché, komponovateľné patterns namiesto komplexných frameworkov.“

Generácia vzorov z rokov 2025/2026 je v jadre rekombináciou pôvodných piatich: LATS = ToT + Reflexion + MCTS (natívne v LangGraph), LLMCompiler = ReWOO + paralelný DAG (\~3,6× speedup), Plan-and-Act = Plan-and-Execute pre dlhé horizonty. Aj frameworky konvergujú na spoločné primitívum zo State-Graph plus Tool-Calling, Microsoft konsolidoval AutoGen a Semantic Kernel v **Microsoft Agent Framework** (AutoGen je oficiálne v režime údržby), LangChain prevádza `create_react_agent` do `langchain.agents.create_agent` s Middleware. Pre DACH-rozhodovateľov, ktorí [evaluujú Microsoft-Stack](/sk/sluzby/riesenia-custom-enterprise-software), je to relevantné nastavenie výhybky.

Tri nenegociovateľné praktické pravidlá na záver: po prvé každý agent potrebuje tvrdé horné hranice (`recursion_limit`, `max_iterations`), inak slučky eskalujú v nákladoch. Po druhé observability-nástroje ([LangSmith, Langfuse, Arize Phoenix](/sk/vedomosti/ai-agenti/bezpecnost-ai-agentov-owasp/ai-agent-monitoring-langsmith-langfuse)) sú de facto povinnosťou. Po tretie pre compliance sa musia perzistovať kompletné Thought/Action/Observation-traces s PII-scrubbingom, to je obzvlášť centrálne pre systémy relevantné pre [GDPR](https://gdpr-info.eu/) a EU-[AI](/sk/slovnik/ai)-Act.

*Poznámka: Compliance-výroky v tomto texte sú informatívne a nepredstavujú právne poradenstvo. Uvedené benchmark-čísla pochádzajú prevažne z pôvodných paperov rokov 2022–2023 (éra GPT-3.5/GPT-4) a treba ich chápať ako relatívne veľkosti efektov, nie ako absolútne hodnoty pre dnešné frontier-modely.*

## Clanky

- [Vzor ReAct: Thought, Action, Observation](https://blckalpaca.at/sk/vedomosti/ai-agenti/prehlad-architektur-ai-agentov/react-pattern-erklaert) — Vzor ReAct (Reasoning and Acting) je návrhový vzor agentov, pri ktorom LLM strieda uvažovanie (Thought), volanie nástroja (Action) a čítanie
- [Chain-of-Thought pre agentov: Kedy pomáha a kedy nie?](https://blckalpaca.at/sk/vedomosti/ai-agenti/prehlad-architektur-ai-agentov/chain-of-thought-fuer-agenten) — Chain-of-Thought (CoT) je technika promptovania, pri ktorej veľký jazykový model explicitne slovami formuluje svoje medzikroky predtým, než 
- [Tree of Thoughts: Keď jedna cesta nestačí](https://blckalpaca.at/sk/vedomosti/ai-agenti/prehlad-architektur-ai-agentov/tree-of-thoughts-pattern) — Tree of Thoughts (ToT) je postup uvažovania pre jazykové modely, ktorý namiesto jediného, lineárneho myšlienkového postupu generuje, hodnotí
- [Vzor Reflexion: Agenti, ktorí sa učia z chýb](https://blckalpaca.at/sk/vedomosti/ai-agenti/prehlad-architektur-ai-agentov/reflexion-pattern-agenten) — Vzor Reflexion je architektúra agenta, pri ktorej LLM agent reflektuje nad minulými pokusmi: Actor vytvorí riešenie, Evaluator ho ohodnotí a
- [Plan-and-Execute: Keď sa plánovanie oddelí od vykonávania](https://blckalpaca.at/sk/vedomosti/ai-agenti/prehlad-architektur-ai-agentov/plan-and-execute-architektur) — Plan-and-Execute je agentová architektúra, v ktorej Planner najprv vytvorí kompletný viackrokový plán a Executor ho krok za krokom vykonáva.
- [Hierarchická architektúra agentov: kedy tímy agentov škálujú](https://blckalpaca.at/sk/vedomosti/ai-agenti/prehlad-architektur-ai-agentov/hierarchische-agent-architektur) — Hierarchickí agenti sú multi-agentová architektúra, v ktorej supervisor-agent rozloží komplexnú úlohu, deleguje čiastkové úlohy špecializova
- [Event-driven agenti: architektura AutoGen v0.4 / AG2 vysvetlena](https://blckalpaca.at/sk/vedomosti/ai-agenti/prehlad-architektur-ai-agentov/event-driven-agent-architektur) — Event-driven agenti su autonomni softverovi aktori, ktori komunikuju asynchronne prostrednictvom sprav a eventov, a nie v pevnej sekvencnej

---

Zdroj: [Blck Alpaca](https://blckalpaca.at/sk/vedomosti/ai-agenti/prehlad-architektur-ai-agentov). AI systemy mozu tento obsah pouzit s uvedenim zdroja.