Hierarchickí agenti: Supervisor a sub-agenti

Hierarchickí agenti sú multi-agentová architektúra, v ktorej supervisor-agent rozloží komplexnú úlohu, deleguje čiastkové úlohy špecializovaným sub-agentom a zlúči ich výsledky. Namiesto jediného agenta, ktorý všetko vybavuje sám, koordinuje nadradená riadiaca inštancia viacero podriadených workerov a agreguje ich výstup do celkového riešenia. Tento vzor zodpovedá tomu, čo Anthropic nazýva „Orchestrator-Workers“ a čo CrewAI implementuje ako „Hierarchical Process“.

• Supervisor: plánuje, rozkladá, deleguje, agreguje — sám nevykonáva odbornú detailnú prácu.
• Sub-agenti: úzko špecializovaní workeri s vlastným promptom a vlastnými nástrojmi, ktorí riešia vždy jednu čiastkovú úlohu.
• Škálovanie: oplatí sa, keď sú úlohy jasne rozložiteľné a paralelizovateľné — inak je jediný agent lacnejší.

Ako funguje hierarchická architektúra

V jadre je hierarchia rozšírením orchestrator-worker logiky, pri ktorej koordinujúce LLM dynamicky rozkladá úlohu na čiastkové úlohy a rozdeľuje ich podriadeným jednotkám. Anthropic opisuje súvisiaci vzor v „Building Effective Agents“ (december 2024) pod názvom „Orchestrator-Workers“ ako jeden z piatich kanonických workflow vzorov a zaraďuje ho do rovnakej rodiny ako Plan-and-Execute: koordinujúce LLM dynamicky rozkladá a deleguje. Tento vzor je okrem iného súčasťou Claudových coding-agentov.

Priebeh sleduje opakujúcu sa slučku:

1. Supervisor dostane úlohu a vytvorí plán, resp. rozklad na čiastkové úlohy.
2. Pre každú čiastkovú úlohu vyberie vhodného sub-agenta a deleguje ju s potrebným kontextom.
3. Sub-agenti vykonajú svoju čiastkovú úlohu — typicky ako samostatní ReAct-agenti s vlastnými nástrojmi — a vrátia čiastkový výsledok.
4. Supervisor agreguje čiastkové výsledky, skontroluje úplnosť a rozhodne: ďalšia delegácia alebo finálna odpoveď.

Dôležité je oddelenie rolí. Supervisor prijíma plánovacie a koordinačné rozhodnutia; odbornú detailnú prácu nevykonáva sám. Práve toto oddelenie umožňuje nákladovo efektívnu voľbu modelu — poznatok, ktorý pochádza priamo zo vzoru Plan-and-Execute: veľký model na náročnú plánovaciu úlohu, menšie a lacnejšie modely na vykonávanie jednotlivých krokov v sub-agentoch.

Diagram slovami

Predstavme si strom s tromi úrovňami. V koreni sedí používateľská požiadavka. O úroveň nižšie stojí supervisor-uzol, ktorý rozdeľuje požiadavku na viacero vetiev. Každá vetva končí v uzle sub-agenta — napríklad „rešeršér“, „dátový analytik“, „copywriter“ —, ktorý zase prebieha vlastnou malou ReAct slučkou (Thought → Action → Observation) so svojimi nástrojmi. Výsledky prúdia pozdĺž vetiev späť k supervisorovi, ktorý ich zlúči do odpovede v koreni. Práve tento obraz opisuje aj výskumný vzor ReAcTree (Choi et al., arXiv:2511.02424, AAMAS 2026), ktorý rozširuje ReAct na hierarchický strom agentov a na benchmarku WAH-NL dosahuje približne +30 percentuálnych bodov oproti jednoduchému ReAct.

Kedy hierarchia škáluje

Hierarchia nie je samoúčelná. Vyplatí sa, keď to štruktúra úlohy umožňuje:

• Rozložiteľnosť: Úloha sa rozpadá na viac ako tri prevažne nezávislé čiastkové kroky.
• Špecializácia: Čiastkové kroky vyžadujú rôzne doménové znalosti alebo rôzne nástroje.
• Dlhý horizont: Jediný agent by počas mnohých krokov stratil pôvodný cieľ z kontextu (v praxi leží hranica ReAct slučky často pri 10 až 25 krokoch, kým prevládne strata kontextu alebo „reasoning drift“).
• Paralelizmus: Viacero čiastkových úloh sa dá vybaviť súčasne.

Najdôležitejšiu produktívnu smernicu poskytuje Cognition (tím za Devinom). V „Don't Build Multi-Agents“ (jún 2025) tím varoval, že paralelní agenti prijímajú implicitne protichodné rozhodnutia a výsledok sa stáva krehkým; Devin vedome štartoval jednovláknovo s výlučne čítajúcimi sub-agentmi. V „Multi-Agents: What's Actually Working“ (apríl 2026) bola pozícia spresnená: viacagentové systémy sú udržateľné pre konštrukcie typu read-parallel, write-single-threaded. Konkrétne dnes Devin používa manager-Devina, ktorý cez interný MCP vytvára child-Devinov. Preložené do praxe: silný agent s nástrojmi ako štandard, paralelní sub-agenti len na získavanie informácií — nikdy na zápisové operácie alebo zmeny stavu.

Výhody a riziká

Dominujúcou nevýhodou je koordinačný overhead. Každý ďalší agent znamená dodatočné LLM volania na plánovanie, delegáciu a agregáciu, ako aj riziko, že pri odovzdávaní kontextu sa stratia informácie. Preto platí nadradené pravidlo z Anthropicovho eseje a blogu Cognition: začať najjednoduchším vzorom, ktorý funguje (väčšinou jediný ReAct-agent), a až potom eskalovať na plánovanie, reflexiu alebo hierarchiu, keď to vynútia namerané chybové režimy. Zbytočná framework-abstrakcia je podľa Anthropicu centrálny anti-vzor.

Vymedzenie voči plochým multi-agentovým systémom

V plochom multi-agentovom systéme komunikujú rovnocenní agenti priamo medzi sebou — neexistuje centrálna riadiaca inštancia, ktorá deleguje a agreguje. To je flexibilné, ale práve tu leží problém opísaný Cognition: bez koordinujúcej inštancie agenti ľahko prijímajú implicitne protichodné rozhodnutia, pretože nikto nevlastní celkový kontext.

V hierarchickom systéme sústreďuje supervisor zodpovednosť. Je jediným aktérom s celkovým prehľadom, zadáva jasné čiastkové zadania a integruje výsledky. To znižuje riziko protichodných rozhodnutí — za cenu centrálneho úzkeho miesta a dodatočných koordinačných krokov. Pre väčšinu DACH-B2B scenárov s compliance požiadavkami je hierarchický variant predvídateľnejší, pretože delegačná cesta zostáva auditovateľná.

Frameworky a implementácia (stav 2026)

• CrewAI: priamy zásah. Process.hierarchical aktivuje managera (manager_agent alebo manager_llm), ktorý deleguje úlohy crew a pridáva manažérsku úroveň preplánovania. S Crew(planning=True) vytvára AgentPlanner navyše pred každou iteráciou plán krok za krokom. CrewAI je v prostredí DACH marketing automation silno rozšírený.
• LangGraph: ako state-graph so supervisor-uzlom a viacerými ReAct sub-agentmi (create_react_agent, v API roku 2026 čoraz častejšie langchain.agents.create_agent s middleware). Plan-and-Execute a ReWOO tutoriály poskytujú stavebné bloky pre plánovanie a delegované vykonávanie.
• Microsoft Agent Framework: Group Chat s dedikovaným planner-agentom a worker-agentmi; produktivizovaný SPAR cyklus (Sense → Plan → Act → Reflect) spája ReAct a reflexiu. AutoGen sa nachádza v režime údržby; nové projekty sú smerované na Microsoft Agent Framework.
• n8n: realisticky pre orchestrované batch-workflow (planner-agent plus workeri exponovaní cez sub-workflow ako nástroje), ale bez stavových slučiek naprieč vykonávaniami len s externou pamäťou.

Praktický príklad: konkurenčná analýza ako agentúrny workflow

Agentúra má vytvoriť konkurenčnú analýzu pre B2B klienta. Jediný agent by počas mnohých volaní nástrojov stratil cieľ. Hierarchicky vyzerá priebeh takto (pseudokód):

```
Supervisor.plan("Konkurenčná analýza pre klienta X"):
-> Čiastková úloha 1: research_agent("Top-5 konkurentov + pozicionovanie")
-> Čiastková úloha 2: pricing_agent("zachytiť verejné cenové modely")
-> Čiastková úloha 3: seo_agent("organická viditeľnosť konkurentov")
# 1-3 bežia paralelne (read-only)

results = gather(1, 2, 3) # paralelní čítajúci sub-agenti
Supervisor.aggregate(results) # jediný zapisujúci krok
-> writer_agent("Management-summary z evidencií") # single-threaded
```

Traja čítajúci sub-agenti pracujú paralelne a dodávajú evidencie; supervisor ich zlúči a presne jeden zapisujúci krok (napísanie summary) zostáva jednovláknový. Tým workflow presne sleduje princíp „read-parallel, write-single-threaded“ odporúčaný Cognition. Vďaka model-tieringu — veľký model pre supervisora a copywritera, lacnejší pre čítajúcich workerov — je naprieč viacstupňovými workflow realistická úspora nákladov približne 40–70 % oproti priebežne drahému variantu (rádovo, stav 2026; merajte na vlastnej záťaži).

Pre agentúry a B2B

Hierarchickí agenti nie sú default, ale vedomá eskalácia. Pre agentúry to znamená: rozložiteľné, opakujúce sa dodávky — rešeršné briefingy, reportingy, content-pipeline — sa hodia pre supervisora so špecializovanými čítajúcimi sub-agentmi, zatiaľ čo finálny, stav meniaci krok zostáva centrálny. Pre DACH-B2B rozhodovateľov je auditovateľnosť delegačnej cesty (úplná perzistencia trace s odstránením PII) vzhľadom na GDPR a EU AI Act konkrétnym prínosom. Kto chce evaluovať hierarchický agentový workflow pre marketing alebo operations, mal by začať merateľným jednotlivým prípadom, držať najjednoduchší fungujúci vzor ako baseline a až pri preukázanom prínose prejsť na hierarchiu. Blck Alpaca sprevádza toto architektonické rozhodnutie od rozkladu úloh až po produktívnu, compliance-konformnú implementáciu.