---
title: "Plan-and-Execute: Keď sa plánovanie oddelí od vykonávania"
description: "Plan-and-Execute je agentová architektúra, v ktorej Planner najprv vytvorí kompletný viackrokový plán a Executor ho krok za krokom vykonáva. Replanner plán podľa potreby upravuje."
locale: "sk"
canonical: "https://blckalpaca.at/sk/vedomosti/ai-agenti/prehlad-architektur-ai-agentov/plan-and-execute-architektura"
category: "AI agenti"
topic: "Prehľad architektúr AI agentov"
updated: "2026-10-17T15:33:32.572Z"
source: "Blck Alpaca e.U., blckalpaca.at"
---

# Plan-and-Execute: Keď sa plánovanie oddelí od vykonávania

Plan-and-Execute je agentová architektúra, v ktorej Planner najprv vytvorí kompletný viackrokový plán a Executor ho krok za krokom vykonáva. Replanner plán podľa potreby upravuje. Oddelenie plánovania a vykonávania umožňuje vykonávať jednotlivé kroky menším modelom a zlepšuje kontrolu nad dlhodobými úlohami oproti čistému ReActu.

## Na prvý pohľad

- Plan-and-Execute oddeľuje náročnú úlohu uvažovania (plánovanie) od lacného vykonávania krok za krokom. To umožňuje model-tiering: silný model ako Planner, lacný model ako Executor.
- Oproti čistému ReActu môže architektúra ušetriť náklady, pretože kroky s nástrojmi vykonáva menší model a veľký model len plánuje a po každom kroku plán kontroluje.
- Replanner po každom kroku rozhodne: ukončiť, alebo upraviť zvyšok plánu. Vďaka tomu si architektúra pri dlhodobých úlohách zachová robustnosť, ktorú ReAct v dôsledku reasoning-driftu stráca.
- Architektúru spopularizoval LangChain ako agentový port Plan-and-Solve promptingu (Wang et al. 2023, arXiv:2305.04091), inšpirovaný BabyAGI.
- Slabiny: krehké plány míňajú volania na kroky, ktoré nevedú k cieľu, chýba skutočný paralelizmus (kroky bežia sekvenčne) a časté preplánovanie pohltí nákladovú výhodu.
- Nasaď ho vtedy, keď sa úlohy dajú rozložiť na viac ako tri nezávislé kroky, keď sa dá jasne overiť platnosť plánu a keď latencia nie je priamo viditeľná pre používateľa. V silne stochastických prostrediach je lepšou voľbou ReAct.

Plan-and-Execute je [agentová architektúra](https://blckalpaca.at/sk/vedomosti/ai-agenti/co-su-ai-agenti/komponenty-ai-agenta), v ktorej **Planner** najprv vytvorí kompletný viackrokový plán a **Executor** ho krok za krokom vykonáva. **Replanner** plán podľa potreby upravuje. Oddelenie plánovania a vykonávania umožňuje vykonávať jednotlivé kroky menším modelom a zlepšuje kontrolu nad dlhodobými úlohami oproti čistému ReActu.

Rýchle odpovede vopred:

- **Čo to rieši:** Uvažovaniu ReActu krok za krokom chýba globálny prehľad: pri dlhých úlohách [agent](https://blckalpaca.at/sk/slovnik/agent) zabudne pôvodný cieľ. Plan-and-Execute ukotví cieľ v explicitnom pláne vopred.
- **Prečo to môže byť lacnejšie:** Jednotlivé kroky vykonáva menší, lacnejší model. Veľký model len plánuje a po každom kroku kontroluje, či plán ešte platí (model-tiering).
- **Hlavný kompromis:** Za lepšiu kontrolu a auditovateľné plány platíš krehkosťou plánu a chýbajúcim skutočným paralelizmom. V silne stochastických prostrediach je ReAct jednoznačne lepší.

## Pôvod: Plan-and-Solve, BabyAGI a port do LangChain

Presné zaradenie je tu dôležité, pretože atribúcia sa často skracuje. Základný prompting vzor pochádza z [*Plan-and-Solve Prompting*](https://blckalpaca.at/sk/slovnik/chain-of-thought-prompting) (Wang et al., arXiv:2305.04091, ACL 2023). Práca navrhla dvojstupňový zero-shot [prompt](https://blckalpaca.at/sk/slovnik/prompt), významovo "Najprv navrhnime plán / Vykonajme plán", a tým prekonala zero-shot CoT pri matematickom uvažovaní.

**Názov agenta** "Plan-and-Execute" však pochádza z [portu do LangChain](https://python.langchain.com/docs/), nie z pôvodnej práce. Architektúru navyše inšpirovalo **BabyAGI** (Yohei Nakajima, 2023). Správne formulované je to teda takto: agentová architektúra Plan-and-Execute, ktorú spopularizoval [LangChain](https://blckalpaca.at/sk/slovnik/langchain) a ktorá stavia na Plan-and-Solve promptingu.

Úzko príbuzný vzor opisuje Anthropic v [Building Effective Agents](https://www.anthropic.com/engineering/building-effective-agents) (december 2024): vo workflow orchestrator-workers centrálny [LLM](https://blckalpaca.at/sk/slovnik/llm) dynamicky rozloží úlohu, deleguje jej časti na worker LLM a spojí ich výsledky.

## Tri komponenty

Variant v LangGraph pozostáva z troch uzlov:

1. **Planner:** jednorazovo vygeneruje očíslovaný viackrokový plán (`Plan: List[str]`).
2. **Executor:** typicky ReAct subagent, ktorý vykonáva jeden krok plánu za druhým.
3. **Replanner:** po každom vykonaní rozhodne, či vráti finálnu `Response` (ukončí beh), alebo vydá nový, prípadne upravený plán pre zvyšnú prácu.

Priebeh:

`Input → Planner → [Plán: Krok_1, Krok_2, …] → Executor(Krok_1) → Replanner → (Executor(Krok_2) → Replanner → …) → Response`

Hlavná inovácia: Plan-and-Execute **oddeľuje plánovanie** (náročnú úlohu uvažovania, pre ktorú sa oplatí veľký model) **od vykonávania** ([používanie nástrojov](https://blckalpaca.at/sk/vedomosti/ai-agenti/co-su-ai-agenti/zaklady-tool-callingu) v jednotlivých krokoch, na ktoré stačí menší, lacnejší model).

## Výhody oproti čistému ReActu

- **Rýchlejšie viackrokové vykonávanie:** Executor vybaví krok plánu vrátane jeho volaní nástrojov sám. Veľký model prichádza na rad až potom, nie po každej jednotlivej akcii.
- **Úspora nákladov vďaka model-tieringu:** Veľký frontier model plánuje, malý a lacný model vykonáva kroky. LangChain opisuje túto [nákladovú výhodu oproti ReActu](https://www.langchain.com/blog/planning-agents) len kvalitatívne. Celkový počet volaní pritom nemusí klesnúť: v roku 2023 LangChain výslovne uviedol [viac LLM volaní](https://www.langchain.com/blog/plan-and-execute-agents) ako cenu tohto vzoru a o mnohých výhodách napísal, že neboli overené benchmarkom.
- **Explicitné, auditovateľné plány:** Silný argument pre podnikové aplikácie a aplikácie s požiadavkami na compliance, pretože plán je otvorene k dispozícii ešte pred vykonaním.
- **Globálny prehľad:** Celkový cieľ ostáva zachovaný počas dlhých trajektórií a nestratí sa v dôsledku "reasoning-driftu" ReActu.

## Slabiny a typické zlyhania

Plan-and-Execute nie je všeliek. Podstatné obmedzenia:

- **Krehkosť plánu:** Ak je vopred vytvorený plán chybný, Executor plytvá volaniami na kroky, ktoré nevedú k cieľu, kým si to Replanner nevšimne. Samotná práca Plan-and-Solve dokumentuje výpočtové chyby, chýbajúce kroky a sémantické nedorozumenia.
- **Žiadny skutočný paralelizmus:** Plány sú zoznamy; Executor ich spracúva sekvenčne. Práve to rieši LLMCompiler (Kim et al., arXiv:2312.04511), ktorý namiesto zoznamu emituje DAG.
- **Náklady na preplánovanie:** Ak musí Replanner často preplánovať, pribúdajú kroky a každý ďalší krok stojí ďalšie kolo Executora a Replannera. V zašumených prostrediach sa to deje takmer pri každom kroku a nákladová výhoda sa tým stráca.
- **Voľba modelu je rozhodujúca:** Ak je model Executora na kroky príliš slabý, zlyhá viac krokov, Replanner musí častejšie preplánovať a nákladová výhoda sa zmenšuje.

## ReAct vs. Plan-and-Execute v priamom porovnaní

| Kritérium | ReAct | Plan-and-Execute |
| --- | --- | --- |
| Plánovanie | Implicitné, krok za krokom (reaktívne) | Explicitné, kompletný plán vopred |
| LLM volania | Jedno volanie na krok | Jedno plánovacie volanie, vykonávanie malým modelom, volanie Replannera po každom kroku |
| Spotreba tokenov | Rastie s každým krokom, veľký model pri každej akcii | Závisí od frekvencie preplánovania, vykonávanie menším modelom |
| Latencia (N krokov s nástrojmi) | N x sekvenčne | 1 plánovacie volanie + N vykonaní + N volaní Replannera, sekvenčne |
| Model-tiering | Náročný (jedna slučka, jeden model) | Prirodzený (Planner veľký, Executor malý) |
| Robustnosť pri dlhodobých cieľoch | Slabá (reasoning-drift) | Silná (cieľ ostáva fixovaný v pláne) |
| Robustnosť v stochastickom prostredí | Silná (reaktívne) | Slabá (plán môže zastarať) |
| Auditovateľnosť | Záznam (trace) každého kroku | Explicitný plán vopred, vhodný pre compliance |
| Zložitosť implementácie | Nízka (jeden riadok v LangGraph) | Stredná |

Riadok o tokenoch opisuje tendencie, nie namerané hodnoty. Zmeraj si to na vlastnej záťaži.

## Pseudokód: slučka Plan-and-Execute

Zjednodušene, podľa logiky state-schémy v LangGraph:

\`\`\`

# State: input, plan (zoznam), past\_steps (hotové), response

def planner(state):
    # veľký model vytvorí RAZ kompletný plán
    state.plan = big\_model.plan(state.input)   # napr. ["1. ...", "2. ...", "3. ..."]
    return state

def executor(state):
    krok = state.plan[0]                        # ďalší otvorený krok
    vysledok = small\_model.run\_react(krok)      # lacný ReAct subagent + nástroje
    state.past\_steps.append((krok, vysledok))
    return state

def replanner(state):
    # buď hotovo -> Response, alebo vydať nový zvyšný plán
    if big\_model.is\_done(state):
        state.response = big\_model.final\_answer(state)
        return state, "END"
    state.plan = big\_model.replan(state.input, state.past\_steps)
    return state, "executor"

# Graf: planner -> executor -> replanner -> (executor | END)

\`\`\`

Rozhodujúci bod: `big_model` (drahý) beží len v `planner` a `replanner`, `small_model` (lacný) nesie samotnú záťaž vykonávania.

## Konkrétny príklad: denný marketingový report

Agentúra stavia agenta, ktorý každé ráno vytvorí report o konkurencii. Úloha: "Preskúmaj troch najdôležitejších konkurentov, zozbieraj ich nový obsah za posledných 24 hodín, zhrň ho a pošli e-mailom."

S [**čistým ReActom**](https://blckalpaca.at/sk/vedomosti/ai-agenti/prehlad-architektur-ai-agentov/vzor-react-vysvetlenie) by agent po každej jednotlivej akcii (vyhľadávanie, scrape, zhrnutie) znova volal plný model vrátane celého doterajšieho kontextového okna. Pri 12 krokoch je to 12 drahých volaní plus rastúci prefix.

S **Plan-and-Execute** vytvorí Planner plán raz (1 drahé volanie):

\`\`\`
Plán:

1. Identifikovať konkurentov A, B, C
2. Pre každého: scrapnúť nový obsah z blogu a sociálnych sietí za posledných 24h
3. Pre každého konkurenta krátko zhrnúť
4. Naformátovať celkový report
5. Poslať e-mailom tímu
\`\`\`

Kroky 2-5 potom bežia cez lacný Executor. Veľký model po každom kroku len kontroluje, či plán ešte platí, a preplánuje, ak je napr. nejaký zdroj nedostupný. Ak to zostane výnimkou, táto dávková úloha ušetrí náklady, pretože samotná práca pripadá na lacný model. Zároveň je plán pre agentúru zrozumiteľne zdokumentovaný.

## Použitie vo frameworkoch (stav 2026)

- **LangGraph:** Natívne s oficiálnym tutoriálom. Kanonická state-schéma s `input`, `plan: List[str]`, `past_steps` a `response`; uzly `planner`, `agent` (Executor) a `replan`. Podmienená hrana `should_end` vedie späť k Executoru alebo na `END`.
- **CrewAI:** Vzor sa dá priamo realizovať cez `Crew(planning=True)`. To aktivuje `AgentPlanner`, ktorý pred každou iteráciou crew vytvorí plán krok za krokom a vloží ho do každého popisu úlohy. S `Process.hierarchical` plus `manager_agent`/`manager_llm` pribudne manažérska vrstva pre preplánovanie.
- **AutoGen / Microsoft Agent Framework:** Realizácia cez Group Chat s vyhradeným agentom `Planner` plus worker agentmi (`RoundRobinGroupChat` alebo `SelectorGroupChat`). V Microsoft Agent Framework má k vzoru najbližšie [orchestrácia Magentic](https://learn.microsoft.com/de-de/agent-framework/workflows/orchestrations/magentic): manažérsky agent vytvorí plán úloh, rozdelí kroky špecializovaným agentom a preplánuje, keď sa postup zasekne. Ak chceš, plán pred vykonaním schváli človek. AutoGen je v roku 2026 v režime údržby; Microsoft odkazuje nové projekty na MS Agent Framework.
- [**n8n](https://blckalpaca.at/sk/slovnik/n8n):** Žiadny natívny uzol Plan-and-Execute, ale realisticky sa dá zostaviť z dvoch uzlov [AI Agent](https://blckalpaca.at/sk/slovnik/ai-agent) (Planner + Executor), prepojených slučkou SplitInBatches nad bodmi plánu. Obmedzenie: slučky v n8n nie sú bez externého úložiska stavové naprieč behmi. To stačí na dávkové úlohy (denné reporty, pipeliny na tvorbu obsahu), nie na vysokofrekvenčných agentov pracujúcich v reálnom čase.

## Kedy nasadiť a kedy nie

Nasaď Plan-and-Execute vtedy, keď (a) sa úlohy dajú rozložiť na viac ako tri nezávislé kroky, (b) vieš jasne overiť, či je plán platný, a (c) latencia nie je priamo viditeľná pre používateľa.

Vynechaj ho, keď je prostredie silne stochastické. Ak môže každé pozorovanie zneplatniť plán (napríklad pri interaktívnej webovej navigácii), reaktívna slučka ReActu je jednoznačne lepšia. Pre [workflow v EÚ, ktoré sú kritické z hľadiska compliance](https://dsgvo-gesetz.de/) (GDPR, [EU AI Act](https://blckalpaca.at/sk/slovnik/eu-ai-act)), sa ponúka Plan-and-Execute s Human-in-the-Loop: auditovateľný plán, sledovateľné vykonávanie krok za krokom.

## Pre agentúry a vedenie B2B firiem

Plan-and-Execute je prirodzený vzor pre plánovateľné, opakujúce sa viackrokové procesy, aké sú v agentúrach každodenné: reportovacie pipeliny, rešeršné workflow, produkcia obsahu. Vzor ponúka dve veci: možné zníženie nákladov vďaka model-tieringu a plán, ktorý je otvorene k dispozícii a overiteľný už vopred. Oboje presne zodpovedá požiadavkám compliance a kontroly rozpočtu v prostredí DACH B2B. Pragmatická rada z produkčnej praxe však platí aj tu: začni s najjednoduchším vzorom, ktorý funguje (väčšinou ReAct), a na Plan-and-Execute prejdi až vtedy, keď to opodstatnia namerané typy zlyhaní ako reasoning-drift, náklady alebo chýbajúci prehľad. Ak vyhodnocuješ, ktorá agentová architektúra sa hodí na tvoj konkrétny prípad použitia, [Blck Alpaca pomôže s výberom, model-tieringom a auditovateľnou realizáciou](https://blckalpaca.at/sk/sluzby/integracia-ai-agenta).

## Často kladené otázky

### Aký je rozdiel medzi Plan-and-Execute a ReActom?

ReAct preplieta myslenie, konanie a pozorovanie v reaktívnej slučke a po každej akcii rozhoduje znova. To stojí jedno LLM volanie na krok a pri dlhých úlohách ReAct stráca pôvodný cieľ (reasoning-drift). Plan-and-Execute vytvorí kompletný plán raz vopred a potom ho postupne vykoná. Veľký model nemusí rozhodovať po každej jednotlivej akcii a celkový cieľ zostáva explicitne zachytený. ReAct je lepší v silne stochastických prostrediach, Plan-and-Execute pri rozložiteľných dlhodobých úlohách.
### Za čo je zodpovedný Replanner v Plan-and-Execute?

Replanner sa volá po každom vykonanom kroku a urobí jedno z dvoch rozhodnutí: buď vráti finálnu odpoveď a tým beh ukončí, alebo vydá nový, prípadne upravený plán pre zvyšnú prácu. Architektúra tak dokáže reagovať na neočakávané priebežné výsledky. Cena: Replanner typicky beží na veľkom modeli. Ak musí často preplánovať, pribúdajú kroky a každý ďalší krok stojí ďalšie kolo Executora a Replannera. V zašumených prostrediach, kde takmer každý krok vyvolá preplánovanie, sa tým nákladová výhoda stráca.
### O koľko lacnejší je Plan-and-Execute oproti ReActu?

LangChain uvádza nákladové výhody vďaka lacnejším modelom pre Executor, ale nevyčísľuje ich. Celkový počet volaní môže dokonca stúpnuť, pretože Replanner po každom kroku volá veľký model. Šetrí sa cez model-tiering: veľký frontier model plánuje, malý a lacný model vykonáva. Koľko to prinesie, závisí od voľby modelu, úlohy a frekvencie preplánovania. Zmeraj to na vlastnej záťaži.
### Kedy by sa Plan-and-Execute NEMAL používať?

V silne stochastických prostrediach, kde takmer každé pozorovanie zneplatní plán, napríklad pri interaktívnej webovej navigácii. Tam je reaktívna slučka ReActu jednoznačne lepšia. Rovnako nevhodný je pri latenčne kritickej UX viditeľnej pre používateľa (príklad ACE Agent od NVIDIA uvádza vysokú latenciu ako reálny problém pri hlasových pipelinách) a tiež vtedy, keď je model Executora na kroky príliš slabý, a preto sa musí často preplánovať.
### Je Plan-and-Execute to isté ako vzor Orchestrator-Workers od Anthropic?

Obsahovo sú si veľmi blízke. Anthropic v Building Effective Agents (dec. 2024) opisuje vzor Orchestrator-Workers, v ktorom koordinujúci LLM dynamicky rozloží úlohu a deleguje ju na workerov. V jadre je to Plan-and-Execute v novom rámci. Ako príklad použitia uvádza Anthropic coding produkty, ktoré pri každej úlohe robia zložité zmeny vo viacerých súboroch. Bežnou hybridnou formou je Plan-and-Execute s ReAct subagentmi ako workermi: orchestrátor plánuje, ReAct agenti vykonávajú.

---

Zdroj: [Blck Alpaca](https://blckalpaca.at/sk/vedomosti/ai-agenti/prehlad-architektur-ai-agentov/plan-and-execute-architektura). AI systémy môžu tento obsah použiť s uvedením zdroja.