---
title: "Prompt Engineering pre AI Agentov"
description: "Prompt engineering pre agentov: techniky pre systémové prompty, tool-use a spoľahlivé správanie autonómnych AI Agentov."
locale: "sk"
canonical: "https://blckalpaca.at/sk/vedomosti/ai-agenti/prompt-engineering-pre-agentov"
category: "AI agenti"
updated: "2026-07-29T08:53:26.674Z"
source: "Blck Alpaca e.U., blckalpaca.at"
---

# Prompt Engineering pre AI Agentov

Prompt engineering pre agentov: techniky pre systémové prompty, tool-use a spoľahlivé správanie autonómnych AI Agentov.

## Čo je Prompt Engineering pre agentov?

[Prompt Engineering](/sk/slovnik/prompt-engineering) pre agentov označuje inžiniersku disciplínu, pomocou ktorej [AI Agent](/sk/slovnik/ai-agent) naprieč viacerými inference turn-mi konzistentne vykazuje požadované správanie. Zatiaľ čo klasický [Prompt](/sk/slovnik/prompt) Engineering (2022–2023) znamenal napísanie jediného, chytrého inštrukčného stringu, pri agentovi už kontextové okno nie je statickým textom, ale dynamicky komponovaným stavom systému: System-Prompt, definície Toolov, výsledky Toolov, priebeh konverzácie, načítané [RAG](/sk/slovnik/rag)-chunky, scratchpad-poznámky a štruktúrovaný state.

Andrej Karpathy opísal tento posun 25. júna 2025 ako „the delicate art and science of filling the [context window](/sk/slovnik/context-window) with just the right information for the next step“, deň po tom, čo Shopify-CEO Tobi Lütke zaviedol ten istý pojem. [Anthropic ho 29. septembra 2025 formalizoval](https://www.anthropic.com/research) v „Effective context engineering for [AI](/sk/slovnik/ai) agents“ ako „prirodzený ďalší vývoj Prompt Engineeringu“. Dôležité pre zaradenie: Context Engineering Prompt Engineering **subsumuje**, nenahrádza ho. Dobrý System-Prompt zostáva nutnou podmienkou; len už nie je postačujúci.

Táto hub-stránka poskytuje prehľad piatich centrálnych stavebných blokov: System-Prompty, popisy Toolov, plánovacie loopy (ReAct), manažment kontextového okna a evaluáciu.

## Architektúra System-Promptu

System-Prompt je jediný kus kontextu, ktorý [agent](/sk/slovnik/agent) vidí v každom turne, je to kód: verziovaný, reviewovateľný, diffovateľný. [Produkčné System-Prompty](/sk/vedomosti/ai-agenti/prompt-engineering-pre-agentov/system-prompts-design-patterns) sa v roku 2026 konzistentne štruktúrujú do štyroch vrstiev:

| Layer | Obsah | Typická dĺžka |
| --- | --- | --- |
| **Identity** | Rola, doména, boundaries („Si X, zodpovedný za Y“) | 50–200 Tokenov |
| **Capability** | Dostupné Tooly, čo robia, kedy ich použiť | 800–2.000 Tokenov (vrát. Tool-Schém) |
| **Behavioral** | Output-formát, štýl, „Nikdy X“, príklady | 200–600 Tokenov |
| **Context** | Dynamicky: dnešný dátum, aktuálny User, Workflow | 100–400 Tokenov |

Anthropic odporúča oddeliť tieto sekcie cez XML-tagy alebo Markdown-headre, model parsuje štruktúrované Prompty spoľahlivejšie. Správnu dĺžku nazýva Anthropic „the right altitude“: practitioner reporty konvergujú na 500–3.000 Tokenov pre jadro (bez Tool-Schém). Oba extrémy škodia: príliš dlhé Prompty so 47 očíslovanými pravidlami vedú k tomu, že model neskoré pravidlá aplikuje zriedkavejšie (Lost-in-the-Middle vo vlastnom System-Prompte); príliš vágne Prompty („Si nápomocný asistent“) prenechávajú príliš veľa inferencii modelu.

Centrálny posun sa týka absolútnych pravidiel: [OpenAI](/sk/slovnik/openai) [GPT](/sk/slovnik/gpt)-5-Guidance (2026) explicitne varuje, aby sa `ALWAYS`/`NEVER` používalo len pre skutočné invarianty, „for judgment calls, such as when to search, ask for clarification, use a tool, or keep iterating, prefer decision rules instead“. Pre DACH-tímy platí navyše: jazyk odpovede vždy nastaviť explicitne (frontier modely inak defaultujú na angličtinu pri technickom obsahu) a formu zdvorilosti (vykanie/tykanie) explicitne pinnúť, aby sa predišlo Style-Driftu v loope.

## Popisy Toolov: kde agenti skutočne zlyhávajú

Keď produkčný agent koná chybne, leží príčina podľa vlastnej inžinierskej skúsenosti Anthropic „vo väčšine prípadov“ nie pri modeli, ale pri definícii Toolu. Vodiaca otázka znie: „If a human engineer can't definitively say which tool should be used in a given situation, an AI agent can't be expected to do better.“

Rozhodujúce je, že **popisy Toolov sú súčasťou Prompt-budgetu**. Každý Tool pridáva 100–300 Tokenov „always-on“; katalóg 10 Toolov stojí 1.000–3.000 Tokenov na call. Najúčinnejším, najčastejšie zabúdaným komponentom je **When-not-to-use-klauzula**: ak existujú `search_web` a `query_internal_db` paralelne, rozhoduje táto klauzula o selekcii Toolu. Tool-Overlap, dva Tooly, ktoré plauzibilne odpovedajú na tú istú query, je jediný problém, ktorý nevyrieši ani akokoľvek dobrý Prompt.

Empirická evidencia je jasná. S Anthropic `tool_search`-Toolom a `defer_loading: true` pre zriedkavo používané Tooly vzrástla Tool-Selection-Accuracy v interných [MCP](/sk/slovnik/mcp)-Evaloch na **Opus 4 zo 49 % na 74 %**, na **Opus 4.5 zo 79,5 % na 88,1 %** (Anthropic, november 2025), pri približne [85 % úspore Tokenov](/sk/vedomosti/ai-agenti/model-context-protocol-mcp/code-execution-mit-mcp). Od približne 10 aktívnych Toolov začína merateľná degradácia. Produkčný pattern preto znie **3–7 always-loaded Toolov plus Tool-Search pre zvyšok**.

Ďalšie spoľahlivé konvencie: Verb-Noun-názvy (`get_user`, `send_email`), Field-Level-Descriptions so sémantikou, dokumentované Return-formáty a Failure-Modes, search-fokusované namiesto list-all-Toolov, ako aj tvrdé Response-[Token](/sk/slovnik/token)-limity (Anthropic-orientačná hodnota \~25.000 Tokenov na Tool-Return). DACH-prax: Tool-*názvy* a parametre anglicky (interoperabilita), *Descriptions* v runtime-jazyku agenta.

## Plánovacie loopy: ReAct a jeho nástupcovia

Plánovanie je štruktúra rozhodovacej slučky agenta. Štyri patterny dominujú v roku 2026, s jasnými trade-offmi:

| Pattern | Idea | Production-Use 2026 |
| --- | --- | --- |
| **ReAct** (Yao et al. 2022) | Reason → Act → Observe → … | Štandardný default pre Tool-Use-agentov |
| **Plan-and-Execute** | Najprv generovať plán, potom vykonať | Multi-Step-Workflowy, nízka latencia |
| **Reflexion** (Shinn et al. 2023) | Generovať → kritizovať → revidovať | Quality-sensitive tasky (2–3× Token-náklady) |
| **Tree of Thoughts** (Yao et al. 2023) | Viacero branchov paralelne, merge | Hard-Reasoning, veľmi drahé, zriedka štandard |

ReAct prekladá reasoning a konanie (Thought → Action → Observation) a je robustný default pre non-reasoning modely. Pri reasoning modeloch sa obraz posúva: **Interleaved Thinking** (Anthropic Claude s Extended Thinking, OpenAI o-séria/GPT-5) necháva model preplánovať medzi Tool-Callmi a kolabuje tým mnohé klasické „ReAct-in-a-Loop“ implementácie do jediného [API](/sk/slovnik/api) callu. V praxi produkčné agenti využívajú hybridy: ReAct-slučku s explicitným Planning-Stepom na začiatku a verifikáciou pred ireverzibilnými akciami.

Disciplinovaná terminácia je najdôležitejšia poistka, infinite loopy boli najčastejšou triedou produkčných bugov 2025–2026. Robustné loopy kombinujú Max-Iterations (Hard-Cap, typicky 10–30 general, 50–100 pre Coding), Success-Criterion (napr. `submit_final_answer`-Tool), Cost-Caps, Repeated-State-Detection proti Tool-Thrashingu a Human-Escalation-cestu.

## Manažment kontextového okna

Dlhé kontextové okná sú v roku 2026 dostupné (Claude Opus 1M, Gemini 2M Tokenov), ale nie sú uniformne využiteľné. Chroma štúdia „Context Rot“ (júl 2025, 18 frontier modelov) dokladá: všetky modely degradujú s rastúcou dĺžkou inputu. Tri mechanizmy sa zosilňujú: **Lost-in-the-Middle** (Liu et al., Stanford/TACL 2024, modely attendujú na začiatok a koniec, slabo v strede), Attention-Dilution a Distractor-Interference. Ako heuristika leží efektívna kapacita na **30–50 % nominálnej pri reasoning-heavy** a **60–80 % pri retrieval-heavy taskoch**, kto kompletne naplní 1M-Window, prevádzkuje plytvanie s Quality-Penalty.

Lance Martin ([LangChain](https://python.langchain.com/docs/)) k tomu zaviedol kanonickú Four-Pillar-taxonómiu, ktorú prevzali Anthropic a Manus:

- **Write**, perzistovať informácie mimo okna (scratchpady, `todo.md`, Memory-Store)
- **Select**, načítať správne Tokeny na step (RAG, Tool-Filtering, Sub-Agent-Dispatch)
- **Compress**, ponechať len task-relevantné Tokeny (sumarizácia, Anthropic Context-Editing)
- **Isolate**, rozdeliť kontext cez Sub-Agentov a Schema-Polia

Tri páky dominujú ekonomike. **Prompt Caching** je najdôležitejšia: Anthropic cache reads stoja približne 10 % štandardnej input rate (≈90 % discount), OpenAI ponúka približne 50 %. arXiv štúdia (február 2026, „Don't Break the Cache“) meria naprieč agentic-workloadmi o 41–80 % nižšie API-náklady a o 13–31 % kratší Time-to-First-Token vďaka strategickému Cache-Block-Control. **Pruning** odstraňuje staré turny a stale Tool-Results. **Compaction** komprimuje pri 70–85 % kapacity, v Claude Code cez `/compact`, ktorý podľa Anthropic zachováva „architectural decisions, unresolved bugs, and implementation details“ a zahadzuje redundantné Tool-Outputy. [Sub-Agent-Dispatch](/sk/vedomosti/ai-agenti/multi-agent-systemy-zaklady/agent-handoff-strategien) pôsobí ako Compaction-primitív: Sub-Agent exploruje vo vlastnom okne a vracia len 1.000–2.000-Token-zhrnutie.

## Evaluácia: ak nemeriaš, neurobil si nič

Najbrutálnejšie poznanie pre Tech Leads znie: Context-Engineering-zmeny sa validujú cez Evaly, nie intuíciou. Najcitovanejšia rada Hamela Husaina, „Look at your data“, znamená konkrétne: prečítať 50–100 reálnych produkčných tracov, voľne olabelovať failures, naklastrovať ich do taxonómie, na každý častý modus napísať Code-Eval alebo [LLM](/sk/slovnik/llm)-as-Judge-Eval a tieto integrovať do CI/Monitoringu.

Husain pritom varuje pred čistým Eval-first-Developmentom: „Write evaluators for errors you discover, not errors you imagine.“ Praktická stredná cesta štartuje malým End-to-End-Evalom (10–50 reprezentatívnych taskov), iteruje a buduje špecifické Sub-Evaly pre reálne Failure-Modes. Triezviace, empiricky doložené poznanie: mnohé populárne Prompt-tipy („Si expert“, „[Think step by step](/sk/vedomosti/ai-agenti/prehlad-architektur-ai-agentov/chain-of-thought-fuer-agenten)“, „I'll tip you $200“) vykazujú v rigoróznych Evaloch minimálne alebo žiadne zlepšenie, na reasoning modeloch je „think step by step“ už default-správanie a manuálne často kontraproduktívne.

Produkčná zrelosť znamená: Evaly bežia automaticky pri každej zmene Kontextu, Toolov alebo Retrievalu, [PR](/sk/slovnik/pr)-Eval (20–50 taskov) blokuje merge, Pre-Deploy-Eval (200–2.000 taskov) blokuje deploy, Post-Deploy-Eval na produkčných tracoch prevádzkuje Drift-Detection. Structured-Output-Enforcement uzatvára kruh: [OpenAI Structured Outputs](/sk/vedomosti/ai-agenti/zaklady-llm-pre-ai-agentov/strukturierte-outputs-json-schema) (GA od augusta 2024) a Anthropic Tool-Use s JSON-Schema dodávajú 100 % schema adherence a nahrádzajú skoršie „parsuj JSON a dúfaj“.

## DACH-súvis a Compliance

Pre DACH-tímy (Nemecko, Rakúsko, Švajčiarsko) pribúdajú tri tvrdé inžinierske constraints. Po prvé **nemecká tokenizácia**: Compound-Nouns a flexia generujú o 30–50 % viac Tokenov na ekvivalentný obsah ako angličtina. 200K-Window tak pojme len \~130–150K Tokenov nemeckého obsahu, vyššie náklady, ale aj vyšší Caching-[ROI](/sk/slovnik/roi), pretože 90 %-discount sa premieta na väčší počet Tokenov.

Po druhé [**GDPR](https://gdpr-info.eu/)-disciplína** v kontextovom okne: [osobné údaje doň nepatria](/sk/vedomosti/ai-agenti/ai-agenti-v-sulade-s-gdpr/dsgvo-rechtsgrundlage-ki-art-6) nefiltrované. Patterny sú pseudonymizácia pred Context-Injection (jasné mená rozriešiť až v Tool-Layeri), PII-Redaction-Layer pred RAG-Injectom a auditovateľný Session-State-Reset. Po tretie **EU-AI-Act-logging podľa čl. 12**, ktorý sa pre vysokorizikové systémy stane plne aplikovateľným od **2. augusta 2026** (provizórna, resp. stupňovitá aplikovateľnosť, toto zaradenie je informačné a nie právne poradenstvo). Z inžinierskeho hľadiska to znamená: verzia System-Promptu, verzia Tool-Catalogu, retrieved dokumenty (alebo ID + Hashe), User-Input, Tool-Calls, Tool-Results a finálny Output musia byť perzistované audit-schopne a zároveň [GDPR](/sk/slovnik/gdpr)-zmazateľne, odporúčané na každý Tool-Call s Run-Correlation-ID.

## Výhľad a praktická poznámka

Prompt Engineering pre agentov nie je v roku 2026 folklór ani len premenovanie, ale odpoveď na posun od One-Shot-Callov k viacstupňovým agentic loopom. Kto [buduje produkčného agenta](/sk/sluzby/integracia-ai-agenta), túto disciplínu *prevádzkuje*, otázkou je len, či vedome a reprodukovateľne, alebo nevedome a krehko. Viacero polí zostáva v pohybe a malo by sa čítať ako „aktuálny snapshot“: konvencie reasoning modelov, heuristika Multi-Agent-vs.-Single-Agent (read-heavy paralelne funguje, write-heavy nie), ako aj Prompt-optimalizačné frameworky ako DSPy, ktoré sa hodia pre úzko vymedzené Sub-Tasky, ale pre kompletné Agent-Loopy ešte netvoria produkčný štandard.

Praktický vstup je nedramatický a dobre zdokumentovaný: System-Prompt vytiahnuť z vendor-playgroundu a verziovať v Gite, Schema-Validation na každý output, Prompt Caching aktivovať na stabilné časti, nastaviť tvrdé Cost-Caps a týždenne čítať 20 reálnych tracov. Vodiaca veta Anthropic zhŕňa celý cieľ presnejšie než akákoľvek tooling-diskusia: „Find the smallest set of high-signal tokens that maximize the likelihood of your desired outcome.“ To je engineering, a potom: look at your data.

## Clanky

- [Systémové prompty pre agentov: 12 design patternov pre produkčne pripravený dizajn systémového promptu](https://blckalpaca.at/sk/vedomosti/ai-agenti/prompt-engineering-pre-agentov/system-prompts-design-patterns) — System Prompt Design označuje štruktúrovanú konštrukciu systémového promptu AI-agenta z opätovne použiteľných stavebných blokov: rola, cieľ,
- [Few-Shot Prompting pre robustné výstupy agentov](https://blckalpaca.at/sk/vedomosti/ai-agenti/prompt-engineering-pre-agentov/few-shot-prompting-fuer-agenten) — Few-Shot Prompting označuje techniku, pri ktorej AI agentovi v prompte poskytnete niekoľko málo príkladov (typicky 2 až 5) správnych vstupov
- [Verziovanie prompt-šablón: Git-workflow pre prompty](https://blckalpaca.at/sk/vedomosti/ai-agenti/prompt-engineering-pre-agentov/prompt-templates-und-versionierung) — Verziovanie promptov znamená zaobchádzať s prompt-šablónami ako s kódom: parametrizované, oddelené od aplikačnej logiky, verziované v Gite, 
- [Meta-prompting: Keď si agenti píšu vlastné prompty](https://blckalpaca.at/sk/vedomosti/ai-agenti/prompt-engineering-pre-agentov/meta-prompting-techniken) — Meta-prompting označuje techniky, pri ktorých LLM generuje, hodnotí alebo zlepšuje vlastné prompty namiesto ich manuálnej formulácie. Namies
- [Prompt Evaluation: Promptfoo, LangSmith, Langfuse v porovnaní (stav 2026)](https://blckalpaca.at/sk/vedomosti/ai-agenti/prompt-engineering-pre-agentov/prompt-evaluation-frameworks) — Prompt Evaluation je systematické, merateľné testovanie promptov a výstupov LLM oproti fixnej eval-sade. Metódy sú pravidlové assertions, LL
- [Obrana proti prompt injection: 9 techník pre produkčných agentov](https://blckalpaca.at/sk/vedomosti/ai-agenti/prompt-engineering-pre-agentov/prompt-injection-defense-techniken) — Obrana proti prompt injection označuje viacvrstvové zabezpečenie AI agentov proti manipulovaným vstupom, ktoré podsúvajú inštrukcie. Keďže j

---

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