Preskočiť na obsah
AI Automatizácia & Agenty📖 6 min čítania

Advanced Agent Systems

Multi-agent

Multi-agent workflows. Sub-agents. Connectors. MCP servery.

Čo sa naučíš

Multi-agent architektúra
Sub-agents a dispatch
MCP servery a connectors
Reálne use cases
Production deployment

Ochutnávka lekcie

Obsah

  1. 📖 Multi-agent patterns: Supervisor, Pipeline, Swarm, Hierarchical
  2. 📖 Frameworky porovnanie: Claude Agent SDK, LangGraph, CrewAI
  3. 📖 Kedy potrebuješ multi-agent (vs single agent)

<a id="patterns"></a>

📖 Multi-agent patterns: Supervisor, Pipeline, Swarm, Hierarchical

Prečo multi-agent

Jeden agent má limity:

  • Context window sa zaplní pri dlhých úlohách
  • Tool overload — ak má agent 50 toolov, rozhoduje pomalšie a horšie
  • Specializácia — agent optimalizovaný pre sales píše inak ako agent pre support
  • Parallelizácia — jeden agent = sekvenčné kroky, multi-agent = paralelné

Multi-agent = viacerí agenti spolupracujú na jednej úlohe.

Pattern 1: Supervisor (Orchestrator)

Štruktúra: 1 orchestrátor + N specialized agents.

        [Supervisor (Opus 4.6)]
         /       |       \
    [Research] [Writer] [Editor]
    (Sonnet)  (Sonnet) (Sonnet)

Flow:

  1. Supervisor dostane úlohu
  2. Rozloží ju na subtasks
  3. Deleguje každý subtask na špecializovaného agenta
  4. Zozbiera výsledky, zloží finálny output

Kedy použiť:

  • Úloha má jasné subtasks s rôznou špecializáciou
  • Potrebuješ "manažéra", ktorý koordinuje

Reálny príklad: Research asistent.

User: "Napíš mi report o AI trende v SME 2026."

Supervisor (Opus):
1. Research agent → nájdi zdroje, extrahuj dáta
2. Analysis agent → analyzuj trendy
3. Writer agent → napíš report
4. Reviewer agent → finálna kontrola

Supervisor skladá výstup → final report.

Pattern 2: Pipeline (Sequential handoff)

Štruktúra: Agenti si podávajú prácu ako štafetu.

[Research] → [Outline] → [Draft] → [Edit] → [Publish]

Flow:

  • Každý agent robí jednu fázu
  • Výstup jedného = vstup ďalšieho
  • Žiadny orchestrátor — flow je pevný

Kedy použiť:

  • Úloha má jasné sekvenčné fázy
  • Každá fáza má iné požiadavky (model, tooly, prompt)

Reálny príklad: Content pipeline.

1. RESEARCH agent (Gemini 3.1 Pro — long context pre scrape)
   → zozbiera 20 zdrojov
2. OUTLINE agent (Sonnet 4.6)
   → vytvorí štruktúru článku
3. DRAFT agent (Opus 4.6)
   → napíše 3000-word draft
4. EDIT agent (Sonnet 4.6)
   → vylepší štýl, gramatiku
5. PUBLISH agent (Haiku 4.5)
   → SEO metadata,

Pokračuje ešte 4 minút praktického obsahu + build-along projekt

Odomkni s PRO — od €19.99/mes

Pre koho je táto lekcia

  • SK/CZ AI konzultanti a freelanceri, ktorí stavajú custom AI riešenia pre klientov a potrebujú škálovať beyond jednoduchých chatbotov
  • Tech leaderi v stredných firmách (50-200 ľudí), ktorí zvažujú nasadenie AI agentov do interných procesov (support, sales, research)
  • Product manažéri AI startupov, ktorí potrebujú rozhodnúť medzi LangGraph/CrewAI/AutoGen pre svoje MVP a nevedia, ktorý framework kedy má zmysel
  • Skúsení Python developeri s prvými AI projektmi za sebou, ktorí riešia problémy s context window a tool overload pri komplexnejších agentoch
PRO

Dostupné s PRO predplatným

Odomkni všetkých 6 modulov s okamžitým prístupom ku všetkým lekciám.

Začať s PRO — od €19.99/mes

alebo €199/rok (ušetri 17%)