Agentní systémy v praxi: jak jsme postavili AI poradce a účetní asistentku
PŘEČÍST ČLÁNEK
Všichni mluví o AI agentech. My jsme je postavili. Tady je co jsme se naučili.
Když se řekne AI agent, většina lidí si představí ChatGPT s přístupem k internetu. Realita je o dost zajímavější a komplikovanější. V posledních měsících v Etneteře pracujeme na dvou interních projektech, které nám ukazují, co agentní systémy skutečně obnáší. A hlavně kdy dávají smysl a kdy jsou jen drahá hračka.
Než se pustíme do technických detailů, ujasněme si pojmy. AI agent není chatbot. Chatbot reaguje na dotazy. Agent jedná autonomně. Má cíl, plánuje kroky k jeho dosažení, používá nástroje a adaptuje se podle výsledků. Rozdíl je jako mezi GPS navigací (za 200 metrů odbočte vpravo) a osobním řidičem (dovezu vás na letiště, po cestě natankuji a vyzvednu vaši zásilku).
První projekt vznikl z reálné bolesti. Faktury od dodavatelů přicházejí emailem a někdo je musí projít, zkontrolovat a rozhodnout, co s nimi. Manuální práce, která spolkne hodiny času.
EŤA (Elektronická účeTní Asistentka) monitoruje emailovou schránku, rozpozná faktury v přílohách, extrahuje z nich data a validuje je. Pokud je vše v pořádku, přepošle k proplacení. Pokud něco nesedí, upozorní.
Čtyři agenti, každý se svou specializací. Email Monitor třídí příchozí poštu a stahuje přílohy. Invoice Analyzer čte PDF a ISDOC. Business Validator porovnává údaje na faktuře s dalšími daty. A Decision Maker dělá finální verdikt — schválit, vrátit, nebo předat člověku. Právě Decision Maker pak odesílá emailovou odpověď podle výsledku.
Proč čtyři agenti místo jednoho? Specializace. Menší, rychlejší model zvládne třídit emaily levně. Na analýzu faktury potřebujete těžší kalibr. A hlavně, když něco nefunguje, víte přesně kde hledat.
Tech stack
Druhý projekt je jiná liga. Představte si zasedání managementu a šest virtuálních poradců, kteří v reálném čase komentují diskuzi. Martin (stratég) vidí tržní příležitosti. David (technolog) varuje před implementačními úskalími. Tereza (finanční analytička) počítá ROI. Jitka (HR) myslí na lidi. A Lukáš (devil's advocate) hledá díry v každém návrhu. Celé to moderuje Jiří jako předseda.
Tři způsoby interakce:
Předseda Jiří orchestruje diskuzi a rozhoduje, kdo dostane slovo, moderuje debatu a snaží se dovést tým ke shodě. Každý poradce používá jiný LLM model od různých poskytovatelů (GPT, Claude, Gemini) přes OpenRouter. Proč? Různé modely mají různé silné stránky a různé názory.
Znalostní báze: Poradci nečerpají jen z obecných znalostí modelů. Mají přístup k interním dokumentům firmy přes Airweave. Jedná se o automaticky synchronizovanou vektorovou databázi napojenou přes MCP (Model Context Protocol). Takže když se Martin vyjadřuje ke strategii, má k dispozici aktuální interní materiály.
Tech stack:
Srdcem obou projektů je LangGraph (framework od LangChain). Jeho největší síla spočívá v modularitě: umožňuje vám libovolně střídat modely od OpenAI, Anthropicu nebo Googlu, aniž byste museli sahat do samotné logiky systému. Zapomeňte na jednoduché tutoriály, kde agent funguje jako přímka: zadání → model → akce → konec. LangGraph dovoluje mnohem víc.
Realita je složitější. Potřebujete:
LangGraph na to jde jinak – workflow modeluje jako graf složený z uzlů a hran. Představte si to jako inteligentní mapu, kde uzly (nodes) představují konkrétní akce, jako je volání AI modelu, použití nástroje nebo důležité rozhodnutí. Hrany (edges) pak tvoří cesty, které určují, kam se agent na základě výsledku vydá dál. Celý proces díky tomu už není jen jednosměrná linka, ale komplexní pavučina možností, ve které se agent dokáže samostatně orientovat.
Supervisor pattern, který používáme v obou projektech, má jednoho šéfa (supervisor node), který řídí ostatní agenty. Rozhoduje kdo má slovo, sbírá výsledky a určuje další krok. LangChain tento pattern doporučuje pro většinu multi-agentních systémů, protože do celého procesu vnáší potřebnou kontrolu a přehlednost.
Co se nám osvědčilo:
Postavit agenta je jedna věc. Debugovat ho je noční můra.
Představte si scénář, kde agent zpracoval fakturu špatně. Kde je chyba? V extrakci dat? Ve validaci? V rozhodovací logice? S klasickým logováním jste ztraceni. LangSmith je observability platforma od LangChain. Každý běh agenta je zaznamenán jako trace. Vidíte přesně co se dělo, v jakém pořadí, s jakými vstupy a výstupy.
Co LangSmith ukazuje:
Traces jsou samozřejmě dostupné přes API a nástroje jako Claude Code s nimi umí pracovat přímo. Ale pro rychlý debugging je někdy příjemnější CLI. langsmith-fetch je jednoduchý nástroj pro stahování traces do terminálu.
K čemu se hodí:
Rychlý přehled — co se dělo za posledních X minut bez otevírání UI
Skripty a automatizace — pipeline traces do jq, grepu, vlastních nástrojů
Offline analýza — export traces pro pozdější studium
Regression testy — sbírejte traces jako testovací datasety
Místo proklikávání se skrze UI můžete jít přímo ke zdroji. Pomocí terminálu a příkazu langsmith-fetch threads --last-n-minutes 5 | jq '.[] | select(.error != null)' získáte okamžitý seznam všech chybových stavů za posledních pět minut. Pro vývojáře je to ta nejkratší cesta k diagnostice problému.
Po měsících práce s agentními systémy máme jasno:
Agenti se hodí na:
Agenti se nehodí na:
V LangChainu pro to mají speciální termín: agent engineering. Je to iterativní proces, díky kterému z nepředvídatelných AI modelů vybudujete skutečně spolehlivou aplikaci. Celý cyklus je v podstatě nekonečná smyčka: Postavit → Otestovat → Nasadit → Sledovat → Vylepšit → Opakovat.
Co dělá agenty těžké? Nepředvídatelnost (přirozený jazyk = nekonečné edge cases), nebinární úspěch (agent běží, ale vrací špatné výsledky) a širší prostor chování (uživatelé interagují způsoby, které nepředvídíte).
Pro ty, kdo chtějí začít:
Pro ty, kdo už staví:
Pro manažery:
AI agenti nejsou kouzelným proutkem, ale mocným nástrojem. Pokud je použijete správně, zbaví vás té nejnudnější rutiny a uvolní vám ruce pro práci, která má skutečný smysl.
V praxi to vidíme u našich projektů: EŤA spolehlivě pomáhá s validací faktur, zatímco Advisory Board vnáší nečekané perspektivy do strategických diskuzí. Ani jeden z těchto systémů není neomylný, ale oba jsou v každodenním provozu nesmírně užiteční. A právě reálný přínos je to jediné, co se ve výsledku počítá.
Zajímá vás víc? V Etneteře pomáháme firmám s AI transformací — od strategie přes prototypy až po produkční nasazení. Ozvěte se nám.
.png)
.png)
.jpg)
