Agentní workflow

Od chatbotu k autonomnímu pracovníkovi¶

Klasický chatbot odpovídá na dotazy — prompt dovnitř, text ven. AI agent je fundamentálně jiný: plánuje sekvenci kroků, jedná v reálných systémech (API, databáze, soubory), vyhodnocuje výsledky a rozhoduje o dalším postupu. Je to programovatelný pracovník s definovaným mandátem a oprávněními.

Anatomie agentního workflow¶

┌─────────────────────────────────────────────────────────┐
│  TRIGGER (email, ticket, API call, schedule)             │
└────────────────────────┬────────────────────────────────┘
                         │
                         ▼
┌─────────────────────────────────────────────────────────┐
│  PLÁNOVÁNÍ                                               │
│  Agent analyzuje úlohu, rozloží na kroky, identifikuje  │
│  potřebné nástroje a data                                │
└────────────────────────┬────────────────────────────────┘
                         │
                         ▼
┌─────────────────────────────────────────────────────────┐
│  EXECUTION LOOP                                          │
│  ┌─────────────┐  ┌──────────────┐  ┌───────────────┐  │
│  │ Tool Call    │→ │ Vyhodnocení  │→ │ Rozhodnutí    │  │
│  │ (API, DB,   │  │ výsledku     │  │ (další krok / │  │
│  │  soubor)    │  │              │  │  eskalace /   │  │
│  └─────────────┘  └──────────────┘  │  dokončení)   │  │
│                                      └───────────────┘  │
│  ← opakuje se dokud úloha není dokončena ──────────→    │
└────────────────────────┬────────────────────────────────┘
                         │
                         ▼
┌─────────────────────────────────────────────────────────┐
│  OUTPUT (výsledek, report, notifikace, zápis do systému) │
└─────────────────────────────────────────────────────────┘

Orchestrace — jak řídíme agenty¶

Graph-based orchestrace¶

Workflow modelujeme jako directed acyclic graph (DAG), kde každý node je izolovaný krok s definovaným: - Vstupem — co node potřebuje (data, kontext, výsledky předchozích kroků) - Výstupem — co produkuje - Error handling — co se stane při selhání (retry, fallback, eskalace) - Timeout — maximální doba běhu

Výhody DAG přístupu: - Paralelní zpracování nezávislých kroků - Deterministické chování (stejný vstup = stejný průchod grafem) - Snadné debugování (vidíte přesně, kde workflow selhal) - Testovatelnost (každý node lze testovat izolovaně)

Tool-use — ruce agenta¶

Agent jedná prostřednictvím nástrojů — definovaných funkcí s jasným rozhraním:

Nástroj: create_jira_ticket
Vstup:   { project, summary, description, priority }
Výstup:  { ticket_id, url }
Oprávnění: agent_service_account (write: project_SUPPORT)
Rate limit: 10/min

Každý nástroj má: - Schema — validace vstupů/výstupů - Oprávnění — kdo smí volat - Rate limiting — ochrana proti runaway agentům - Logging — plný audit trail - Retry logika — exponential backoff, circuit breaker

Human-in-the-loop¶

Ne všechno má agent dělat sám. Definujeme eskalační pravidla:

• Confidence threshold — pokud si agent není jistý (< 80% confidence), eskaluje
• High-risk akce — platby, mazání, komunikace s klientem → human approval
• Anomálie — neočekávaný vstup, edge case → eskalace s kontextem
• Regulatorní požadavky — některé rozhodnutí musí udělat člověk (AML, KYC)

Eskalace není selhání — je to designovaný mechanismus. Agent připraví podklady, kontext, doporučení. Člověk rozhodne. Agent pokračuje.

Reálné příklady¶

Automatizace zpracování faktur¶

Před: Účetní manuálně zpracuje ~50 faktur/den. Čte PDF, přepisuje data do ERP, kontroluje proti objednávkám. 3-4 hodiny denně.

Po: Agent přijme fakturu (email attachment, DMS upload), extrahuje data (OCR + LLM), validuje proti objednávce v ERP, kontroluje duplicity, zapíše do účetního systému. Nesrovnalosti eskaluje s pre-filled daty.

Výsledky: - 200+ faktur/den zpracováno automaticky - 98.5% accuracy (validováno proti manuálnímu zpracování) - 85% redukce manuální práce - Účetní řeší jen edge cases a exceptions

Customer support triage¶

Před: Support tým manuálně čte tickety, klasifikuje, přiřazuje. 30% času jde na routing, ne na řešení.

Po: Agent analyzuje příchozí ticket (text + metadata), klasifikuje (kategorie, severity, produkt), obohacuje kontextem (zákaznická historie, znalostní báze), routuje na správný tým. Jednoduché dotazy řeší sám.

Výsledky: - 95% accuracy klasifikace (vs. 87% manuální) - 65% ticketů vyřešeno bez lidského zásahu - MTTR (mean time to resolve) -40%

Data enrichment pipeline¶

Před: Obchodní tým manuálně dohledává informace o firmách — web, rejstříky, LinkedIn. 2 hodiny per lead.

Po: Agent dostane název firmy, automaticky stáhne data z veřejných rejstříků (ARES, OR), analyzuje web, extrahuje klíčové informace (velikost, odvětví, technologie), obohacuje CRM záznam.

Výsledky: - 5 minut per lead (vs. 2 hodiny) - Konzistentnější data (standardizovaný formát) - Obchodníci se soustředí na vztahy, ne na research

Bezpečnost a kontrola¶

Permission boundary¶

Každý agent má explicitně definovaný scope oprávnění:

Akce	Oprávnění	Podmínka
Čtení z CRM	✅ Povoleno	—
Zápis do CRM	⚠️ S approval	Hodnota > 100K CZK
Čtení z ERP	✅ Povoleno	Read-only
Zápis do ERP	⚠️ S approval	Vždy
Email zákazníkovi	⚠️ S approval	Vždy
Interní notifikace	✅ Povoleno	—
Mazání dat	❌ Zakázáno	Nikdy

Kill-switch¶

Okamžité zastavení agenta — implementováno na třech úrovních: 1. Per-task — zastaví konkrétní běžící úlohu 2. Per-agent — zastaví všechny úlohy jednoho agenta 3. Global — zastaví všechny agenty (emergency stop)

Audit trail¶

Každá akce agenta je logovaná: - Timestamp, agent ID, task ID - Input (co agent dostal) - Reasoning (proč se rozhodl takto) - Tool call (co zavolal, s jakými parametry) - Output (co dostal zpět) - Duration, cost (tokeny, API calls)

Audit trail je immutable, archivovaný 12+ měsíců, dostupný pro compliance audit.

Technologie¶

Orchestrační framework¶

• LangGraph — pro complex, stateful workflow s podmínkami a cykly
• Custom DAG engine — pro high-performance, deterministické workflow
• Event-driven architecture — pro reactive, real-time zpracování

Deployment¶

• Kubernetes — containerizované agenty s autoscalingem
• Serverless — pro event-driven, low-frequency workflow
• Queue-based — RabbitMQ/Kafka pro high-throughput scénáře

Monitoring¶

• Distributed tracing — sledujeme každý krok workflow end-to-end
• Metrics — success rate, latency, cost per task
• Alerting — automatické alerty na anomálie, selhání, degradaci