Agenti a Skills: Architektura AI systémů jako budoucí nový standard

V předchozím textu jsem popsal destilaci a tvorbu doporučení. Teď k tomu, jak vlastně agenti fungují – a proč je lepší mít specializovaný tým místo jednoho univerzálního chatbota. Jeden „chytrý“ agent, který „umí všechno“, se zdá jednodušší. Ve skutečnosti je to jako chtít, aby jeden člověk byl zároveň daňový poradce, investiční analytik, SEO specialista a právník. Teoreticky možné, prakticky neefektivní.

Anthropic (Claude) tento posun nazývá demokratizací programování (2026 Agentic Coding Trends Report). Marketér, právník, analytik – každý může vytvořit agenta nebo si ho někde stáhnout a začít používat. Principy popsané níže platí univerzálně – nejen pro marketing, ale i pro právní analýzy, investiční rozhodování nebo technickou dokumentaci.

Největší vliv nových „agentic“ přístupů (AI agents + skills/tools) na znalostní práci je, že rozbíjejí klasický model „člověk + nástroje“ na „člověk + síť polo‑autonomních agentů“, kteří dělají většinu operativy a části analýzy i exekuce. Nastává přesun od „promptu“ k „workflowům“: místo psaní jednotlivých promptů teď agent vykonává workflow (audit → návrh → exekuce → vyhodnocení), často už je napojený na nějaké konkrétní nástroje (CRM, e‑shop, analytics).

---

Hierarchie: Meta-orchestrátor → Skill → Agent

Tohle mi trvalo nejdéle pochopit. Systém má tři úrovně a každá má jinou roli:

Jednoduché pravidlo

Úroveň	Co to je	Příklad	Má knowledge base?
TÉMA	Celá oblast (domain)	SEO, PPC, Konkurence	–
SKILL	Orchestrátor pro téma	/seo-audit, /competitor	✅ ANO – načítá reference
AGENT	Specialista na část téma	seo-on-page-optimizer, contract-reviewer	❌ NE – dostane od SKILLu

TÉMA = Široká doména znalostí (SEO, PPC, analytika, …) SKILL = Workflow orchestrátor, který načte knowledge base a deleguje práci AGENT = Exekutor konkrétního úkolu s jasným checklistem

Jak to funguje v praxi

User: "Udělej SEO audit testu"
         │
         ▼
/analyzuj (detekuje: "SEO")
         │
         ▼
/seo-audit (SKILL)
    │
    ├── 1. Načte domain-specific knowledge base
    ├── 2. Určí maturity level (1-6)
    ├── 3. Identifikuje Quick Wins
    │
    └── 4. Deleguje na agenty:
            ├── seo-on-page-optimizer → Meta tags, H1, images
            ├── seo-technical-auditor → Speed, crawl, robots
            └── seo-link-strategist → Backlinks

Proč tato hierarchie?

1. Meta-orchestrátor = Jeden vstupní bod

   • Uživatel nemusí přemýšlet „který příkaz mám použít“
   • Systém sám určí správnou cestu

2. Skill = Načítání znalostí

   • Skill načte knowledge base JEDNOU
   • Agenti dostanou připravený kontext
   • Eliminuje opakované dotazy na stejná data

3. Agent = Specializovaná exekuce

   • Každý agent má jasný checklist
   • Dělá jednu věc, ale dobře
   • Transparentní – vím, kdo co udělal

Tato hierarchie mi pomáhá udržet přehled. Meta-orchestrátor je jeden vstupní bod – nemusím přemýšlet „který příkaz mám použít“. Napíšu co potřebuji a systém sám určí správnou cestu. Anthropic to potvrzuje ve svém 2026 Agentic Coding Trends Report: multiagentní systémy nahrazují single-agent workflow. Orchestrátory koordinují specializované agenty podobně jako vývojářské týmy.

Rozdíl mezi Agents a Skills

Agents (.claude/agents/*.md) jsou specializovaní experti – SEO specialista, PPC auditor, copywriter. Spouští se přes Task tool, když je potřebuji. Každý má svou knowledge base, checklist a formát výstupu.

Task management v Claude Code: Task tool se v roce 2026 výrazně rozšířil – z jednoduchých TODO seznamů na plnohodnotný systém s podporou závislostí mezi úkoly, perzistencí dat a koordinací více agentů.

Agenti nejsou vlastní kód, který byste museli programovat. Jsou to nativní součást Claude Code od Anthropic – stačí vytvořit Markdown soubor a Claude Code ho automaticky načte. Žádný JavaScript, žádné API volání. Jen strukturovaný text v .claude/agents/ složce.

Skills (.claude/skills/*/SKILL.md) jsou orchestrátory – řídí komplexní workflow, které volají více agentů. Spouští se příkazem /nazev-skillu. Příklady:

• /audit – spouští kontrolu podle checklistu (volá domain specialisty).
• /analyze – vytváří strategická doporučení (volá více agentů paralelně).
• /report – generuje strukturovaný výstup z dat.

Oficiální dokumentace: Skills Guide – Kompletní návod, jak vytvářet skills, jak je strukturovat a jak je volat z jiných skills nebo přímo z příkazové řádky.

Skill MUSÍ být složka, ne soubor. Claude Code hledá složky v .claude/skills/ a v nich soubor SKILL.md. Pokud vytvoříte .claude/skills/muj-skill.md přímo jako soubor, nebude rozpoznán jako skill.

Po změně agenta restartujte session. Claude Code načítá agenty při startu – změny v .claude/agents/ se projeví až po restartu.

SKILL (orchestrátor):
  1. Klasifikuj dokument → určí doménu
  2. Zavolej správného agenta → Task(seo-specialist)
  3. Validuj výstup → kontrola formátu
  4. Ulož atomy → batch write

AGENT (specialista):
  - Dostane konkrétní úkol
  - Má svůj checklist a knowledge base
  - Vrátí strukturovaný JSON

---

Jak vytvořit prvního agenta

Nemusíte stavět systém s desítkami agentů a složitými workflow. Začněte jednoduše.

Poznámka k terminologii: V tomto článku mluvím o Claude Code (CLI nástroj od Anthropic pro vývoj) a Claude API (Haiku/Sonnet modely volané skripty za běhu). Claude Code používám při stavbě systému, Claude API pohání agenty v produkci.

Krok 1: Vytvořte prvního agenta

V Claude Code začněte příkazem /agents a ten vás provede. Já to ale dělám ručně. Místo, kde agenti sídlí, je .claude/agents/nazev.md.

Minimální konfigurace (YAML frontmatter):

Oficiální specifikace: Sub-agent Configuration – Kompletní přehled všech možných polí YAML frontmatter a best practices pro strukturu agenta.

---
name: muj-prvni-agent
description: "Popis s klíčovými slovy pro vyhledávání. Např: SEO, audit, keywords."
model: sonnet
---

# Rules

1. **Input:** Co agent přijímá (např. PDF dokument, CSV export)
2. **Output:** Co agent vrací (např. seznam FACT atomů)
3. **Process:** Krok za krokem, co má dělat

# Workflow

1. Načti dokument
2. Identifikuj klíčová čísla
3. Vytvoř FACT atomy pro každé číslo
4. Vrať seznam atomů

# Checklist

- [ ] Dokument je validní formát
- [ ] Každý FACT má zdroj
- [ ] Všechna čísla mají jednotky (Kč, %, ks)

Poznámky k YAML frontmatter:

• V oficiální Claude Code specifikaci se nepoužívá pole tools: – agent má automaticky přístup ke všem nástrojům. Pokud potřebujete omezit nástroje, použijte allowed_tools: [Read, Glob, Grep], ale toto je pokročilá funkce a pro začátek není nutná.
• model: sonnet je zkrácený zápis; můžete použít i plný název jako claude-3-5-sonnet pro specifickou verzi.

YAML frontmatter musí obsahovat minimálně:

• name: – identifikátor agenta
• description: – popis (v uvozovkách!)

Volitelně:

• allowed_tools: – omezení nástrojů (pokročilé, běžně se nepoužívá)
• model: – který LLM model (sonnet, haiku, opus, nebo plný název jako claude-3-5-sonnet)

Pak sekce:

• Rules – pravidla, co agent smí/nesmí
• Output – formát výstupu
• Workflow – krok za krokem proces

Cíl: Max 100 řádků. Jednoduchost je klíč.

Co agent smí a co nesmí

Každý agent potřebuje jasně definované hranice. Narazil jsem na to, když mi agent smazal soubor, který neměl – dostal příliš volnou ruku. Od té doby definuji tři úrovně oprávnění:

Úroveň	Co to znamená	Příklady
✅ Vždy	Bezpečné akce bez ptaní	Číst soubory, vytvářet atomy, validovat formát
⚠️ Zeptat se	Akce s dopadem – vyžadují souhlas	Mazat soubory, měnit existující atomy, commitovat
🚫 Nikdy	Kategoricky zakázané	Commitovat API klíče, mazat produkční data

Tohle pravidlo jsem si „vypůjčil“ od Addy Osmani, který popisuje podobný tříúrovňový systém. V praxi mi to zabránilo opakování pár nepříjemných situací, kdy mi agenti dříve mazali něco, co neměli.

Krok 2: Otestujte a iterujte

Až uvidíte, že první agent funguje:

1. Rozšiřujte mu znalosti (přidejte knowledge base)
2. Přidejte druhého agenta pro jinou doménu
3. Vytvořte skill, který oba koordinuje

Nedělejte předem:

• 50 agentů „pro jistotu“
• Komplexní taxonomie atomů (FACT, DECISION, INSIGHT, HYPOTHESIS, ASSUMPTION…)
• Složité workflow s 10 fázemi

Začněte:

• 2 agenti (např. „data-extractor“ + „validator“)
• 2 typy atomů (FACT, ACTION)
• 1 jednoduchý workflow (Extract → Validate → Save)

---

Ekosystém skills: desítky tisíc a roste

V lednu 2026 existuje přes 31,000 veřejně dostupných skills v marketplace jako mcpmarket.com. Nemusíte všechno stavět od nuly – můžete si „nainstalovat“ hotové skills pro běžné úkoly.

Ale pozor – více agentů neznamená automaticky lepší výsledky. Jak upozorňuje článek o orchestraci agentů: „By 2026, the question will be: how many agents did you deploy and how well did they perform?“ Klíčová je orchestrace – koordinační vrstva, která zajistí, že agenti spolupracují, neduplikují práci a směřují ke společnému cíli. Bez ní vzniká chaos. To je přesně to, co dělá hierarchie Meta-orchestrátor → Skill → Agent, kterou jsem popsal výše.

---

Další aplikace agentní architektury

Možná ten systém využijete na úplně něco jiného. Ty principy lze aplikovat na:

Pro CEO:

• Strategické plánování – agenti pro BMC, Value Proposition Canvas, OKR. Každý rámec má svého specialistu s kontrolním seznamem.
• Sledování konkurence – agent, který systematicky monitoruje konkurenci a ukládá změny jako atomy s časovou degradací.
• Podklady pro vedení – automatická příprava reportů z atomů, které vznikly během měsíce.
• Hloubková prověrka – rychlá analýza dokumentů s kontrolním seznamem 200 bodů.

Pro CMO:

• Alokace rozpočtu – agent s historickými daty o CAC/LTV na kanál, který navrhuje přerozdělení.
• Hodnocení kampaní – systematická analýza co fungovalo/nefungovalo s ukládáním poučení.
• Řízení dodavatelů – kontrola agenturních reportů podle seznamu očekávaných výstupů.
• Obsahový kalendář – orchestrace copywritera, SEO specialisty a social media managera.

Konkrétní implementaci v marketingovém kontextu najdete v článku 2: AI orchestrace v praxi: Jak jsem sestavil svůj Stínový kabinet – znalostní systém.

Pro freelancera či malého podnikatele:

• „Stínový C-level“ – Zeabur popisuje scénář, kde jeden Claude funguje jako CSO, CTO a CMO současně. Každá „role“ má vlastní personu a framework, Claude mezi nimi přepíná kontextově.

Pro knowledge workers:

• Investiční rozhodování (analýza akcií, vyvažování portfolia).
• Technickou dokumentaci (API dokumentace, knowledge base).
• Osobní finance (daňové přiznání, rozpočet) – to už si pro sebe připravuji na duben.
• Správa osobních znalostí – Simon Podhajský popsal integraci Claude Code s Obsidian  Já si podobně před pár týdny zmigroval Roam Research.

---

Shrnutí: 7 principů agentní architektury

1. Specializace > Universalita Tým specialistů je efektivnější než jeden univerzální agent.

2. Hierarchie: Meta-orchestrátor → Skill → Agent Tři vrstvy abstrakce – každá má jasnou roli.

3. Trvalá paměť (knowledge base) Agent načte znalosti JEDNOU, používá je NAVŽDY.

4. Deterministická vrstva + LLM Skripty řídí proces, LLM dělá analýzu.

5. Validace po každé fázi Chyba se odhalí ihned, ne až na konci.

6. Transparentnost Vždy víte, kdo co udělal.

7. Iterativní růst Začněte jednoduše (2 agenti), přidávejte postupně.

Zatím takové systémy staví spíše jen zaplálení nadšenci, ale směr, kterým jdou AI nástroje ukazuje, že do podobných systémů během roka dvou překlopíme velkou část opakovaných procesů.

 

---

2026: Repo-based Configuration jako průmyslový standard

Nechcete se vázat jen na Claude Code? Dobrá zpráva: Architektura definovaná soubory v repozitáři se právě stává průmyslovým standardem.

Nástroj	Konfigurace	Princip
Claude Code	.claude/agents/, .claude/skills/	Markdown soubory s YAML frontmatter
Cursor	.cursor/rules/*.mdc	Markdown for Cursor, stejná logika
Roo Code	.roo/, .clinerules/	Open-source, libovolný model (pojistka proti závislosti na dodavateli)
Windsurf	mcp_config.json	MCP-based, GUI + konfigurace
Gemini Code	Context Files	Markdown jako knowledge base
GitHub Copilot	.github/skills/ (Q1 2026)	Očekávaná podpora Skills

Všechny nástroje konvergují ke dvěma standardům:

1. MCP (Model Context Protocol): Připojování dat a funkcí → Dokumentace
2. Repo-based Configuration: Markdown soubory v .folder → Sub-agents, Skills

Tím, že si dnes postavíte systém na Markdown souborech, nevytváříte závislost na jednom dodavateli. Budujete přenositelnou, verzovanou „firemní inteligenci“, kterou přečte jakákoliv AI budoucnosti.