Jak vytvořit agenta s umělou inteligencí

Jak vytvořit agenta s umělou inteligencí

Stručná odpověď: Chcete-li vytvořit agenta s umělou inteligencí, který v praxi funguje, zacházejte s ním jako s řízenou smyčkou: přijměte vstup, rozhodněte se o další akci, zavolejte úzce vymezený nástroj, sledujte výsledek a opakujte, dokud neprojde jasná kontrola „hotovo“. Osvědčuje se, když je úkol vícekrokový a řízený nástrojem; pokud jej vyřeší jediná výzva, agenta přeskočte. Přidejte striktní schémata nástrojů, limity kroků, protokolování a validátor/kritika, aby v případě selhání nástrojů nebo nejednoznačnosti vstupů agent eskaloval, místo aby se opakoval v smyčce.

Klíčové poznatky:

Řídicí smyčka : Implementujte vstup→akce→pozorování opakování s explicitními podmínkami zastavení a maximálním počtem kroků.

Návrh nástrojů : Udržujte nástroje úzce zaměřené, typované, s oprávněními a ověřené, aby se předešlo chaosu typu „do_anything“.

Hygiena paměti : Používejte kompaktní krátkodobý stav a dlouhodobé vyhledávání; vyhněte se ukládání plných přepisů.

Odolnost proti zneužití : Přidejte seznamy povolených položek, limity rychlosti, idempotenci a „nácvik na zkoušku“ pro rizikové akce.

Testovatelnost : Udržujte sadu scénářů (selhání, nejednoznačnost, injekce) a spouštějte je znovu při každé změně.

Jak vytvořit agenta s umělou inteligencí? Infografika
Články, které byste si mohli po tomto přečíst:

🔗 Jak měřit výkon umělé inteligence
Naučte se praktické metriky pro porovnání rychlosti, přesnosti a spolehlivosti.

🔗 Jak mluvit s umělou inteligencí
Pro získání lepších odpovědí používejte podněty, kontext a následné kroky.

🔗 Jak vyhodnocovat modely umělé inteligence
Porovnejte modely pomocí testů, rubrik a výsledků úkolů z reálného světa.

🔗 Jak optimalizovat modely umělé inteligence
Zlepšete kvalitu a náklady pomocí ladění, prořezávání a monitorování.

1) Co je to agent s umělou inteligencí, řečeno obyčejným člověkem 🧠

Agent umělé inteligence je smyčka. Dokumentace k „Agentům“ v LangChainu.

To je vše. Smyčka s mozkem uprostřed.

Vstup → přemýšlet → jednat → pozorovat → opakovat . Reagovat (zdůvodnění + jednat)

Kde:

  • Vstupem je požadavek uživatele nebo událost (nový e-mail, tiket podpory, ping senzoru).

  • Think je jazykový model uvažující o dalším kroku.

  • Volání nástroje (prohledávání interní dokumentace, spuštění kódu, vytvoření požadavku, napsání odpovědi). Průvodce voláním funkcí OpenAI

  • Observer čte výstup nástroje.

  • Opakování je ta část, která působí „agentsky“ místo „upovídaně“. Dokumentace k „Agentům“ v LangChainu

Někteří agenti jsou v podstatě chytrá makra. Jiní se chovají spíše jako juniorní operátoři, kteří dokáží žonglovat s úkoly a zotavovat se z chyb. Oba se počítají.

Taky nepotřebuješ plnou autonomii. Vlastně… nejspíš ji ani nechceš 🙃

2) Kdy byste měli vytvořit agenta (a kdy ne) 🚦

Vytvořte agenta, když:

  • Práce je vícestupňová a mění se v závislosti na tom, co se stane v průběhu.

  • Práce vyžaduje použití nástrojů (databáze, CRM, spouštění kódu, generování souborů, prohlížeče, interní API). Dokumentace k nástrojům LangChain.

  • Chcete opakovatelné výsledky s ochrannými opatřeními, ne jen jednorázové odpovědi.

  • Slovo „hotovo“ můžete definovat způsobem, který si počítač může zkontrolovat, i když jen volně.

Nevytvářejte agenta, když:

  • Jednoduchá výzva + odpověď to vyřeší (nepřehánějte to s inženýrstvím, později se budete nenávidět).

  • Potřebujete dokonalý determinismus (agenti mohou být konzistentní, ale ne robotičtí).

  • Nemáte žádné nástroje ani data k propojení – pak jsou to většinou jen vibrace.

Buďme upřímní: polovina „projektů AI agentů“ by mohla být pracovní postup s několika pravidly větvení. Ale někdy záleží i na atmosféře 🤷♂️

3) Co dělá dobrou verzi AI agenta ✅

Tady je část „Co dělá dobrou verzi“, o kterou jste požádal/a, až na to, že budu trochu upřímný/á:

Dobrá verze agenta s umělou inteligencí není ta, která nejvíc přemýšlí. Je to ta, která:

Pokud se váš agent nedá otestovat, je to v podstatě velmi sebevědomý výherní automat. Zábava na večírcích, děsivý v produkci 😬

4) Základní stavební kameny agenta („anatomie“ 🧩)

Většina solidních agentů má tyto části:

A) Smyčka regulátoru 🔁

Toto je orchestrátor:

B) Nástroje (neboli schopnosti) 🧰

Nástroje jsou to, co dělá agenta efektivním: Dokumentace k nástrojům LangChain

  • databázové dotazy

  • odesílání e-mailů

  • stahování souborů

  • spouštění kódu

  • volání interních API

  • zápis do tabulek nebo CRM systémů

C) Paměť 🗃️

Záleží na dvou druzích:

  • krátkodobá paměť : aktuální kontext běhu, nedávné kroky, aktuální plán

  • dlouhodobá paměť : uživatelské preference, kontext projektu, načtené znalosti (často prostřednictvím vkládání + vektorového úložiště) RAG dokument

D) Plánovací a rozhodovací politika 🧭

I když tomu neříkáte „plánování“, potřebujete metodu:

E) Zábrany a hodnocení 🧯

Ano, je to spíš inženýrství než nabádání. Což je… tak nějak pointa.

5) Srovnávací tabulka: oblíbené způsoby, jak si vytvořit agenta 🧾

Níže je realistická „srovnávací tabulka“ – s pár drobnostmi, protože skutečné týmy jsou svérázné 😄

Nástroj / Rámec Publikum Cena Proč to funguje Poznámky (malý chaos)
LangChain stavitelé, kteří mají rádi komponenty ve stylu Lega free-ish + infra velký ekosystém pro nástroje, paměť a řetězce můžeš dostat špagety jako rychlík, pokud věci jasně nepojmenuješ
LamaIndex Týmy s převahou RAG free-ish + infra silné vyhledávací vzorce, indexování, konektory skvělé, když váš agent v podstatě funguje na principu „hledej + jednej“… což je běžné
Přístup ve stylu OpenAI Assistants týmy, které chtějí rychlejší nastavení založené na použití vestavěné vzory volání nástrojů a stav běhu méně flexibilní v některých rozích, ale čistý pro mnoho aplikací Volání funkcí OpenAI Assistants v API spouštěných OpenAI
Sémantické jádro vývojáři, kteří chtějí strukturovanou orchestraci volný-tak úhledná abstrakce pro dovednosti/funkce působí „podnikově uklizeným dojmem“ – někdy je to kompliment 😉
AutoGen multiagentní experimentátoři volný-tak vzorce spolupráce mezi agenty může přehánět; stanovit přísná pravidla pro ukončení
CrewAI fanoušci „týmů agentů“ volný-tak role + úkoly + předání úkolů se snadno vyjadřují funguje nejlépe, když jsou úkoly svěží, ne rozmělněné
Kupka sena vyhledávání + lidé z oblasti distribuce volný-tak pevné potrubí, vyzvedávání, komponenty méně „divadla agentů“, více „praktické továrny“
Roll-your-own (vlastní smyčka) kontrolní maniaci (milující) tvůj čas minimální magie, maximální jasnost obvykle nejlepší dlouhodobě… dokud všechno znovu nevynaleznete 😅

Neexistuje jediný vítěz. Nejlepší volba závisí na tom, zda je hlavní náplní práce vašeho agenta vyhledávání , provádění nástrojů , koordinace více agentů nebo automatizace pracovních postupů .

6) Jak krok za krokem vytvořit agenta s umělou inteligencí (skutečný recept) 🍳🤖

Tuto část většina lidí přeskočí a pak se diví, proč se agent chová jako mýval ve spíži.

Krok 1: Definujte práci jednou větou 🎯

Příklady:

  • „Napište návrh odpovědi zákazníka s využitím zásad a kontextu tiketu a poté požádejte o schválení.“

  • „Prozkoumejte hlášení o chybě, reprodukujte ho a navrhněte opravu.“

  • „Proměňte nedokonalé poznámky ze schůzek v úkoly, vlastníky a termíny.“

Pokud to nedokážete jednoduše definovat, nedokáže to ani váš agent. Myslím tím, že to dokáže, ale bude to improvizovat, a improvizace je to, kde rozpočty umírají.

Krok 2: Rozhodněte se pro úroveň autonomie (nízká, střední, pikantní) 🌶️

  • Nízká autonomie : navrhuje kroky, lidská kliknutí „schválí“

  • Střední : spouští nástroje, navrhuje výstup, stupňuje se v případě nejistoty

  • Vysoká : spouští se end-to-end, pinguje lidi pouze v případě výjimek.

Začněte s nižším tlakem, než chcete. Později to můžete vždycky zvýšit.

Krok 3: Vyberte si modelovou strategii 🧠

Obvykle si vyberete:

  • jeden silný model pro všechno (jednoduchý)

  • jeden silný model + menší model pro levné kroky (klasifikace, směrování)

  • specializované modely (zrakové, kódové, řečové) v případě potřeby

Také se rozhodněte:

  • maximální počet tokenů

  • teplota

  • zda interně povolujete dlouhé trasování uvažování (můžete, ale nezpřístupňovejte koncovým uživatelům surový řetězec myšlenek)

Krok 4: Definujte nástroje s striktními schématy 🔩

Nástroje by měly být:

Místo nástroje s názvem do_anything(input: string) proveďte:

  • search_kb(dotaz: řetězec) -> výsledky[]

  • create_ticket(název: řetězec, tělo: řetězec, priorita: výčet) -> ticket_id

  • send_email(to: string, subject: string, body: string) -> status Průvodce voláním funkcí OpenAI

Pokud agentovi dáte motorovou pilu, nebuďte překvapeni, když vám ostříhá živý plot tím, že ho i odstraní.

Krok 5: Vytvořte smyčku regulátoru 🔁

Minimální smyčka:

  1. Začněte s cílem + počátečním kontextem

  2. Zeptejte se modelu: „Další akce?“

  3. Pokud nástroj volá - spustí nástroj

  4. Přidat pozorování

  5. Zkontrolujte stav zastavení

  6. Opakujte (s maximálním počtem kroků) dokumentaci k „Agentům“ v LangChainu

Přidat:

Krok 6: Opatrně přidejte paměť 🗃️

Krátkodobé: udržovat kompaktní „souhrn stavu“ aktualizovaný v každém kroku. LangChain „přehled paměti“.
Dlouhodobé: ukládat trvalá fakta (uživatelské preference, pravidla organizace, stabilní dokumentace).

Pravidlo:

  • pokud se to často mění - udržujte to krátkodobé

  • pokud je stabilní - skladujte dlouhodobě

  • pokud je to citlivé - skladujte minimálně (nebo vůbec ne)

Krok 7: Přidejte ověření a hodnocení „kritik“ 🧪

Levný, praktický vzor:

  • agent generuje výsledek

  • validátor kontroluje strukturu a omezení

  • volitelné kontroly modelu kritika z hlediska chybějících kroků nebo porušení zásad NIST AI RMF 1.0

Není to dokonalé, ale zachytí to šokující množství nesmyslů.

Krok 8: Zaznamenejte si všechno, čeho budete litovat, že jste si to nezaznamenali 📜

Protokol:

Budoucnost - poděkuješ si. Přítomnost - zapomeneš. Takový je prostě život 😵💫

7) Volání nástroje, které vám nezlomí duši 🧰😵

Volání nástrojů je moment, kdy se „Jak vytvořit agenta s umělou inteligencí“ stává skutečným softwarovým inženýrstvím.

Udělejte nástroje spolehlivými (spolehlivost je dobrá věc)

Spolehlivé nástroje jsou:

Přidejte na vrstvě nástrojů zábradlí, nejen výzvy

Výzvy jsou zdvořilé návrhy. Validace nástrojů je zamčená brána. Strukturované výstupy OpenAI.

Dělat:

  • seznamy povolených položek (které nástroje lze spustit)

  • ověření vstupu

  • limity rychlosti Průvodce limity rychlosti OpenAI

  • kontroly oprávnění pro jednotlivé uživatele/organizaci

  • „režim běhu nazku“ pro riskantní akce

Návrh pro částečné selhání

Nástroje selhávají. Sítě se chvějí. Autorizace vyprší. Agent musí:

Tichý a účinný trik: vraťte strukturované chyby jako:

  • typ: chyba_autorizace

  • typ: nenalezen

  • typ: rate_limited
    Takže model může reagovat inteligentně, místo aby panikařil.

8) Paměť, která pomáhá, místo aby vás pronásledovala 👻🗂️

Paměť je mocná, ale může se také stát šuplíkem na haraburdí.

Krátkodobá paměť: udržujte ji kompaktní

Použití:

  • posledních N kroků

  • průběžné shrnutí (aktualizováno v každé smyčce)

  • současný plán

  • aktuální omezení (rozpočet, čas, politika)

Pokud vše zasadíte do kontextu, dostanete:

  • vyšší náklady

  • pomalejší latence

  • větší zmatek (ano, i tehdy)

Dlouhodobá paměť: vybavování spíše než „vycpávání“

Většina „dlouhodobé paměti“ je spíše podobná:

  • vložení

  • vektorový obchod

  • rozšířené generování vyhledávání (RAG) RAG papír

Agent si neukládá data do paměti. Za běhu načítá nejrelevantnější úryvky. LlamaIndex „Úvod do RAG“

Praktická pravidla pro paměť

  • Ukládat „předvolby“ jako explicitní fakta: „Uživatel má rád shrnutí s odrážkami a nesnáší emoji“ (lol, tady to ale ne 😄)

  • Ukládejte „rozhodnutí“ s časovými razítky nebo verzemi (jinak se hromadí rozpory)

  • Nikdy neuchovávejte tajemství, pokud to opravdu nemusíte

A tady je moje nedokonalá metafora: paměť je jako lednička. Pokud ji nikdy neumýváte, váš sendvič bude nakonec chutnat jako cibule a lítost.

9) Plánovací vzory (od jednoduchých po efektní) 🧭✨

Plánování je jen řízený rozklad. Nedělejte z toho mystiku.

Vzor A: Plánovač kontrolních seznamů ✅

  • Model vygeneruje seznam kroků

  • Provádí se krok za krokem

  • Stav kontrolního seznamu aktualizací

Skvělé pro zaškolení. Jednoduché a testovatelné.

Vzor B: Smyčka ReAct (důvod + akt) 🧠→🧰

  • model rozhoduje o dalším volání nástroje

  • pozoruje výstup

  • opakuje článek ReAct

To je klasický pocit agenta.

Vzor C: Vedoucí-pracovník 👥

To je cenné, když jsou úlohy paralelizovatelné nebo když chcete mít různé „role“, například:

  • výzkumník

  • kodér

  • editor

  • Kontrolor kvality

Vzor D: Naplánuj a pak proveď s přeplánováním 🔄

  • vytvořit plán

  • vykonat

  • Pokud výsledky nástrojů změní realitu, přeplánujte

To brání agentovi v tvrdohlavém následování špatného plánu. Lidé to dělají také, pokud nejsou unavení, v takovém případě se také řídí špatnými plány.

10) Bezpečnost, spolehlivost a to, že vás nevyhodí 🔐😅

Pokud váš agent může jednat, potřebujete bezpečnostní návrh. Ne „příjemné mít“. Potřeba. NIST AI RMF 1.0

Pevné limity

  • maximální počet kroků na běh

  • maximální počet volání nástroje za minutu

  • maximální útrata za relaci (rozpočet tokenů)

  • omezené nástroje za schválením

Zpracování dat

  • před protokolováním zaškrtněte citlivé vstupy

  • oddělená prostředí (vývojová vs. produkční)

  • oprávnění nástroje s nejnižšími oprávněními

Behaviorální omezení

  • donutit agenta citovat úryvky z interních důkazů (ne externí odkazy, pouze interní reference)

  • vyžadovat příznaky nejistoty, když je spolehlivost nízká

  • vyžadovat „položit upřesňující otázku“, pokud jsou vstupy nejednoznačné

Spolehlivý agent není ten nejsebevědomější. Je to ten, který ví, kdy hádá… a říká to.

11) Testování a hodnocení (část, které se všichni vyhýbají) 🧪📏

Nemůžeš vylepšit, co nemůžeš změřit. Ano, tahle věta je kýčovitá, ale je to otravně pravdivé.

Vytvořte sadu scénářů

Vytvořte 30–100 testovacích případů:

Výsledky skóre

Používejte metriky jako:

  • míra úspěšnosti úkolu

  • doba do dokončení

  • míra zotavení z chyb nástroje

  • míra halucinací (tvrzení bez důkazů)

  • míra schválení lidmi (v režimu s dohledem)

Regresní testy pro výzvy a nástroje

Kdykoli se změníte:

  • schéma nástroje

  • systémové instrukce

  • logika vyhledávání

  • formátování paměti
    Spusťte sadu znovu.

Agenti jsou citliví tvorové. Jako pokojové rostliny, ale dražší.

12) Vzory nasazení, které vám nezatíží rozpočet 💸🔥

Začněte s jednou službou

Přidejte kontroly nákladů včas

  • výsledky načítání z mezipaměti

  • komprese stavu konverzace se souhrny

  • použití menších modelů pro směrování a extrakci

  • omezení „režimu hlubokého myšlení“ na nejtěžší kroky

Společná volba architektury

  • bezstavový kontroler + externí úložiště stavů (DB/redis)

  • Volání nástrojů jsou idempotentní, kdekoli je to možné. Stripe „Idempotentní požadavky“.

  • fronta pro dlouhé úlohy (abyste webový požadavek nedrželi otevřený donekonečna)

Taky: postavte si „vypínač“. Nebudete ho potřebovat, dokud ho nebudete opravdu, ale opravdu potřebovat 😬

13) Závěrečné poznámky - krátká verze článku Jak vytvořit agenta s umělou inteligencí 🎁🤖

Pokud si nic jiného nepamatujete, zapamatujte si toto:

Agent není magie. Je to systém, který dělá dobrá rozhodnutí dostatečně často na to, aby byl cenný… a přiznává porážku dříve, než způsobí škodu. V jistém smyslu tiše uklidňující 😌

A jo, když to postavíte správně, je to jako najmout si malého digitálního stážistu, který nikdy nespí, občas panikaří a miluje papírování. Takže v podstatě stážista.

Často kladené otázky

Co je to agent s umělou inteligencí, jednoduše řečeno?

Agent s umělou inteligencí je v podstatě smyčka, která se opakuje: přijímá vstupy, rozhoduje o dalším kroku, používá nástroj, přečte výsledek a opakuje, dokud není hotovo. „Agentská“ část vychází z jednání a pozorování, nikoli jen z chatování. Mnoho agentů je pouze chytrá automatizace s přístupem k nástrojům, zatímco jiní se chovají spíše jako juniorní operátor, který se dokáže zotavit z chyb.

Kdy bych měl vytvořit agenta s umělou inteligencí místo pouhého použití promptu?

Vytvořte agenta, pokud je práce vícekroková, mění se na základě mezivýsledků a vyžaduje spolehlivé používání nástrojů (API, databáze, ticketing, provádění kódu). Agenti jsou také užiteční, když chcete opakovatelné výsledky s ochrannými opatřeními a způsobem, jak zkontrolovat „hotovo“. Pokud funguje jednoduchá výzva k odpovědi, agent obvykle představuje zbytečnou režii a další režimy selhání.

Jak vytvořím agenta s umělou inteligencí, který se nezasekne ve smyčkách?

Používejte podmínky pro tvrdé zastavení: maximální počet kroků, maximální počet volání nástrojů a jasné kontroly dokončení. Přidejte strukturovaná schémata nástrojů, časové limity a opakované pokusy, které se nebudou opakovat donekonečna. Zaznamenávejte rozhodnutí a výstupy nástrojů, abyste viděli, kde selhává. Běžným bezpečnostním ventilem je eskalace: pokud si agent není jistý nebo opakuje chyby, měl by si spíše vyžádat pomoc, než improvizovat.

Jaká je minimální architektura pro Jak vytvořit agenta s umělou inteligencí?

Minimálně potřebujete smyčku regulátoru, která modelu dodává cíl a kontext, zeptá se na další akci, spustí nástroj, pokud je požadován, připojí pozorování a opakuje. Potřebujete také nástroje s striktními tvary vstupů/výstupů a kontrolou „hotovo“. Dokonce i smyčka typu „roll-your-own“ může fungovat dobře, pokud udržíte stav čistý a vynucujete omezení kroků.

Jak mám navrhnout volání nástrojů, aby bylo spolehlivé v produkčním prostředí?

Udržujte nástroje úzce zaměřené, typované, s oprávněními a validované – vyhněte se obecným nástrojům typu „do_anything“. Upřednostňujte striktní schémata (jako jsou strukturované výstupy/volání funkcí), aby agent nemohl ručně upravovat vstupy. Přidejte seznamy povolených položek, limity rychlosti a kontroly oprávnění uživatelů/organizací na úrovni nástrojů. Navrhujte nástroje tak, aby bylo možné je bezpečně spustit znovu, pokud je to možné, s využitím vzorů idempotence.

Jaký je nejlepší způsob, jak přidat paměť, aniž by se agent zhoršil?

S pamětí zacházejte jako se dvěma částmi: krátkodobý stav běhu (nedávné kroky, aktuální plán, omezení) a dlouhodobé vyhledávání (preference, stabilní pravidla, relevantní dokumentace). Krátkodobou paměť zachovejte shrnutí s průběžnými shrnutími, nikoli s úplnými přepisy. U dlouhodobé paměti je vyhledávání (vkládání dat + vektorové úložiště/vzory RAG) obvykle lepší než „nacpat“ vše do kontextu a zmatit model.

Který plánovací vzorec bych měl použít: kontrolní seznam, ReAct nebo supervizor-pracovník?

Plánovač kontrolních seznamů je skvělý, když jsou úkoly předvídatelné a chcete něco snadno testovatelného. Smyčky ve stylu ReAct se osvědčí, když výsledky nástrojů mění to, co děláte dál. Vzory supervizora a pracovníka (jako je rozdělení rolí ve stylu AutoGen) pomáhají, když lze úkoly paralelizovat nebo těžit z odlišných rolí (výzkumník, kodér, QA). Plánování a následné provedení s přeplánováním je praktickým kompromisem, jak se vyhnout tvrdohlavým špatným plánům.

Jak zabezpečím agenta, pokud může provádět skutečné akce?

Používejte oprávnění s nejnižšími oprávněními a omezte rizikové nástroje v režimu schvalování nebo „na zkoušku“. Přidejte rozpočty a limity: maximální počet kroků, maximální výdaje a limity volání nástrojů za minutu. Před protokolováním odstraňte citlivá data a oddělte vývojové prostředí od produkčního. V případě nejednoznačných vstupů požadujte příznaky nejistoty nebo objasňující otázky, místo abyste nechali důkazy nahradit jistotou.

Jak mám testovat a vyhodnocovat agenta s umělou inteligencí, aby se v průběhu času zlepšoval?

Vytvořte sadu scénářů se šťastnými cestami, okrajovými případy, selháními nástrojů, nejednoznačnými požadavky a pokusy o vložení výzvy (ve stylu OWASP). Vyhodnoťte výsledky, jako je úspěšnost úkolu, doba dokončení, zotavení z chyb nástrojů a nároky bez důkazů. Kdykoli změníte schémata nástrojů, výzvy, načítání nebo formátování paměti, spusťte sadu znovu. Pokud ji nemůžete otestovat, nemůžete ji spolehlivě odeslat.

Jak nasadím agenta, aniž bych zvýšil latenci a náklady?

Běžným vzorem je bezstavový kontroler s externím úložištěm stavů (DB/Redis), nástrojovými službami za ním a silným protokolováním/monitorováním (často OpenTelemetry). Kontrolujte náklady pomocí ukládání do mezipaměti pro vyhledávání, kompaktních souhrnů stavů, menších modelů pro směrování/extrakci a omezením „hlubokého myšlení“ na nejtěžší kroky. Pro dlouhé úlohy používejte fronty, abyste nedrželi webové požadavky otevřené. Vždy používejte funkci kill switch.

Reference

  1. Národní institut pro standardy a technologie (NIST) - NIST AI RMF 1.0 (důvěryhodnost a transparentnost) - nvlpubs.nist.gov

  2. OpenAI - Strukturované výstupy - platform.openai.com

  3. OpenAI - Průvodce voláním funkcí - platform.openai.com

  4. OpenAI - Průvodce limity rychlosti - platform.openai.com

  5. OpenAI – Spouští API – platform.openai.com

  6. OpenAI - Volání funkcí asistentů - platform.openai.com

  7. LangChain - Dokumentace agentů (JavaScript) - docs.langchain.com

  8. LangChain - Dokumentace k nástrojům (Python) - docs.langchain.com

  9. LangChain - Přehled paměti - docs.langchain.com

  10. arXiv - Článek o ReAct (rozum + jednání) - arxiv.org

  11. arXiv - článek RAG - arxiv.org

  12. Knihovna nástrojů pro tvorbu Amazon Web Services (AWS) – Časové limity, opakované pokusy a odložení s jitterem – aws.amazon.com

  13. OpenTelemetry - Úvod do pozorovatelnosti - opentelemetry.io

  14. Stripe - Idempotentní požadavky - docs.stripe.com

  15. Google Cloud - Strategie opakování (backoff + jitter) - docs.cloud.google.com

  16. OWASP - Top 10 pro aplikace s velkými jazykovými modely - owasp.org

  17. OWASP - LLM01 Prompt Injection - genai.owasp.org

  18. LlamaIndex - Úvod do RAG - developers.llamaindex.ai

  19. Microsoft - Sémantické jádro - learn.microsoft.com

  20. Microsoft AutoGen - Multiagentní framework (dokumentace) - microsoft.github.io

  21. CrewAI - Koncepty agentů - docs.crewai.com

  22. Haystack (hluboko posazený) - Dokumentace pro retrívry - docs.haystack.deepset.ai

Najděte nejnovější AI v oficiálním obchodě s AI asistenty

O nás

Zpět na blog