V tomto článku si rozebereme základní definici využívání 4 stupňové hierarchie používání jazykových modelů.
0. generace, většina obyvatelstva
LLM jako kalkulačka textu (LM studio, ChatGPT, Unsloth Studio, ollama, Gemini v prohlížeči). Člověk je v roli AI agenta, který vymýšlí postupy, kopíruje text/kód nahrazujete soubory, AI nemá žádné nástroje.
1. generace člověk je pasák jednoho agenta (Single Agent Harness)
Goose, Claude Code, Cursor, Aider. Agent dostane příkaz, napojí se na LLM (LM studio s vypublikovaným API, totéž unsloth studio, ollama server atd…). Tento agent už si sám volá nástroje (čte soubor, pouští bash či powershell skripty, píše si python skripty, kterými něco řeší a generuje) v rámci jednoho terminálu či jedné chatovací relace. Člověk je v roli pasáka a pase tohoto agenta nad prací a kontroluje, co dělá, ale agent už sám vytváří soubory, umí se napojit na internet a něco někde přečíst. Člověk schvaluje, jestli AI agent může něco přečíst, něco zapsat, určuje do kterého adresáře může zapisovat.
2. generace (Parallel Worktree ADE / Multi-tasking) – člověk pase stádo agentů
Orca IDE, Herdr. Člověk s pasákem několika agentů 1. generace najednou. Místo čekání spustíte Orca např. na 3 větvích (Git worktree) 3 různé agenty. Jeden např. píše testy, druhý refaktoruje např. PHP kód, třetí dělá performance testy. Agenty izoluje git a člověk dělá ředitele nebo Code Review a Merge request managera, schvalujícího navrhnutý kód v rámci merge requestu AI agentem do master nebo developer branche k otestování na nějakém clusteru.
3. generace Autonomous Orchestrator / Self-Improving Agents
OpenClaw, Hermes Agent. Člověk už neřeší relaci v terminálu, tyto systémy běží jako démon/gateway. Člověk dá cíl (např. projdi backlog, oprav chyby v PHP, vytvoř PR). Hermes agent má navíc perzistentní paměť a je schopen se učit vlastní skilly. Dokáže dynamicky delegovat úkoly sub-agentům. Pozor na jedno důležité uvědomění. OpenClaw vám může běžet na pozadí klidně týdny. Zatímco Goose AI agent (1. generace) většinou neběží déle, než např. 40 minut.
Hermes Agent se zaměřuje na dlouhodobou autonomii a učení se. Má tzv. Memory Engine, pamatuje si uživatelské reference napříč různými projekty. Když během práce např. zjistí, jak správně buildovat nějaký legacy projekt, uloží si tento postup jako nový skill (schopnost/dovednost) a příště už neudělá stejnou chybu. Obsahuje v sobě režimy na orchetraci sub-agentů. Hermesovi můžete psát třeba z whatsappu, telegramu, ale třeba i skrze openWebUI, které do něj napojíte. Totéž napojení pak umí např. n8n a další.
4. generace Agentic Swarms & Environment Ensembles (stáda autonomních systémů)
Ve 3. generaci člověk zadá agentovi, kterému dá nějaký úkol a on si sám rozvrhne práci, 4. generace kompletně eliminuje zadávání manuálních seznamů úkolů člověkem.
- Continuous Self-Evolving Codebases (autonomně spravované repozitáře), kde agenti běží non-stop v pozadí infrastrukturních replik (Digital Twins). Nečekají na zadání úkolů člověkem. Sledují APM (Application performance monitoring) logy, Sentry zprávy (odložím link: sentry.io ) a informace o vytížení produkčních systémů. Když produkce zpomalí, sami identifikují úzké hrdlo, založí issue, v izolovaném sandboxu napíšou optimalizaci, spustí stressové testy a lidskému vývojáři pošlou ke schválení hotový pull request s výsledky benchmarků, které provedli.
- Competitive Multi-Agent Consensus (Konsensuální stáda): úkol nedostane jeden agent. Úkol (Task) je předložen celému stádu agentů (např. hostile gentům typicky Red Team vs. Blue Team, což je důvod proč teď všichni správci infrastruktur nadávají že co skoro druhý den musí patchovat celé infrastruktury serverů. https://openai.com/index/a-thousand-fewer-paths-to-root/ + https://www.anthropic.com/research/discovering-vulnerabilities-with-claude ) No a protože AI společnosti mohou hospodařit s nevyužitými agenty, když je nižší zátěz a plánovat jim úkoly do fronty podle zátěže infrastruktury, těmto společnostem se nabízí enormní potenciál pouštět tisíce AI agentů na nejrůznější úkoly a dosahovat tak výsledků v rekordně krátkém čase, které by trvaly celé společnosti měsíce, možná další roky. Jeden agent navrhne architekturu, druhý se v ní snaží najít bezpečnostní zranitelnost, nebo tzv. race-condition. Až kód projde vnitřní (někdo to nazývá „vnitřní válkou agentů“, já bych to válkou agentů nenazval), spíš vnitřní diskusí/soutěží agentů, je kód, který prošel takovýmto review poslán dál.
Jak se kontroluje kvalita (Quality Assurance) v nekonečné autonomní smyčce?
Hovoříme o tzv. Loop Determinism. Při spuštění agenta v nekonečné smyčce bez lidského zásahu dochází k jevu zvanému agentic Drift. Stručně vysvětleno: agent začne vymýšlet zbytečnosti/halucinovat nebo kód zhoršovat. Aby to fungovalo, kvalitu nekontroluje model, ale deterministický testovací harness (tzv. Evaluátory a Guardrails):
Zde je textové schémátko vygenerované pomocí gemini. Linter může být buď nástroj, který agent volá, anebo může být součástí pipeliny v gitlabu.
+-----------------------------------------------------------+
| Zadání úkolu / PR |
+-----------------------------------------------------------+
│
▼
┌──────────────────────────┐
│ Agent (Hermes) │
└─────────────┬────────────┘
│ (Generuje kód)
▼
┌──────────────────────────┐
│ Deterministic Guardrail │
│ (Linter / AST Check) │
└─────────────┬────────────┘
│
Chyba syntaxe / Strukturní chyba
├───────────────────────────────┐
│ (Vrátí chybový log) │
▼ │
┌──────────────────────────┐ │
│ Auto-Fix (Retry Max 3) │ │
└──────────────────────────┘ │
│ │
▼ │
┌──────────────────────────┐ │
│ Sandboxed Execution │ │
│ (Docker / PyTest / E2E) │ │
└─────────────┬────────────┘ │
│ │
Testy neprošly / Regrese │
├───────────────────────────────┘
│
Testy prošly 100%
│
▼
┌──────────────────────────┐
│ Git Commit / Push PR │
└──────────────────────────┘Seznam zdrojů:
https://openclaw.ai
https://hermes-agent.nousresearch.com/docs
https://github.com/NousResearch/hermes-official-plugins
https://herdr.dev, https://github.com/herdrdev/herdr
https://www.onorca.dev
https://github.com/anthropics/skills
https://github.com/ggerganov/llama.cpp
https://docs.vllm.ai/
https://docs.litellm.ai/
https://docs.openwebui.com/