Řetězení hlubokých agentů
Na této stránce
Neomezené řetězce agentů
API Mistral Agents neklade žádný limit na hloubku řetězení agentů. Jeden agent může předat úkol druhému, ten třetímu a tak dále. Tato svoboda umožňuje složité, modulární pracovní postupy, ale zároveň přenáší odpovědnost za topologii na tebe: ty rozhoduješ, kdo může volat koho. Tato mapa určuje chování systému stejně jako pokyny pro každého jednotlivého agenta.
Tři topologie a jejich důsledky
Lineární řetězec je nejjednodušší vzor: každý agent předá úkol dalšímu bez větvení.
Agent A → Agent B → Agent C → Odpověď
Hodí se pro procesy, kde je pořadí předem známé a nikdy se nemění. Typickým příkladem je vyhledávání, následně analýza a poté psaní: nepíšeš před analýzou a neanalyzuješ před vyhledáváním.
# Výzkumný agent
research = client.beta.agents.create(
model="mistral-large-latest",
name="research",
description="Search for factual information.",
tools=[{"type": "web_search"}]
)
# Analytický agent
analyst = client.beta.agents.create(
model="mistral-large-latest",
name="analyst",
description="Analyze data and extract insights.",
tools=[{"type": "code_interpreter"}]
)
# Píšící agent
writer = client.beta.agents.create(
model="mistral-large-latest",
name="writer",
description="Draft professional reports.",
instructions="Write a structured report based on the analyzed data."
)
# Řetězec: research → analyst → writer
research = client.beta.agents.update(
agent_id=research.id,
handoffs=[analyst.id]
)
analyst = client.beta.agents.update(
agent_id=analyst.id,
handoffs=[writer.id]
)
Každý agent zná pouze svého bezprostředního nástupce: research neví, že writer vůbec existuje. Řetězec existuje pouze v voláních update, nikde jinde.
Hvězdicový řetězec řeší opačnou potřebu: centrální směrovač distribuuje úkoly specialistům, kteří mezi sebou nekomunikují.
┌→ Agent pro webové vyhledávání
Směrovač ──┼→ Kalkulační agent
└→ Píšící agent
router = client.beta.agents.create(
model="mistral-large-latest",
name="router",
description="Orchestrate requests.",
handoffs=[research.id, analyst.id, writer.id]
)
Zde není pořadí předem určeno – o cíli rozhoduje samotný požadavek. Tato forma se hodí pro univerzální asistenty, kde každý požadavek spadá pod jednu konkrétní kompetenci.
Hybridní topologie kombinuje obojí: směrovač distribuuje úkoly a specialisté si je mohou také předávat navzájem.
┌→ Výzkumný agent ──→ Analytický agent
Směrovač ──┤ │
└→ Píšící agent ←───────────┘
# Výzkum může předat úkol analytikovi
research = client.beta.agents.update(
agent_id=research.id,
handoffs=[analyst.id]
)
# Analytik může předat úkol pisateli
analyst = client.beta.agents.update(
agent_id=analyst.id,
handoffs=[writer.id]
)
# Směrovač má přístup ke všem
router = client.beta.agents.update(
agent_id=router.id,
handoffs=[research.id, analyst.id, writer.id]
)
Jde o nejmocnější formu, ale také nejtěžší na ladění. Stejný požadavek může při každém spuštění následovat jinou cestu, což činí logování předávání úkolů nezbytným, jakmile opustíš sandbox.
Dva produkční pipeline
Zpracování dat ilustruje lineární řetězec v jeho nej přirozenějším použití: sběr, čištění, vizualizace. Poslední dva kroky využívají stejný nástroj, ale jejich oddělení udržuje každou sadu pokynů čistou – čištění a reprezentace jsou odlišné úkoly.
# Krok 1: Sběr
collector = client.beta.agents.create(
model="mistral-large-latest",
name="data-collector",
description="Collect data from the internet.",
tools=[{"type": "web_search"}]
)
# Krok 2: Čištění a transformace
transformer = client.beta.agents.create(
model="mistral-large-latest",
name="data-transformer",
description="Clean and transform raw data.",
tools=[{"type": "code_interpreter"}]
)
# Krok 3: Analýza a vizualizace
visualizer = client.beta.agents.create(
model="mistral-large-latest",
name="data-visualizer",
description="Create visualizations and charts.",
tools=[{"type": "code_interpreter"}]
)
# Řetězec
collector = client.beta.agents.update(agent_id=collector.id, handoffs=[transformer.id])
transformer = client.beta.agents.update(agent_id=transformer.id, handoffs=[visualizer.id])
Akademický výzkumný asistent následuje stejnou strukturu, ale s jiným typem prostředního článku. Syntetizátor nemá žádné nástroje: jeho hodnota spočívá výhradně v jeho pokynech, které ho nutí konfrontovat zdroje – společné body, divergence, mezery – místo aby je pouze hromadil.
# Vyhledávač
searcher = client.beta.agents.create(
model="mistral-large-latest",
name="academic-searcher",
description="Search for academic articles and publications.",
tools=[{"type": "web_search"}]
)
# Syntetizátor
synthesizer = client.beta.agents.create(
model="mistral-large-latest",
name="synthesizer",
description="Synthesize and compare multiple sources.",
instructions="Identify common points, divergences, and gaps."
)
# Akademický pisatel
academic_writer = client.beta.agents.create(
model="mistral-large-latest",
name="academic-writer",
description="Structured academic writing with citations.",
instructions="Write in academic format with introduction, methodology, results, discussion."
)
# Pipeline: searcher → synthesizer → writer
searcher = client.beta.agents.update(agent_id=searcher.id, handoffs=[synthesizer.id])
synthesizer = client.beta.agents.update(agent_id=synthesizer.id, handoffs=[academic_writer.id])
Udržování rozumné hloubky
Neexistence technického limitu není pozvánkou k divočině. V praxi pokryje řetězení dvou až čtyř agentů drtivou většinu potřeb. Nad pět agentů prudce rostou jak latence, tak náklady. Důvod je mechanický: každý agent přidává své vlastní kontextové tokeny, včetně pokynů, na konverzaci, která od prvního předání úkolu pouze roste. Pátý agent nepracuje s původním požadavkem, ale se vším, co vyprodukovali předchozí čtyři.
Než prodloužíš řetězec, zeptej se sám sebe, zda si extra krok zaslouží vyhrazeného agenta, nebo zda zapadá do pokynů stávajícího agenta. Směrnice pro formátování například téměř nikdy neospravedlňuje přidání dalšího článku.
Také měj na paměti, že agent není omezen na jediný cíl. Může deklarovat více cílů a vybírat na základě kontextu.
analyst = client.beta.agents.update(
agent_id=analyst.id,
handoffs=[writer.id, visualizer.id, calculator.id]
)
Tento analytik směruje úkol k pisateli, pokud je výsledek připraven k sdělení, k vizualizátorovi, pokud data vyžadují graf, nebo ke kalkulačnímu agentovi, pokud ještě chybí nějaká číslice. Volba spoléhá, jako vždy, na popisy tří cílů – což jsou jediné informace dostupné pro toto rozhodnutí.
Klíčové poznatky
- Žádný limit hloubky pro řetězení agentů
- Tři vzory: lineární (A→B→C), hvězdicový (směrovač→specialisté), hybridní (graf)
- Každý agent může mít více cílů předání úkolu
- V produkci omez řetězce na 2–4 agenty kvůli kontrole latence a nákladů
- Popisy agentů jsou klíčové pro efektivní směrování