Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Případy využití více agentů

Lekce 16 z 18 Aktualizováno 2. listopadu 2026 Vývojář
Na této stránce
  1. Od konceptu k realitě
  2. Případ 1: Víceúrovňová zákaznická podpora
  3. Případ 2: Pipeline strategických informací
  4. Případ 3: Univerzální asistent
  5. Co odlišuje prototyp od systému
  6. Klíčové poznatky

Od konceptu k realitě

Nyní rozumíš předávání úloh (handoffs), režimům provádění a řetězení. Tato lekce skládá tyto stavební kameny do tří kompletních systémů, z nichž každý je postaven na odlišné topologii: eskalační řetězec, pipeline (datové potrubí) a směrovač. Jak budeš číst, všimni si, jak architektura vyplývá z problému, nikoliv naopak – povaha potřeby určuje formu, nikoliv technologie.

Případ 1: Víceúrovňová zákaznická podpora

Provoz podpory funguje ve vrstvách: většina požadavků se vyřeší při prvním kontaktu, menšina vyžaduje technickou diagnostiku a hrstka skončí u člověka. Tato realita se přímo mapuje na eskalační řetězec, kde každá úroveň předává úlohu pouze té následující.

from mistralai.client import Mistral
import os

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

# Level 1: FAQ and simple questions
level1 = client.beta.agents.create(
    model="mistral-medium-latest",
    name="support-level1",
    description="Level 1 support: FAQ, common questions, basic information.",
    instructions="""You are the first level of support.
- Answer simple questions (hours, rates, FAQ)
- If the question is technical or complex, transfer to level 2
- Be polite and professional""",
    tools=[{"type": "document_library", "library_ids": ["faq-library-id"]}]
)

# Level 2: Technical support
level2 = client.beta.agents.create(
    model="mistral-large-latest",
    name="support-level2",
    description="Technical support: diagnosis, troubleshooting, configuration.",
    instructions="""You are technical support.
- Diagnose technical issues
- Propose step-by-step solutions
- If the problem requires manual intervention, transfer to level 3""",
    tools=[{"type": "web_search"}, {"type": "code_interpreter"}]
)

# Level 3: Human escalation (simulation)
level3 = client.beta.agents.create(
    model="mistral-large-latest",
    name="support-level3",
    description="Escalation: critical issues requiring human intervention.",
    instructions="""Prepare a summary of the issue for the technical team:
- Problem context
- Diagnostic steps performed
- Solutions attempted
- Recommendation"""
)

# Chain the escalations
level1 = client.beta.agents.update(agent_id=level1.id, handoffs=[level2.id])
level2 = client.beta.agents.update(agent_id=level2.id, handoffs=[level3.id])

Vynikají zde dvě rozhodnutí. Úroveň 1 běží na modelu mistral-medium-latest, zatímco následující úrovně používají mistral-large-latest. Úroveň 1 absorbuje největší objem požadavků, takže přiřazení nejdražšího modelu by znamenalo platit za zbytečnou expertízu u otázek týkajících se otevírací doby. Úroveň 3 mezitím nic neřeší; pouze sepisuje spis případu. To je přesně to, co od eskalace na člověka očekáváš – inženýr, který převezme případ, obdrží kontext, již provedené diagnostické kroky a vyzkoušená řešení, místo aby musel výslech začínat od nuly.

V praxi zákazník napíše: „Nemohu se přihlásit ke svému účtu.“ Úroveň 1 zkontroluje FAQ, nenajde odpovídající případ a předá úlohu dál. Úroveň 2 diagnostikuje problém s databází, který přesahuje její kompetence, a opět předá úlohu. Úroveň 3 připraví ticket s úplnou historií.

Případ 2: Pipeline strategických informací

Zde je pořadí pevně dané a známé předem: nemůžeš analyzovat to, co nebylo nasbíráno, ani psát to, co nebylo analyzováno. Lineární řetězec je tedy nezbytný a vstupním bodem není směrovač, ale první článek řetězce.

# Collector — searches for raw information
collector = client.beta.agents.create(
    model="mistral-large-latest",
    name="intelligence-collector",
    description="Collects strategic information via web search.",
    instructions="""Search for information on the requested topic.
- Cover multiple sources
- Include numerical data
- Note publication dates""",
    tools=[{"type": "web_search"}]
)

# Analyst — extracts insights
analyst = client.beta.agents.create(
    model="mistral-large-latest",
    name="intelligence-analyst",
    description="Analyzes and extracts insights from raw data.",
    instructions="""Analyze the collected data:
- Identify trends
- Spot opportunities and threats
- Quantify when possible""",
    tools=[{"type": "code_interpreter"}]
)

# Reporter — produces the report
reporter = client.beta.agents.create(
    model="mistral-large-latest",
    name="intelligence-reporter",
    description="Writes structured intelligence reports.",
    instructions="""Write a professional intelligence report:
## Executive Summary (3 sentences)
## Key Facts (bullet points)
## Analysis (2-3 paragraphs)
## Recommendations (concrete actions)
## Sources"""
)

# Pipeline
collector = client.beta.agents.update(agent_id=collector.id, handoffs=[analyst.id])
analyst = client.beta.agents.update(agent_id=analyst.id, handoffs=[reporter.id])

# Launch
response = client.beta.conversations.start(
    agent_id=collector.id,
    inputs="Strategic intelligence: sovereign AI market in Europe, Q1 2026."
)

Osnova zprávy je v instrukcích reportéra napsána černé na bílé, až po počet vět v exekutivním shrnutí. Právě tato míra přesnosti činí informace dlouhodobě využitelnými: každá zpráva vychází ve stejném formátu, což ti umožňuje srovnávat týden co týden a distribuovat je bez dalšího editování. Všimni si také instrukce pro sběrače dat, aby zaznamenával data vydání – bez ní by zpráva mohla vypadat solidně, přestože by spoléhala na zastaralé zdroje.

Případ 3: Univerzální asistent

Když požadavky zahrnují nesouvisející dovednosti, nejde ani o eskalaci, ani o pipeline; jde o směrování. Centrální směrovač přečte dotaz a odešle jej jednomu ze čtyř specialistů, z nichž žádný nemusí vědět o těch ostatních.

# Specialists
web_researcher = client.beta.agents.create(
    model="mistral-large-latest",
    name="web-researcher",
    description="Searches for current information on the internet.",
    tools=[{"type": "web_search"}]
)

data_analyst = client.beta.agents.create(
    model="mistral-large-latest",
    name="data-analyst",
    description="Data analysis, statistics, and visualizations.",
    tools=[{"type": "code_interpreter"}]
)

doc_expert = client.beta.agents.create(
    model="mistral-large-latest",
    name="doc-expert",
    description="Queries and synthesizes internal documents.",
    tools=[{"type": "document_library", "library_ids": ["docs-lib-id"]}]
)

creative = client.beta.agents.create(
    model="mistral-large-latest",
    name="creative-agent",
    description="Creates visual content and illustrations.",
    tools=[{"type": "image_generation"}]
)

# Central router
assistant = client.beta.agents.create(
    model="mistral-large-latest",
    name="research-assistant",
    description="Versatile research assistant.",
    instructions="""You are a research assistant. Analyze each request and transfer to the appropriate specialist:
- Current information → web-researcher
- Calculations and data → data-analyst
- Questions about our documents → doc-expert
- Need for illustrations → creative-agent""",
    handoffs=[web_researcher.id, data_analyst.id, doc_expert.id, creative.id]
)

Každý specialista nese přesně jeden nástroj a popisy všech čtyř se nikde nepřekrývají. Právě tento nepřekrývající se rozsah činí směrování stabilním: pokud by dva agenti mohli věrohodně zpracovat stejný požadavek, volba by se měnila od jednoho spuštění k druhému a tvoji uživatelé by zažívali nekonzistentní kvalitu, aniž by chápali proč.

Co odlišuje prototyp od systému

Tyto tři systémy sdílejí stejné designové pravidlo: jeden agent, jedna odpovědnost. Jakmile agent nahromadí dvě role, jeho instrukce si začnou protiřečit a jeho popis se stane příliš vágním na to, aby se směrovač mohl správně rozhodnout. Piš tedy každý popis s ohledem na rozhodnutí, které musí umožnit, a každou sadu instrukcí formuluj tak, aby stanovovala nejen to, co agent musí dělat, ale i to, co dělat nesmí.

Přechod do produkce přidává čtyři požadavky, které prototyp ignoruje. Zaprvé, logování: režim klienta ti umožňuje sledovat každé předání úlohy pomocí tvých vlastních identifikátorů, což bude tvá jediná možnost, když uživatel nahlásí aberrantní odpověď. Zadruhé, časové limity (timeouts), které jsou zásadní u dlouhých řetězců, kde zaseknutý článek imobilizuje zbytek. Zatřetí, záložní řešení (fallbacks), protože na otázku „co se stane, pokud tento agent selže?“ musí existovat písemná odpověď před ostrým nasazením, nikoliv až po prvním incidentu. Nakonec sledování nákladů: řetězec tří agentů spotřebovává tokeny při každém předání a pouze počítadlo na úrovni konverzace ti řekne, zda tě pipeline strategických informací stojí pár centů, nebo výrazně více.

Klíčové poznatky

  • Víceúrovňová zákaznická podpora je přirozeným případem využití pro předávání úloh (handoffs)
  • Pipeline informací (sběr → analýza → zápis) využívají lineární řetězení
  • Univerzální asistenti používají centrální směrovač ke specialistům
  • V produkci jsou nezbytné: logování, časové limity, záložní řešení a monitorování nákladů
  • Jeden agent = jedna odpovědnost, s přesným popisem pro směrování