🎧 Poslouchej epizodu:
Když se Jindřich a Filip pustili do přípravy dílu o AI agentech, narazili na docela zásadní problém - shodnout se, co to vlastně agent je. 🤔 Ukázalo se, že každý z nich měl trochu jinou definici, a když se podívali na to, kolik podobných pokusů o definici koluje po internetu, bylo jasné, že v tom nejsou sami. Tak vznikl první ze dvou dílů o agentech: dnešní mapuje škálu možností, jeden z následujících se ponoří do konkrétních use casů.
Co je to vlastně AI agent? 🤖
Filip nabízí vlastní pracovní definici: agent je jazykový model obalený takzvanou agentic harness - tedy vrstvou, která mu dává přístup k nástrojům. Díky nim si agent umí sám sehnat kontext a volat, co potřebuje. Zásadní rozdíl proti klasickému workflow je v tom, jak zadání vypadá: nepíšeš mu krok A, krok B, krok C. Řekneš mu cíl a pár specifik, jak se k němu má dostat, a on si cestu složí sám z kombinace nástrojů a kontextu, který má k dispozici.
Při přípravě epizody padlo i jméno Simona Willisona - britského vývojáře, který se dlouhodobě věnuje popisu velkých jazykových modelů. Willison se pokusil sesbírat všechny dostupné definice AI agenta a nasbíral jich 211. Lišily se v detailech, ale podle Filipa mají skoro všechny jedno společné jádro: o tom, jakým způsobem se úkol splní, rozhoduje jazykový model - ne deterministický kód, na který jsme byli zvyklí ještě před pár lety.
📌 I banální akce jako „přidej řádek do Google Sheetu” tak může být agentní - pokud o tom, jak přesně to udělat, rozhoduje model, a ne pevně napsaný skript. Sama akce (řádek přibyl, nebo nepřibyl) je pořád deterministická, ale cesta k ní už není.
Jindřich k tomu přidává vlastní úhel - podle něj je zajímavý trigger point, tedy kdo agenta vlastně spouští. Někdy je to člověk („hele, něco udělej”), jindy agent poslouchá na událost bez lidského přičinění - typicky sleduje Google Drive složku, a jakmile do ní přibude nahrávka podcastu, sám si vezme transkript, uloží data do knowledge base a pošle notifikaci, že je hotovo. Ani jedna varianta není „víc agent” než ta druhá - jde spíš o to, kolik autonomie do systému vpustíš.
Chatbot, workflow, nebo agent? Hranice je tenká ⚖️
Jindřich dodává provokativní pozorování: podle stejné logiky by se dnešní ChatGPT v chatovacím režimu dal taky nazvat agentem - i tady se model sám rozhoduje, jestli vyhledá na internetu, nahlédne do připojeného konektoru nebo prohledá maily kvůli otázce na konkrétního člověka. Hranice mezi „jen chatbotem” a agentem je tak podle obou moderátorů extrémně tenká, a proto raději mluví o škále než o binárním „je / není agent”.
Tahle nejasnost má i praktický dopad. Spousta lidí dnes tvrdí, že má „tisíce agentů”, a po bližším dotazu se ukáže, že jde o workflow postavené třeba v N8N nebo Zapieru. To není špatně - i tyhle nástroje dnes mají agentní nody - ale je to jiná kategorie než plně autonomní agent, který umí ovládat celý počítač a spravit se sám.
Filip vzpomíná na éru, která podle něj byla mezistupněm mezi klasickým programováním a dnešním stavem: půl roku až rok zpátky, kdy přišel N8N a všichni si v něm začali stavět takzvané „dynamic workflows” - deterministické kroky, do kterých se místy vloží agent jen na dílčí úkol (vyber nejzajímavější hooky, udělej research, postni to). Dneska se kyvadlo vrací zpátky - lidé nechávají agenta, ať si sám vytvoří deterministický skript, protože agenti jsou sice skvělí, ale někdy „uhnou” a v rámci volných skillů se špatně řídí.
Agenti jsou super, ale někdy ti můžou uhnout. Proto se to vyplatí zapojovat i do deterministických programů - ať máš jistotu, že se úloha udělá pokaždé stejně.
Zajímavý signál stejným směrem: služba Relay, konkurent N8N a Zapieru pro no-code automatizace, končí - a to i pro platící uživatele. Podle oficiálního vyjádření produkt nezaujal dost uživatelů. Jindřich to čte jako potvrzení trendu: směřujeme k obecným, univerzálním agentům, kteří dokážou obsloužit většinu úkolů, bez potřeby specializovaného no-code nástroje pro každou jednotlivou automatizaci.
Od chatovacího okna po terminál: jak si agenta vyzkoušet 💻
Nejdostupnější vstup do agentní práce je podle obou moderátorů Cowork v Claude - stačí zadat úkol, připojit konektory (Google Sheets, kalendář) a nechat agenta, ať si sám dohledá, co potřebuje. Stejnou zkušenost nabízí i ChatGPT Work od OpenAI, který navíc umí běžet přímo v cloudu OpenAI - takže se dá ovládat i z telefonu, bez nutnosti mít zapnutý notebook.
Filip zdůrazňuje jedno časté nedorozumění: když říká, že mu Cowork „běží lokálně”, myslí tím jen samotnou harness vrstvu na jeho počítači - model pořád běží na serverech Anthropicu, data tam pořád putují. Tohle rozlišení mu prý v komentářích uniklo natolik často, že ho teď zmiňuje záměrně při každé příležitosti.
Cowork mimochodem vznikl přímo z Claude Code - podle Anthropicu na první verzi pracovali jen zhruba dva týdny poté, co si všimli, jak lidé objevují terminál i bez programátorského vzdělání a používají ho na grafy, analýzy dat nebo výzkum. Přesně tenhle moment podle Filipa „rozkopl bránu” k tomu, aby se rok 2026 - dřív avizovaný spíš na rok 2025 - reálně stal rokem AI agentů pro širokou veřejnost.
Terminál si přesto drží svoje místo i pro pokročilejší uživatele. Filip osobně preferuje nástroje jako Orca nebo Superset, kde jde spravovat víc agentů naráz mnohem přehledněji než v samotné Claude aplikaci - i když uznává, že Anthropic do vlastní aplikace investuje rychle a rozdíl se stírá. Zajímavost na okraj: tokenová náročnost agentní práce je vyšší než u klasického chatu, ale podle Filipa to dává smysl - za stejnou cenu tokenu dostaneš mnohem mocnější nástroj, který si sám naplánuje hlubší research. Na jednoduché dotazy se ale pořád vyplatí obyčejný chat - je rychlejší a odpověď přijde prakticky instantně.
Server, VPS a bezpečnost: kde se agent fakt osamostatní 🔐
Další úroveň na škále je provoz agenta na vlastním serveru nebo VPS - tady se poprvé objevuje reálná výhoda „zadej úkol a počítač vypni”. Jako první zvučné řešení tohoto typu zmiňují moderátoři OpenClaw (únor/březen 2026), dnes je podobně známý Hermes. Filip zrovna natočil video o instalaci Hermes přes Hostinger na pár kliknutí.
Jindřich k tomu ale přidává důležitou výhradu: instalace samotná je otázka jednoho příkazu, ale skutečná práce je zabezpečení VPS. Sám kvůli tomu strávil dva dny testováním - skenoval otevřené porty, zavíral root uživatele, vytvářel si dedikovaného uživatele pro SSH přístup. Bez toho hrozí, že prompt injection nebo jiný útok získá plný přístup ke všemu, co má agent na dosah.
Nastavit VPS je otázka jednoho příkazu do terminálu. Zabezpečit ji pořádně stálo Jindřicha dva dny skenování portů a rušení root přístupu.
Právě proto jsou podle obou moderátorů takzvané one-click instalace (jako ta od Hostingeru) cenné navzdory vyšší ceně - Hermese totiž provozují v odděleném Docker kontejneru, který nemá přístup ani na hostitelský terminál. To podle Filipa pokryje zhruba 80-90 % rizika. Pokud si někdo Hermese nainstaluje na čistou VPS bez odděleného, neadminského uživatele, může se stát, že prompt-injection agentovi „nařídí” zrušit veškeré zabezpečení, které tam bylo nastavené.
Proč vůbec jít na server, když existuje pohodlnější lokální varianta? Jindřich vidí dva důvody: nemusíš řešit, kdy má počítač běžet, a hlavně - agent může žít přesně tam, kde reálně funguješ ty. Konkrétní příklad z produkce podcastu: na Discordu, kde tým řeší organizaci, mají přidaného bota, kterého stačí jen otagovat a on rovnou zařídí, co je potřeba - bez zakládání nové konverzace v samostatné aplikaci. Navíc má agent na serveru přístup k celému stroji, ne jen k jedné složce - klidně si naklonuje víc repozitářů najednou (knowledge base, landing page) a pracuje napříč nimi.
Cloud, lokální Mac a jak s agentem vůbec začít 🚀
Na opačném konci škály stojí plně cloudová řešení, která veškerou starost o server berou na sebe. Nejzvučnější je aktuálně Grok Bot od xAI - agent běží u nich, jde ho ovládat z telefonu a podle Jindřicha „drží uživatele za ruku” mnohem víc než self-hosted řešení. Vstupní cena navíc klesla - dřív bylo potřeba draze placené předplatné Cursoru, dnes stačí balíček za 30 dolarů. Nevýhoda je zamčení do jednoho ekosystému; oproti tomu Hermes nebo OpenClaw umožňují připojit si libovolné vlastní předplatné a zůstat otevření.
Mezi serverem a plným cloudem je ještě jedna možnost - provoz agenta na vlastní lokální síti, typicky na Mac Mini doma. Filip to sám takhle provozuje a přidává nečekanou výhodu: počítač v domácí síti se navenek tváří jako běžný uživatel s takzvanou residential IP adresou. Když agent scrapuje data třeba z YouTube z běžné VPS, poskytovatele serveru dnešní služby poznají a rovnou zablokují přístup; z domácí sítě přes Tailscale je to mnohem těžší odhalit. K tomu je lokální provoz bezpečnější (schovaný za routerem) i levnější - jen s tou daní, že ceny použitelných Mac Mini teď vyskočily poté, co Apple představil nové Mac Studio.
Ať už agent běží kdekoli, na epizodě zaznělo i doporučení, jak z něj vytěžit skutečnou hodnotu: nechat ho, ať si po odladění postupu vytvoří vlastní skript nebo skill. Filip to ukazuje na příkladu renderu videí na svém Macu - když agentovi řekl, ať zrychlí render, ale nesmí mu to sebrat výkon potřebný na běžnou práci, agent sám nastavil procesům prioritu na úrovni operačního systému. Řešení, které by Filipa samotného ani nenapadlo hledat, přišlo z agenta prakticky okamžitě - a příště už ho nemusí vymýšlet znovu.
Na závěr padla i praktická rada, jak s agenty vůbec začít: nesnažit se hned postavit systém, který zvládne všechno. Radši vzít jednu malou, opakující se činnost - třeba že agent po nahrání hovoru s klientem sám vytvoří přepis, zařadí ho do správné knowledge base a aktualizuje poznámky o klientovi - odladit ji, a teprve pak přidávat další a další dílčí kroky, dokud z nich nevyroste větší workflow. Podobnou myšlenku, jen z byznysové strany, zmínili Jindřich a Filip i v rozhovoru s #S09 | Dalibor Mráz - firmy se často snaží zautomatizovat proces o 32 krocích, místo aby se nejdřív zamyslely, jestli by nešel zjednodušit na osm.
TL;DR - co si z toho vzít 📌
Škála, ne přepínač. 🎯 Agent není binární kategorie - jde o to, kolik rozhodování necháš na jazykovém modelu místo na pevně napsaném kódu.
Trigger point rozhoduje o pocitu autonomie. 🤖 Agent, kterého sám odpálíš příkazem, působí jinak než ten, co běží na pozadí a čeká na událost - technicky je to ale pořád tentýž princip.
Zabezpečení je dražší než instalace. 🔐 Rozjet agenta na VPS je otázka minut; pořádně ho zabezpečit (oddělený neadmin uživatel, uzavřené porty) je práce na dny.
Kombinuj agenta se skriptem. ⚡ Jakmile agent najde funkční postup, nech ho, ať si na to napíše skript nebo skill - příště to půjde rychleji a spolehlivěji.
Začni jednou malou úlohou. 👉 Nejlepší vstup není postavit hned komplexní systém, ale vzít jednu opakující se činnost, odladit ji a teprve pak rozšiřovat.
Líbí se ti Deeplink Show?
👉 Sleduj nás na YouTube - video verze každé epizody
🎧 Followni Deeplink Show na Spotify - pro poslech kdekoli
🌎 Mrkni na náš web - pro další detaily podcastu
📸 Sleduj nás na Instagramu - zkratky, tipy a zákulisí
Nebo nám napiš co si myslíš: studio@deeplink.show ✉️