Subagent je dočasný AI agent, kterého hlavní agent (orchestrátor) spustí na jeden ohraničený dílčí úkol. Pracuje ve vlastní izolované session a po odevzdání výsledku zaniká.
Jak subagent funguje
Nejlépe si to představíte jako vedoucího projektu, který si na jednorázový úkol najme brigádníka. Hlavní agent (orchestrátor) rozdělí velký úkol na menší kusy a pro každý z nich spustí subagenta. Subagent zdědí přístup k datům a nástrojům, se kterými pracuje orchestrátor, ale nevidí celou dosavadní konverzaci ani to, co právě dělají ostatní subagenti.
Po dokončení práce subagent nevrací celý svůj context window – vrací jen zhuštěný výsledek, pár vět nebo odstavců. Desítky tisíc tokenů, které po cestě spotřeboval, se do hlavního vlákna nikdy nepropíšou. Je to jeden z hlavních důvodů, proč se subagenti používají – hlavní vlákno zůstává štíhlé, i když se v pozadí dělá spousta práce.
Od běžného nástroje (tool) se subagent liší tím, že má vlastní uvažování a vlastní běh, ne jen jednu funkci, kterou zavoláte a dostanete zpátky data. Od multi-agent systému se liší tím, že je efemérní – vzniká za běhu na míru konkrétnímu úkolu a po splnění mizí, zatímco multi-agent tým má role nastavené dopředu a drží se po celou dobu práce.
Kdy se subagenti hodí
Subagenty dnes najdete v řadě nástrojů pro práci s AI agenty, včetně Claude Code. Nejčastěji na rešerši a na analýzu dat. V praxi to znamená třeba paralelní průzkum jednoho tématu z pěti různých úhlů najednou, nebo rozdělení jedné složité analýzy na kroky, které se dají zpracovat nezávisle na sobě.
Druhý důvod je cena. Orchestrátor může běžet na výkonnějším (a dražším) modelu, zatímco jednodušší dílčí úkoly deleguje na levnější model – podobně jako když senior konzultant sám nezpracovává tabulky, ale rozdělí je asistentovi. Tahle dělba práce mezi víc agentů obecně podle Anthropicu na jejich interním výzkumném benchmarku zlepšila výsledky o 90,2 % oproti jednomu agentovi, ale za cenu zhruba patnáctinásobně vyšší spotřeby tokenů.
Můj pohled
Tímhle způsobem vzniklo i tohle heslo. Často pracuju s hlavním modelem a napíšu mu, ať si research rozdělí do subagentů – hlavní vlákno tím zůstane štíhlé, i když subagenti dohromady spotřebují víc tokenů, než kdyby to dělal jeden agent. Research na tenhle text běžel přes samostatné subagenty na pozadí, zatímco hlavní vlákno zůstalo štíhlé a čekalo jen na finální výsledek. Je to stejný princip, jaký bych navrhl klientovi na cokoli, co jde rozdělit na nezávislé kusy práce.
Podobné rozhodování – kdy má smysl rozdělit práci mezi víc agentů a kdy je to jen zbytečná komplikace – řeším s klienty běžně. Stavím a napojuju AI agenty na míru konkrétnímu procesu, ne podle šablony. Víc o tom tady →
Kde jsou limity
Subagenti nejsou zadarmo a jejich spolehlivost není samozřejmá. Akademická studie MAST (Cemri a kol., NeurIPS 2025) prošla velký soubor zaznamenaných běhů napříč několika open-source multi-agentními frameworky a zjistila mimořádně vysokou míru selhání – podle autorů v řádu desítek procent, u některých frameworků i výrazně přes polovinu. Hlavní příčinou přitom nebyla slabost samotného modelu, ale chyby v návrhu systému – agenti si špatně rozumí, ztrácejí se v koordinaci nebo opakují stejný krok dokola.
Z dat vyplývá jednoduché pravidlo: subagenti se vyplatí na úkoly, které se dají bezpečně rozdělit a zpracovat paralelně, typicky research nebo sběr informací. U úkolů, kde víc agentů zasahuje do stejného sdíleného stavu najednou, třeba psaní kódu v jednom repozitáři, riziko konfliktů a zmatku roste rychleji než přínos z paralelizace.
Izolace kontextu navíc automaticky neznamená bezpečnostní izolaci – subagent obvykle sdílí přístupová oprávnění s orchestrátorem, takže chyba nebo zneužití na jednom místě se může promítnout dál. A bez nastaveného limitu na počet kroků nebo na rozpočet se agentní smyčka může vymknout kontrole a spotřebovat API kvótu v řádu minut.
Než subagenty nasadíte do reálného firemního procesu, počítejte s tím, že jejich zapojení chce promyšlené zadání, hlídání nákladů a někoho, kdo systém umí odladit, když se agenti začnou míjet. To obvykle přesahuje to, co se dá poskládat čistě no-code nástrojem bez pomoci vývojáře.
Pavel Szabo
Programátor webů, eshopů a informačních systémů s více než 23 lety praxe. Pomáhám firmám i jednotlivcům s online podnikáním, automatizacemi a využitím AI v praxi.
