Agent loop: proč AI agenti selhávají v produkci

Proč je architektura agent loop nestabilní v produkci AI agentů

Během čtyř měsíců získal OpenClaw 250 000 hvězd na GitHubu, předstihl React. Projekt začal jako Clawdbot od rakouského vývojáře Petra Steinbergera v listopadu 2025. Po právních námitkách od Anthropic byl přejmenován na OpenClaw. V březnu 2026 uniklo z npm balíčku Claude Code 1 900 TypeScript souborů (512 000 řádků, 40 nástrojů). Za den 111 000 hvězd, nový rekord na GitHubu.

Anthropic podala DMCA na 8 000 repozitářů, GitHub odstranil 8 100, včetně legitimních. Objevil se OpenClaude s podporou 200+ modelů přes OpenAI API: DeepSeek, Gemini, Ollama. Anthropic vypnula třetí strany nástroje pro Pro/Max, náklady na intenzivní použití vzrostly na 5 000 dolarů denně.

Problémy v reálném provozu

Agenti na agent loop zapomínají kontext, zacyklují se, volají nástroje s chybami. Tráví 20 minut na úkolu, který člověk zvládne za 5. Správce OpenClaw: „Nebezpečné bez znalostí CLI.“ Cisco odhalil exfiltraci dat a prompt injection. Čína zakázala OpenClaw ve státních strukturách.

Srovnání: volant Ferrari na Škodě. Kouzlo Claude Code je v kontextu na milion tokenů, lokální 7B modely to nezvládnou. 46 % firem testuje AI agenty, Gartner: 2 biliony dolarů na AI v roce 2026. Peníze jsou, stabilita ne.

Demo — montáž: živý běh — ruleta. Claude Code vytváří git větve na každý commit, odfiltruje 95 % netechniků.

Analýza 10 000 kroků z produkce

V mém agentovi na agent loop: 51 sezení, 5 101 volání nástrojů, průměrně 196 kroků/úkol, max 1 527 kroků (landing page).

• 23 % volání nástrojů — overhead (plány, paměť, git status), až 65 %.
• npm install až 16krát/sezení (30 sec + kontext).
• Změna stacku: Next.js → Vite → Next.js, 123 kroků, 0 souborů.
• 37 % sezení s chybami (npm run build ×18, bez testů).
• 34krát limit tokenů, max 1 069 729.

Ideální sezení: bot kontrol, 43 kroků, Python.

Vzory selhání agent loop

Cyklus: úkol → myšlenka → akce → hodnocení → opakování (ReAct).

• Upřesňuje kontext otázkami bez odpovědi — zaseknutí.
• Zacyklení na chybě.
• Ztráta kontextu po kompresi (76krát/sezení).
• Neočekávané akce (hledání místo analýzy).
• Posun stacku podle frekvence v datech.

Problém: svoboda akcí bez kontroly.

Strukturovaná architektura místo loop

Pevná posloupnost fází:

• Analýza úkolu, výběr stacku (landing page — HTML+Tailwind, bot — Python).
• Generování kodu/řešení.
• Testování.
• Deploy/finalizace.

Model volně myslí ve fázi, ale další krok je fixní. Kontext čistý, žádné zacyklení, stack nezměněn.

Analogie: chirurg následuje protokol (řez → přístup → šití), rozhodnutí lokální.

Výsledky přestavby

AI-Spolupracovníci (strukturovaný přístup):

• Freelancer 2.0: 61 úkolů, 1 chyba (1,6 %), 250 tokenů. Agent loop: 11 úkolů, 3 chyby (27,3 %), 338 tokenů. Chyb 17× méně.
• Účetní 2.0: 23 úkolů, 0 chyb, 382 tokenů. Píše skripty, testy.

Jeden engine + konfigurace podle rolí. Škálovatelné bez přepisování.

Co je důležité

• Agent loop nestabilní: 23–65 % overhead, 37 % chyb, časté změny stacku.
• Strukturované fáze snižují chyby 17krát, tokeny o 25 %.
• Problém architektonický, ne v modelech.
• Produkce vyžaduje kontrolu akcí, svobodu myšlení.
• OpenClaw populární, ale nebezpečný bez expertizy.

— Editorial Team