--- title: "Single agent loop místo subagentů" description: "Single agent loop od Anthropicu: co kit nabízí, co měří a co nedokládá. Praktický postup, kdy subagenty sloučit, převést na skills, nebo ponechat." author: "Michal Černý" author_role: "Spoluzakladatel · Technology & Product" author_url: https://nobig.deals/cs/blog/autor/michal-cerny url: https://nobig.deals/cs/blog/single-agent-loop-kdy-nahradit-subagenty content_type: text/markdown --- Autor: Michal Černý (Spoluzakladatel · Technology & Product) [Blog](https://nobig.deals/cs/blog)/[AI a vývoj](https://nobig.deals/cs/blog/kategorie/ai-a-vyvoj)/Single agent loop: kdy nahradit subagent… # Single agent loop: kdy nahradit subagenty jedním agentem Jednoho agenta v jedné smyčce má smysl zkusit tam, kde subagenti jen předávají kontext a platíte za další volání. Bez vlastního evalu ale nepoznáte, zda se migrace vyplatí. Kit od Anthropicu na tom staví. [Michal Černý](https://nobig.deals/cs/blog/autor/michal-cerny)·Publikováno 27\. října 2026·11 min čtení ![Dvě postavy zezadu stojí po stranách otevřeného racku se třemi jednotkami, prostřední je oranžová.](https://nobig.deals/_next/image?url=https%3A%2F%2Fassets.nobig.deals%2Fblog%2Fcmvoyz6kc00240xpii68sfirq%2Fsingle-agent-loop-kdy-nahradit-subagenty-hero-99668e4295.webp&w=3840&q=75) Tři kroky řetězce subagentů a jeden krok, o který se v migraci nesmí přijít. Obsah článku · 7 1. [Co je single agent loop a čím se liší od multi-agent systému?](#co-je-single-agent-loop-a-cim-se-lisi-od-multi-agent-systemu) 2. [Jak funguje single-agent-loop-kit krok za krokem](#jak-funguje-single-agent-loop-kit-krok-za-krokem) 3. [Tři fáze: měřit, sloučit, přeložit](#tri-faze-merit-sloucit-prelozit) 4. [Co je v repozitáři](#co-je-v-repozitari) 5. [Co kit skutečně měří a co Anthropic nedokládá](#co-kit-skutecne-meri-a-co-anthropic-nedoklada) 6. [Kdy mají subagenti dál smysl](#kdy-maji-subagenti-dal-smysl) 7. [Jaká rizika a tichá selhání hrozí při slučování](#jaka-rizika-a-ticha-selhani-hrozi-pri-slucovani) 8. [Jak si migraci ověřit na vlastních úlohách](#jak-si-migraci-overit-na-vlastnich-ulohach) 9. [Časté otázky](#caste-otazky) Subagenty se vyplatí nahradit jedním agentem ve smyčce (_single agent loop_) tam, kde vždy běží společně nebo jen nesou znalosti a akce, které zvládne skill a nástroj. Kde potřebují vlastní kontext, paralelní běh nebo oddělená oprávnění, ponechte je. O výsledku rozhoduje eval na vašich úlohách, ne obecné číslo. Ve zkratce * Anthropic doporučuje nejdřív zkusit jednoho agenta v jedné smyčce, který si skills a nástroje načítá podle potřeby. Subagenty tím plošně nezakazuje. * Repozitář single-agent-loop-kit vznikl 15\. října 2026, má licenci Apache 2.0 a README ho označuje za nepodporovanou referenční implementaci. * Kit neslibuje obecnou úsporu ani dvojnásobnou rychlost. Měří jen vaše úlohy: dokončení, latenci, volání modelu, tokeny a cenu. * Subagenti dávají smysl u paralelní práce, izolace kontextu a oddělených oprávnění. * Bez evalu je migrace jen otázka názoru a tiché selhání se bez něj nepozná. ## Co je single agent loop a čím se liší od multi-agent systému? Single agent loop je jeden hlavní model v jedné smyčce, který sám volá nástroje a načítá skills, místo aby práci rozdělovával router mezi specialisty. Definice Single agent loop je architektura, ve které jeden model v opakované smyčce dostává výsledky nástrojů, volá další nástroje a podle potřeby načítá instrukce (skills). Smyčka končí, když agent odpoví nebo se zeptá uživatele. Dosavadní **multi-agent systém** obvykle staví router nebo orchestrátor před sadu specialistů. Tak se běžně staví ve frameworcích jako LangGraph, CrewAI nebo AutoGen. Router rozpozná úlohu a vybere subagenta. Ten dostane vlastní instrukce, nástroje i kontext a výsledek vrátí koordinátorovi, který případně spustí dalšího. V jedné smyčce je postup jiný. Model v každém tahu dostane výsledky nástrojů a může vydat celou dávku paralelních volání. Plný text skillu si načte, až když ho potřebuje. Anthropic [popisuje v README kitu](https://github.com/anthropics/single-agent-loop-kit/blob/release/README.md) cíl migrace jako agenta, který „načítá skills a nástroje na vyžádání“. Podstatný rozdíl není v počtu agentů. **Rozdíl je v počtu kontextových oken** (_context window_) a v tom, kolikrát se výsledek předává a znovu shrnuje. Každé předání stojí volání modelu, tokeny a latenci. Navíc se při něm může ztratit detail, který další krok potřeboval. | Kritérium | Router se subagenty | Single agent loop | | ---------------------- | ----------------------------------------- | ---------------------------------------- | | Kontext | Více oken, výsledky se předávají | Jedno hlavní okno | | Kdo vybírá specialistu | Router | Hlavní agent sám volí skill nebo nástroj | | Instrukce | Často aktivní předem v každém subagentovi | Skill se načte až při potřebě | | Výsledek akce | Subagent ho shrne koordinátorovi | Nástroj ho vrátí přímo agentovi | | Volání modelu | Za každý krok routeru a subagenta | Paralelní dávky v jedné smyčce | Srovnání vychází z popisu architektur v [README repozitáře](https://github.com/anthropics/single-agent-loop-kit) a z [referenční smyčky loop.py](https://github.com/anthropics/single-agent-loop-kit/blob/release/reference%5Floop/loop.py). ```mermaid flowchart LR U["Uživatel"] --> R["Router"] R --> S1["Subagent: objednávky"] R --> S2["Subagent: reklamace"] S1 --> R S2 --> R U2["Uživatel"] --> L["Hlavní agent ve smyčce"] L --> T["Nástroje paralelně"] T --> L L --> K["Skill na vyžádání"] K --> L ``` Princip sám není nový. Na střídání úvahy a akce v jedné smyčce stojí práce ReAct, podobně fungují OpenAI Assistants API i Claude Code. MCP (Model Context Protocol) standardizuje připojení nástrojů, ale konkrétní architekturu agenta neurčuje. Novinkou od Anthropicu je **migrační metodika**: jak existující systém se subagenty postupně zploštit a každý krok změřit. ## Jak funguje single-agent-loop-kit krok za krokem Kit je Claude Code skill, který projde váš kód, navrhne verdikt pro každého subagenta a pak provede změny po jedné. Každou změnu přitom změří na stejném evalu. ### Tři fáze: měřit, sloučit, přeložit README kitu [popisuje tři fáze](https://github.com/anthropics/single-agent-loop-kit/blob/release/README.md) a výslovně uvádí, že kit nepředpokládá, že jedna smyčka vždy vyhraje. Subagent zmizí jen tehdy, když čísla ukážou, že jeho náhrada obstojí. Postup 1. **Změřte současný stav.** Kit udělá inventuru subagentů a spustí baseline na evalu. Pokud eval nemáte, pomůže sestavit zhruba deset úloh a nechá vás opravit, co u každé znamená správný výsledek. 2. **Slučte, co běží spolu.** Subagenty, kteří se vždy spouštějí společně, spojí do jednoho. 3. **Převeďte zbytek na skill.** Každého zbylého subagenta rozloží na skill a nástroje v hlavním agentovi, vždy jen jednoho a vždy s porovnáním. 4. **Ponechte, co si to zaslouží.** Subagenta, kterému se vlastní kontext vyplatí, zachová a volá ho jako nástroj. 5. **Udržujte systém.** Systémový prompt a sdílený eval vlastní jeden malý tým, skills vlastní doménové týmy. [Krok 03 (fold)](https://github.com/anthropics/single-agent-loop-kit/blob/release/skill/steps/03-fold.md) převede znalosti a pracovní postup subagenta na skill a jeho API na nástroje. Odstraní také příslušnou cestu z routeru. Hlavní agent pak vidí jen krátký popis skillu a plný obsah si načte až v případě potřeby. To je jádro přístupu **skills a nástroje na vyžádání**. ### Co je v repozitáři Skill se zkopíruje do repozitáře vašeho agenta a spustí se v Claude Code. Bezplatná offline kontrola ukázkového příkladu nepotřebuje API klíč a podle README vypíše devatenáct řádků s výsledkem „The plumbing works.“ ```bash # Instalace skillu do vlastního repozitáře agenta git clone https://github.com/anthropics/single-agent-loop-kit cp -r single-agent-loop-kit/skill /.claude/skills/single-agent-loop # Offline kontrola ukázky: falešný model podle klíčových slov, nic neplatíte cd single-agent-loop-kit/examples/support-desk KIT_MODEL=fake python3 evals/run_eval.py --variant smoke # Pak v Claude Code: "Run the single-agent-loop skill." ``` Skill se pokaždé zastaví ve stejných bodech: po auditu, před každým placeným během, po baseline a po každé změně. Před placeným během ukáže odhad tokenů ze skriptu `estimate.py`. Poznámky si ukládá do složky `single-loop/` ve vašem repozitáři. Ukázka `examples/support-desk` obsahuje router a šest subagentů pro objednávky, vratky, dopravu, reklamace, účet a diagnostiku. Je postavená tak, aby každý subagent měl známou správnou odpověď. [Referenční smyčka](https://github.com/anthropics/single-agent-loop-kit/blob/release/reference%5Floop/loop.py) slouží ke čtení a kopírování. Obsahuje paralelní dávky nástrojů, skills na vyžádání, vyhledávání nástrojů, rozpočty, write gate a volitelný verifier. Poznámka Offline běh na falešném modelu se nehodnotí, ověřuje jen, že harness funguje. Skutečná čísla dá až placený běh podle `RUNBOOK.md`. Pokud řešíte, jak takovou smyčku navrhnout a provozovat, navazuje na to naše služba [AI agenti a automatizace](https://nobig.deals/cs/sluzby/ai-agenti). ## Co kit skutečně měří a co Anthropic nedokládá Kit měří vaše úlohy, ne obecnou úsporu: dokončení úloh, latenci, počet volání modelu, tokeny a cenu před změnou a po ní. Klíčová čísla * **213** hvězd a 18 forků měl [repozitář](https://github.com/anthropics/single-agent-loop-kit) k 26\. říjnu 2026 * **2** běhy na reálném modelu, jedna osoba a jeden model podle [README](https://github.com/anthropics/single-agent-loop-kit/blob/release/README.md) Ověřitelné je tohle: repozitář vznikl 15\. října 2026, je pod licencí Apache License 2.0 a hlavním jazykem je Python. README ho označuje za nepodporovanou referenční implementaci, která nepřijímá příspěvky. Issues a pull requesty nikdo nesleduje, takže opravy chyb nejsou zaručené. Skript `compare.py` postaví dva běhy evalu vedle sebe. Porovná dokončení úloh, latenci, volání modelu, tokeny a cenu. Jde tedy o měřicí nástroj, ne o benchmark. | Tvrzení | Stav v repozitáři | | --------------------------------------------------------- | -------------------- | | Licence Apache 2.0, nepodporovaná referenční implementace | Uvedeno | | Srovnání dokončení, latence, volání, tokenů a ceny | Uvedeno (compare.py) | | Obecná procentní úspora oproti subagentům | Neuvádí | | Zhruba dvojnásobné zrychlení u zákazníka | Neuvádí | Stav jednotlivých tvrzení vychází z [README kitu](https://github.com/anthropics/single-agent-loop-kit/blob/release/README.md). Čísla o zrychlení, která kolují na sociálních sítích, berte jako neověřená, dokud je nepotvrdí primární zdroj. README samo vyjmenovává, co na reálném modelu neběželo: * kroky merge a upkeep, * hotová verze `single_loop/` ukázkového příkladu, * úlohy t18 a t19, * start z repozitáře bez evalu, * kit na jakémkoli jiném systému než na ukázce. Po druhém běhu se navíc změnilo znění skillu a podle textu ho žádná session v novém znění zatím nespustila. Úpravy referenční smyčky, například povinný write gate nebo započítání tokenů subagentů do rozpočtu, byly [ověřeny jen offline](https://github.com/anthropics/single-agent-loop-kit/blob/release/README.md). ## Kdy mají subagenti dál smysl Subagenti mají smysl, když jim vlastní kontext přináší víc, než stojí. Typicky jde o paralelní práci, izolaci velkého objemu dat, oddělená oprávnění a nezávislou kontrolu. [Krok 00 (audit)](https://github.com/anthropics/single-agent-loop-kit/blob/release/skill/steps/00-audit.md) dá každému subagentovi jeden ze čtyř verdiktů: sloučit, převést, volat jako nástroj, nebo ponechat. Kit tím nepropaguje **jeden AI agent místo subagentů** za každou cenu. README výslovně uvádí důvody, proč subagenta zachovat: paralelní rešerše v čerstvých kontextech, nezávislou verifikaci a práci, která čte mnohem víc, než hlavní agent potom potřebuje. | Situace | Verdikt | Co to znamená | | ------------------------------------------------------- | ------------------ | ----------------------------------------- | | Subagenti vždy běží spolu | Sloučit | Jeden agent místo dvou, odpadne předávání | | Subagent nese jen znalost a akce | Převést (fold) | Skill a nástroje v hlavní smyčce | | Vlastní kontext se vyplatí, ale stačí výsledek | Volat jako nástroj | Strukturovaná odpověď podle schématu | | Oddělená oprávnění, paralelní práce, nezávislá kontrola | Ponechat | Hranice zůstává | Verdikty vycházejí z [kroku audit](https://github.com/anthropics/single-agent-loop-kit/blob/release/skill/steps/00-audit.md) a z [kroku 04 o subagentovi jako nástroji](https://github.com/anthropics/single-agent-loop-kit/blob/release/skill/steps/04-as-tool.md). Varianta „nástroj“ je v praxi často nejlepší kompromis. Subagent si ponechá vlastní kontext, ale hlavnímu agentovi vrátí strukturovaný výsledek místo volného shrnutí. Router přitom zmizí. V ukázkovém běhu takto zůstala zachována diagnostika, jak ukazuje [záznam běhů support-desk](https://github.com/anthropics/single-agent-loop-kit/blob/release/examples/support-desk/example-run/README.md). Z pohledu toho, kdo navrhuje **architekturu AI agentů**, doporučujeme dívat se i na faktory mimo kód. Pokud subagent používá jiný model, má vlastní tým nebo se nasazuje v jiném cyklu, sloučení ušetří tokeny, ale přidá organizační tření. Výhody a nevýhody Kdy sloučit nebo převést na skill * Subagenti se spouštějí vždy společně a sdílejí stejná data * Subagent jen přeformuluje nebo předá výsledek * Router přidává sériové volání modelu bez rozhodovací hodnoty Kdy subagenta ponechat * Čte velké objemy dat, ze kterých hlavní agent potřebuje jen závěr * Má přístup k citlivým systémům, který hlavní agent mít nemá * Kontroluje výstup nezávisle na tom, kdo ho vytvořil * Pracuje paralelně na nezávislých úlohách ## Jaká rizika a tichá selhání hrozí při slučování Hlavní riziko je tiché selhání: systém po sloučení vrací odpovědi, které vypadají v pořádku, ale některý krok původního řetězce subagentů vypadl. ![Dvě dvojice rukou uprostřed drží oranžový konektor, vpravo dole je volně visící kabel u prázdného portu serveru.](https://assets.nobig.deals/blog/cmvoyz6kc00240xpii68sfirq/single-agent-loop-kdy-nahradit-subagenty-img-1-b8186e526b.webp) Tiché selhání: jeden předaný krok vypadl a nikdo si toho nevšiml. Podle doprovodného článku Anthropicu jeden ze dvou testovacích běhů tiše selhal. Oba běhy jsou zaznamenané v [example-run](https://github.com/anthropics/single-agent-loop-kit/blob/release/examples/support-desk/example-run/README.md) a každý zápis uvádí, co se z něj po běhu odstranilo a co jeho běh neprokázal. Pokud se tiché selhání stane autorům metodiky na jejich vlastní ukázce, na produkčním systému s desítkami cest je pravděpodobnější. Na co si dát pozor: * **Zahozený handoff.** Bez úlohy pro každý řetězec subagentů výpadek nepoznáte. Skript `chain_coverage.py` kontroluje, že eval takovou úlohu má. * **Ztracená hranice.** Sloučení může smazat užitečné oddělení plánování, vykonání a kontroly. * **Přetížení skills.** Příliš mnoho skillů zatěžuje hlavního agenta a dynamické načítání přidává další volání s vlastní latencí. * **Falešná paralelizace.** Paralelní nástroje zkracují latenci jen u nezávislých kroků, závislé kroky zůstanou sekvenční. * **Jedno okno u dlouhých úloh.** Dlouhá práce může hlavní kontext zahltit, a pak je subagent levnější volba. Pozor Write gate a rozpočty patří do kódu harnessu, ne do promptu. Prompt není bezpečnostní hranice. Referenční smyčka proto vyžaduje write gate u každého nástroje, který zapisuje, a odpověď, kterou verifier dvakrát odmítne, zadrží. ## Jak si migraci ověřit na vlastních úlohách Migraci ověříte jen evalem nad skutečnými požadavky. Nejdřív změříte baseline, pak děláte jednu změnu najednou a každou porovnáte v kvalitě, tokenech, latenci i ceně. README kitu k tomu uvádí dvě podmínky, které za vás nikdo nesplní. Potřebujete způsob, jak spustit systém na testovacím požadavku mimo produkci, a někoho, kdo u běžných požadavků řekne, co je správný výsledek. Bez toho podle README platí: „Without a score, a migration is a matter of opinion.“ S tím souhlasíme. Bez vlastního evalu je přechod na single agent loop sázka na intuici, ať je argumentace jakkoli přesvědčivá. Než začnete * Sestavte eval ze skutečných požadavků s jasnou definicí správného výsledku * Spusťte baseline současného systému a začněte zhruba deseti úlohami * Ověřte, že eval pokrývá každý řetězec subagentů z produkce (`chain_coverage.py`) * Dělejte jednu změnu najednou a každou porovnejte přes `compare.py` * Přesuňte write gate a rozpočty tokenů a tahů do kódu * Před každým placeným během zkontrolujte odhad tokenů * Určete, kdo vlastní systémový prompt a sdílený eval a kdo jednotlivé skills Kit čte jakýkoli orchestrační kód a není vázaný na framework. Na jiném systému než na ukázce ale zatím neběžel. Doporučujeme proto první průchod brát jako pilot: auditu věřte jen tam, kde verdikt sami potvrdíte, a výsledky čtěte z vlastních čísel. Kolik času migrace zabere, závisí hlavně na tom, jestli eval už máte. S hotovým evalem jde spíš o dny, bez něj spíš o týdny. Tip Začněte subagentem s nejjasnější správnou odpovědí, například vratkami nebo stavem objednávky. Na něm nejrychleji uvidíte, jestli fold drží kvalitu, a naučíte se číst výstup `compare.py`. Aby se postup neztratil po prvním experimentu, musí se z něj stát běžná praxe týmu. Sdílený eval patří do CI a změna skillu bez porovnání se nemá mergovat. To je oblast, kterou řešíme v rámci [AI transformace pro vývojáře](https://nobig.deals/cs/sluzby/ai-transformace). ## Časté otázky ### Je single-agent-loop-kit podporovaný produkt od Anthropicu? Ne. README ho označuje za referenční implementaci, která není udržovaná a nepřijímá příspěvky. Projekt se poskytuje „AS IS“, issues ani pull requesty nikdo nesleduje a opravy chyb nejsou zaručené. Anthropic doporučuje repozitář forknout a upravit pro vlastní systém. Pro firmy to znamená, že kód kitu musí převzít do vlastní správy včetně revize bezpečnosti. ### Dá se kit použít s LangGraph, CrewAI nebo AutoGen? Podle README ano, protože skill čte jakýkoli orchestrační kód v repozitáři a není vázaný na konkrétní framework. Na reálném modelu ale zatím běžel jen nad ukázkou support-desk, ne nad systémem postaveným v některém z těchto frameworků. Počítejte s tím, že verdikty auditu budete muset ručně opravit, a ověřte je vlastním evalem. ### Kolik úloh stačí pro první eval? Pokud eval nemáte, kit navrhne zhruba deset úloh z vašich skutečných požadavků a nechá vás u každé opravit definici správného výsledku. Důležitější než počet je pokrytí: každý řetězec subagentů, který běží v produkci, potřebuje aspoň jednu úlohu, jinak vypadlý handoff přehlédnete. ### Stojí jeden AI agent místo subagentů vždy méně? Ne nutně. Odpadne router a předávání kontextu, ale dynamické načítání skillů přidává volání a velký počet skillů zatěžuje hlavního agenta. U dlouhých úloh může jedno kontextové okno vyjít dráž než izolovaný subagent. Kit proto žádné obecné číslo úspory neuvádí a porovnává cenu, tokeny a latenci na vašich úlohách. ### Musím kit používat jen s Claude? Samotný skill běží v Claude Code, takže audit a řízení migrace vyžadují Claude. Váš agentní systém může v principu volat jiný model, protože skill pracuje s kódem orchestrace a eval volá model, který systém používá. Tato kombinace ale v README mezi otestovanými scénáři není. Před nasazením ověřte, že runner evalu a odhad ceny s vaším modelem fungují. Zdroje a odkazy (7) Externí stránky, na které článek odkazuje. 1. [github.com](https://github.com/anthropics/single-agent-loop-kit/blob/release/README.md) /anthropics/single-agent-loop-kit/blob/release/README.md 2. [github.com](https://github.com/anthropics/single-agent-loop-kit) /anthropics/single-agent-loop-kit 3. [github.com](https://github.com/anthropics/single-agent-loop-kit/blob/release/reference%5Floop/loop.py) /anthropics/single-agent-loop-kit/blob/release/reference\_… 4. [github.com](https://github.com/anthropics/single-agent-loop-kit/blob/release/skill/steps/03-fold.md) /anthropics/single-agent-loop-kit/blob/release/skill/step… 5. [github.com](https://github.com/anthropics/single-agent-loop-kit/blob/release/skill/steps/00-audit.md) /anthropics/single-agent-loop-kit/blob/release/skill/step… 6. [github.com](https://github.com/anthropics/single-agent-loop-kit/blob/release/skill/steps/04-as-tool.md) /anthropics/single-agent-loop-kit/blob/release/skill/step… 7. [github.com](https://github.com/anthropics/single-agent-loop-kit/blob/release/examples/support-desk/example-run/README.md) /anthropics/single-agent-loop-kit/blob/release/examples/s… ## Číst více [![Penetration testování webu pomocí Claude Code před spuštěním](https://nobig.deals/_next/image?url=https%3A%2F%2Fassets.nobig.deals%2Fblog%2Fcmvo4agh6000x0xpi7njkek7i%2Fpenetration-testovani-webu-claude-code-hero-55a7637bab.webp&w=3840&q=75)AI a vývojPenetration testování webu pomocí Claude Code před spuštěnímPenetration testování webu lze před spuštěním částečně zrychlit pomocí Claude Code: tři podagenti s účty A, B a admin spustí skutečné útoky a doloží je logy. Je to rychlá pomocná kontrola, ne náhrada autorizovaného pentestu.](https://nobig.deals/cs/blog/penetration-testovani-webu-claude-code)[![Jak vytvořit animovanou B-roll grafiku pomocí Claude Opus 5.5 animace](https://nobig.deals/_next/image?url=https%3A%2F%2Fassets.nobig.deals%2Fblog%2Fcmuiwvz1k00000xqzt0xwzjb9%2Fclaude-opus-5-5-animace-b-roll-hero-79b240e95e.webp&w=3840&q=75)AI a vývojJak vytvořit animovanou B-roll grafiku pomocí Claude Opus 5.5 animaceSkill pro Claude Code umí z přepisu videa vygenerovat animovanou B-roll grafiku, kterou dřív dělaly After Effects nebo Canva. Vysvětlujeme, co je ověřené, co jen tvrzení autora a jak na to v češtině.](https://nobig.deals/cs/blog/claude-opus-5-5-animace-b-roll)[![Marketing Skills: AI agenti pro marketing v Claude Code](https://nobig.deals/_next/image?url=https%3A%2F%2Fassets.nobig.deals%2Fblog%2Fcmvo14feh00030xpivl776cu3%2Fmarketing-skills-claude-code-knihovna-hero-a603c3fa9d.webp&w=3840&q=75)AI a vývojMarketing Skills: AI agenti pro marketing v Claude CodeMarketing Skills je bezplatná open-source sada instrukcí pro AI agenty od Coreyho Hainese. Funguje v Claude Code, Codexu nebo Cursoru. Není to marketingový software a efekt na konverze nikdo nezávisle nedoložil.](https://nobig.deals/cs/blog/marketing-skills-claude-code-knihovna)