Autonomní Research Agent

Autonomní Research Agent je experimentální systém navržený k systematickému budování hlubokého odborného porozumění dané oblasti – bez závislosti na nepřetržité lidské přítomnosti. Aktuální doménou je architektura multiagentních systémů pro obchodování na burze. Systém je ale navržen tak, aby byl přenositelný na libovolný obor.

Motivace

Cílem není odpovídat na otázky ze znalostního okna jednoho modelu, ale průběžně budovat trvale rostoucí expertní databázi, která je nezávislá na konkrétním modelu i na velikosti kontextového okna. Každé kolo výzkumu zanechává stopu – databáze se nepřepisuje, ale zpřesňuje.

Architektura

🔬 Researcher – hlavní agent

Researcher je persistentní orchestrátor celého systému. Neprovádí výzkum sám, ale:

• vyhodnocuje aktuální stav znalostní báze (otevřené otázky, rozpory, slabě podložená tvrzení)
• připravuje research brief pro každé kolo
• spouští paralelně dva izolované subagenty
• porovnává jejich výstupy a řídí zápis do databáze
• průběžně aktualizuje blueprint ideálního systému

🤖 Subagenty – dva izolované výzkumníci

Každé kolo běží dva nezávislé subagenty v oddělených sessions (aktuálně Opus 4.6 a GPT-4o/xHigh). Záměrně nesdílejí kontext ani se nekoordinují – minimalizuje se tím korelace chyb a falešný konsenzus.

Každý subagent má odlišnou epistemickou roli:

• Evidence agent – mapuje co nejsilnější dostupnou evidenci, hledá corroborated findings
• Critic agent – aktivně hledá failure modes, evaluation traps, skrytou komplexitu a provozní slabiny

Každý subagent ukládá vlastní auditovatelnou analýzu + strukturovaný výstup pro strojové zpracování.

⚖️ Judge vrstva

Po každém kole prochází tvrzení podporovaná zatím jen jedním subagentes přes samostatnou judge vrstvu. Ta rozhoduje:

• Co lze zařadit do provizorní znalostní báze
• Co zůstane otevřené pro další validaci
• Co je příliš slabé nebo problematické a má být zahozeno

🗄️ Znalostní databáze

Validované poznatky se ukládají do PostgreSQL s rozšířením pgvector. Databáze funguje jako dlouhodobá expertní paměť – odděluje corroborated findings (potvrzené oběma subagenty) od single-source findings (zatím jen jeden zdroj).

📐 Blueprint systému

Researcher z validovaných poznatků průběžně sestavuje a zpřesňuje živý teoretický model – blueprint ideálního autonomního obchodního systému. S každým kolem se opravuje a rozšiřuje.

Autonomní smyčka

Celý systém běží jako opakovaná smyčka řízená externím schedulerem:

1. Scheduler probudí Researchera
2. Researcher vyhodnotí stav databáze a připraví brief
3. Paralelně spustí dva subagenty (~30–40 min kolo)
4. Výstupy projdou judge vrstvou
5. Validované poznatky se zapíší do databáze
6. Researcher aktualizuje blueprint a nový brief
7. Systém se uspí do dalšího kola

Systém je navržen tak, aby šlo postupně nasazovat novější modely, aniž by se ztratila vybudovaná znalostní báze.

Audit a korekce kurzu

Jednou za čas lze spustit nezávislý audit, který:

• ověří, zda se systém neodchyluje od zadání
• náhodně vybere poznatky z databáze a znovu je validuje
• detekuje drift výzkumného směru

Výsledky

• 1 000+ zpracovaných primárních zdrojů (vědecké studie, odborné články)
• plně autonomní provoz bez nutnosti lidského zásahu mezi koly
• přenositelná architektura – stejný systém lze nasadit na libovolnou doménu (např. výzkum longevity)

Klíčové principy návrhu

• Izolace subagentů – žádná sdílená session, minimalizace korelace chyb
• Vrstvená validace – corroborated > single-source > zamítnuto
• Persistentní paměť mimo kontext – PostgreSQL + pgvector jako skutečná long-term memory
• Živý blueprint – výzkum se nepřekládá jen do faktů, ale do návrhu systému
• Model-agnostičnost – databáze přežije výměnu modelu