Knihovna
Sbírka odkazů, tipů ze setkání a poznámek k AI, vibecodingu a AI asistovanému vývoji softwaru.
AI obecně
Odkazy
| NVIDIA Nemotron 3 Super | Otevřený podnikový AI model vhodný pro lokální nasazení na serverech vyžadujících 120 GB RAM. |
| Llama.cpp na ESP32 | Projekt pro běh ořezaného LLM na nízkonákladovém mikrokontroleru ESP32-S3 pro lokální hlasové příkazy. |
| AI Act | Oficiální text evropského nařízení o umělé inteligenci, včetně povinností pro AI generovaný obsah a chatboty. |
| OpenClaw | Open-source osobní AI asistent běžící lokálně na zařízení. |
| Qwen2.5-3B-Instruct | Menší lokální model vhodný pro úlohy, kde citlivá data nemají opouštět zařízení. |
| Matthew Berman [YouTube] | Kanál o AI nástrojích, testech a praktických ukázkách. Skvělý zdroj pro sledování novinek v AI světě. |
| Moonshots with Peter Diamandis [YouTube] | Rozhovory o odvážných, transformačních cílech („moonshots“), exponenciálních technologiích a dlouhodobě optimistické vizi budoucnosti. |
| Andrej Karpathy (X/Twitter) | Novinky a postřehy o AI, technologii a budoucnosti. Skvělý zdroj pro sledování trendů přímo od zdroje. |
Tipy
- Provoz lokálních modelů na CPU: Kvantované 26B modely lze efektivně spouštět na běžných VPS, například u Hetzneru. Vysoké rychlosti lze dosáhnout díky 4bitové kvantizaci a architektuře, která v reálném čase aktivuje pouze část parametrů.
- Hlídání tokenového rozpočtu: U autonomních agentů využívajících cloudové modely hrozí rychlé vyčerpání rozpočtu. Náklady je proto nutné monitorovat v reálném čase.
- Bezpečnostní zábrany: Při integraci AI s externími datovými zdroji implementujte striktní gatekeeping jako ochranu proti útokům typu prompt injection.
- Pozor na AI Act: Od srpna 2026 platí povinnost označovat AI generovaný obsah (text, obraz, audio, video) a informovat uživatele, že komunikují s chatbotem. Odpovědnost nese poskytovatel služby, nikoliv běžný uživatel.
- Lokální modely pro soukromí: Pokud pracujete s citlivými daty (např. e-maily nebo bankovními výpisy), nasaďte menší lokální modely. Jsou dostatečně přesné pro parsování dat a informace neopouštějí vaše zařízení.
- AI není náhrada, ale akcelerátor. Vývojář stále musí držet vizi a mantinely, jinak se kód po pár iteracích rozpadne.
- Kritické myšlení je klíčové. AI dokáže lhát v testech i v dokumentaci. Vše, co vygeneruje, je nutné validovat.
- Nebát se experimentovat. Ať už jste junior co dělá vibecoding, nebo senior architekt, AI vám umožní proniknout do oblastí, které by vám dříve trvaly roky.
Vibecoding
Odkazy
| Base44 | Low-code/no-code platforma umožňující kompletní vývoj webových aplikací a databází přímo z mobilního prohlížeče. |
| Claude Design | Nástroj pro rychlé vizuální prototypy, wireframy a generování React (JSX) komponent. |
| n8n | Workflow automatizace používaná pro sběr a zpracování dat z externích zdrojů. |
| Gemini in Android Studio | AI asistent integrovaný v Android Studiu, užitečný při vývoji a migracích mobilních aplikací. |
| Kotlin Multiplatform | Technologie pro sdílení kódu mezi Androidem, iOS a dalšími platformami. |
| Compose Multiplatform | Multiplatformní UI framework zmíněný u migrace mobilní aplikace na podporu více platforem. |
| Xcode | Apple vývojové prostředí, ve kterém může AI pomáhat vývojáře navigovat v neznámém workflow. |
| Cursor | AI-powered editor, který mění způsob, jak programujeme. Skvělý pro vibecoding a rychlý vývoj. |
| Claude Code | Claude zaměřený na kódování. Výborný pro komplexní úkoly a plánování. |
| Gemini CLI | Příkazová řádka pro Google Gemini. Užitečný nástroj pro práci s AI přímo z terminálu. |
| After Two Years of Vibecoding | Reflexe dvou let vibecodingu. Realistický pohled na výhody i úskalí práce s AI. |
Tipy
- Git verzování: Po každé úspěšné iteraci provádějte časté commity. AI má tendenci v následujících krocích neúmyslně rozbít dříve funkční části kódu.
- Vývoj z mobilního telefonu: Moderní nástroje jako Base44 umožňují vývoj, nasazení a správu plnohodnotné aplikace bez nutnosti použití stolního počítače.
- Začněte s malým projektem: Nepouštějte se hned do nejsložitější aplikace. Vibe coding vyžaduje postupnou znalost nejen promptování, ale i databází, automatizací a nasazování (deploymentu).
- Zapojte uživatele co nejdříve: AI vám umožní postavit prototyp extrémně rychle. Využijte to k okamžitému testování s reálnými lidmi, abyste se vyhnuli vývoji funkcí, které nikdo nepotřebuje.
- Separujte demo a produkční data: Dejte si pozor na propojování namokovaných (vymyšlených) dat a reálné databáze v raných fázích vývoje, jinak se AI začne v kontextu ztrácet.
- Caveman Prompting: Šetřete tokeny a svůj čas tím, že agentovi přikážete mluvit úsečně (např. „Já opravit chybu“). Zbavíte se tak zdvořilostní „omáčky“ a zrychlíte odezvu modelu.
- Využijte AI jako průvodce v neznámém prostředí: Pokud musíte pracovat v nástroji, který neznáte (např. Xcode pro Android vývojáře), nechte se AI vést „za ruku“ – dokáže přesně navigovat, kam v UI kliknout.
- Design-to-Code: Využijte Claude Design pro rychlou tvorbu vizuálních prototypů. Nástroj dokáže vygenerovat čisté React (JSX) komponenty, které lze přímo zasadit do reálného projektu.
- Pro vývoj se osvědčilo detailní plánování a specifikace, přepínání mezi odlišnými modely pro různé typy práce a specifické číslování v komunikaci s agentem.
- Čeština jako promptovací jazyk funguje skvěle, angličtina pro dokumentaci.
- Používejte pomocné soubory typu code.md a oddělte fázi plánování od samotné realizace.
- Pro složité výpočty (optika, astrofyzika) je ideální nejdříve nechat deep thinking model navrhnout prompt pro kódovací model.
- Celý projekt můžete vyvíjet bez IDE, čistě v cloudovém prostředí Codexu.
AI Assisted SW Development
Odkazy
| CrewAI | Framework pro hierarchické řízení agentů s možností kombinovat cloudové a lokální modely. |
| Metabase | BI nástroj pro vizualizaci dat, který agenti dokážou autonomně nasadit v rámci self-hosted Docker prostředí. |
| AssemblyAI | API pro Speech-to-Text s vysoce kvalitní diarizací, tedy rozlišením mluvčích, v českém jazyce. |
| Soniox Speech | Model pro přepis češtiny i slovenštiny odolný vůči šumu; cenově efektivní, přibližně 5 USD za čtyři hodiny záznamu. |
| Freshdesk API | Cloudový helpdesk využitelný pro automatizaci správy zákaznických tiketů pomocí AI agentů přes veřejné API. |
| Hetzner Cloud | Nákladově efektivní hosting pro provoz kvantovaných modelů bez nutnosti drahých GPU. |
| tmux | Terminálový multiplexer pro zachování běžící relace CLI agentů, například Claude Code, i po odpojení lokálního terminálu. |
| Y Combinator Co-Founder Matching | Globální platforma pro vyhledání technických partnerů pro stavbu AI produktů. |
| DeepWiki | Nástroj pro analýzu Git repozitářů, generování dokumentace, diagramů a dotazy nad kódem. |
| Model Context Protocol | Standard pro propojení AI agentů s externími nástroji, databázemi, API a dokumentací. |
| Supabase | Backend a databázová platforma, ke které lze agenty připojit přes MCP server. |
| OpenCode | Open-source AI coding agent s možností přepínat mezi různými modely a providery. |
| Playwright | Automatizace prohlížeče a UI testování, díky kterým může agent ověřovat výsledek v běžícím webu. |
| CodeRabbit | AI nástroj pro code review pull requestů a hledání problémů v kódu. |
| Claude context editing | Dokumentace ke správě a zkracování kontextu, včetně principů compaction. |
| DeepAgents Harness | Vrstva kolem AI modelu, která agentovi dává instrukce, cíle, omezení a řídí cyklus práce. |
| Claude Code Skills | Dokumentace k agent skills jako znovupoužitelným instrukcím, skriptům a pravidlům pro AI agenty. |
| OpenSpec | Spec-driven development platforma. Budoucnost vývoje je v iterativním ladění specifikace, ne dlouhých promptech. |
| SDDBMAD vs Spec Kit vs OpenSpec vs PromptX | Porovnání spec-driven nástrojů. Který vybrat a proč? Praktický přehled možností. |
| GitHub Spec Kit | Spec-kit od GitHubu pro spec-driven development. Oficiální nástroj pro práci se specifikacemi. |
| AI Coding Agents (Jan 2026) | Aktuální přehled AI coding agentů. Co funguje, co ne a kam se obor posouvá. |
| Agentic Workflow Architectures Guide | Kompletní průvodce architekturami agentních workflow. Jak stavět systémy s více agenty. |
Tipy
- Hierarchie modelů: Efektivní strategie spočívá v kombinování drahých cloudových modelů pro plánování s levnějšími lokálními subagenty pro exekuci dílčích úloh.
- Zachování lidského kontaktu: AI implementujte jako asistenta pro následnou analýzu, zápisy a sledování progrese, nikoliv jako přímého komunikačního partnera v mentoringu, kde může měnit dynamiku vztahu.
- Autonomní deployment: Zkušenost potvrzuje schopnost agentů samostatně konfigurovat komplexní služby, například Docker nebo Metabase, a provádět nasazení bez lidského zásahu.
- Dokumentace legacy kódu: Použijte nástroje jako DeepWiki pro rychlou analýzu a tvorbu sekvenčních diagramů u starších nebo špatně zdokumentovaných repozitářů.
- Nasaďte hierarchii agentů: Pro složité úkoly vytvořte strukturu s jedním Agent Managerem, který řídí specializované subagenty (UI, Backend, Data). Tím efektivně rozšíříte pracovní paměť a kontext celého týmu.
- Cross-verification agenti: Kromě agentů, kteří kód píší, používejte agenty, kteří ho kritizují a kontrolují. Např. specializovaný Security agent může odhalit chyby, které vývojový agent při plnění úkolu přehlédl.
- Standardizace skrze Agent Skills: Zabalte své zkušenosti a architektonické požadavky do souborů agents.md nebo skill.md. Tyto instrukce pak musí dodržovat všichni agenti v týmu, což zajišťuje čitelnost a udržitelnost kódu.
- Hlídání komplexity (metrika C.R.A.P.): Přikažte agentovi udržovat komplexitu funkcí pod určitou mezí (např. pod 20). Výsledný kód bude méně „špagetový“, což usnadňuje následné opravy chyb jak vám, tak i samotné AI.
- Implementujte MCP servery: Propojte své AI prostředí přímo s databází (např. Supabase) nebo externí dokumentací skrze Model Context Protocol. Agent tak může přímo číst real-time data a navrhovat přesné opravy.
- Automatizované testování pomocí Playwright: Dejte agentům „oči“. Skrze Playwright může AI samo otevírat prohlížeč, kontrolovat, co vytvořilo, a psát testy, které ověří funkčnost UI.
- Pravidelné Clean-up sessions: I když AI kóduje rychle, má tendenci k nepořádku (vše do jednoho souboru). Vyhraďte si čas na manuální revizi a strukturování vygenerované codebase.
- Kontext je vše. Úspěch závisí na tom, jak dobře AI omezíte kontext (menší chaty, package-per-feature, přesná pravidla v .cursorrules).
- Specifikace nad řádky kódu. Přecházíme z éry "piš mi kód" do éry "ladíme specifikaci, kterou pak agenti exekuují".
- Pro udržení kontextu považujte za nutnost časté zakládání nových session chatů a manuální summary. V summary mějte striktní pravidla jako např. povinnost zkompilovat kód po sobě, dodržování design patternů nebo automatická inkrementace verzí cache.
- Tradiční vrstvená architektura je pro AI nepřehledná, lepší je package-per-feature. Pro omezení halucinací používejte referenční existující části kódu.
- Plánovací mód funguje skvěle, pokud má vývojář silnou doménovou znalost. Pokud člověk neví, co chce postavit, AI vygeneruje bordel.
- V iterativním módu nechte AI rozsekat úkol na menší části (3–4x iterovat plán, než je správně). Pokud AI začne ignorovat pravidla nebo formátování (např. přestane číslovat body), je to jasný signál ztráty kontextu a je čas na nový chat.
- K AI je nejlepší přistupovat jako k velmi rychlému, ale hloupému juniorovi. Nejlépe funguje, když dostává malé, jasně vymezené úkoly (chunks).
- Vytvořte si systém, kde jeden agent (koordinátor) naplánuje práci a připraví prompty pro další agenty, kteří pak paralelně nebo sekvenčně vykonávají dílčí úkoly.
- U velmi specifických úloh, jako jsou matematické optimalizace nebo psaní shaderů (GPU kód), může být AI překvapivě lepší než člověk díky své znalosti hardwaru a teorií.
- U shaderů zkuste zadat požadavek na branchless kód (bez podmínek if). AI často najde matematické řešení, které by člověk vymýšlel hodiny. AI je skvělý konzultant pro algoritmy, ale nevidí širší fyzikální souvislosti.
- Vysokoúrovňový nápad (Heuréka moment) musí stále přijít od člověka.
- Teorie (nízkoúrovňové algoritmy) je stále nezbytná, ne pro psaní kódu, ale pro schopnost kriticky posoudit výstup z AI. Bez hlubšího porozumění problému vývojář nepozná, kdy AI halucinuje nebo kdy vytvořila výkonově neoptimální řešení.
- Vývojář budoucnosti musí umět kód z AI "ušít" a včas identifikovat, kdy je potřeba refaktorizace.
Projekty speakerů
Odkazy
| EnjoyTeam | Zážitková sociální síť vyvinutá Steanlym Angelem kompletně z mobilního telefonu přes Base44. |
| Mentaru | Platforma Michala Slaveva pro AI analýzu mentoringových schůzek, zaměřená na sledování progrese a aha momentů. |
| Sim Companies | Business simulace Patrika Becka využívající autonomní agentku Claudii k automatizaci firemní rutiny. |
| První pozice | Konzultační činnost Zdeňka Martínka zaměřená na praktické nasazení a vývoj lokalizovaných AI řešení. |
| PlayerHub | Aplikace Martina Richtera pro sportovní komentátory. |
| Nosedive | Mobilní LARP aplikace Davida Vávry inspirovaná epizodou Nosedive ze seriálu Black Mirror. |
| BabyTalk.mom | Aplikace Zdeňka Háska pro novopečené rodiče. |
| MyRecords | Local-first digitální deník Zdeňka Háska pro fotky, kalendář, poznámky a transakce. |
| Home Roles | Aplikace Katy Šrámkové pro rozdělování a sledování domácích prací. |
| Divine | Projekt, na kterém Very Good Ventures stabilizovali a kultivovali rychle vibecodovanou aplikaci. |
| QuaternAR | XR platforma a firma Honzy Hovory zaměřená na praktické AR/VR využití v existujícím softwaru. |
| Stependo | Mobilní aplikace Katy Šrámkové vytvořená pomocí nástrojů Cursor, Codex a Claude Sonnet. |
| AstroHub | Projekt Honzy Hovory pro ovládání teleskopu, kde AI pomáhá s fyzikou, optikou a autonomním vylepšováním kódu. |