Jadro prejdeme vždy  ·  Voliteľné podľa času a záujmu  ·  Referencia na neskoršie čítanie

Schopnosť strojov vykonávať úlohy, ktoré bežne vyžadujú ľudskú inteligenciu — rozumieť jazyku, rozpoznávať obrazy, rozhodovať sa a tvoriť.

Pojem „artificial intelligence“ má 70 rokov (Dartmouth, 1956). Nová nie je myšlienka — nový je výkon, dáta a dostupnosť.

LLM ⊂ generatívna AI ⊂ hlboké učenie ⊂ ML ⊂ AI — typická mapa dnešných systémov, nie absolútna hierarchia

LLM: predtréning je self-supervised — „učiteľom“ je sám text (model hádá ďalší token, značky nikto nepísal). Potom nasleduje post-training, ktorý dolaďuje správanie — napríklad z ľudskej spätnej väzby (RLHF), ale metódy sa líšia model od modelu.

Jadro predtréningu je jediná úloha: odhadnúť pravdepodobnosť ďalšieho tokenu.

Ako vyberať: podľa úlohy, nie podľa rebríčka — sprav si krátky test na vlastných úlohách. Citlivé dáta → lokálne nasadenie, ale „dáta neopúšťajú firmu“ platí len ak kontroluješ aj logy, telemetriu a pripojené nástroje. Naposledy overené: 23. 8. 2026 — mení sa každý kvartál.

Ako čítať graf: zvislá os = úspešnosť na reálnych programátorských úlohách, vodorovná = priemerná cena za úlohu. Najlepší pomer výkon/cena je vpravo hore. Živý rebríček: deepswe.datacurve.ai

Slovenčina býva tokenizovaná „drahšie“ než angličtina — závisí od slovníka tokenizera a tréningových dát, nielen od diakritiky.

Prakticky: dlhá konverzácia = plné okno = model „zabúda“ začiatok. Novú tému začni v novom vlákne.

Prakticky: jeden človek + chat/agent → predplatné. Produkt, automatizácia alebo tím s nepravidelným použitím → API s limitom výdavkov. Cenu ovplyvňuje výber modelu (menší model na rutinu), dĺžka kontextu (každé kolo posiela celú históriu) a effort. Orientačné rády, stav 8/2026.

Open-weight model si stiahneš a spustíš sám — na notebooku, firemnom serveri alebo prenajatom GPU. Žiadne dáta neodchádzajú, žiadna faktúra za tokeny. Platíš hardvérom, elektrinou a vlastným časom.

Racionálny postup: začni v cloude, zmeraj objem a typ úloh. Lokálne nasaď konkrétnu rutinu (triedenie, extrakcia, anonymizácia), nie „všetko“. Hybrid je bežná prax: citlivé a hromadné úlohy lokálne, ťažké a ojedinelé v cloude. A „dáta neopúšťajú firmu“ plať len vtedy, keď máš pod kontrolou aj logy, telemetriu a pripojené nástroje.

Prompt pre coding agenta má inú váhu priorít: cieľ → kontext → hranice (čo nerobiť) → kritériá úspechu → požadovaný dôkaz (testy, diff, log). Rola a tón sú tu vedľajšie.

Reasoning modely pred odpoveďou minú ďalšie výpočty — interné „uvažovacie“ tokeny či viac krokov spracovania. Koľko, určuje effort. Viac premýšľania pomáha na ťažké úlohy, ale je pomalšie a drahšie.

Jedno pravidlo: jednoduchá úloha nepotrebuje maximálny effort — zvýš ho až vtedy, keď lacnejší režim neprejde tvojím overením. Nastavuje sa prepínačom v chate („Think“, „Extended thinking“) alebo v API / CLI (/effort v Claude Code). „Deep Research“ nie je effort, ale samostatný agentický výskumný workflow.

Opíšeš zámer v prirodzenom jazyku — kód píše AI. Ty zadávaš, hodnotíš výsledok a iteruješ.

1. 2023Andrej Karpathy: „Najhorúcejší nový programovací jazyk je angličtina.“Karpathy = spoluzakladateľ OpenAI, bývalý šéf AI v Tesle, populárny učiteľ deep learningu
2. 02/2025Karpathy pomenúva „vibe coding“ — plne sa poddať vibom a zabudnúť, že kód vôbec existuje.
3. 11/2025Collins Dictionary vyhlasuje vibe coding za slovo roka.

Tri polohy toho istého spektra — rozdiel je v miere kontroly a v tom, či riadiš kód alebo proces.

Vibe coding žije v pravej polovici. Čím autonómnejší agent, tým viac záleží na tvojom zadaní — a na tvojej kontrole.

Vzorec sa opakuje: agent na kód + agent na ostatnú prácu od každého veľkého laba. Okolo toho ekosystém AI editorov (Cursor, Windsurf, Copilot) a web builderov (v0, Lovable, Bolt) — nástroje sa menia každý kvartál, princípy ostávajú.

Skill je priečinok s návodom — SKILL.md plus voliteľné skripty a šablóny. Agent si ho načíta, až keď ho úloha potrebuje. Otvorený štandard (Anthropic, 2025), ktorý preberajú aj ďalšie nástroje.

SKILL.md        ← názov, popis, kedy použiť, postup
scripts/
  changelog.py   ← pomocný kód, ktorý agent spustí
templates/
  notes.md       ← vzor výstupu

Skill = „ako“ robiť konkrétnu vec. Pravidlá projektu (CLAUDE.md) hovoria, čo platí vždy; skill sa načíta len keď treba.

Model Context Protocol — otvorený štandard, ako agentovi pripojiť externý systém. Namiesto integrácie „každý nástroj × každý agent“ stačí jeden MCP server, ktorému rozumie každý klient. Ako USB-C pre AI.

• Server ponúka: tools (akcie — vytvor issue, spusti query), resources (dáta na čítanie) a prompts (hotové šablóny).
• Rozšírený štandard: od Anthropicu (2024), dnes pod otvorenou správou; podporujú ho OpenAI, Google, Microsoft a tisíce serverov.
• Riziko: MCP server = oprávnenia pre agenta. Inštaluj len dôveryhodné, dávaj minimálne prístupy — platí všetko zo slidu o hraniciach.

Dve rôzne veci: Plan je fáza práce (najprv rozmyslieť), Manual / Auto je miera oprávnení. Auto nie je otázka dôvery v agenta — má zmysel tam, kde je prostredie izolované a vratné (git, sandbox, testy) a chyba je lacná. Režim prepínaš kedykoľvek (v Claude Code Shift+Tab).

1. Špecifikácia najprvOpíš, ČO má vzniknúť: vstupy, výstupy, hraničné prípady. „Ako“ nechaj na agenta.
2. Malé krokyJedna úloha = jedno zadanie. Obrí prompt plodí obrí neporiadok.
3. Kontext je kráľPrilož súbory, presné chybové hlášky a štruktúru projektu — nenúť agenta hádať.
4. Hranice a kritériáPovedz, čo agent nesmie meniť (non-goals) a ako spoznáš, že je hotovo: testy, správanie, akceptačné kritériá.
5. Iteruj s dôkazmiNamiesto „nefunguje to“ vlož konkrétny error, log alebo screenshot. A dôkaz žiadaj aj od agenta: výstup testov, diff.

1. Git ako záchranná sieťBranch či worktree, commit pred aj po zásahu agenta, rollback plán. Git chráni súbory v repe — nie databázu, cloud ani e-mail.
2. Testy sú kotvaNechaj agenta testy písať aj spúšťať. Držia pri realite jeho — aj teba.
3. Review podľa ceny chybyDo produkcie nejde riadok, ktorý nečítal človek — hĺbka kontroly rastie s rizikom. Za kód zodpovedáš ty, nie model.
4. Pravidlá projektuCLAUDE.md či AGENTS.md: stack, konvencie, zákazy. Agent ich číta pri každej úlohe.
5. Čerstvý kontextDlhé sedenia degradujú. Nová úloha = nové vlákno; dôležité rozhodnutia zapíš do repa.

Pamätaj: git ti vráti súbory v repozitári — nie zmazanú databázu, odoslaný e-mail ani zavolané externé API. Čo sa nedá vrátiť, musí prejsť cez teba.

Praktické pravidlo: čím vyššia cena chyby, tým menej „vibe“ a viac inžinierstva.

Popri komerčných nástrojoch rastie vlna open-source agentov na vlastný počítač alebo server. Kód je otvorený, model si vyberieš sám — agent môže bežať nonstop ako tvoj asistent.

Prečo to sledovať: agent s prístupom k účtu, súborom a shellu je obrovská páka — aj riziko. Otvorený kód umožňuje audit, ale bezpečnosť, súkromie ani nezávislosť nezaručuje automaticky — agent môže byť open source a pritom volať cloudový model. Hranice si nastavuješ sám.

Na začiatku sedel človek pri každom kroku. Dnes agent dostane úlohu a pracuje hodiny bez dozoru — na tvojom počítači, na serveri alebo v cloude. Mení sa miesto, kde beží, aj rozhranie, cez ktoré ho riadiš.

Dôsledok: čím dlhšie agent beží bez teba, tým viac záleží na tom, čo mu dáš na začiatku — jasné zadanie, pravidlá projektu, testy a hranice, čo smie. Kontrola sa presúva z každého kroku na návrh procesu.

Česko-slovenská AI scéna — novinky, nástroje a praktické návody v jazyku, ktorému rozumieš. Tip: vyber si dva-tri, viac nestíha nikto.