Svět softwarového vývoje se mění pod rukama a AI už dávno není jen „chytřejší našeptávač“. V 35. díle podcastu AI ta Krajta se Petr, Šimon, Prokop, Pavol a Jacek ponořili do hloubky toho, jak vypadá moderní AI development setup. Od revolučního Claude Cowork pro nekodéry přes technické detaily MCP serverů až po autonomní agenty, kteří za vás spravují GitHub. Tento díl je povinnou četbou (a poslechem) pro každého, kdo chce v roce 2026 efektivně programovat.
O čem byla řeč? Hlavní kapitoly epizody
- 0:00 – Úvod: Deterministické nástroje vs. prompt pravidla
- 1:27 – Claude Cowork: Nová éra pro nekodéry
- 4:02 – Anthropic vs. Open AI: Boj o otevřenost ekosystému
- 5:47 – Stack Overflow: Překvapivý byznys model a renesance firmy
- 7:28 – Pozvánka na Apify Hackathon a Evals.cz meetup
- 9:57 – Hlavní téma: Jak vypadá správný AI dev setup?
- 11:00 – MCP servery v praxi: Agnosticita a správa pravidel
- 19:10 – Proč na kvalitě a preciznosti pravidel (rules) záleží
- 25:00 – Organizace kontextu v monorepu (.cursorrules a Agents.md)
- 34:30 – MCP Gateway: Customizace a optimalizace popisů pro LLM
- 41:00 – Git a GitHub management: AI agent jako samostatná entita
Hloubková analýza: AI jako člen týmu, ne jen nástroj
Moderní vývojářský setup už není jen o editoru a terminálu. Je to o precizním managementu kontextu, který AI modelu předáváme. Hosté podcastu se shodují, že klíčem k efektivitě je schopnost automatizovat předávání znalostí o codebase.
MCP servery a agnosticita nástrojů
Jacek v podcastu představil pokročilou iteraci interního MCP (Model Context Protocol) serveru. Hlavní výhodou tohoto přístupu je agnosticita. Je jedno, zda používáte Cursor, Claude Desktop nebo JetBrains – pravidla (rules) a nástroje (tools) máte na jednom místě. 11:00
Zásadním posunem je dynamické získávání pravidel (get_rules). Namísto toho, aby se do kontextu „nalily“ tisíce řádek textu naráz, MCP server inteligentně vyhodnocuje, která pravidla jsou pro danou konverzaci relevantní. Tím se šetří tokeny a hlavně se předchází halucinacím modelu, který se v příliš velkém kontextu začne ztrácet. 12:21
Architektura vs. Promptování: Kde je hranice?
Zajímavá diskuse proběhla nad tím, zda je důležitější být skvělým softwarovým architektem, nebo mistrem promptování. 23:01
- Architektonický přístup: Sekání úkolů na atomické části, kde AI stačí i horší kontext.
- Promptingový přístup: Investice do špičkového kontextu a pravidel, které umožní i méně zkušeným lidem (nebo agentům) řešit komplexní problémy.
Cílem však zůstává „enablovat“ co nejvíce lidí ve firmě a drasticky zvýšit rychlost (velocitu) vývoje. Jacek například zmínil, že díky vyladěnému setupu dokázal přepsat desítky tisíc řádků kódu během pár hodin – práce, která by dříve trvala týdny. 11:22
AI agenti a autonomní správa GitHubu
Budoucnost směřuje k tomu, že AI agenti budou mít vlastní identity. Petr i Jacek experimentují s tím, že agenti vystupují pod vlastními účty na GitHubu, odpovídají na code review a samostatně řeší issues. 45:13
Klíčovým nástrojem se zde stává standardní GitHub CLI (GH Tool). Ukazuje se, že moderní modely jako Claude 3.5 Sonnet nebo GPT-52 (Codex) rozumí příkazové řádce natolik dobře, že nepotřebují složité proprietární wrapery. Stačí jim dát přístup k terminálu a správná pravidla pro práci s Pull Requesty. 41:00
Závěr
AI development setup není statická záležitost, ale neustále se vyvíjející ekosystém. Ať už jste fanoušky minimalistického přístupu s jedním .cursorrules souborem, nebo budujete komplexní MCP infrastrukturu jako v GoodData, nejdůležitější je začít kontext vnímat jako data, která je třeba aktivně spravovat.
Co používáte ve svém setupu vy? Sázíte na Cursor, nebo kombinujete více nástrojů přes MCP? Dejte nám vědět v komentářích! Nezapomeňte odebírat podcast AI ta Krajta a sdílet tento článek dál. Podívejte se taky na další epizody aby vám neunikla žádná zajímavá informace.
Komentáre