# AI a automatizace — Roman Žydyk

V AI se zaměřuji na propojení modelů s užitečnými nástroji a workflow, ne na trénování velkých modelů. V osobních projektech a experimentech zkoumám coding agenty, dlouhodobou paměť, integrace a automatizaci.

Můj podíl je v integraci: propojuji nástroje, navrhuji workflow, spravuji kontext a ověřuji výsledky. Samotné modely a frameworky jsou existující nástroje, ne můj vynález.

Hlavní profil: https://romanzdk.com/cs/index.md · English version: https://romanzdk.com/ai/index.md

## Příklad: propojený osobní asistent

V jednom osobním projektu jsem zkoumal, jak může asistent spojit konverzaci, dlouhodobý kontext, externí nástroje a opakované úkoly. Například připravoval koncepty e-mailů, souhrny s odkazy na zdroje, připomínal rozhodnutí z projektů a odpovídal na hlasové dotazy.

Byl postavený z existujících open-source částí, například Hermes Agent (https://github.com/NousResearch/hermes-agent) pro asistenta a Hindsight (https://github.com/vectorize-io/hindsight) pro paměť, s Home Assistantem pro hlasovou část.

Obecný návrh, zjednodušeně: vstupy (chat, hlas, plán) → asistent (model + instrukce) → paměť a nástroje (kontext, API, prohlížeč) → ověřený výsledek (kontrola před citlivou akcí). Poslední krok je princip, ne jedna technická brána.

## Oblasti zkušeností

- Vývoj softwaru s AI agenty: rozdělení práce na implementaci, testy a review, přičemž review dělá agent, který kód nepsal; předávání kontextu přes písemné zadání a sdílená pravidla; silnější model plánuje, jednodušší úkoly jdou levnějším modelům.
- Paměť a personalizace: vytahování faktů, vybavování kontextu a konsolidace paměti s ohledem na původ faktu a odlišení ověřených informací od odhadů a zastaralých údajů.
- Integrace nástrojů: propojení modelů s API, MCP servery, webem a skutečným prohlížečem a s produktivními i domácími systémy.
- Rešerše a produktivita: souhrny s odkazy na zdroje, porovnávání produktů, sledování informací, koncepty odpovědí a navazující úkoly.
- Hlas a chytrá domácnost: experimenty s hlasovým rozhraním; jednoduché lokální příkazy zůstávají deterministické, AI dostává jen složitější dotazy.
- Evaluace a spolehlivost: porovnávání modelů a agentů podle kvality, rychlosti, nákladů a spolehlivosti; mezi experimenty patřili agenti, kteří shrnou alert a pravděpodobnou příčinu pro rozhodnutí člověka; ověřování výsledků, monitoring a obnovitelnost.

## Principy a poučení

Dávám přednost omezeným oprávněním, lidské kontrole citlivých akcí a ověření proti skutečným systémům. Pro jednoduché nebo kritické operace je často lepší deterministická automatizace.

- AI pomáhá nejvíc s neuspořádaným vstupem: čtení, shrnutí, dohledání kontextu, koncepty.
- Paměť je užitečná, jen když si drží původ faktu a to, jestli ještě platí.
- Když agent řekne „hotovo“, je to tvrzení, ne výsledek. Rozhodují testy a kontroly.