Nástroje, po kterých sahám, a proč. Seznam je zvyk, ne hranice: pokud máte vlastní stack, přizpůsobím se.

Jazyky

TypeScript, Python, SQL, Rust

AI a jazykové modely

OpenAI, Anthropic Claude, Ollama, Qwen3, bge-m3, hybridní vyhledávání (vektory + BM25), rerankery, knowledge graph, MCP, n8n, Make

Web a aplikace

Next.js, React, NestJS, Node.js, Tailwind, shadcn/ui, Expo, Three.js

Data a infrastruktura

PostgreSQL, pgvector, Prisma, Redis, BullMQ, Turborepo, Vercel

Nástroje pro práci s AI

Claude Code, OpenAI Codex, ChatGPT

Volby, které dělám záměrně

Kód počítá, model čte

Částky, data, limity a termíny počítá kód. Model čte, třídí a navrhuje. Proto ClaimPilot v 54 dopisech nevymyslel ani jedno číslo.

Nejdřív testovací sada, potom ladění

Bez sady otázek se správnými odpověďmi nejde říct, jestli změna pomohla. Sestavím ji jako první věc v projektu.

Lokální model, jen když to dává smysl

Lokální model volím, když data nesmí ven nebo se to při objemu vyplatí. Jinak je API v regionu EU levnější a silnější.

pgvector před samostatnou vektorovou databází

Pokud už máte PostgreSQL, pgvector znamená o jeden systém méně na správu a zálohování.

Graf jen tam, kde pomáhá

V mém měření knowledge graph u běžných otázek zhoršil přesnost vyhledávání (MRR 76,1 → 54,8). Proto běží jen u otázek na vztahy mezi dokumenty.

Nevratné kroky schvaluje člověk

Odeslání e-mailu, platbu nebo změnu v systému schvaluje člověk, dokud čísla neukážou, že to agent zvládne sám.