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.