Čím dál větší část vývoje dnes dělám s pomocí AI agentů. Už nejde jen o doplnění jedné metody nebo vysvětlení kusu kódu. Agent dokáže projít větší část codebase, navrhnout změnu, upravit několik souborů, spustit testy a část práce sám ověřit.
S tím se ale mění i to, co od dobře připraveného projektu očekávám.
U malého úkolu často stačí dobré zadání. U větší aplikace už agent potřebuje pochopit, jak se v projektu věci dělají, kde hledat důležitý kontext a podle čeho poznat, že je změna opravdu hotová.
V reálném projektu navíc skoro vždy existují kompromisy, historická rozhodnutí a technický dluh, které ze samotného kódu nemusí být na první pohled pochopitelné. Bez tohoto kontextu může agent vytvořit řešení, které je technicky čisté, ale pro konkrétní systém špatně.
Proto dnes přípravu projektu na AI agenty nevnímám hlavně jako práci s promptem.
Připravit projekt pro AI agenty podle mě znamená vytvořit prostředí, ve kterém agent dokáže najít správný kontext, udělat změnu, ověřit ji a poznat, kdy si naopak není jistý.
K podobnému závěru došlo i OpenAI při vývoji projektu postaveného primárně pomocí Codexu. Hlavní práce vývojářů se postupně přesunula od samotného psaní kódu k návrhu prostředí, zadávání záměru a budování feedback loopů, ve kterých může agent pracovat spolehlivě. OpenAI
Začal bych kontextem, ne AGENTS.md
První instinkt bývá vytvořit AGENTS.md, CLAUDE.md nebo podobný soubor a začít do něj zapisovat všechno, co by agent mohl někdy potřebovat.
Mně se víc osvědčuje začít o krok dřív.
Nejdřív si ujasnit, co musí člověk nebo agent o projektu pochopit, aby v něm mohl dělat dobrá rozhodnutí.
Typicky jde o pár základních věcí:
- kde žije business logika a jak vypadají hlavní flow,
- které části systému jsou citlivé nebo rizikové,
- kde jsou zdroje pravdy,
- jaké conventions projekt používá,
- které historické kompromisy nebo vazby nejsou z kódu zřejmé.
Až potom řeším, jak tyto informace agentovi zpřístupnit.
Anthropic tomu říká context engineering. Důležitá není jen formulace promptu, ale celá množina informací, nástrojů a historie, které má model v danou chvíli k dispozici. Zároveň doporučuje hledat co nejmenší množství vysoce relevantního kontextu místo snahy nacpat do promptu úplně všechno. Anthropic
To je podle mě důležitá pointa.
Cílem není dát agentovi co nejvíc kontextu. Cílem je, aby dokázal najít ten správný.
AGENTS.md má být spíš mapa než manuál
Tady jsem postupem času svůj přístup změnil asi nejvíc.
Globální instrukce bych dnes nepoužíval jako dokumentaci celé aplikace. Jakmile se z AGENTS.md nebo CLAUDE.md stane několikastránkový manuál, začne být těžké rozlišit, co je pro konkrétní úkol opravdu důležité.
OpenAI popisuje stejnou zkušenost. Jeden velký AGENTS.md se jim neosvědčil, protože zabíral kontext, rychle zastarával a agent v něm obtížně rozlišoval důležité informace. Místo toho používají krátký soubor jako rozcestník k hlubší dokumentaci přímo v repository. OpenAI
Anthropic u CLAUDE.md doporučuje podobně stručný a lidsky čitelný obsah: důležité příkazy, klíčové soubory, styl, testování, workflow a nestandardní chování projektu. Anthropic
Přesně tak mi to dává smysl i v praxi.
Do globálních instrukcí patří hlavně věci, které agent potřebuje znát skoro vždy. Například jak projekt spustit, kde hledat dokumentaci, jak se ověřuje změna nebo která místa vyžadují větší opatrnost.
Detailní znalost billingu, objednávek nebo konkrétní integrace bych držel blíž dané části systému.
Codex ostatně umí AGENTS.md načítat hierarchicky podle adresáře a konkrétnější pravidla doplňovat nad obecnými. OpenAI Developers
Globální instrukce by podle mě měly agentovi říct, jak se v projektu orientovat. Neměly by se snažit celý projekt nahradit.
Dobré instrukce popisují váš projekt, ne obecné best practices
Do instrukcí bych se snažil zapisovat hlavně věci, které model bez znalosti konkrétního projektu nemůže vědět.
Například že pricing se vždy počítá přes konkrétní službu. Že billing nebo autentizace se bez širšího review nemění. Že legacy část mimo rozsah úkolu se nerefactoruje jen proto, že by šla napsat čistěji.
Naopak instrukce typu „piš čistý kód“, „dodržuj SOLID“ nebo legendární „make no mistakes“ většinou velkou hodnotu nepřidají.
Model tyhle obecné principy zná.
Mnohem důležitější je vysvětlit mu, jak se dobré rozhodnutí pozná právě v tomhle projektu.
Osvědčilo se mi také instrukce nevymýšlet dopředu do nekonečna. Pokud agent dvakrát udělá stejný typ chyby, je to dobrý kandidát na nové pravidlo. Pokud pravidlo měsíce nepřináší žádnou hodnotu, možná v instrukcích vůbec být nemusí.
Tím se z nich postupně stává zachycená zkušenost s konkrétní codebase, ne obecný manifest softwarového vývoje.
Projekt potřebuje jasné zdroje pravdy
Další věc, kterou považuju za zásadní, je mít jasno v tom, kde má agent hledat správnou odpověď.
Business kontext může být v dokumentaci. Skutečné chování aplikace ukazuje kód a relevantní testy. Databázové schéma je lepší generovat z databáze než ho ručně přepisovat do dokumentace. Chování externího API by měl agent ověřovat v aktuální dokumentaci pro konkrétní verzi.
Nechtěl bych, aby důležité informace odhadoval jen z obecných znalostí modelu.
OpenAI ve svém agent-first projektu právě proto udělalo z repository systém záznamu. Vedle kódu v něm drží architekturu, design dokumenty, product specs, plány, technický dluh i generované databázové schéma. OpenAI
Tohle mi připadá jako dobrý princip i pro mnohem menší projekty.
Neznamená to vytvořit obrovskou dokumentaci. Spíš zajistit, aby důležité informace nebyly pouze ve starém Slacku, uzavřeném ticketu nebo hlavě člověka, který projekt zná deset let.
Z dokumentace mě přitom nejvíc zajímá to, co z kódu jednoduše nepoznám: proč bylo něco udělané právě takhle, jaké trade-offy za tím stojí a na co je potřeba při změně myslet.
Agent musí umět svoji práci ověřit
Dobrý kontext nestačí, pokud agent po změně nemá způsob, jak zjistit, jestli něco nerozbil.
Tohle je podle mě jeden z největších rozdílů mezi „AI mi napsala kód“ a skutečným agentním vývojem.
Agent by podle typu úkolu měl vědět, co má po sobě spustit. Relevantní testy, statickou analýzu, lint, build, integrační scénář nebo třeba kontrolu výsledku v prohlížeči.
Nemusí vždy spustit úplně všechno. Potřebuje ale jasnou cestu, jak získat zpětnou vazbu.
Anthropic u Claude Code popisuje jako běžný pattern práci, při které agent nejdřív prozkoumá problém, následně implementuje změnu a potom ji ověří pomocí dostupných nástrojů. CLAUDE.md zároveň doporučuje používat i pro konkrétní instrukce, co se má po změnách testovat. Anthropic
OpenAI jde ve své zkušenosti ještě dál: právě nástroje, kontroly a feedback loopy označuje za jednu z klíčových částí prostředí, které umožňuje agentům pracovat autonomněji. OpenAI
Za důležité považuju i to, aby agent na konci přiznal, co neověřil.
Pokud například neměl přístup k externí službě nebo nešlo spustit integrační testy, je to důležitá informace pro review. Ne detail, který má zmizet v poslední větě odpovědi.
Čím lepší zpětnou vazbu projekt poskytuje, tím méně musí agent spoléhat na vlastní odhad.
Čím větší autonomie, tím důležitější mantinely
S rostoucími schopnostmi agentů je podle mě potřeba oddělit dvě věci: co agent technicky umí a co mu skutečně chceme dovolit.
Pokud pouze čte repository a připravuje diff, případná chyba má omezený dopad.
Jakmile může spouštět příkazy, měnit databázi, pracovat s cloudem nebo zasahovat do produkce, riziko se mění.
Proto mi dává smysl dávat agentům co největší svobodu uvnitř jasně definovaných hranic. Vývojové prostředí ano. Produkční databáze s plným write přístupem kvůli úpravě formuláře pravděpodobně ne.
Stejný princip je vidět i u nástrojů samotných. Claude Code například pracuje s explicitně spravovanými oprávněními k nástrojům a Anthropic zdůrazňuje konzervativní výchozí nastavení pro operace, které mění systém. Anthropic
Tady podle mě neexistuje jedno univerzální nastavení. Záleží na projektu, prostředí a dopadu případné chyby.
Princip je ale jednoduchý: autonomie funguje nejlépe tam, kde agent nemusí čekat na člověka u každého kroku, ale zároveň nemůže jednou špatnou akcí způsobit nepřiměřeně velký problém.
Projekt se na AI agenty nepřipraví jednou
Nečekal bych, že člověk jednou napíše perfektní AGENTS.md, nastaví MCP a tím je hotovo.
Projekt se mění a s ním by se mělo měnit i prostředí kolem agenta.
Pokud agent opakovaně špatně pochopí stejné flow, možná není problém v promptu, ale v tom, že flow není nikde rozumně popsané.
Pokud pravidelně umisťuje business logiku na špatné místo, možná není convention dostatečně jasná.
Pokud změnu nedokáže sám ověřit, projektu možná chybí test, nástroj nebo cesta, kterou by mohl použít.
Tohle je pro mě na agentním vývoji docela zajímavé.
Chyby agenta často fungují jako zpětná vazba na samotný projekt.
Ukazují místa, kde je kontext nejasný, pravidla nejsou konzistentní nebo znalost systému existuje jen v hlavách lidí.
Když se tyhle zkušenosti vracejí zpátky do dokumentace, nástrojů a struktury repository, začne se postupně zlepšovat nejen práce agenta, ale často i práce vývojářů.
Závěr
Připravit projekt na AI agenty podle mě neznamená napsat co nejlepší prompt nebo co nejdelší AGENTS.md.
Důležitější je vytvořit prostředí, ve kterém se agent dokáže orientovat.
Potřebuje vědět, kde hledat správný kontext, jak se v projektu podobné věci řeší, co je zdrojem pravdy a jak si vlastní změnu ověřit. S rostoucí autonomií navíc musí být jasné, kam až může zasahovat.
Čím větší část vývoje chceme agentům svěřit, tím méně prostoru by podle mě mělo zůstávat pro hádání a domýšlení.
A možná je na tom nejlepší to, že většina těchto věcí není dobrá jen pro AI.
Projekt, ve kterém se dobře orientuje agent, bývá většinou lépe připravený i pro dalšího vývojáře.
Pokud vás zajímá i opačná strana problému, tedy co se stane, když se při rychlém vývoji začne ztrácet konzistence a kontext, věnuju se tomu v článku Technický dluh v době AI agentů.
A pokud potřebujete zjistit, v jakém stavu je už existující aplikace a jestli se na ní dá bezpečně stavět dál, řeším to v rámci technického auditu webové aplikace.