Máte pocit, že navrhnout vlastní AI systém je tak složité, že vás přepadne rozhodovací paralýza? V tomhle díle se společně zamyslíme nad tím, proč nemá smysl honit se hned za obřím cílem a proč je iterativní, postupný přístup tou nejlepší cestou. Probereme i to, jak nepodlehnout FOMO z LinkedInu, kde má každý "stovky agentů".

Znáte to – před sebou máte velký úkol a začít je to nejtěžší ze všeho. V tomhle krátkém díle se podělím o svůj systém, jak jsem díky AI konečně překonal problém prázdné stránky: od vlastní knowledge base jako výchozího místa, přes diktování místo strukturovaných promptů, až po práci s paralelními workspace. Žádná teorie, jen postup, který mi reálně funguje.

Proč benchmarky neříkají celou pravdu o AI modelech a co skutečně rozhoduje o jejich kvalitě v reálném použití? V této epizodě se zamyslíme nad tím, jakou roli hraje tzv. agentic harness, proč stejný model dává v Claude Code, Cursoru nebo Antigravity jiné výsledky a jak vaše osobní návyky a očekávání ovlivňují, co z modelu vymáčknete.

Podíváme na to, jak ve skutečnosti funguje paměť AI agentů – a proč ji samotné AI modely vlastně vůbec nemají. Ukážu vám, jak si agenti pomáhají externími textovými soubory a frameworky jako Mem0, Letta nebo Zep, jak si svůj setup řeším přes Notion a Markdown, a co přináší novinky typu Anthropic Dreaming nebo Continuous Learning.

Často slýchám, že AI agenti nedávají dobré výsledky a "nefungují". Ale co když je problém v tom, že k nim přistupujeme úplně jinak než k lidským kolegům? V této epizodě se společně zamyslíme nad paralelou mezi AI agenty a novými kolegy v týmu – a proč i ti potřebují kontext, nástroje a hlavně trpělivost.

Co se stane, když ráno přijdete do práce a vaše AI nefunguje? V tomhle díle se společně zamyslíme nad naší závislostí na umělé inteligenci – jestli je to opravdu problém, nebo jen daň za benefity, které nám AI přináší. Probereme, jak si workflow udělat odolnější pomocí redundance modelů, lokálního ukládání kontextu i výhledu na lokální AI modely budoucnosti.

Kontext je to, co dělá rozdíl mezi průměrnou a skvělou odpovědí od AI. Společně se podíváme na to, jak jazykové modely pracují s pamětí, proč je důležité být tool agnostik a jak si vybudovat vlastní knowledge base, která vám bude sloužit napříč nástroji.

Každý den vychází desítky AI novinek, nových nástrojů a funkcí. Jak v tom neutopit svůj čas a workflow? Sdílím své osvědčené přístupy — od filtrování novinek přes OpenClaw a Discord, přes testování v sandboxu, až po tool agnostic přístup, který vás ochrání před neustálým přeskakováním mezi nástroji.

Vezmu vás na prohlídku svého aktuálního AI setupu. Od hlavního pilíře, kterým je Claude (včetně Max plánu za $200), přes lokální agenty v OpenClaw až po specifické nástroje pro vývoj, rešerše a automatizaci každodenních úkolů. Zjistíte, jak propojuji AI s prací i osobním životem, abych byl maximálně efektivní.

AI slibuje efektivitu a ušetřený čas, ale realita je jiná – díky ní děláme víc věcí než kdy předtím a neustále přepínáme kontext mezi agenty a projekty. Otevřeně mluvím o FOMO, mentální zátěži z rozhodování a ztrátě flow stavu. Plus konkrétní strategie, jak s tím bojuju – od proaktivních agentů po konsolidaci kontextu v Notionu.