Dílna.AI

Co jsme si řekli na prvním AI callu v dílně: nástroje, které používáme, a jak se mění řemeslo

Nejzajímavější na AI vývoji není, který model zrovna vyšel. Je to sledovat, jak si pár lidí, co dělají na volné noze, reálně zadrátovalo AI do každodenní práce – a co jim z toho vypadlo za konkrétní triky.

Praktický výběr, co se osvědčilo

Statický dashboard jako soukromý mini-SaaS. Když necháš obyčejný statický HTML dashboard běžet na lokálním Python serveru, rázem z něj je klikací appka – ukládáš, měníš, a na pozadí ji pohání AI nebo pár skriptů. Levný způsob, jak si udělat interní nástroj přesně na míru, bez toho, abys stavěl „skutečnou“ aplikaci.

Lokální modely tam, kde dávají smysl. Na plný vývoj se lokál zatím nevyplatí – velké modely potřebují brutální paměť a zmenšené varianty jsou znatelně hloupější. Kde ale lokál válí: přepisy, diktování, kategorizace, hromadné úpravy nad offline daty. Na diktování stačí lokální model napojený přes Handy a v angličtině je to zhruba jako placený nástroj – akorát zdarma. A pozor na cenu: levnější cena za token ještě neznamená levnější cenu za úkol, protože méně efektivní reasoning spálí víc tokenů.

Knowledge base, kterou si udržuje AI. Vyzkoušeli jsme přístup à la LLM wiki: necháš AI budovat interní wiki shrnutí a ona si pak čte po složkách jen to, co pro daný úkol potřebuje. Šetří to kontext a snáze se v něm hledá. Na ohraničená témata, knihy nebo přepisy je zase silný NotebookLM – nehalucinuje a umí i nahrát YouTube a přepsat ho. A kdo chce mít v tom pořádek po lidsku, sáhne po PARA (projects / areas / resources / archive): organizuješ podle toho, co zrovna řešíš, ne podle abstraktních témat. Funguje to pro člověka i pro AI.

Paralelizace, co nestojí tvůj čas. Modely jsou nedeterministické – tak toho využij. Spusť stejné zadání třikrát až pětkrát vedle sebe a vyber si nejlepší výstup. Na druhou stranu, git worktrees ti umožní rozjet víc nezávislých instancí, každou na své branchi. A když to celé běží na vzdáleném stroji v tmuxu, klidně zaklapneš notebook, odejdeš a dořídíš zbytek z mobilu.

Tohle není seznam „must-have“ nástrojů. Je to výřez toho, co komu reálně sedlo – a přesně tahle výměna je smyslem dílny.

A větší téma: kam se posouvá řemeslo

Půlka callu se stočila k jedné otázce: co s webaři, když AI zvládne stavět jednodušší weby skoro sama?

Shodli jsme se, že práce nezmizí, ale přesune se. Psaní kódu byla vždycky ta nahraditelná část. To, čím se člověk uživí, je vztah s klientem – pomoct mu vyspecifikovat zadání, říct, co dává smysl, co se rozbije, jak to pojistit do budoucna. Role se posouvá blíž k projektovému vedení a k roli parťáka, který zná technologické prostředí. Kód se komodizuje, tahle práce ne.

Padlo i pěkné přirovnání: web je jako výloha v obchodě. Ne každý ji bude potřebovat, ale kdo něco prodává a stojí za tím značka, tu výlohu chce mít – je to místo, kde se s lidmi potká jinak než přes chat.

Zajímavější je, co se děje s vyhledáváním. AI overview ukusuje organický traffic a jak se „dostat do AI“ je zatím dost nejasné – data v modelech navíc zastarávají. Chybí něco jako index pro boty, obdoba full-textových indexů, jen pro AI. Zatím to nikdo pořádně nedělá. Což je přesně ten druh mezery, kde vzniká příležitost.

A ještě jedna věc pro klid v duši: nemyslíme si, že bez modelů zůstaneme. Konkurence na trhu roste, a když jeden model vypadne, jiný naskočí. AI se stává infrastrukturou, podobně jako internet, něco, co tu prostě je.

Co jsme řešili dalšího

  • Kdy dávají smysl lokální modely vs. kdy je to zbytečná snaha šetřit tam, kde to zatím nedává smysl.
  • Cena za token vs. cena za úkol – klíčová je efektivita reasoningu, ne jen cena za token.
  • Budování knowledge base / grafů znalostí: LLM-wiki vs. Graphiti vs. NotebookLM vs. PARA – různé přístupy, každý na jiný účel (AI-friendly vs. human-friendly).
  • Kam se posouvá role webaře: od psaní kódu k práci s klientem (specifikace, best practices, SEO, kampaně). Kód se komodizuje, vztah s klientem a schopnost převést představu v produkt zůstává. Šíře práce roste (klidně i mobilní appka pro klienta).
  • Zaniká full-text SEO? AI overview bere organiku; jak se dostat „do AI“ je zatím nejasné, data v modelech zastarávají. Chybí něco jako „AI index“ místo full-textových indexů – zatím to nikdo nedělá (příležitost i otevřená otázka).
  • Regulovaní / enterprise klienti (banky, pojišťovny, státní instituce) na produkci nevajbují a vždycky si najmou vendora – práce tam nezmizí.

Přidej se

Tohle je přesně to, proč dílna vznikla: víc hlav víc ví a živá výměna zkušeností má větší dopad než další článek na netu. Potkáváme se na callu jednou za dva týdny, ladíme, co komu funguje, a mezitím řešíme věci na Slacku.

Přidat se jde zdarma – dilna.ai. Máš vlastní trik, o který by ses podělil? Tím líp, těšíme se.

Novinky a releases

  • Codex / GPT-5.6 – vyšla nová verze, hlásili ji rovnou během callu jako „dnes vyšlo“.
  • Claude Design – nový nástroj na návrh designu; několik z nás ho už zkouší nasadit do reálného workflow (od návrhu po hotový web).
  • WordPress 7 – přinesl první AI integrace. Zatím neozkoušené, spíš opatrné očekávání.
  • Matt Pocock skills v1.1 – přejmenování skillů (to-prd → to-spec, to-issues → to-tickets), vyžaduje smazat staré a nainstalovat znovu.
  • Telex od Automattic – padlo jako tip, viz odkazy.

Nástroje a tipy

Coding agenti a skilly

  • Kombinace grill-me / grilling (vyladění zadání otázka po otázce) + superpowers (TDD, red-green-refactor, worktrees, code review). Osvědčené jako celý řetězec od specifikace po implementaci.
  • Tip k feedback loopům: dát agentovi co nejvíc nástrojů na sebekontrolu – LSP server, testy a přístup do prohlížeče na vlastní end-to-end proklikání včetně edge case. Čím víc inputů, tím lepší výstup.
  • OpenRouter – „Auto“ model sám volí model podle tasku, v nastavení je posuvník kvalita vs. cena. Bonus: OpenRouter je poskytovatel infrastruktury, ne tvůrce modelů, takže menší riziko sběru dat na trénink. Cena za token je stejná jako napřímo, přirážka je z kreditu.
  • Codex volaný z Claude Code jako druhý názor / triangulace (jiný model na kontrolu).

Lokální a levnější modely

  • Dávají smysl na specializované úlohy: přepisy, diktování, kategorizace, sentiment, hromadné úpravy nad offline daty. Na plný vývoj ne – velké open-weight modely (GLM apod.) potřebují řádově TB paměti, zmenšené varianty jsou výrazně hloupější.
  • Pozor na cenu: GLM 5.2 je levnější za token, ale méně token-efektivní v reasoningu, takže cena za úkol se s velkými modely dost srovná.
  • gpt-oss (OSS modely od OpenAI, ~20 GB) – maximálně na kategorizaci a sentiment, ne na vývoj.

Přepisy a diktování

  • MacWhisper (diktování do počítače), Wispr CLI (nativní přepis na Macu), obojí funguje dobře a zdarma.
  • Handy – napojíš na lokální model; při anglickém diktování zhruba stejně rychlé a šikovné jako placený Wispr Flow, a zadarmo.
  • WhisperX – lokální přepis online callů (soukromí, i za cenu méně hezkého výstupu, když text stejně cpeš dál do AI).
  • Windows diktování hlasem (Windows H) – ozkoušené jako dobré na češtinu.

Knowledge base

  • LLM-wiki (podle Karpathyho): AI si udržuje interní wiki shrnutí, čte po složkách jen to, co pro task potřebuje – šetří kontext. Postavené jako pár skillů (ingest zdrojů, hledání…), verzované v Gitu, procházené v Obsidianu. Pozor: prochroupání velké wiki stojí dost tokenů.
  • NotebookLM – super na ohraničená témata, knihy, odborné články; nehalucinuje. Umí nahrát YouTube URL a přepsat je, umí generovat podcast ze zdrojů. Caveat: zdroje nahrané přímo se špatně stahují zpět – lepší napojit vlastní Google Drive.
  • PARA (Tiago Forte, Building a Second Brain) – organizace workspace podle projektů, ne podle témat: projects / areas / resources / archive (+ složka „mozek“). Dobře se s tím pracuje jak člověku, tak AI.

Web development

  • Bricks + klientsky editovatelné komponenty jako škálovatelný „blbuvzdorný“ admin (klient mění obsah a vybrané designové volby, nic nerozbije).
  • WordPress MCP plugin (např. WPVibe) – stavění a editace webu přes MCP z Claude Code / chatu; někteří to dávají i klientům.
  • Vlastní stack na bloky (ACF + Timber), migrace dokumentace z WordPressu na Astro (rovnou MD, snadnější hlídání a komitování).
  • TanStack Start jako doporučený JS framework pro AI-vývoj i pro ne-programátory.

Workflow a postupy

  • Statický dashboard jako „soukromý SaaS“: když necháš statický HTML dashboard běžet na lokálním Python serveru, získáš klikací appku, kde se dá ukládat a na pozadí ji pohání AI (nebo skripty). Skvělé na interní nástroje.
  • Headless dev box: Mac Mini / Mac jako vzdálený stroj, orchestrace přes tmux (sezení drží otevřená), práce i z mobilu (připojíš se k terminálu a doplníš zadání za chůze).
  • git worktrees + skill, který nahodí novou worktree (nastartuje DDEV, naklonuje DB, přehodí URL) → paralelní nezávislé instance agenta, každá na své branchi, každé okno pojmenované podle úkolu.
  • Nedeterminismus jako feature: spustit stejné zadání 3–5× paralelně a vybrat si nejlepší výstup. Nestojí to tvůj čas (běží jinde) a zvedá to kvalitu.
  • Maxování subscription: na dovolené downgrade z 20x na 5x; nechat agenta odbavovat GitHub issues jako backlog, který si založíš a pak z mobilu řekneš „odbav těch pět souvisejících v jednom PR, co nevíš, napiš do komentů“. U public repů opatrně s bezpečnostními issues.
  • Sdílení subscription mezi spolupracovníky / na sdíleném stroji (každý svůj SSH klíč, oddělené tmux servery). (Interní – ne na blog.)
  • Reddit pipeline: n8n stahuje posty z vybraných subredditů podle klíčových slov → levný model (DeepSeek) na kategorizaci nad veřejnými daty → zajímavé pošle do Slacku (~pár centů/den).
  • Scrapling (lokální Python skript) na stažení URL zdrojů, které pak pošleš AI ke zpracování.
  • Učení ne-programátora: grill-me → spec → TDD (superpowers) → deploy na Cloudflare Workers (+ Wrangler na secrets). Základ: CLAUDE.md + pár skillů. Ne-programátor si pak generuje jednorázové appky sám (např. z 5 URL produktů vygenerovat bundle → obrázek + popis → upload do WooCommerce).

Odkazy (souhrn)