Z práce s AI, z kurzů, z DGX Sparku, z konferencí.
Každý z mých šesti AI poradců vidí jen svůj obor, jenže skoro každá důležitá otázka jich spojuje několik. Postavil jsem jim proto společnou radu: nejdřív jako formát rozhovoru, pak jako ranní poradu, která rozděluje čtyři hodiny mého dne.
Za jeden den jsem si v Claude Code založil pět AI poradců, šestého o pár dní později. Nejtěžší nebylo napsat jejich role, ale vymyslet, co si mají pamatovat, kdo to smí číst a kolik to smí stát.
Jeden konfigurační soubor, gateway běžící nonstop na DGX Sparku, lokální modely i Claude. Projdu svou konfiguraci OpenClaw po částech — modely, agenty, sandbox, kanály, skilly — a čtyři věci, které jsem se o něm naučil až v provozu.
Poznámky, které si nikdo nečte, jsou jen dražší zapomínání. V dubnu jsem to obrátil: zdroje sbírám já, wiki píše a udržuje AI. Po půl roce má skoro pět set stránek — a nejcennější jsou na tom chyby.
Stroj, na kterém mi běží lokální modely, se během jednoho večera dvakrát sám vypnul — bez chybové hlášky a bez jediného řádku v logu. Nakonec šlo o známou vadu, kterou výrobce přiznává. Zajímavější než ta vada je ale postup, kterým se k ní dá dojít, a tři pasti, které po cestě čekají na každého, kdo provozuje vlastní AI infrastrukturu.
Na TechEdu 2026 — největší Česko-Slovenské IT konferenci — mám dvě přednášky a obě jdou po stejné myšlence: posunout AI z role asistenta do role spolehlivého partnera. První je spec-driven development — jak psát specifikace, kterým AI skutečně rozumí, a jak to dnes reálně funguje s nástroji jako Google Antigravity nebo Gemini CLI s pluginem Conductor. Druhá jde opačným směrem: místo cloudu lokální agent na vlastním hardwaru (OpenClaw + DGX Spark), bez tokenových limitů a s daty, která nikam neodcházejí. Dohromady tvoří obrázek toho, kam si myslím, že AI-assisted vývoj míří v roce 2026 — a proč stojí za to tyhle dva směry zvládat oba.
Napište na jan.tamas@tamasoft.net a přidám vás do seznamu.