Články o AI agentech a práci s AI.
Novinky a rozbory pro lidi, kteří chtějí rozumět tomu, co se v AI mění a jaký to má dopad na práci.
Když testovacího agenta pustíš k reálným systémům, už to není jen test
Bezpečnostní test agenta se může stát provozním rizikem, pokud má model nástroje, přístup ven a slabě oddělené prostředí.
AI rozpočet potřebuje pravidla stejně jako cloud
AI náklady se začínají chovat jako cloudové náklady: bez pravidel pro modely, role a lidskou kontrolu rychle přerostou měřitelný přínos.
Model pro vývojáře už nestačí zkoušet jedním zadáním
Modely pro vývojáře se začínají hodnotit podle dlouhých agentských běhů přes nástroje, repozitář a kontrolu změn. Muse Spark 1.2 ukazuje, proč vedle výkonu řešit i cenu a pravidla pro data.
Agent nemá jen tvořit aplikaci. Musí ji umět sám zkontrolovat
Agenti pro interní aplikace potřebují vlastní kontrolní smyčku: otevřít výsledek, ověřit základní chování a předat člověku konkrétní chyby.
Agenti potřebují životní cyklus, ne jen lepší zadání
Agentský vývoj naráží na nové úzké hrdlo: kontrolu, nasazení a provozní dohled. Praktický rámec pomáhá určit, co smí agent dělat sám a kde musí rozhodnout člověk.
Datový agent potřebuje víc než přístup k tabulkám
Datový agent umí zrychlit samoobslužnou analytiku jen tehdy, když má jasné metriky, důvěryhodné zdroje, kontext a lidskou kontrolu.
Bezstavové MCP vrací do hry bezpečnější nástroje pro pracovní agenty
Bezstavové MCP 2.0 zjednodušuje připojování nástrojů k AI agentům a nabízí praktičtější cestu než široký přístup k příkazovému prostředí a internetu.
Méně promptu, lepší nástroje: agenti potřebují štíhlejší kontext
Deep Agents v0.7 ukazuje praktický posun v návrhu agentů: méně dlouhých promptů, přesnější schémata nástrojů a ověřování změn na evaluační sadě.
Agentní dovednosti patří do spravované vrstvy, ne do každé aplikace zvlášť
Agentní dovednosti načítané přes MCP server ukazují, jak spravovat firemní postupy pro více AI agentů bez ručního kopírování do každé aplikace.