Domácí projekt / Průběžný vývoj
Stavím si parťáka pro práci s daty.
Chci asistenta, který zná kontext úkolu, má k dispozici správné nástroje a dovolí mi ověřit výsledek. Takhle vzniká moje vlastní datová AI.
Dnes jde o vývojářské pracovní prostředí nad Pi agentem. LiteLLM zajišťuje přístup k modelům. Veřejnou aplikaci pro zákazníky z toho teprve postupně skládám.
Co už je v projektu postavené
Oddělený kontext pro různé úkoly
Pracovní profily určují dostupné nástroje, pracovní složky a pravidla. Pomáhají držet jednotlivé projekty odděleně.
Model podle druhu práce
Prostředí rozlišuje vysvětlení, diagnostiku, změnu, kontrolu a monitoring. Podle režimu vybírá modelovou roli; model lze zvolit i ručně.
Hranice pro práci s nástroji
Profily omezují dostupné operace. Citlivé kroky mají schvalování a zaznamenávají se do auditní stopy. Jde o pravidla aplikace, nikoli úplnou izolaci operačního systému.
Kontrola po úpravách
Po změně projekt vyžaduje úspěšnou validaci a kontrolu rozdílů. Součástí repozitáře jsou automatické testy pravidel i testovací scénáře pro porovnání modelů.
Přehled odhadovaných nákladů
Synchronizace cen z LiteLLM připravuje metadata pro odhad nákladů v agentovi. Testovací běhy mají oddělené hodnocení správnosti, času a spotřeby.
Proč tomu věnuji tolik pozornosti
U datové práce nestačí odpověď, která dobře zní. Potřebuji mít přehled, ke kterým zdrojům se agent dostal, co mohl změnit a jak svůj výsledek zkontroloval. Proto vedle samotných modelů stavím i pravidla kolem nich.
Co teprve ověřuji
Spolehlivost na dalších datových úlohách, použitelnost mimo moje prostředí a podobu budoucí aplikace. Konfigurace konektoru sama o sobě neznamená, že má právě teď funkční přístup. Živé napojení ověřuji pro konkrétní úkol.
Stav projektu: listopad 2026. Popis vychází z implementace; dostupnost jednotlivých napojení ověřuji při práci.
Probrat datový problém