Moderní stack no. 7

Všechny evals frameworky jsou tak trošku na nic. Jak je přesto využít?

Anotace: Asi jste to už slyšeli: myslíte-li to s LLM ve vaší aplikaci vážně, potřebujete evaly! Proč tedy nezačít od toho, že vyberete „nejlepší evaluační framework“? Jednak proto, že žádný jasný vítěz zatím neexistuje – a jednak proto, že k funkčním evalům potřebujete mnoho dalších předpokladů. Tato přednáška je částečně o předpokladech – observability, error analysis, grounded theory – a částečně o tom, co všechno potřebujete nad rámec existujících frameworků a proč jsou evaly, narozdíl od psaní unit testů, mnohem týmovější sport.

Když agenti spravují kód

Anotace: V AISLE stavíme autonomní systém, který zranitelnosti v kódu nejen hledá, ale i triážuje, opravuje a verifikuje – od nasazení na pull requesty až po air-gapped. Testujeme jej na nejpřísněji střežených balíčcích světa: nalezl 12 z 12 CVE v lednovém release OpenSSL, 6 z 18 CVE v nedávné release curl (včetně chyby staré přes 25 let) nebo například command injection v NASA CryptoLib. Ale jak agenty pohlídat, aby neudělali více škody než užitku? Většina hodnoty není v promptech, ale v návrhu prostředí, evaluací a guardrails. A právě o tom bych rád povídal.

Za oponou AI transformace firem: Agentní AI v praxi

Anotace: Generativní AI čeká na příkaz, tvoří text a je pasivní. Agentní AI má cíl, používá nástroje a samostatně koná. Tento posun není jen technická změna, je to zásadní proměna toho, co AI ve firmě dokáže zastoupit. V rámci přednášky si představíme, jak tento přechod od pasivních LLM k autonomním agentům vypadá v praxi a co to znamená pro architekturu moderních firemních systémů. Ukážeme si, jak pomocí metodiky 3A (Analysis-Action-Automation) postavit agentní systémy i v prostředí procesního chaosu a dat, která často leží spíše v hlavách lidí než v databázích. Podíváme se na konkrétní příklady, jak agenti samostatně konají – od automatizace obchodních workflow až po propojování roztříštěných dat na jednom místě. Vysvětlíme si, kde jsou hranice dnešních agentních systémů, jak se vyhnout nejčastějším chybám při jejich implementaci a jak nastavit ten správný mindset, aby AI přestala jen odpovídat a začala skutečně doručovat výsledky.

AI Devopsák

Anotace: Jak nasadit LLM modelu „devopsácký“ klobouk, tak aby to k něčemu bylo a zároveň nesmazalo produkci.

Agent může řešit rutinní práci, reagovat na alerty, hned potom, jakmile pozná, které stojí za to a které ignorovat, stejně jako člověk. A některé z nich vyřešit, nebo mimimálně navrhnout jak.

A taky může odlehčit backlogu s úkoly. Ukážu jak agentovi práci naservírovat, kde si ji může brát, zpracovat a jak mi předává výsledek.

Advanced AI-Driven Search

Anotace: How can you elevate AI search beyond traditional RAG? While standard architectures using hybrid search and reranking are a great starting point, staying ahead of the competition requires digging deeper. This lecture explores production-ready information retrieval techniques designed to move your solution to the next level. We will cover advanced approaches including learned sparse retrieval, metadata-aware search, multi-vector search, and more.

Přestaňte psát Playwright testy: nechte je generovat AI

Anotace: Ruku na srdce: end-to-end testy chce mít každý, ale psát je nechce nikdo. Tak co je nechat na AI? Ať si aplikaci prokliká sama, napíše k ní Playwright testy a spraví je, když se rozbijou.

Ukážu, jak na to jdou dnešní AI agenti, s nejnovějšími nástroji od Playwright týmu (agentní CLI a instalovatelné Skills) a s Claude Code. A uvidíte to naživo: jak agent proleze aplikaci, vygeneruje testy v reálném prohlížeči a opraví je, když se změní UI.

Odejdete s praktickou představou, jak testování s AI funguje, kde vás mile překvapí a kde se pořád neobejdete bez vlastní hlavy. Demo bude součástí!

No Integration, No AI: agentic mesh jako produkční vrstva nad firemní prací

Anotace: Budoucnost AI je v integracích. Propojování dat do kontextů, ale i propojování lidí s agenty. Tak může ve firmách vznikat agentic mesh: síť, ve které lidé a agenti spolupracují nad různými úkoly. Důležité není, jestli je první agent jednoduchý nebo složitý. Důležité je, že všichni tito aktéři mají vlastní identitu, oprávnění, inbox, úkoly, stav, auditní stopu, komunikační kanály a možnost předávat si práci.

Firmy dnes často poptávají „jedno AI řešení“: chatbota, asistenta, agenta nebo automatizaci nad jedním procesem. Jenže jedno řešení samo o sobě nikoho nespasí. Skutečná hodnota AI ale není v tom, že postavíte izolované demo. Vzniká až ve chvíli,kdy začnete koncepčně budovat vrstvu, do které se dají postupně připojovat lidé, agenti, data i firemní know-how.

Cílem přednášky je ukázat firemní architekturu budoucnosti. Je to pohled na to, jak se z jednotlivých AI experimentů může stát produkční agentní síť: univerzální integrační vrstva, kde lidé a agenti sdílejí práci, automatizují její části, zlepšují data za provozu a postupně vytvářejí základ pro další AI use-casy.