Knowledge base

Filip: i když smažeš soubor, tak on ho jakoby nesmaže.

Jindřich: zkrátka back to the roots, složka a

Filip: No.

Jindřich: pár dokumentů.

Filip: založte si složku, začněte tam sypat data.

Jindřich: Tak už vidíme, kde je pravda najednou. Aha, takže dashboardy potřebuješ.

Filip: když tam pustíš agenta, on tak trošku se zblázní a něco ti promaže,

Jindřich: My tady často zmiňujeme, eh, termín knowledge base. to je, jak s tím pracujeme a tak dále. O tom už jsme se bavili několikrát. Pojďme se ale do toho trošku dneska víc pono-ponořit a pojďme si dát několik pratik-praktických tipů. si říct to, co nám funguje, jak to ve skutečnosti používáme, jak jsme obecně začali tu knowledge base používat, stejně tak, abyste to mohli začít používat i vy. Čau Filipe, rád tě zas vidím a těším se, až nasdílíš i tvoje zkušenosti s knowledge base, protože jich máš hodně.

Filip: Indro, zdravím tebe, zdravím naše diváky a nápodobně. Těším se taky na tvoje zkušenosti hlavně z firemního prostředí, jak to řešíte, protože ty už jsi v průběhu dílů to několikrát zmiňoval. No a taky jak jsi říkal, ta dnešní motivace je to projít kvůli tomu, že my jsme ty různý tipy a triky vlastně v různejch epizodách tak nějak jako dávali. Takže možná někdy se budem opakovat, ale vlastně jsme si říkali, že bude fajn to dát hezky na jedno místo, aby to bylo prostě pokupě. No a když začnem takovým jako refresherem nebo spíš jako vlastně jako vyjasněním toho pojmu Knowledge base. Co to vlastně je? To nemusí bejt jenom jako nějaká složka nebo něco, v jejíž kontextu se o tom jako často mluví, ale je to obecně to, že vy jako shromažďujete nějaký data a tvoříte prostě bázi nějakejch znalostí. To znamená, někam to ukládáte a nějak to třeba zpracováváte. Doplnil bys tu definici nějak?

Jindřich: Eh, já si myslím, že v tom jako není vůbec žádná magie, jo. Opravdu, byť my to teď poslední dobou jako nazýváme knowledge base, protože je to samozřejmě nějakej termín, kterej přišel teď jako s tou agentic érou a i s tím AIčkem. Ale ve skutečnosti my jsme todleto vždycky měli ještě dávno, že jo, před samotnou jako érou jako umělé

Filip: No jasně

Jindřich: My jsme všichni na počítači měli ty složky, kde jsi měl třeba ty dokumenty. Já si třeba vzpomínám jak na střední škole, tak na vysoký škole, tak jsem vlastně měl složku, kde já jsem měl spoustu různejch jako přednášek. Měl jsem tam, eh, různý jako PDFka, že jo, spoustu různejch projektů a spoustu různejch jako materiálů a skript, který mně posílali další kolegové a starší studenti a podobně. todleto není nic jinýho. Jenom ten jedinej rozdíl tam je, že já ty data mám a pomáhá mi je zpracovat ta umělá inteligence a ty agenti. K čemu se samozřejmě dostanem. Ale zkrátka pojďme si to trošku zjednodušit a knowledge base není nic jinýho než vlastně informace, ať už jsou jakýkoliv, kdekoliv

Filip: To si myslím, že jsi popsal jako fakt krásně. Fakt to není nic specifickýho pro AI a stejně jako jsme to organizovali pro sebe, že jo, protože jako spousta technik, který se tam pak řešej, tak by člověk řešil i v tý složce, jako že se v ní třeba musí vyznat. To stejný platí i pro toho agenta. Nicméně pojďme si ještě jako vlastně říct, proč dává smysl tu Knowledge Base řešit. Protože ne třeba to každýmu musí bejt hnedka jasný, protože mám toho chata, můžu mu tam nahrát ty jako soubory, když potřebuju a on je vyhodnotí. Ale zkrátka u tý Knowledge Base, tak ta výhoda je, že ten agent si po těch souborech sáhne jako kdykoliv on potřebuje. To znamená, že jako nemusí mít to nahraný v tom jeho kontextovým okně, což je ten limit, kterej on je schopnej zpracovat. No a zároveň tím pádem, že vlastně jako to tam si může sáhnout po tom, co potřebuje, tak těch informací tam jako zákonitě může bejt jako násobně, násobně víc, vlastně neomezeně. Nemusí to bejt jako vůbec závislý na velikosti toho kontextovýho okna.

Jindřich: Tady si myslím, že trošku jako ten rozdíl oproti tomu, jak jsme to třeba měli dřív, když to trošičku jako přirovnám k tý jako vysoký škole, tak já jsem tam měl jenom vlastně ty materiály na ty předměty, na ty zkoušky, na který jsem se připravoval a já jsem jako věděl, co to je za, eh, předměty. Já jsem věděl, co studuju za školu a podobně, že jo. tady ten agent mnohdy potřebuje jako trošku širší kontext, a proto je dobrý mu tam dát ty informace samozřejmě víc. Takže já si to řešil dnes, eh, pro tu, pro to moje studium jako na vysoký škole, tak si tam postahu informace o tý škole, postahu si informace, jaký mají všechny předměty, kdo tam vyučuje, eh, nevím, co ty lidi mají za sebou, co zkoušej třeba a tak dál a tak dál. Ale vlastně čím víc informací já tam budu mít, budu to mít obohacený o tenhleten kontext, tak tím snadnějc potom s tím o-vůbec ten agent bude pracovat. A to je ten rozdíl, že jo, oproti tomu, když bych to měl jenom pro sebe před těma x lety. Tam jsem měl jenom ty dokumenty a vlastně jsem nepotřeboval ten kontext okolo, kterej já jsem měl v hlavě, ale ten agent ho v hlavě nemá.

Filip: Když už mluvíš o tom kontextu, tak to je vlastně to, co si myslím, že dneska je ta alfa omega, proč někdo dostává super výsledky z AI a někdo dostává takový ty průměrný obecný. Protože ty modely dneska tak jsou jako výkonově dost podobný mezi společnostma OpenAI, Anthropic, Google. Jasně, jsou tam nějaký nuance, ale jako výkonově jsou si dosti podobný. A pak vlastně co nám zbývá, jak ty modely jako stočit k tomu výsledku a tím pádem zlepšit ten výsledek, tak jediný, co my jako uživatelé můžem ovlivnit, je to kontextový okno. Jediný s hvězdičkou. Samozřejmě můžete si vybrat nějakou agentic harness, ale to nechme stranou. Ale jako to, co dokážeme nejvíc ovlivnit, je to kontextový okno, ergo kontext. No a jak jinak nejlíp posbírat ten kontext než právě z tý knowledge base. A když ho mám co nejvíc a relevantní a ještě třeba předzpracovanej, tak to tomu agentovi dokáže jako pomoct.

Jindřich: A zjednodušeně řečeno, pokud by se někdo ptal, jestli, eh, má smysl tu knowledge base řešit, má. V dnešní době má jako obrovskou, eh, smysl řešit. jak jsi jako skvěle, eh, vlastně nastínil, tak to si myslím, že to jako krásně reprezentuje celou tu naši myšlenku. Když tu knowledge base máš a ten kontext máš, tak dokážeš dostat jako mnohem lepší výsledky a jako významně větší. Což vlastně chceš, že jo. Jako to by mělo bejt i tím cílem jako každýho z nás, aby při práci s tím AIčkem, s umělou inteligencí, s umělou inteligencí zkrátka měl ty výstupy co možná nejpřesnější

Filip: Hlavně ušitý tobě na míru nebo tý firmě, že jo? To je, to je taky podstatný. Pojďme možná začít úplně od píky. Jaký jsou jako formy Knowledge base, respektive takový stupínky, když prostě jsem člověk, kterej používá ChatGPT, jenom si s ním povídám, sem tam mu tam nahraju soubor do chatu, tak kde začít? Tak za mě ten jako ta úroveň nula tak je začít používat projekty v Cloudovi, v ChatGPT. Myslím, že Gemini má taky něco jako projekty. Projekt není nic jinýho než jako sdružení více chatů dohromady a s možností si tam nahrát nějaký vlastní instrukce a nahrát tam nějaký soubory, ve kterejch pak ten asistent dokáže vyhledávat, dokáže s nima vlastně jakoby pracovat a má to jako spoustu nevýhod, ale za mě je to jako super odrazovej můstek. Pokud jako nepoužíváte vůbec nic, tak začít tady u těch projektů, protože je to vlastně i technicky nejjednodušší. Jenom si tam prostě začnete dát ten chat, dáte instrukce a nahrajete soubory a prakticky je to připravený

Jindřich: Já bych řekl opravdu, že tohleto ti dá i těch jako devadesát procent hodnoty. Takže já bych se opravdu nebál říct, že prostě začněte takhle, protože t-t-ta ta knowledge base potom, když už ji máš, tak je vlastně velmi snadno, eh, přenositelná, že jo. co je vlastně ještě super, tak ono to není zas tak dlouho, byť teď už možná v tom našem kontextu můžeme říct, že je to dlouho. Tak když přišel Anthropic s tím, že sloučil asi ten cowork a chat, že jo, jako do jedněch

Filip: Mhm.

Jindřich: což vlastně ještě relativně jako nedávno nebylo, že jo, tam to bylo, eh, vlastně oddělený a teď je vlastně super, že ty můžeš tyhle ty oba nástroje používat nad tou jednou knowledge basí, nebo ať tomu říkáme knowledge base, nebo ať tomu říkáme kontext. Tak zkrátka máš nějaký jedno místo, kde jsou veškerý ty tvoje informace a ať už si vybereš cowork nebo ať už si vybereš chat, tak, eh, zkrátka to pracuje s tím stejným kontextem

Filip: Ta nevýhoda, která jako přichází s tímhle, byť to je těch posledních třeba těch deset procent, jako to si myslím, že vys-vystihl jako skvěle, že jako fakt na devadesát procent muziky vám to pomůže. Tak ale jako přichází ve dvou věcech. Zaprvý jako vendor lock-in. To znamená, že jako ten projekt prostě, když budu mít všechny data v projektu v ChatGPT a najednou se rozhodnu, že dneska ChatGPT má výpadek a chci použít Clouda, tak to prostě neudělám. Jsem jako zamčenej v těch jejich projektech a nemůžu jako odejít. Tak to je jako první věc. A pak druhá věc je, že jsem jako limitovanej tím, že se mi tam pak hůř pouštěj ty agenti, který uměj běžet u mě na počítači. Ono se to snažej teďka právě Claude, že jo, umožnil tam dát ten коворк, takže oni se to snažej jako slučovat, ale je to takový jako krkolomnější a jseš prostě jako odkázanej, eh, na tu firmu nebo respektive jakoby na to, jak oni navrhli ten jejich software. No a ten jako krok dva, vlastně jak z tohodle ven, tak je jako extrémně jednoduchej. Místo toho, že použiješ ty projekty, který jsou vlastně jako v rámci toho nástroje, tak použiješ lokální složku a tomu agentovi do ní dáš přístup, aby on tam mohl data číst a mohl tam zapisovat. A můžeš se k tomu chovat úplně stejně.

Jindřich: no já si myslím, že to ve skutečnosti takový jako vendor lock-in není, že jo. Protože třeba když to zase vztáhnu na toho jako Clouda, vlastně cowork vlastně taky není nic jinýho než jako lokální složka, že jo. A tím, že i on má jako přístup případně jako k těm tvým chatům, tak ty mu potom můžeš říct, ať jako vydestiluje ty chaty a ať ti z toho vytvoří knowledge base v tý tvý složce toho stejnýho projektu, že jo. Takže jakmile ty máš jakoby tu složku nebo máš jakoby ten, ten destilát toho, co třeba ty řešíš, tak pak už jako ta přenositelnost ta je jakoby v dnešní době už si myslím dost snadná

Filip: To je, to je vlastně jako fair point, ale, mm, ok, jakoby utečeš z toho nástroje, to, to máš pravdu. To asi nebylo úplně přesný, jak jsem to řekl, ale nemůžeš používat třeba dva nástroje jako najednou, že jo, s těma jejich cloudovýma projektama. Jako musel by sis to vždycky jako přenést a chápeš, je tam ta komplikace tady toho. Kdežto když máš tu lokální složku, tak já třeba často používám Clauda i Codexa jako zároveň a tím pádem mám jednu knowledge base, do který směřujou vlastně jako jakýkoliv, eh, agent, který umí pracovat lokálně.

Jindřich: No jasně, ale furt to je nějaká jako lokální složka na tom tvým počítači a tuhletu lokální složku můžeš mít, že jo, i v tom, Covorku.

Filip: Jo, ale to je možná jakoby, to je totiž novinka, že jo. Oni totiž mimochodem ChatGPT to pojmenovali strašně nešťastně, že ty máš projekty, který jsou jakoby cloudový a to jsou ty původní projekty, kde ty jsi nahrával ty soubory vlastně jako k nim a, a úplně stejně teďka pojmenovali jako projekty to, že máš tu lokální složku v tom work modu a stejně to udělali Glo. Takže tady je to takový matoucí. L nula já jsem myslel vyloženě, že to nahráváš do toho cloudu, to znamená jako nahráváš to přes ten chat a máš to jako u tý daný firmy. Pak je ta lokální složka, ať už v Cloud Codu, v Coworku, v ChatGPT Work Codexu, whatever. To je za mě pak ten jakoby delší step

Jindřich: Eh, co se pak samozřejmě nabízí nebo kam si tím asi chtěl jako, eh, iterovat, tak se nabízí nějaký zálohování, že jo, jako týhletý prakticky konkrétní složky. A nám minimálně určitě bude jít jako celá řada jako jinejch přístupů, ale minimálně třeba co i používáme my, že jo, v rámci tady jako Deep Link Show, tak používáme Git. On jasně je to trošku možná techničtější, je to jako vývojářskej nástroj, prakticky máš tam jako tu historii změn, že jo. Což vlastně obecně Git je nástroj jako na uchovávání historie změn, že jo. A vlastně do jistý míry i textu, protože byť byl navržený jako pro zachovávání jako kódu, tak kód vlastně není tolik od-- o-o, tolik odlišnej od toho vlastně samotnýho textu, že jo. Takže když já mám tu Knowledge Base plnou nějakejch jako markdown filů, nevím, CSV souborů a, eh, dalších jako textovejch dokumentů, tak můžu skvěle využít Git přesně pro tohleto verzování. Takže když se cokoliv pokazí, tak já se vlastně mážu, můžu vrátit i tam, kde jsem byl, kde mi to vyhovovalo, než, eh, jsem tam začal třeba s tím experimentovat.

Filip: Přesně tak, protože ty tu knowledge base, tu složku, že jo, ty těch možností zas tolik nemáš, že jo? Ty můžeš ji mít u sebe a kopírovat si nebo dělat si zálohy ručně, to je tak jako otrava. Potom můžeš používat nějakej jako Google Disk, Microsoft OneDrive, něco takovýho. Tam nějaký třeba historie jsou, ale je to prostě krkolomný. No a pak právě přichází ten Git a je vlastně jako strašně krásný, jak ten problém už byl vyřešenej, byť ne úplně jako pro míň technický uživatele, ale byl jako vlastně principiálně vyřešenej. Protože jako Git vznikl proto, že programátoři si navzájem šahali jako do práce, takže vznikly větve. Ergo můžeš používat paralelní agenty, který si taky můžou šahat do práce. Byl navrženej, aby každej mohl pracovat zvlášť a pak se ty změny dokázaly sloučit dohromady. Zase super, to přesně s agentama potřebuješ. Máš tam tu historii přesně jak jsi říkal, takže se kdykoliv můžeš vrátit a zároveň to možná jako souvisí to s tou historií, ale jenom to chci podtrhnout, že jako Git, i když smažeš soubor, tak on ho jakoby nesmaže. To znamená, on jenom udělá záznam o tom, že došlo k jeho smazání, ale jakmile už jednou v tom Gitu byl, to znamená, byl označenej v tom takzvaném commitu, v tom snímku tý historie, v tom vždycky říkám, je to save ve hře. Takže jakmile sis udělal jednou ten save, tak už o ten, eh, ten soubor nikdy nepřijdeš. Takže ti to dává i klid na duši, že když tam pustíš agenta, on tak trošku se zblázní a něco ti promaže, no tak ty jenom řekneš: „V pohodě, vrať se do předchozího kroku, tam ten soubor je.“

Jindřich: je vlastně jako trošku advanced, že jo? Pokud bychom se měli vrátit jako víc k těm jako dostupnej základům, tak je opravdu tu lokální složku, co já můžu mít pro to, aby jak jsi zmiňoval, bych to mohl používat jako s různejma agentama, s různým, eh, softwarem, s různým toho ajčka, eh, tak já ji můžu mít vlastně lokálně. A když mám nainstalovanej jako Google Drive třeba nebo jakýkoliv jako jinej disk, tak se to vlastně chová stejně jako lokální složka, že jo. Takže já když na tomhletom drivu budu mít tu moji jako knowledge base, což třeba je zrovna jako můj příklad, já to mám jako takhle rád. Eh, pak nějaký věci mám jako taky v Gitu, ale nepotřebuju jako na všechno používat Git. Takže já mám vlastně tuhle, tuhle lokální složku a používám jako moji knowledge base přesně s různejma jako dalšíma nástrojema a myslím si, že tohleto je přesně takový to jako perfektní, eh, takovej ten perfektní poměr toho, že ti dá opravdu hodně muziky. Dá ti to přesně to, co by knowledge base ti dát jako měla. A dovolím si tvrdit, že to bude stačit prostě devadesáti pěti procentům jako uživatelům. Jo, pak jasně, budou tady nějaký jako víc powerful uživatelé, který to budou chtít posouvat jako ještě dál. vlastně co bych chtěl, aby si z toho jako někdo odnesl, když si zkrátka využiju lokální složku, tu můžu zálohovat někde na takovýmhle jako dostupnym drivu nebo něčem, co má každej, iCloud, Dropbox, cokoliv, tak úplně stejně vlastně můžu tu knowledge base používat, eh, zkrátka i bez Gitu, což já pořád jako považuju, to trošku techničtější. Jasně, v dnešní době ti Git perfektně obsloužej i agenti a vůbec nemusíš znát ten Git pull a Git commit push pomlčka m příkazy v, z terminálu, ale stejně pořád musíš mít jako trošku povědomí, co ten vlastně Git je, že jo. Jako jak to funguje a mít do toho nějakej větší insight.

Filip: Já možná ještě doplním k tomu Driveu, eh, už jsem se párkrát setkal, že to totiž někdo třeba neznal, tak tam není potřeba to jako nahrávat ručně, že jo, na ten Google Disk, ale je vyloženě jako apka pro Mac, pro Windows, kterou si člověk jako nainstaluje a nastaví si tam takzvaně jako mirroring těch souborů, že vždycky, co se změní v lokální složce, tak se aktualizuje na Driveu a opačně. Takže jakože možná je to pro většinu z vás jasný, ale jenom to tady jako zmiňuju, eh, že to je ten způsob vlastně tý synchronizace, že to nikam netahám ručně, ale syncuje se to samo. Tak. To máme Knowledge Base, máme ji nějak sdílenou, zálohovanou, buďto přes Drive nebo přes, přes Git. No a pak přichází vlastně jako delší pokrok, jak s tou Knowledge Base pracovat, a to je jak ty data uvnitř uchovávat. Jako první věc je doposud tak jenom ty data tam dáváme, možná jako tvoříme nějaký složky, že jo, nějak si to organizujeme, abysme se v tom vyznali. Ale jako pak přichází ten agent, kterej jenom nejenom že umí ty data číst, ale tak vlastně nám ty data umí i zpracovávat a třeba je roz-roztřídit do tý Knowledge Base nebo třeba tam vytvořit úplně nový záznamy, který jemu i nám v budoucnu tak vlastně jako pomůžou v orientaci v tý Knowledge Base, abysme s tím dokázali efektivně pracovat. Nebo spíš ten agent.

Jindřich: To je přesně ono, že jo. Ty tam jako nechceš mít jako jeden soubor, kterej prostě bude mít, eh, padesát tisíc řádků, ale chceš, abys tam měl jako různý digesty. Eh, typickej příklad, že jo, tak když to používáme jako my, tak my vlastně tomu našemu agentovi vždycky dáme transkript třeba z našeho podcastu a ten nám z toho, vytáhne, hm, toho hosta, vytáhne nám detaily k tomu hostovi, vytáhne nám veškerý entity, o kterých my se tam bavíme, že jo. Takže my když zmiňujeme tady nějaký společnosti, tak potom máme jako jinej markdown soubor, kde máme zase vypsaný všechny ty společnosti. Pak máme markdown soubor, kde jsou jenom témata, že jo, o kterejch jsme se v tý epizodě bavili a tak dál a tak dál. Což jako když potom to jsou jednodušší kratší soubory, tak pro toho agenta je taky mnohem efektivnější jako s tím pracovat a pracovat vlastně s tou pamětí toho danýho agenta, že jo, než kdyby si měl tyhlety, eh, informace vždycky destilovat jako z obrovskýho dokumentu

Filip: Já to vždycky jako lidem říkám: „Představte si to tak, jakoby ten úkol, který má agent, jste dostali vy, jo?“ Takže já když to stáhnu na tu naši knowledge base, tak my tam máme epizody podcastu a máme z nich pomocí agenta vydestilovaný právě tady ty entity. A teď řekněme, že natočíme novej díl a chtěli bysme-- nebo jinak. Děláme přípravu na novej díl a chtěli bysme jako se odkazovat na ty starý díly, že jo. A teďka jako ta příprava zahrnuje, eh, lokální modely například. Tak on by musel hledat, OK, lokální modely najde podle názvu dílu, tak zmiňme třeba OpenAI. Tak on by našel jenom ten jeden díl o OpenAI, protože se tak jmenuje ten soubor. Anebo by si musel přečíst veškerý naše podcasty, jestli náhodou jsme to tam někdy nezmínili. Když to, co ten náš agent dělá, je, že, že pokaždý, když natočíme podcast, tak on zpracuje tyhle informace a podívá se, jestli tam nejsou takovýdle entity, třeba OpenAI, a zapíše to do novýho markdownu, kterej je třeba ve složce Entity, jmenuje se OpenAI. A potom, když by dostal tady ten příkaz: „Najdi mi epizody, kde jsme se bavili o OpenAI,“ tak on už to nemusí všechno procházet. On se podívá do tohodle pomocnýho souboru, co si historicky vygeneroval, a tam je napsáno: „O OpenAI se bavíte takto a zmiňujete to v tak-- v těchdle těch dílech, v tomhletom kontextu.“ A najednou máte informace jako mnohem rychlejc, s mnohem míň kontextem, eh, mnohem jako levnějc, že jo, protože to stojí mnohem míň tokenů. Takže tohle je vlastně celej princip těch knowledge basí, proč se ty data kompilujou, aby to ten agent našel efektivnějc, rychlejc a levnějc. A ten formát, to už pak záleží, jaký chcete používat.

Jindřich: Já si vlastně nejsem teď úplně jistý, jako jestli z tohto toho našeho povídání jako plyne to, že veškerou jako tu knowledge base, kterou máme vytvořenou, tak ji tvořejí právě ty agenti, že nebo ji tvoří

Filip: Угу

Jindřich: nebo ji předělává nebo ji upravuje. Ale vlastně není to tak, že my bysme vytvářeli ty složky. Třeba já jsem osobně jako nikdy neudělal to, že bych jako vytvářel nějaký složky v tom a řekl: „Hele, tady budeš mít todle tady támleto, že jo?“ Ale prostě řekl, dal jsem mu transkripty, záznamy z hovorů, CSV soubory a řekl jsem: „Vytvoř mi tu knowledge base, jo, udělej ten digest.“ Jako jasně, dal jsem mu nějakou jako moji představu, že jo. Jaký

Filip: Mhm.

Jindřich: z toho budu používat, nějakej můj kontext, jako co dělám, k čemu by mi to zhruba mělo sloužit, aby on měl lepší představu o tom, jak to všechno řadit třeba a tak. zkrátka, co tím chci říct je, že tam nejsou ty ruční zásahy, že už to právě není jako dřív. Když to zase se vrátím

Filip: Ja

Jindřich: jako vysokou školu, jak jsem si vytvářel ručně složky po předmětech, pak jsem si tam vytvářel různý zkrátka podsložky, pojmenoval jsem si soubory a tak dál. Tak to to už ne, že jo? Já vlastně vzato já vlastně do tý knowledge base vůbec chodit, chodit nemusím, že jo. Já jenom potřebuju, abych ty data tam měl a ten agent s tím mohl pracovat. A já ten interface, kterej používám k práci s tou knowledge base, tak je třeba ten cowork nebo je to třeba nějaký Hermes nebo nějaký OpenCollab nebo cokoliv dalšího, ale s tou složkou jako takovou, že tam bych si chodil číst ty markdowny, což mimochodem často není úplně příjemný, že jo číst ty markdowny, tak to už vlastně jako nikdo z nás nedělá. Takže jinými slovy ten knowledge base vlastně není tolik pro nás jako pro to, pro to tolik pro toho agenta, ale ten agent nám potom říká, co v tý knowledge base je

Filip: Yes, to, to shrnul s-skvěle. My se za chvilku dostanem k nějakým detailům toho, jak řešit tady ten takzvaný ingest. To znamená, jak dostávat ty data do tý Knowledge Base, protože tam si myslím, že taky je jako spousta otázek, jak to dělat jako efektivně a ideálně automatizovaně. Ale jako ještě se sluší zmínit, že byť my se tady bavíme o složkách, markdownech a vlastně jako tady tom formátu, tak Knowledge Base nemusí mít podobu jenom markdownů a složek, ale může to bejt jakejkoliv prakticky datovej sklad. Může to bejt databáze, kterou máte a může to bejt databáze třeba pokud máte e-shop, tak tam bude jako spousta dat a buďto to může bejt ta Knowledge Base, rovnou ta databáze, ze který ty surový data vycházej, ale nebo častěji, tak to bejvaj takzvaný datový sklady, kde vy vlastně jako si ty data transformujete do nějaký jiný podoby, zase třeba do nějaký jako databáze a z toho ten agent taky pomocí napojení, eh, přes nějaký MCPčko nebo jakýkoliv jinej konektor tak může vycházet a ty data si získávat. Takže jako co tím chci říct je, že Knowledge Base v podobě složek a markdownu je jako vlastně jako nejjednodušší na vysvětlení a založení a spravování jako pro běžný lidi, když to řeknu. Ale pak samozřejmě v těch jako firemních podmínkách, kdy těch dat je jako obrovský množství, tak Knowledge Base může znamenat samozřejmě jako spoustu věcí

Jindřich: Jo, jako je pravda, že většinu těch use caseů a většinu těch věcí, který my tady popisujem, tak jsou spíš pro nějaký jako naše potřeby, že jo. Pro nějaký ty potřeby, projekty, jako naše projekty nebo případně v nějakým jako menším týmu a tak dál. Ale samozřejmě jako ty challenging věci potom přicházej s tou samotnou jako velikostí, pak s nějakou jako security, eh,

Filip: आवामा

Jindřich: je vlastně přesně tak, jo, do jistý míry vlastně nevyřešenej problém zatím ještě, že jo. Mám

Filip: Hm.

Jindřich: jednu velkou knowledge base, ale chci, aby kolega Pepa dostal jenom, eh, tady k technickejm věcem a tady kolega Franta by třeba neměl přístup k HR datům a tak dál, a tak dál. Takže tohleto je vlastně už nějakej jakoby next level, ale drtivá většina toho našeho povídání, který vlastně my tady máme, tak se spíš, eh, vlastně váže k těmhle těm jako našim menším použitím a spíš možná dovolím si tvrdit k těm jako osobním knowledge basem.

Filip: Jo, já jsem chtěl, aby to tady zaznělo, protože určitě někdo bude namítat, že jo, že, že jako to může bejt ve firmě vypadat úplně jinak. Jsou nástroje, který ti tohleto jako umožňujou,

Jindřich: jasně

Filip: jo, jo, přesně tak. Ale my se tady jako fakt bavíme v tuhletu chvíli o těchhle těch osobních použití. Pokud vás zajímají jako data, tak, tak mohu, můžu doporučit, eh, rozhovor s Vojtou Tůmou z Kebuly, kde oni vlastně taky tvořej takový jako knowledge base vlastně, akorát to jsou jako jinej typ dat trošku. Právě třeba ty prodeje, že jo, nějaký, no, datový, prostě datový sklady zkrátka.

Jindřich: tak. A oni tyhlety jako otázky řešej, že jo, s firmama, který maj stovky nebo tisíce zákazníků. Takže, eh, určitě i přesně tyhlety věci hodně, hodně právě řešej ty agentic věci nebo obecně ten agentic princip přístupu k datům. eh, určitě i tyhlety challenging věci, jako jsou třeba ty uživatelský práva, tak nějakým způsobem řešit musej

Filip: Rozhodně. A ono to neznamená, že se vylučuje to, co říkáme tady, že je to buď anebo, že jo. Ono to krásně se spíš pak jako kombinuje, že můžeš mít nějaký takovýdle knowledge base, o kterých se bavíme tady a ještě to mít obohacený těma datama.

Jindřich: Jo,

Filip: Nicméně pojďme dál. Eh,

Jindřich: základy jsou stejný, že jo, nebo ty

Filip: Tak.

Jindřich: velmi podobný

Filip: Yes. Když se přesuneme k tomu injestu, co jsem vlastně zmiňoval, tak to mi přijde, že je jako častá věc, kdy se lidi jako trošku zaseknou. Jak, jak dostanu do tý knowledge base ty data, abych je tam jako zpracoval, že jo? Tak nejjednodušší způsob je, že je tam prostě nahraješ ručně. A já typicky jsem tohle dřív třeba řešil tak, že jsem měl jako složku RAW a tam jsem prostě ty soubory dával. A teď vlastně řekneš agentovi: „Hele, analyzuj, co to je za soubor. Pojďme se pobavit, jak ho do tý knowledge base zařadíš, jako co by si z něj destiloval a vlastně ho jako nechám takzvaně jako injestnout, to znamená jako strávit, myslím, že ten překlad, strávit ten soubor do tý knowledge base a rozpadnout ho tam a případně ten surovej soubor si někam uložit do nějakýho archivu, abych se k němu pak mohl zpětně vrátit.

Jindřich: To je perfektní přístup, že jo, to jako funguje skvěle, přesně. Jako v řadě věcí to mám jako podobně. Tím, že třeba to tam jako toho necpu tolik, tak já to ani nepotřebuju nutně automatizovat. A taky si myslím, že todleto může jako spoustu lidí jako využít, přesně já to nemám složku RAW, ale mám složku To process a víc

Filip: Mhm.

Jindřich: jako po-podobnej princip, že jo. čas od času tam naházím nějaký věci, který chci zpracovat a pak řeknu Covorku třeba jenom zpracuj to. to udělá, protože on už ví, jak to zpracovat. Dělal několik předchozích souborů, že jo. A dokonce, eh, už mám třeba i udělaný, takže já tam házím přímo z hovorů. já řeknu hele, vytáhni si z toho te-- vytáhni si z toho jenom tu zvukovou stopu, vytvoř si z toho transcript, ten transcript mi zpracuj tak, jak jseš zvyklej a vlastně nepotřebuješ k tomu zase ňá-žádnou další magii. A tam je samozřejmě fajn, že tohle všechno vlastně, vo čem jsme se tady prakticky jako dosud bavili, tak ti obstará jeden software. jasně, když nepočítám nějaký konektory třeba a podobně, jako jsem říkal teď jako na vytažení toho transcriptu, že jo. A když máš asi přepis, dlouhej text, něco chceš zpracovat, tak ti postačí ten Covork jako velmi dobře, protože lokální složku má každej, eh, má to každej počítač. Většinu nebo dovolím si tvrdit, že každej i z našich posluchačů tak má buďto ten ChatGPT nebo má toho Clauda. Takže vlastně už má ty nástroje pro to, aby todleto mohl budovat a knowledge base mohl mít a tudíž dostávat ty lepší výstupy. Jo, takže není to ani vo vlastně instalaci nebo o získávání a stahování dalšího softwaru specializovanýho, co by člověk potřeboval

Filip: To tak. No a, mm, zároveň ty jsi zmínil jednu věc. Jsi říkal, jak je zvyklej, že to zpracuje, jak je zvyklej. Tak tady pak začínají figurovat ty skilly, že jo. Byť tenhle díl není úplně o nich, ale chtěl jsem to jako nakousnout, že když ten ty si zpracuješ jako něco s tím agentem tak, že jsi jako spokojenej s tím výstupem, tak může bejt fajn si z toho udělat skill jako zpracuj mi meeting a ten skill bude popisovat, jako co se s tím, s tou nahrávkou má stát, že se přesně má použít tady ten transkript, má se to udělat přes tady tu službu, potom se to zařadit sem a sem a ten agent jako zase nemusí jako hádat a má ten recept napsanej jako před sebou.

Jindřich: Tak jako nabízí, tak samozřejmě to posunout trošku dál, aby to člověk nemusel ručně dávat do tý složky, že jo a potom ručně tomu, eh, jako Claudeovi říkat: „Hele, zpracuj to." A těch cest jako je taky několik, že jo. Takže ty můžeš mít, eh, nastavený nějakýho agenta, který ti třeba kouká do tý složky. Když se tam něco novýho objeví, tak to začne zpracovávat, že jo. Ale zároveň ty mu to můžeš poskytnout i jiným kanálem, že jo. A vlastně tady do jistý míry i, eh, fantazii se meze nekladou. Takže to může bejt, eh, bot nebo může to bejt nějaká dedikovaná e-mailová schránka, kterou máš n-n-- kterou máš třeba napojenou, že jo, na to Hermes nebo na to OpenCloud a tak dál. Takže těch míst, jak já to vlastně dokážu automatizova-automatizovat, je celá řada. A samozřejmě todle můžou bejt ty, ty úkony, který má smysl automatizovat až ve chvíli, kdy já to dělám opravdu často. Jo, když já asi jednou za tři dny potřebuju zpracovat nějakej přepis, tak je to asi v pohodě přes ten CoWork. Ale jestliže jsem třeba hodně busy s schůzkama, mám spoustu přepisů, spoustu materiálů, co potřebuju zpracovávat a uchovávat, tak už asi má smysl to nějak automatizovat

Filip: Jako druhá věc je, že já si myslím, že to není jenom o tom počtu, byť je to jakoby dobrá, dobrá metrika, kde to automatizovat. Tak já to u sebe i vnímám z pohledu, kdy na to jako zapomínám nebo se mi to jako nechce dělat. A víš, je to takový, jako že mu-musíš to prostě udělat a děláš to pokaždý stejně. Typicky to bylo prostě zpracování epizody do naší Knowledge Base, tak to jakoby tam není žádná jako kreativní práce pro to zpracování. Po-pro ty výstupy pak z těch dat to jako už jo, ale jako pro to samotný ingestnutí do tý Knowledge Base, tak to vlastně jako není potřeba. Teď tam za mě to dává zase obrovskej smysl, byť prostě se to děje jednou, dvakrát za týden, ale je to něco, co se může dít jakoby automaticky a já to nemusím na to myslet. Samozřejmě záleží jako na tý komplexnosti toho, jak složitý je to do tý Knowledge Base vlastně jakoby dostat, napojit tu automatizaci, protože něco je prostě easy. Napojíš to přes Telegram, napojíš si tam nějakýho Hermese nebo něco takovýho a on ti to tam prostě jako nahází a ty mu jenom pošleš zprávu. Pořád tam je ten jako lidskej vstup nebo tam dáš nějakej webhook, ale někde je to jako složitější. Když třeba taháme data o analytický data, že jo, tak tam jako vytahat ty data automatizovaně je jako složitý

Jindřich: Jo, neřekl bych to líp asi. Eh, každopádně ono my se teď dost jako omezujeme, mám takovej pocit, jakoby přesně na tyhlety data, který ty taháš nebo netaháš a podobně, ale jako ty tam můžeš vlastně naházet cokoliv, že jo.

Filip: Dobrý den.

Jindřich: se s tím jako nějak popere a když se s tím nijak nepopere, tak jako ty mu pomůžeš se s tím poprat. Viz jako jsem třeba zmiňoval to video, že jo. Takže bych asi jako neočekával, že si sám poradí s videem, ale prostě řeknu: „Hele, použij tohle ten nástroj, tady v-- máš můj API klíč, vytáhni si z toho ten transkript a pak to máš v tý textový podobě, co už ty bez problémů dokážeš zpracovat. to je vlastně asi ta alfa omega. Zkrátka jako to vytvářet a získávat ten-- ta-- tamty data. A samozřejmě čím víc ty jich budeš mít, tak tím líp pro tebe teď, ale hlavně tím líp pro tebe pak v budoucnu, v nějakým třeba i větším projektu.

Filip: No jasně a jako to jsi zmínil jako dobře, že jo, že ty mu fakt můžeš poslat prakticky cokoliv, takže jako ty mu tam můžeš naházet PDFka, můžeš mu dneska naházet i obrázky. Jako to je taky super, že jo. Ty prostě uděláš screenshot a na tom není jakoby, nemůžeš si z toho poznačit ten text, ale ten agent, jak používají modely, který jsou jako multimodální, tak oni si jako krásně vyčtou, co na tom obrázku je, jaký texty tam jsou a zase si to dokážou jako zkompilovat. Takže já kolikrát, byť jako to vlastně stojí trošku víc tokenů, tak je pro mě jednodušší něco jako vyscreenshotovat, než to jako kopírovat, protože to ztratí tu strukturu najednou. Na tom obrázku to má nějaký grafický rozložení, který tam je z nějakýho důvodu, že jo, protože to je třeba, eh, jsou to dvě části, něco je ztučněný, že je to důležitý a to by se ti při tom vykopírování třeba jako mohlo ztratit.

Jindřich: A to mně subjektivně jako přijde, že teď poslední dobou to prostě funguje ještě líp mnohem, než to jako fungovalo. Jako od nějaký čtyři sedmičky třeba o půlce, tohle to jako funguje fakt dobře. taky používám jako screenshoty DOS a dávám jich tam jako hodně, ať si to prostě zpracuje. Ok, občas prostě vyčerpám limit jako svým snažením, ale prostě stojí to za to

Filip: Yes. No a když už tam ty data jako dáváme, tak je docela fajn využít ty schopnosti těch modelů, že ti ty data třeba jako předzpracujou nebo jako opravěj. Já typicky to používám, když tam dáváš ten transkript, eh, tak v tu chvíli tam máš spoustu takových těch jako přeslechů, že jo, že prostě jako, eh, tím mluveným slovem se ti třeba Claude přepíše místo Claude na Claude nebo něco takovýho. Nebo tam je nějakej nesmysl, ale jako z kontextu se dá dovodit, co asi tak se tím básník snažil říct a to znamená to opravit. Takže i tohle může bejt vlastně v tý pipelině toho zpracování, že ty to hodíš do toho RAW nebo nějaká automatizace, on to vezme a ještě předtím, než to roztřídí do tý knowledge base, tak ti vlastně jako opraví ten přepis, aby ti opravil tady ty chyby, eh, zformátoval to nebo třeba jako fajn věc, my to používáme i u těch entit, že to jako ověřuje ty fakty. Jakoby co jsme řekli, tak se ještě jako může podívat, jestli to teda jako pravda je nebo není. Zkrátka zase, jak se to říká, jako fantazii se meze nekladou. Je tam ten agent, co s těma datama udělá v průběhu předtím, než je nebo potom, co je vezme a než je zadá do tý knowledge base, do tý wiki. No tak ta je jakoby prostě vlastně jako v mezích agentních schopností, tak bych to řekl.

Jindřich: Což mimochodem tohleto mě docela baví. To použiju jako takovej bench-benchmark vždycky jako na nový modely. Takže typicky právě když, eh, přišel jako Fable, já jsem testoval Fable, tak jsem vzal svůj jako největší, eh, knowledge base momentálně, kterou jsem měl. Poslal jsem na to Fable a řekl jsem: "Projdi to celý, revaliduj to, učeš to tak, aby to bylo co možná nejvíc přístupný i pro s-lepší, eh, jako AI modely. Eh, revaliduj mi ty informace online a prověř prostě nebo projdi, že jo, web a prověř, že ty informace tam jsou tak jako seděj a jsou jako validní a jsou fakticky správně. A případně a dej mi nějakej jako report o tom, jako jak si to jako vede." jako skvělý, ten job to furt udělalo fakt jako skvěle, protože, zkrátka ty modely jsou jako lepší a lepší a tyhlety věci přesně dokážou udělat líp a líp. Takže když já mám nějakou knowledge base, kterou mám zpracovanou připravenou starým modelem, je velmi vysoká pravděpodobnost, že ten novej silnější model to jako udělá ještě líp, když i se ten celej kontext jako nasaje, tak to jako vylepší a učeše. Takže co tím chci říct, že má smysl jako to udržovat, jo. Tak jako nejen ji prostě budovat, ale čas od času jako říct klidně tomu agentovi, ať ti předělá, ať ti prostě upraví, ať ti z toho vytáhne nějaký další data, ať, eh, ti dá nějakej report o stavu a který věci tam jsou chybně nebo který jsou jako nekonzistentní s ostatním tvrzením třeba a tak dál. Protože samozřejmě postupem času jako ty nekonzistence vznikat budou. Takže, eh, a vlastně na tohleto už v dnešní době existujou i skilly, který se jako daj postahovat a nebo si to zkrátka člověk jako může napsat sám, protože zkrátka jakákoliv revalidace tý knowledge base je vždycky krok dopředu

Filip: Tos mi krásně nahrál na jednu myšlenku, kterou bych chtěl vlastně, abys jako, pokud by si někdo měl o-odnést takovou jednu myšlenku, tak za mě by to byla tahle. Protože já se často jako bídám s tím, že když s lidma řeším, jak začít stavět knowledge base, tak ty lidi strašně overthinkují, jako pře-překombinovávají to, jak tu knowledge base před, postavit, eh, jaký složky tam dát, jak to rozpadnout, do jakýho detailu jít, jo, jestli tady má bejt podsložka, nebo se to má uložit sem a jak se to má jmenovat a co ten agent má dělat. A vlastně jako strašně nad tím přemýšlí a ve výsledku se dostanou k nějaký strašně složitý struktuře. A pak jim přijde nějakej dokument a oni řeknou: „Aaa, já nevím, jak to do té knowledge base zakombinovat.“ Nebo jako snaží se toho agenta řídit. Ale to, co jsi zmiňoval už i ty, tak zaprvý ten agent si s tím dokáže často poradit sám, kam to jako roztřídit, ale zároveň ta knowledge base se dá předělat, překompilovat i, a platí to nejenom při přechodu na silnější model, ale i v-ve chvíli, kdy já usoudím, že ta moje knowledge base nefunguje tak, jak bych chtěl. Nemá třeba tak dobrou strukturu a ten agent se v ní nevyzná. Tak dřív předělat nějakou strukturu dat, to byl strašnej oser. Musels to udělat ručně, zabralo ti to den. Dneska to dáš agentovi, půjdeš spát, on ti to přes noc jako překompiluje a ty se ráno probudíš a máš to v jiný podobě optimalizovanější. Takže jakoby ta message je jakoby nesnažit se na začátku to jako překombinovat a vymyslet všechny možný podoby dat, co tam budou, ale prostě jako začít tu knowledge base tvořit a vždycky se dá iterativně takhle jakoby předělávat, vylepšovat. Za mě je tam jeden dobrej trik k tomu. Já si třeba uchovávám veškerý surový data, aby ten agent z nich mohl vycházet. Takže mám jakoby oddělený dvě vrstvy, že mám jako vrstvu surovejch dat, co jsem tam nahrál, která je nějak jako strukturovaná. A pak mám tu wiki, což je samotná složka, kde ten agent kompiluje ty znalosti a vlastně jako přeskládává je, abych já vždycky při tý změně se mohl odkazovat na ty původní data, jo, aby se něco nemohlo ztratit jakoby při tom zpracování. Ale takhle to funguje jako dobře.

Jindřich: jsi zmiňoval to, že, máš pocit, že maj lidi jako tendenci to překombinovávat, já se i domnívám, že to plyne trochu z tý psychologie, my už jsme se jednou o tom bavili, mimo teda jako ne, ne, eh, jako podcastu, jo, že lidi často za tím jako vnímaj něco mnohem, mnohem víc, než to ve skutečnosti je. A

Filip: हाँ, हाँ।

Jindřich: přesně nějaký ty fancy názvy, že jo, jako harness a agentic engineering a jako podobný prostě jako fancy slova, který třeba v angličtině tolik jako fancy nezněj, ale v češtině jako jsou extrémně fancy ani třeba kolikrát jako nemají jako českej výraz, jo nebo nějakej ekvivalent maj, ale jako nezní to zkrátka tak fancy. Takže když si někdo řekne prostě knowledge base, tak si řeknu, jo, ctovi co já tady jako nebuduju prostě za ultimátní inženýrský dílo, ale prostě ve skutečnosti to je prostě složka jako s pár dokumentama, že jo. A tak to si myslím, že i částečně jako tady může bejt jako ta podstata věci, že se to snažej jako překombinovat, jo, že si řeknou,

Filip: Stejně

Jindřich: knowledge base je, tak to musím teda postavit. Je to teda jako hustý to mít a fakt jako snažím se to udělat co možná nejlepší a x, y věcí a tohle mi tam chybí a tamto a soubory a kdesi cosi. Ale ve skutečnosti, eh, zkrátka back to the roots, složka prostě jo, složka a

Filip: No.

Jindřich: pár dokumentů.

Filip: No jasně, jakože ty, ty narážíš na to, já jsem ti říkal, že jo, od té klientce, kdy se mě ptala, jako ať ti teda vysvětlím tu Agentic Harness, tak jsem jako říkal: „Hele, je to vlastně jako veškerej program, kterej je kolem toho modelu, aby mohl používat nástroje, skrýval kontext a tak dál." No ona mi pak říkala: „To, to jste mě docela jako zklamal. Já jsem myslela, že je to složitější." Tak to je jako přesně ono, že jo, že taky u Knowledge Base si jako představíš bůhví co za tím je, ale jako v té jednoduché podobě je to prostě jako složka a spousta lidí, co o tom mluví, tak to má prostě jenom jako složku a kolikrát jim to třeba ten agent ani nekompiluje ještě.

Jindřich: No jasně no. Jo a jako já se nedivím, jo, protože já když to slyším taky vešchny tyhlety názvy, tak taky mám, taky mám osobně jako tendenci si za tím prostě představovat jako něco mnohem víc, co za tím třeba jako ve

Filip: A jasně.

Jindřich: není, že jo. ještě asi pak když se podíváš, eh, na všechny příspěvky na, na LinkedInu, že jo, jak to ještě ty lidi jako o to víc hypujou, že jo, o to víc hypujou jako tes-ten svůj skill set. Eh, v tom AIčku my to asi někdy děláme taky samozřejmě jo, tak jako ruku na srdce, že jo. Ale na druhou stranu, byť se snažíme bejt jako trochu realisti, tak stejně někdy použiješ jako ty výrazy, nějak to objasníš a může to znít, že je to hrozně fancy. No ale, eh, zkrátka vlastně není.

Filip: Když to je podle mě, hm

Jindřich: eh, no nechci to zase jako úplně bagatelizovat, samozřejmě ne úplně všechno, no. Ale zkrátka myslím si, že to byl jako dobrej pří-příměr, ty, zkrátka jako knowledge base. I kdyby člověk začal prostě jen s jednou složkou a tam si dal pár transkriptů a, a, a příloh e-mailů, který přijdou a, a těch samotných e-mailů, tak je to skvělej začátek

Filip: No jasně, protože to je jako, to je podle mě ale jako daný tím oborem, že se to jako rychle vyvíjí, takže jako nemáš ty český slova pro to. A i v softwaru, že jo. Když my jsme se bavili prostě o nějakých IT věcech, tak používáš všechny ty odborný termíny, protože to prostě jako nemá překlad a pak tě jako slyší někdo a třeba naše přítelkyně říkají, to jsou ajťačinky, že jo, že to prostě jako nerozumí. A jako ale ve výsledku, když bys to vysvětlil, tak to jsou jako jednoduchý věci. Jenom používáš ty zkratky, abys jakoby jasně komunikoval ten jakoby význam. Ale, ale ve výsledku je za tím skrytýho něco jako strašně jednoduchýho. A ono agentic harness mimochodem, když si to přeložíš, tak to je jako otěže na agenta, takže jako prostě řídíš toho agenta nějak. Takže v češtině by to paradoxně znělo jako vtipně. Nicméně no, to jsme asi, asi tak nějak jako řekli. Eh, pojďme asi k nějakým našim jako praktickým tipům, co se týče knowledge basí, jak s tím pracujem, co bysme asi jako divákům mohli předat. Tak za mě jako ten první tip, kterej by si jako všichni měli odnést, už jako zazněl. Jako nepřekombinovávejte to na začátku. Vždycky to můžete jakoby překompilovat a já si odděluju ty surový data a tu wiki. To je za mě jako první věc. No a pak druhá věc je, že nechávám, hm, jinak, že jakoby se snažím ten ingest těch dat do tý knowledge base trošku řídit, aby ten agent si to nevymyslel úplně jako sám, že to s ním vždycky jako konzultuju a tvořím si pak z toho ty skilly, aby vlastně jakoby to zpracování nějakýho typu dokumentu, ať už je to prostě přepis meetingu, email, eh, přepis ploda, whatever, tak aby měl nějakou jako pipelinu predikovatelnou a třeba mi byl ten agent schopnej dát jako vědět, že se to nepovedlo přes nějakej Telegram nebo, nebo Discord.

Jindřich: A co mě jako napadá, tak já třeba osobně, tak já si tvořím jako knowledge bases per projekt. Ne asi úplně každému to může vyhovovat, nemusí to být jako nutně úplně, hm, zkrátka nemusí to být třeba úplně to nejlepší řešení možná pro leckoho. Mnohdy se samozřejmě ty projekty můžou dost jako prolínat, ale zatím jsem to tak osajčil a zatím to tak mám. Takže mám jako na Deep Link Show jeden, že jo, pak nějaký jako další svoje projekty mám jeden, pak na nějakou konkrétní oblast třeba v práci mám jednu, pak zase na jinej projekt jako práci mám jednu a vlastně jich jako takhle udržuju dýl, protože vlastně víc. Protože vlastně v rámci toho jednoho kontextu nebo toho jednoho úkolu, na kterým jako momentálně v ten okamžik pracuju, tak stejně vždycky pracuju jenom s jednou

Filip: A důležitý je u toho zmínit, že vlastně to, že je máš rozdělený, tak dá ti to benefit třeba sdílení, že jo, jako deep link Show prostě Knowledge base dává smysl jako sdílet mezi sebou, ale už ti tam nechci sdílet svoje prostě jako freelanceový poptávky. Takže jakoby to je další argument pro to sdílení. No a hlavně to neznamená, že ty data nejsou přenositelný. Jako ty úplně jednoduše můžeš tomu agentovi přidat dvě složky a říct mu: „Hele, pracuješ primárně tady, ale data si ještě čerpej odsaď, protože to zrovna pro tenhleten úkol jako souvisí.“ Takže to, že si to rozdělíš, tak vlastně jakoby nemá úplně ten negativní dopad. No a co se týče nějakejch jako dalších, eh, typů, tak, eh, za mě ještě jako zajímavý nebo zajímavý, jak to říct, eh, je jako fajn, eh, si nad těma knowledge basema tvořit nějaký pohledy. To znamená, že jako ty vlastně to, že to jsou Markdown soubory, tak já jsem jakoby dlouho bojoval s tím, že jsem si říkal: „Hej, ale to je jako blbý, já tam nemám, ehm, ten dashboard nebo ten graf, víš, takové ty čísla vysčítaný něco, nějaký statistiky, ale já si můžu nechat agenta vytvořit HTML stránku, která live třeba bude mi zobrazovat ty kartičky a jejich stavy, že to bude jako vyčítat z těch hlaviček těch Markdownů nahoře nebo něco takovýho, jo, že ty vlastně jakoby i v rámci tý knowledge base tak si jako můžeš vytvořit jakoby webovou appku, nějakou HTML appku, která s tím pracuje a dokonce to můžeš dostat i tam, že já jsem třeba si takhle udělal dashboard pro zpracovávání těch automatických úloh a ten dashboard, a to už je trošku pokročilejší, tak jsem si přes VPNku Tailscale, tak jsem si vytvořil jakoby virtuální server, kterej ho jako hostuje a vlastně já jsem schopnej se na ten dashboard napojit třeba z telefonu, ale je to prostě jako houpej-hloupej HTML soubor, který se regeneruje každých pět minut. Má nějaký tlačítka, který vyvolají nějaký agentní akce a je to vlastně jako rádoby webová appka, která ale žije uvnitř složky Knowledge Base, která prostě jakoby není žádná databáze nebo něco takovýho.

Jindřich: Počkej, jakej dashboard? V minulý epizodě, když, eh, jsme řešili budoucnost toho uživatelskýho rozhraní, tak jsi byl proti dashboardům a že žádný nepotřebuješ. Tak už vidíme, kde je pravda najednou. Aha, takže dashboardy potřebuješ.

Filip: To bylo ani ne tak pro mě, ale teda pro video, protože to vypadá hezky samozřejmě ty dashboardy. Ale jo, jako samozřejmě někdy se dashboardy hodí. Dobře jsi mě chytil za slovíčka.

Jindřich: Hm. Já jako přemýšlím, ale já si myslím, že to jako samotnou podstatu my jsme jakoby dost zmínili, že jo. Protože ono přece jenom tyhlety všechny věci, který teď jsi zmínil, ty ten tail scale, že jo, a že to máš jako ještě někde hostovaný jako na VPS a podobně, tak to už jsou tak jako nuance,

Filip: Hm.

Jindřich: ocení opravdu jenom malý množství lidí třeba. A velmi pravděpodobně tihle ty lidi jako který to ocení, tak jako už jako vědí, jak na to, nebo tuší, že něco takovýho jako lze. Ale opravdu jako ta alfa omega a ta jako největší hodnota je zkrátka v tom jako mít tu složku, případně si to jako zálohovat, že jo, pracovat tam s vícero nástrojema, ji, nechat toho agenta, ať ji češe, češe veškerý tyhlety věci, který my jsme tady zmiňovali, těch teď se těch jako posledních, eh, čtyřicet minut. jako za mě teď jako ty praktický tipy tak jako jak to funguje v dnešní době a to, co ti přinesou největší hodnotu, tak jsme jako zmínili. Byť těch samozřejmě vylepšení a nástaveb a že si tam člověk může třeba do Vibe kódovat, tady nevím, eh, hrát s vodotryskem cokoliv, tak samozřejmě to jako v tý kreativitě, v kreativitě se jako meze nekladou. Jako znovu zmiňuju, že jo. Takže těch nástav-nástaveb celá řada. A vlastně mě ještě tak jako trošku napadá k tomu jako taková skvělá paralela, když někdo jako Vibe kódují i když Vibe kódují jako v nějakym třeba Makali nebo Lovable jednoduše, tak i tam vzniká nějaká knowledge base, že jo, protože člověk si tam může rozkliknout tu dokumentaci nebo ty doky, co tam vznikaj jako v tom Markdownu, kde ty agenti mají popsaný, co teda vlastně dělaj, pro koho to je ten web, jak to bylo třeba stavěný, v jakym je to technologickym stacku a tak podobně. už vlastně jako podvědomě, byť tvořím něco jinýho, tak ty agenti mi stejně jako tu knowledge base jako tvořej. skvělý je se na to třeba i zaměřit, když si člověk je třeba v Cloud Codu, že jo, nebo někde jinde, kde to třeba není out of the box, jako aktualizuj dokumentaci po tomhle kroku, vytvoř ji, že jo, udržuj mi tu dokumentaci tady, eh, vytvoř mi ten auditní soubor, označuj tam, co už jsem udělal a co jsem ještě neudělal. Když dělám nějakej research, skvělej příklad mimochodem, vrátím se zase k tomu projektu, jak jsem dělal agregátor těch letních kin.

Filip: Угу

Jindřich: vyhledávat různý, eh, klíčový slova v různejch krajích, městech a podobně, že jo. A nešlo to všechno jako najednou pustit zase tři sta jako paralelních agentů, nějaký jako omezený množství jenom. Tak já jsem mu řekl: „Hele ok, tak vytvoř si soubor, kam ty si budeš zapisovat všechny ty klíčový slova, který už jsi vyhledával, v jakejch městech a v jakejch krajích, se už k tomu nemuseli vracet a taky jsme mohli prohledat jak vlastně všechnu jako celou Českou republiku,

Filip: Угу

Jindřich: naš-- v tom nejmenším městě našel to letní kino. A to jako fungovalo dobře, protože on se potom jako začal třeba cyklit, opakovat, ale jakmile měl k dispozici tuhletu knowledge base, ten kontext a historicky věděl, jaký klíčový slovo a jaký město už prohledal, tak už se k tomu nevracel.

Filip: To je možná, tos mě hezky navedl k jednomu tipu, co jsem chtěl taky zmínit. Tak to je, že při práci s knowledge basy tak jako fajn si jako vybudovat ten habit. Nejenom, že tomu agentovi řekneš, že má možnost si něco zapsat, ale jako ukládat si i ty třeba výsledky, který dostane, že jo. Že prostě když ti zpracuje deep research na nějaký téma, tak si ho v nějaké složce nech, aby ses k tomu mohl jako vrátit, že jo. Ne-nezahazovat to jako: „Hej, tohle je nějaký výstup, ten si někam stáhnu,“ ale prostě nechat ho v tý knowledge base. Byť to jako zní obvious, prostě je to jako jasný, ale spousta lidí tady ten habit nemá, že jo, a tím pádem se jako okrádají o to, že ta knowledge base by mohla růst s tím, jak ji vlastně používaj. Ale to, cos zmínil, že ten agent to může použít jako ten scratch pad, že jo, jestli tam jako dává takovýdle poznámky, ten progres, tak, tak to je super, že jo. Já spousta věcí takhle u svého knowledge basem mám i, i konkrétně třeba ten dashboard. Tak on si tam jako zapisuje nějaký logy toho, co se kdy stalo. Takže

Jindřich: Je-- co mě, co mě ještě docela baví mimochodem, tak psát si ještě třeba jako nějakej high level digest tak do Notionu. třeba ten projekt, kterej vlastně já zpracovávám jako v práci, tak to máme už jako relativně obsáhlou jako knowledge base. Ta už je třeba složená jen třeba ze čtyřiceti jako online schůzek, jo. už tam jako opravdu něco je. zároveň ale chci, aby ostatní kolegové třeba, který nepotřebujou nutně mít jako tu knowledge base k dispozici, že jo, tak aby měli dashboard a aby tam měli ten digest třeba, že jo. Kdy byla ta schůzka, co se řešilo, aby z toho byly nějaký action steps, aby z toho tam byly označený ty body, jako na čem jsme se třeba dohodli a kdo na tý schůzce byl třeba jo a tak dál. Eh, takže vlastně i takhle to lze dělat, že já furt pracuju s tou mou jako knowledge basí, ale ty moje high levely už někde zpracovat-- zpracovaný poznámky, kterých je nevím pět, tři procenta z celý tý knowledge base, tak se můžou odlévat takhle někde jinde. Do vlastně jakýhokoliv nástroje, kterej já třeba používám a kterej je pro mě pohodlnější. Eh, pro mě je třeba pohodlnej Notion, protože já s Notion taky pracuju každý den a máme ho i v práci. Takže todleto pro mě vlastně, eh, byl jako no brainer, jo. Bylo to jako jasný místo, kam já vím, že si tydlety digesty jako budu dávat

Filip: Parte. Napadá tě ještě, ještě něco, co bys chtěl zmínit?

Jindřich: Já si myslím, že jsme to jako relativně, eh, všechno tak nějak, eh, prolíkli. Pokud nechceme zmiňovat už tam ty maličký věci, kterých by určitě, eh, bylo spousta.

Filip: To si můžem klidně nechat napříště.

Jindřich: No přesně, my bysme nad tím mohli samozřejmě jako filozofovat hodně, ale prostě to, co opravdu ti přinese těch devadesát pět, možná ještě víc jako

Filip: Hm.

Jindřich: hodnoty, tak to je to, co jsme zmínili. A vlastně není to vůbec žádná černá magie. A z-z-z-- pokud někdo pracuje s Covorkem, tak zvládne pracovat i s tímhle. Nebo takhle, s Covorkem a se složkama na počítači. Takže vlastně každej, kdo pracuje na počítači

Filip: Yes. Takže sečteno podtrženo, nebojte se toho, založte si složku, začněte tam sypat data. Bude jich víc. Nechte agenta, ať vám to nějak přespracuje, ať vám to rozsložkuje, ať to začíná nějak si jako předchorou stávat pro sebe a iterujte. Můžete to kdykoliv změnit a hlavní je prostě začít vybudovat si ten habit, že pracuju nebo ten zvyk, že pracuju ve složce, data tam jakoby za-zakládám a nechávám toho agenta je zpracovávat do tý složky, že ty výstupy si nedělám jednorázově, ale snažím se je prostě schraňovat. A pak už to už, to už pak se dá vylepšovat prostě různými směry a to bude třeba nějaká další epizoda.

Jindřich: No a jakmile já teď tam ty data mám, tak, eh, vlastně žádnej postup není špatnej, že jo? Každýmu může vyhovovat

Filip: ん。なるへそ。 哦，

Jindřich: spoustu lidí nám třeba, eh, jako napíše, že s tím jako nesouhlasí, že jo, s tím, jak to třeba řešíme, nebo to třeba řeší jinak.

Filip: yes， yeah

Jindřich: Ale těch jako možností a těch cest jako bude spousta a velmi pravděpodobně žádná nebude špatně, pokud já už ty data mám. A to je vlastně ta alfa omega. Ten jako primární point tohohle toho celýho je mít data. Jakým způsobem a kde a jak se o ně starat a jak je filtrovat, to už je věc B. Nějaký postupy jsme a nějaký názory jsme jako popsali, ale když mám ty data, tak to je vlastně to, co je to nejcennější a kód jako v dnešní době to vlastně platí dvojnásob.

Filip: Amen.

Jindřich: Posměru pět zajímavý, Filipe. Díky, těšíme se na příště.

Filip: Taky díky a dejte nám vědět do komentářů, jak třeba knowledge base řešíte vy, jestli k tomu máte nějakej třeba jako zajímavej přístup, nějaký tipy, triky určitě budem rádi jak my, tak i ostatní posluchači. A jak říkal Jindřich, budem se těšit příště. Tak se mějte krásně a ahoj.

Jindřich: Y que chao