Knihovna.

Agent infrastructure — nudná vrstva, bez které agenti nepracují Agent není jen model s úkolem. V produkci potřebuje identitu, oprávnění, inbox, nástroje, paměť, audit, telemetry a jasné hranice. Bez infrastruktury je autonomie jen hezké demo s rizikem. → AI v kyberbezpečnosti — nová vrstva útoků a obrany AI může urychlit analýzu kódu, třídění upozornění i přípravu útoků. Přínos závisí na nástrojích, datech a ověřování; agent nenahrazuje opravy zranitelností, řízení přístupu ani odpovědnost bezpečnostního týmu. → AI vendor lock-in — když model není jediná závislost AI lock-in nevzniká jen výběrem modelu. Rodí se ve smlouvách, datech, nástrojích, evalech, cenících a workflow, které časem přestanou být snadno přenositelné. → AI-assisted research — model jako výzkumný parťák AI-assisted research používá modely k hledání hypotéz, psaní kódu, testování variant a čtení literatury. Není to automatická věda. Je to rychlejší výzkumná smyčka s novými způsoby, jak si nabít hubu. → Asynchronní agenti — práce, která neběží v chatu Agent, který dostane úkol, běží mimo konverzaci a vrátí hotový artefakt. Silné pro dlouhé workflow, nebezpečné bez stavu, limitů a kontroly. → Bezpečnost agentů a sandboxing Agent s nástroji je malý automat na následky. Sandbox, approvals, minimální oprávnění a audit log nejsou enterprise dekorace, ale brzdy před požárem. → Computer-use agenti — model, který kliká Computer-use agent vidí obrazovku a ovládá UI. Zní to jako sci-fi, v praxi je to křehká automatizace nad pixely, formuláři a špatně popsanými tlačítky. → Dlouhoběžící agenti Když agent neřeší jeden tah, ale několikahodinový nebo několikadenní úkol. Rozhodující není jen model, nýbrž stav, checkpointy, rozpočty, verifikace a bezpečné obnovení běhu. → Dodavatelský řetězec dat pro AI Data pro AI nejsou jedna hromada souborů, ale dodavatelský řetězec: od zdroje a práv přes čištění a původ až po průběžný audit. Otevřený web zůstává důležitý, kvalitní a použitelná data jsou však omezenější, spornější a dražší na správu. → Ekonomika modelů — cena inteligence v provozu Tokeny, latency, throughput, kvalita a riziko v jednom účtu. Model není jen chytrý nebo hloupý; je drahý, pomalý, levný, lokální nebo provozně únosný. → Evaly a benchmarky — měření místo dojmologie Benchmark není pravda vytesaná do kamene. Je to měřicí přístroj s chybami. Bez něj ale jen hádáš, jestli model nebo agent opravdu funguje. → Fine-tuning — skalpel, ne univerzální kladivo Fine-tuning mění váhy modelu. Je silný, když máš data, evaly a jasný důvod. Je drahý omyl, když jen maskuje špatný prompt, chybějící RAG nebo nejasný proces. → Frontier model governance — kdo hlídá model před releasem Frontier model governance řeší, kdo testuje nejsilnější modely před nasazením, podle jakých pravidel a s jakou mocí zasáhnout. Dobrovolný audit, system card a státní testování nejsou totéž. → Identita a oprávnění agentů — kdo vlastně jedná Agent nepotřebuje jen nástroje. Potřebuje vlastní identitu, omezená oprávnění a auditní stopu, aby bylo jasné, kdo za akci stojí, co směl udělat a kde se má zastavit. → Inference-time compute (Reasoning modely) Výpočet navíc při řešení jednoho dotazu může zlepšit některé náročné úlohy, ale není zárukou správné odpovědi a prodlužuje čekání. → Kontextové kontrakty agentů — lokální pravidla, která model nesmí hádat Kontextový kontrakt popisuje místní pravidla projektu: co agent smí měnit, jak má postupovat, jak změnu ověřit a kdy předat práci člověku. Omezuje domněnky tam, kde obecný prompt nestačí. → Multiagentní systémy — kdy a proč rozdělit práci mezi role Multiagentní systém dělí práci mezi specializované agenty. Pomáhá, když se jeden agent ztrácí ve složitých pravidlech nebo nástrojích; přidává ale koordinaci, náklady a další místa pro chybu. → Open vs. closed modely — kdo platí prémii za frontier Open model není automaticky svoboda a closed model není automaticky lock-in. Praktická otázka zní: kdy se vyplatí kontrola, cena a lokální nasazení, a kdy má smysl platit za nejlepší frontier schopnost. → Orchestrace modelů: jak vybírat a skládat modely v AI systému Orchestrace modelů rozhoduje, který model má dostat kterou část práce. Spojuje routing, předávání, fallbacky, cenu, rychlost, kvalitu, bezpečnost a přenositelnost do jednoho provozního řízení. → Paměť agentů — co si AI systém smí odnést z minulých běhů Paměť agenta není větší prompt. Je to návrh toho, co se ukládá, jak se to znovu hledá, kdy se to smí použít a kdo může špatnou vzpomínku opravit. Dobrá paměť šetří práci; špatná vyrábí sebejisté chyby s historií. → Physical AI — když agent sahá do světa Physical AI spojuje modely, roboty, simulace a akce v reálném prostředí. Nejde o hezké demo robota, ale o otázku, kdo nese riziko, když model začne hýbat věcmi. → Small Language Models (SLM) a specializované modely Menší model může být vhodný pro úzce vymezenou úlohu a lokální provoz, ale jeho skutečné nasazení určuje úloha, hardware a způsob provozu, ne samotný počet parametrů. → Souhlas s obsahem pro AI — kdo smí číst, trénovat a jednat AI už nečte web jen jako vyhledávač. Crawler, tréninkový dataset a agentní prohlížeč mají různé dopady, takže vydavatelé a tvůrci potřebují jemnější pravidla než prosté povolit nebo zakázat. → Spolehlivost modelů — když nestačí hezká odpověď Spolehlivost je o tom, kdy model ví, kdy neví, kdy si vymýšlí a jak často se dá jeho výstupu věřit v provozu. Elegantní formulace není důkaz. → Tool use — když model volá nástroje Tool use je chvíle, kdy LLM přestane jen odpovídat a začne volat API, spouštět příkazy, číst soubory nebo sahat do databází. Užitečné, ostré, nebezpečné. → Vodoznaky v AI textu — možnosti a limity Neviditelné statistické signály ve výstupech AI mohou doložit původ textu, ale neprokážou autorství ani spolehlivě nerozliší všechen lidský a strojový obsah. → Zombie internet — když AI text sežere web Zombie internet je web zaplavený generovaným textem, shrnutími bez odpovědnosti a obsahem, který vypadá lidsky jen z dálky. Problém není jen spam. Problém je ztráta důvěry. →