Automatizace ve fyzice: Vibecoding

Petr Čermák

2026-11-06

Úvod

Připojte se!

automation.cermak.science/lectures/03-vibecoding/presentation

Vibecoding

There’s a new kind of coding I call “vibe coding”, where you fully give in to the vibes, embrace exponentials, and forget that the code even exists.

— Andrej Karpathy, únor 2025

  • O rok a půl později už to není hračka:
    • Anthropic: více než 80 % kódu, který mergují, napsal Claude (09/2026)
    • Google: 75 % nového kódu generuje AI a schvalují inženýři (04/2026)
  • Skripty, weby, zpracování dat: rutina
  • Ve vědě a v práci ale pořád: za výsledek odpovídáte vy

Posun 2025 → 2026

ukazatel tehdy teď
METR: délka úlohy (v čase člověka), kterou AI zvládne s 50% úspěšností ~1 h (Claude 3.7 Sonnet, 02/2025) ~17 h (Claude Mythos Preview, 04/2026)
ARC-AGI-2: abstraktní uvažování (lidé ~60 %) ~4 % (03/2025) 93-95 % (Opus 5.5, GPT-6 Astra, 09/2026)
Podíl AI kódu v Google > 25 % (10/2024) 75 % (04/2026)
  • Délka zvládnutelných úloh se zdvojnásobuje zhruba každé 4 měsíce - METR už to neumí změřit (nad 16 h jejich úlohy nestačí)
  • Opus 5.5 přeložil HAProxy z C do Rustu za 9,5 h bez zásahu člověka (09/2026)
  • 16 agentů napsalo za 2 týdny C kompilátor (100 000 řádků Rustu), který přeloží jádro Linuxu (02/2026)
  • Stack Overflow 2026: 73 % uživatelů AI asistentů je používá denně, nejpoužívanější agent je Claude Code

Kde jsou dnes hranice

  • Spolehlivost: s 80% úspěšností AI zvládne jen ~3 h úlohy, s 50% úspěšností ~17 h (METR)
  • Podvádění: aspoň 16 % „úspěšných” běhů na úlohách nad 8 h bylo nelegitimních, např. obešly testy (METR 05/2026)
  • Kvalita: zhruba polovinu oprav, které projdou testy SWE-bench, by správci projektu nezačlenili (METR 03/2026)
  • Bezpečnost: ~44 % úloh generování kódu zanese zranitelnost, oproti minulému roku beze změny (Veracode 07/2026)
  • Nová věda: jasné zrychlení zatím jen v hledání zranitelností, v matematice slabé, v optimalizaci algoritmů žádné (METR 08/2026)
  • Úzké hrdlo je člověk: review a rozhodnutí, co má smysl dělat (Anthropic 09/2026)

→ Proto dnes: ověřování, review, merge requesty, malé kroky

Přístup

Claude pro vás

  • Claude Team pro vědce: pozvánka do týmu → účet na claude.ai
  • Claude Code: v terminálu claude → /login (přihlášení přes prohlížeč)
  • Limity: klouzavé 5hodinové a týdenní okno, stav ukáže /usage
  • Bez předplatného: Claude Code s modely e-INFRA CZ (viz dále)

Instalace

# Linux, WSL
curl -fsSL https://claude.ai/install.sh | bash

# Windows PowerShell
irm https://claude.ai/install.ps1 | iex

Claude a jeho modely

Kdo je Claude

  • Velký jazykový model (LLM) od firmy Anthropic
  • Kde: chat na claude.ai (web, desktop, mobil), API, Claude Code
  • Vstup: text, obrázky, PDF
  • Výstup: jen text (a tedy kód, HTML, SVG, grafy přes kód) - obrázky negeneruje
  • Znalosti do června 2026, novější věci jen přes vyhledávání na webu

Aktuální modely (říjen 2026)

Model Na co Rychlost Cena ($ / 1M tokenů, vstup / výstup)
Fable 5.1 nejtěžší uvažování, hodiny trvající agentní práce pomalý 10 / 50
Opus 5.5 dlouhé agentní programování, výchozí volba střední 4 / 20
Sonnet 5.5 nejlepší poměr rychlosti a inteligence rychlý 2 / 10
Haiku 5.5 klasifikace, extrakce dat, velké objemy nejrychlejší od 0,10 / 0,50

Fable vs. Opus

  • Fable je třída „Mythos” - nad Opusem
    • fabula (lat.) ≈ mythos (řec.): „to, co se vypráví”
  • Fable 5.1 (září 2026): 2,5× dražší a pomalejší než Opus 5.5
  • Opus 5.5 vyšel o tři týdny později a na většině úloh Fable dorovnal
  • Doporučení Anthropicu:

If you’re unsure which model to use, start with Claude Opus 5.5 for most workloads. Use Claude Fable 5.1 for demanding reasoning and long-horizon agentic work.

btw

Fable 5.1 natrénoval neuronovou síť na radarových snímcích sondy Magellan (NASA) a vytvořil výškovou mapu třetiny Venuše s rozlišením 2-3 km místo původních 10-20 km (Anthropic 09/2026, data: Zenodo).

Kontextové okno

  • Pracovní paměť modelu: vše, co v konverzaci „vidí”
    • systémový prompt, CLAUDE.md / AGENTS.md, přečtené soubory, výstupy příkazů, vaše zprávy
  • Měří se v tokenech (kousky slov; čeština spotřebuje víc tokenů než angličtina)
  • Čím plnější kontext, tím horší výkon - je třeba ho hlídat:
příkaz
/context co přesně zabírá místo (ukázka!)
/compact shrne konverzaci; automaticky i před naplněním
/clear nový úkol = nová konverzace
subagent průzkum ve vlastním kontextu, vrátí jen shrnutí

Claude vs. GPT

úroveň Anthropic OpenAI cena ($ / 1M tokenů)
top Fable 5.1 GPT-6 Astra 10 / 50
střed Sonnet 5.5 (+ Opus 5.5 za 4 / 20) GPT-6.1 Sol 2 / 10
levný Haiku 5.5 GPT-6 Luna 0,10 / 0,50
  • Kontextové okno: obě firmy ~1M tokenů
  • Agent pro programování: Claude Code ↔︎ Codex (open-source CLI v Rustu)
  • Ceny jsou nastavené skoro stejně - rozhoduje kvalita, rychlost a nástroje

Benchmarky (nezávislé)

Terminal-Bench 4.0 - agent řeší úlohy v terminálu (stav 6. 10. 2026):

# agent + model úspěšnost
1 Claude Code + Opus 5.5 64,8 %
2 Claude Code + Sonnet 5.5 61,8 %
3 Codex + GPT-6 Astra 58,2 %
3 Codex + GPT-6.1 Sol 58,2 %
5 Claude Code + Fable 5.1 57,9 %
20 GLM-5.3 (nejlepší open-weight) 41,8 %

Artificial Analysis Coding Agent Index:

  • Claude Code + Opus 5.5: 62 bodů, 11,42 $ a 1 h na úlohu
  • Codex + GPT-6 Astra: 55 bodů, 7,04 $ a 25 min na úlohu
  • → Claude lepší, Codex levnější a rychlejší

Benchmarky: na co pozor

  • Čísla od výrobců ≠ nezávislé měření (každý ukáže, kde vyhrává)
    • i Anthropic přiznává: GPT-6 Astra je lepší na Terminal-Bench-Science (64,6 % vs. 58,7 %)
  • Benchmarky stárnou:
    • SWE-bench Verified: OpenAI ho přestal reportovat (únor 2026) - úlohy unikly do trénovacích dat, některé testy jsou chybné
  • Výsledek závisí na agentovi (Claude Code, Codex), úsilí (effort) a verzi benchmarku
  • Nejlepší benchmark je vaše vlastní úloha

Co umí ChatGPT lépe

  • Obrázky: ChatGPT Images 2.5 (září 2026) - Claude obrázky negeneruje vůbec
  • Hlas: GPT-Live - plně duplexní konverzace (poslouchá a mluví zároveň)
  • Codex: rychlejší a levnější agent, kód CLI je open source
  • Interaktivní grafy a tabulky přímo v odpovědi (GPT-6, říjen 2026)

e-INFRA CZ: modely (říjen 2026)

alias model kontext
coder, agentic Qwen3.8 Flash Next (180B MoE) 256k
thinker DeepSeek V4.1 Flash (s přemýšlením) 1M
glm GLM 5.3 (756B) 1M
kimi Kimi K3.1 Pro (MoE) 1M
mini gpt-oss-120b 128k
  • Dále: Mistral Medium 3.5, Gemma 4, Qwen3.8 27B, Whisper (přepis řeči), embedding modely
  • Modely se vyměňují i bez ohlášení („usually at night, but possibly at any time”) → používejte aliasy
  • Zdroj: docs.cerit-sc.cz - LLM models

e-INFRA vs. Claude

Artificial Analysis Intelligence Index (10/2026):

model skóre
Claude Opus 5.5 58
GPT-6 Astra 53
DeepSeek V4.1 Flash 45
GLM 5.3 45
Kimi K3 44
gpt-oss-120b 12

e-INFRA

  • + zdarma pro akademiky, české servery
  • + prompty se nelogují, netrénuje se na nich
  • − sdílená kapacita: odezva kolísá podle vytížení, souběžné požadavky je třeba omezovat
  • − volání nástrojů „zatím drhne”, v Claude Code nefunguje vyhledávání na webu
  • − modely se mění pod rukama

Claude

  • + nejlepší výsledky v agentní práci
  • − placené, data jdou k Anthropicu

Claude Code + e-INFRA CZ

Soubor ~/.claude/settings.json:

{
  "env": {
    "ANTHROPIC_BASE_URL": "https://llm.ai.e-infra.cz/",
    "ANTHROPIC_AUTH_TOKEN": "sk-...váš klíč...",
    "ANTHROPIC_MODEL": "agentic",
    "ANTHROPIC_DEFAULT_OPUS_MODEL": "thinker",
    "ANTHROPIC_DEFAULT_SONNET_MODEL": "agentic",
    "ANTHROPIC_DEFAULT_HAIKU_MODEL": "mini",
    "CLAUDE_CODE_DISABLE_NONESSENTIAL_TRAFFIC": "1"
  }
}
  • klíč stejný jako pro Zoo-Code: chat.ai.e-infra.cz → Settings → Account → API keys (API key, ne JWT token)
  • když se Claude Code ptá na přihlášení: spustit claude, na výběru přihlášení 3× Ctrl+C, pak do ~/.claude.json přidat "hasCompletedOnboarding": true (JSON musí zůstat platný)
  • když se zasekne nebo spadne: nejčastěji přetekl kontext (agentic má jen 256k)
  • návod: docs.cerit-sc.cz - LLM integration

Claude Code v JupyterHubu e-INFRA

  • hub.cloud.e-infra.cz (přihlášení účtem MetaCentra) → nový server → image DataScience NB s odznakem AI (pro R: RStudio s odznakem AI)
  • v terminálu claude - modely běží na infrastruktuře CERIT-SC, nic se neinstaluje
  • K čemu je to dobré:
    • vyzkoušet Claude Code bez instalace a nastavování
    • pracovat přímo u dat a notebooků na e-INFRA (víc RAM, GPU), data neodcházejí ven
  • Zasekne se po zavření prohlížeče → server Stop a znovu Start
  • Návod: docs.cerit-sc.cz - AI assistants, blog e-INFRA (01/2026)

Claude Code

Víc než chat

  • Pracuje přímo ve vašem projektu: čte repo, edituje, spouští příkazy, testy, git
  • Plan mode: nejdřív plán, pak kód
  • Checkpointy: Esc Esc nebo /rewind vrátí konverzaci i soubory
  • Code review: /code-review, /security-review
  • Subagenti, sessions na pozadí, worktree
  • Paměť: CLAUDE.md / AGENTS.md, automatická paměť mezi sessions
  • Rozšíření: MCP (další nástroje a data), skills (vlastní /příkazy), hooks (skript po každé akci), pluginy
  • Automatizace: claude -p "..." ve skriptech, GitLab CI/CD
  • Všude: terminál, VS Code, desktop, web claude.ai/code, mobil

Ovládání

cd muj-projekt
claude
  • píšete normálně česky; @soubor.py přidá soubor do kontextu
  • Esc přeruší práci, Esc Esc návrat zpět
příkaz
/init vytvoří CLAUDE.md - popis projektu pro AI
/clear, /compact, /context správa kontextu
/model, /effort výběr modelu a úsilí
/usage spotřeba a limity
/rewind návrat ke checkpointu
/code-review review změn
/help nápověda

Režimy oprávnění

Shift+Tab přepíná:

režim co dělá
default ptá se na každou úpravu a příkaz
acceptEdits soubory upravuje sám, příkazy schvalujete
plan jen čte a navrhne plán (Ctrl+G = upravit plán v editoru)
auto akce posuzuje klasifikátor, ptá se jen u rizikových
bypassPermissions neptá se vůbec → nikdy na vlastním počítači
  • Pravidla natrvalo: permissions.allow / permissions.deny v .claude/settings.json
  • Checkpointy hlídají jen úpravy souborů od Claude, ne příkazy v bashi → git je pořád záchrana

Code review

/code-review                 # review změn na aktuální větvi
/code-review high --fix      # důkladněji a rovnou opravit
/code-review --comment       # výsledek jako komentář do GitLab MR (přes glab)
/security-review             # bezpečnostní díry v diffu proti origin
/simplify                    # úklid kódu (nehledá chyby)
  • Writer / Reviewer: jedna session píše, druhá s čistým kontextem dělá review
  • AI review je další pár očí, ne náhrada vašeho čtení kódu

Agentní práce

Jak funguje agent

%%{init: {"flowchart": {"htmlLabels": false}, "themeCSS": ".edgeLabel rect { opacity: 1 !important; }"}}%%
flowchart LR
  U([Zadání]) --> M[Model: co dál?]
  M -->|volá nástroj| T[Nástroj: čti / edituj / spusť]
  T -->|výsledek| M
  M -->|hotovo| R([Shrnutí + diff])
  • Workflow: postup je pevně daný v kódu, LLM jen vyplňuje kroky
  • Agent: model si postup volí sám podle výsledků nástrojů
  • Anthropic: začněte nejjednodušším řešením, složitost přidávejte, až když je potřeba

Agenti = tým lidí

Analogie: vedoucí skupiny a doktorandi

  • Vedoucí (hlavní session) rozdělí práci a drží celkový obraz
  • Doktorand (subagent) dostane jasné zadání, pracuje ve vlastním kontextu a vrátí shrnutí
  • Kdo neumí úkol dobře zadat, neumí ho ani delegovat

V Claude Code

  • Subagenti: Explore (rychlý průzkum, jen čte), Plan, general-purpose; vlastní v .claude/agents/*.md
  • Sessions na pozadí: claude --bg "...", přehled claude agents
  • Agent teams (experimentální): vedoucí + členové se sdíleným seznamem úkolů

Kdy to má cenu?

Má

  • nezávislé úlohy (průzkum, review, nový modul)
  • průzkum, který by zahltil kontext (logy, velké repo)
  • víc pohledů na jednu věc (review z různých hledisek)

Nemá

  • provázané změny ve stejných souborech
  • sekvenční kroky (B potřebuje výsledek A)
  • malé úlohy - koordinace stojí víc než práce
  • Cena (Anthropic 2025): agent spotřebuje ~4× víc tokenů než chat, multiagentní systém ~15×
  • „An agent handling a feature should also handle its tests.”
  • U programování je skutečně paralelizovatelných úloh méně, než se zdá

GitLab pro agenty

Merge request

%%{init: {"flowchart": {"htmlLabels": false}, "themeCSS": ".edgeLabel rect { opacity: 1 !important; }"}}%%
flowchart LR
  A[master] -->|nová větev| B[agent/fit]
  B --> C[commity]
  C --> D[Merge request]
  D --> E{CI + review}
  E -->|OK| F[merge do master]
  E -->|chyba| B
  • MR = žádost o začlenění větve: diff, diskuse, CI, schválení
  • Proč má agent pracovat přes MR:
    • nikdy přímo do master - změna je izolovaná a jde vrátit (git revert)
    • CI spustí testy → agent dostane zpětnou vazbu a sám opraví
    • review: člověk (i AI) vidí přesně, co se změnilo
    • historie: kdo, co a proč

glab: GitLab z příkazové řádky

glab auth login --hostname gitlab.mff.cuni.cz   # přihlášení
glab mr create --fill --draft    # pushne větev a založí draft MR
glab mr view -c                  # MR včetně komentářů
glab ci status --wait            # počká na výsledek pipeline
glab mr note -m "..."            # komentář do MR
  • Agent zvládne celý cyklus sám: větev → commit → MR → počká na CI → opraví → review
  • Do AGENTS.md: „Hotovo = testy prošly a je založený draft MR”
  • Claude jde spustit i přímo v GitLab CI (claude -p v jobu, beta): review MR, oprava selhaných testů
  • Dokumentace: docs.gitlab.com/cli

Worktree: víc agentů na jednom repu

  • Problém: dva agenti ve stejné složce si navzájem přepisují soubory
  • git worktree: víc pracovních adresářů, každý na jiné větvi, jedna společná historie (.git)
git worktree add -b agent/fit ../ukol1-fit master
git worktree add -b agent/ci  ../ukol1-ci  master
git worktree list
git worktree remove ../ukol1-fit
  • Claude Code: claude -w fit → .claude/worktrees/fit/ na větvi worktree-fit
  • Pozor: worktree je čistý checkout - chybí .venv, .env, stažená data
    • → soubor .worktreeinclude, nebo znovu setup
  • Jedna větev nemůže být ve dvou worktree zároveň

AGENTS.md a prompty

AGENTS.md

  • „README pro agenty”: jak projekt spustit a testovat, konvence, co nedělat
  • Otevřený standard: OpenAI 2025, dnes pod Linux Foundation (Agentic AI Foundation); 60 000+ projektů
  • Čtou ho: Codex, Cursor, GitHub Copilot, Roo Code, Claude Code, …
  • Vnořené soubory: platí nejbližší AGENTS.md ve stromu adresářů
  • Claude Code čte AGENTS.md jen tehdy, když neexistuje CLAUDE.md
    • jistota: první řádek CLAUDE.md = @AGENTS.md
  • CLAUDE.md navíc umí:
    • úrovně: uživatel ~/.claude/CLAUDE.md, projekt, osobní CLAUDE.local.md
    • importy @soubor, pravidla pro cesty v .claude/rules/

AGENTS.md: příklad

# AGENTS.md
## Projekt
Úkol 1: fit Curie-Weissova zákona na data z VSM (Python 3.12, uv).
- src/   načítání dat, převody jednotek, fit
- data/  stažená data - NEMĚNIT

## Příkazy
- Instalace: `uv sync`
- Testy: `uv run pytest -q`
- Report: `uv run python src/report.py` → ukol1.pdf

## Konvence
- Uvnitř jen SI, převod při načtení (emu → A·m², Oe → A/m)
- Každý nový fit má test na syntetických datech se známými parametry

## Git
- Pracuj na větvi `agent/<tema>`, nikdy necommituj do master
- Hotovo = testy prošly + `glab mr create --fill --draft`

## Nikdy
- `git push --force`, `git reset --hard`, mazání data/, commit tokenů

AGENTS.md: specifika

  • Krátce a konkrétně (< 200 řádků) - každý řádek stojí kontext
    • „Co by po smazání nezpůsobilo chybu, smažte.”
  • Příkazy, které jde spustit (testy, lint), jsou víc než obecné rady („piš čistý kód”)
  • Když agent udělá stejnou chybu dvakrát → doplňte pravidlo
  • Je to jen rada, ne zámek: tvrdé zákazy patří do oprávnění (permissions.deny) nebo hooků
  • Cizí AGENTS.md čtěte! Útočníci schovávají instrukce do souborů s pravidly (i neviditelnými Unicode znaky)

Jak psát prompty

  1. Jasně a přímo - jako novému kolegovi, který nezná kontext
  2. Řekněte proč - z důvodu model odvodí víc než z příkazu
  3. Struktura: Cíl / Kontext / Omezení / Hotovo, když
  4. Dejte mu jak si práci ověřit (test, skript, graf) a chtějte důkaz
  5. Složitější věci: nejdřív průzkum a plán (plan mode), pak kód
  6. Odkazujte konkrétní soubory (@fit.py) a vzory („stejně jako fit_langevin()“)
  7. Omezte rozsah: „nepřidávej závislosti”, „neměň API”, „testy neobcházej”
  8. Po dvou neúspěšných opravách: /clear a lepší zadání

Zdroje: Claude Code best practices, Prompting best practices

Prompt: špatně vs. dobře

Špatně:

oprav ten fit, nefunguje to

Dobře:

Cíl: curie_weiss_fit() v src/fit.py ignoruje
parametr t_min a fituje celý rozsah.
Kontext: drž se stylu fit_langevin() ve stejném
souboru; ukázková data data/01.dat.
Omezení: neměň signaturu, žádné nové závislosti,
data/ needituj.
Hotovo, když: nový test na syntetických datech
(známé C a Θ, 1% šum) je najde s chybou pod 2 %
a `uv run pytest -q` projde - vlož výstup.
Pak commit na větev fix/cw-tmin a draft MR
přes glab.

Vážně? Často stačí i ten krátký.

Proč stačí:

  • napíšete ho za 5 s, ne za 5 min
  • styl, testy, větve a glab už jsou v AGENTS.md
  • agent si kontext dohledá sám (kód, testy, git log)
  • nepředepíšete mu řešení → může najít skutečnou příčinu

Úskalí:

  • „nefunguje“ je neurčité → agent hádá, co opravit
  • bez kritéria „hotovo“ si úspěch určí sám (třeba upraví test)
  • víc průzkumu = víc tokenů a času
  • v cizím repu bez AGENTS.md nemá z čeho vycházet

→ Začněte krátce a dopište jen to, co agent nezjistí sám: co je špatně a jak poznat, že je hotovo. Netrefí se? Esc a upřesnit.

Postup: prozkoumej → naplánuj → naprogramuj → commitni

  1. Prozkoumej (plan mode): „Přečti src/ a vysvětli, jak se načítají data.”
  2. Naplánuj: „Navrhni plán, jak přidat …” → Ctrl+G plán upravit
  3. Naprogramuj: vypnout plan mode, implementovat, spustit testy
  4. Commitni: commit + MR, projděte si diff
  • Když jde změnu popsat jednou větou → plán přeskočte
  • /code-review často není potřeba: jde hodně do hloubky (trvá, stojí tokeny, hlásí i drobnosti)
    • stačí projít diff sám, nebo říct „projdi změny a najdi chyby“
  • Velký úkol: nechte se Claudem vyzpovídat, sepište specifikaci, implementujte v nové session

Bezpečnost

Na co si dát pozor

  • Prompt injection: instrukce schované v datech (issue, web, PDF, AGENTS.md)
    • nebezpečná trojice: soukromá data + nedůvěryhodný obsah + možnost komunikovat ven
  • Tajemství: commity spoluautorované Claude Code obsahují tajemství ~2× častěji než průměr na GitHubu (GitGuardian 2026)
    • tokeny do .gitignore, nikdy do promptu (pozor na trigger token z úkolu #1!)
  • Halucinované balíčky („slopsquatting”): 5 % (komerční modely) až 22 % (open modely) navržených balíčků neexistuje → útočník je zaregistruje (USENIX 2025)
  • Destruktivní příkazy: agent Replitu smazal produkční databázi (2025)
    • → oprávnění, žádný bypassPermissions, git jako záchrana
  • Citlivá data → modely e-INFRA (české servery), nebo vůbec

Cvičení

Jídelníček menzy na webu

%%{init: {"flowchart": {"htmlLabels": false}, "themeCSS": ".edgeLabel rect { opacity: 1 !important; }"}}%%
flowchart LR
  W[agent web] --> MR[draft MR]
  C[agent ci] --> MR
  MR --> R[review: jiný model]
  R --> O[agent opraví]
  O --> V{vy: merge}
  V --> CI[GitLab CI: build + deploy]
  CI --> K([menza-login.dyn.cloud.e-infra.cz])
  • Navazujeme na menza.py z 1. lekce: jídelníček jako stránka, kterou CI každý den nasadí na Kubernetes (e-INFRA)
  • Vy jste vedoucí: zadáváte, čtete, mergujete. Kód, CI i Kubernetes dělají agenti
  • Dva agenti najednou, každý ve svém worktree; review dělá jiný model
  • Claude běží jen u vás, GitLab CI jen staví a nasazuje

Příprava

  • Potřebujete účet MetaCentra
  • rancher.cloud.e-infra.cz: přihlásit se → vznikne namespace <prijmeni>-ns
  • Rancher → kuba-cluster → Download KubeConfig → uložit jako ~/.kube/config
  • kubectl a glab: winget install Kubernetes.kubectl a winget install GLab.GLab
  • GitLab token pro glab: Legacy, scope api, platnost do konce semestru → glab auth login --hostname gitlab.mff.cuni.cz
  • claude update: zápis review do GitLabu potřebuje verzi ≥ 2.1.257

Hotovo, když:

kubectl auth can-i --list | grep namespaces   # váš namespace (PowerShell: | Select-String namespaces)
glab mr list                                  # v repu menza, bez chyby
uv run menza.py                               # vypíše jídelníček

Ukázka: AGENTS.md pro dva agenty

## Rozhraní (měnit jen po domluvě s člověkem)
- `uv run menza.py --html public/` → public/index.html
- public/ celkem < 900 KiB (jde do ConfigMap)
## Kdo co vlastní
- worktree web: menza.py
- worktree ci: .gitlab-ci.yml, k8s/
## Cluster (kuba-cluster, CERIT-SC)
- namespace <prijmeni>-ns, menza-<login>.dyn.cloud.e-infra.cz
- Pod Security "restricted", nginx-unprivileged, ConfigMap
- HTTPRoute na traefik-gateway, ne Ingress
- CI: token v $KUBE_TOKEN
## Git a review
- Hotovo = push + `glab mr create --draft`
- Review: claude -p --model opus ... "/code-review ..."
- Oprav (jedno kolo), odpověz v MR, --ready
- Merge dělá člověk
## Nikdy
- merge, push do master, kubectl delete, tokeny
  • Rozhraní: agenti pracují zároveň, musí se shodnout předem
  • Kdo co vlastní: žádné přepisování cizích souborů
  • Cluster: to, co agent sám nezjistí; bez toho ladí 20+ min
  • Git a review: kdy je hotovo a co dál
  • Nikdy: + tvrdě v .claude/settings.json

Celá šablona: menza/AGENTS.md

Vy: připravte repo

  1. cd menza → claude → potvrďte důvěru ve složku
  2. AGENTS.md ze šablony, doplňte <prijmeni>, <login>, <nick>; CLAUDE.md = jediný řádek @AGENTS.md
    • pro srovnání /init: co o projektu zjistil Claude sám?
  3. settings.json uložte jako .claude/settings.json
  4. Do .gitignore přidejte public/ a .claude/worktrees/
  5. Rozhraní: „Přidej do menza.py přepínač --html DIR, který zapíše DIR/index.html”
    • nefunguje skript z 1. lekce? Vezměte menza.py
  6. Commit + push do master: jediná změna, kterou děláte přímo vy

Hotovo, když: v nové session odpoví Claude na „Co uděláš, až dokončíš práci?“ podle AGENTS.md

Ukázka: review jedním příkazem

claude -p --model opus --settings .claude/settings.json "/code-review medium !3 --comment"
  • -p: samostatný proces → čistý kontext, autor ho neovlivní
  • --model opus: jiný model než autor (Sonnet) → jiné slepé skvrny
  • medium: důkladnost (~1 min); bez ní se vezme naposledy zadaná, třeba xhigh ~7 min
  • !3: na gitlab.mff jen !3 nebo URL · --comment: nálezy do MR přes glab
  • --settings: -p se neptá, smí jen to, co povoluje settings.json

Z generálky:

  • bez potvrzené důvěry ve složku -p povolení tiše ignoruje → proto --settings
  • Git Bash na Windows přepíše "/code-review …" na C:/Program Files/Git/code-review … → env v settings.json

Vy: token pro CI

  1. Rancher → avatar → Account & API Keys → Create API Key
    • scope kuba-cluster, platnost do konce semestru (max. 365 dní)
  2. GitLab → Settings → CI/CD → Variables → KUBE_TOKEN, zaškrtněte Masked a Protected
  • Token vkládáte vy: agent ho nikdy nevidí, ani v promptu
  • Protected = jen master a plánovaná pipeline; kód z větve agenta se k tokenu nedostane
  • Jeden token = jeden účel: glab na notebooku, API klíč z Rancheru v CI
  • Token ServiceAccountu z Kubernetes nepoužijete: Rancher ho nepřijme

Vy: dva agenti najednou

claude -w web --model sonnet    # terminál 1
claude -w ci --model sonnet     # terminál 2

web:

Udělej z výstupu menza.py --html pěknou stránku: dny jako karty, zvýrazněné
nejvýhodnější jídlo, kalorie a alergeny, mobil i tmavý režim.
Postupuj podle AGENTS.md včetně review.

ci:

Napiš .gitlab-ci.yml a k8s/, aby CI stránku každý den vygenerovalo
a nasadilo na cluster. Postupuj podle AGENTS.md včetně review.
  • Nejdřív plan mode (Shift+Tab), plán přečtěte, pak pusťte
  • Krátké zadání stačí, zbytek je v AGENTS.md
  • Agent sám: kód → draft MR → review → opravy → ready → vy

Ukázka: MR po review

Co v MR najdete

  1. draft MR od agenta
  2. Code review: N nálezů (Opus)
  3. commit s opravami
  4. odpověď agenta: co opravil, co ne a proč
  5. ready + reviewer = vy

Co čtete vy

  • diff: rozumíte mu? drží se agent svých souborů?
  • co odmítl opravit a proč
  • zelená pipeline
  • stránku v prohlížeči: jak vypadá, review nevidí

Z generálky: CI ověřovalo nasazení podle času v patičce. Agent web mezitím změnil formát patičky → stránka se nasadila, ale pipeline na master zčervenala. Review to neodhalilo, každé vidělo jen svůj MR.

→ Co si agenti předávají, patří do Rozhraní v AGENTS.md

Vy: merge a každý den

  1. Mergněte MR od ci, pak od web
    • konflikt? Řekněte agentovi: „rebase na master”
  2. Pipeline na master: build → deploy → otevřete https://menza-<login>.dyn.cloud.e-infra.cz
  3. Build → Pipeline schedules → New schedule: 0 9 * * 1-5, Europe/Prague, větev master
  4. Odkaz pošlete na Discord 🍽️

Bonus

  • Grafy (agent web): ceny za týden, kalorie za korunu (product.nutritionalInfo) - pozor na 900 KiB
  • Víc menz najednou (canteenIds)
  • Review jiným modelem: --model fable, nebo e-INFRA → co najde navíc?
  • Úroveň review: low vs. high - čas, cena, nálezy
  • Historie cen: kam ukládat data mezi dny? Nechte si navrhnout plán (plan mode)

Odkazy