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”
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)
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-projektclaude
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 # přihlášeníglab mr create --fill--draft# pushne větev a založí draft MRglab mr view -c# MR včetně komentářůglab ci status --wait# počká na výsledek pipelineglab 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
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## ProjektÚkol 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
Jasně a přímo - jako novému kolegovi, který nezná kontext
Řekněte proč - z důvodu model odvodí víc než z příkazu
Struktura: Cíl / Kontext / Omezení / Hotovo, když
Dejte mu jak si práci ověřit (test, skript, graf) a chtějte důkaz
Složitější věci: nejdřív průzkum a plán (plan mode), pak kód
Odkazujte konkrétní soubory (@fit.py) a vzory („stejně jako fit_langevin()“)
Cíl: curie_weiss_fit() v src/fit.py ignorujeparametr t_min a fituje celý rozsah.Kontext: drž se stylu fit_langevin() ve stejnémsouboru; 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 MRpřes 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.
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 chybyuv 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
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 1claude-w ci --model sonnet # terminál 2
web:
Udělej z výstupu menza.py --html pěknou stránku: dny jako karty, zvýrazněnénejvýhodnější 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 vygenerovaloa nasadilo na cluster. Postupuj podle AGENTS.md včetně review.
Nejdřív plan mode (Shift+Tab), plán přečtěte, pak pusťte
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
Mergněte MR od ci, pak od web
konflikt? Řekněte agentovi: „rebase na master”
Pipeline na master: build → deploy → otevřete https://menza-<login>.dyn.cloud.e-infra.cz