⚠️ DŮLEŽITÉ: Všechny funkce jsou experimentální, v aktivním vývoji. Použití na vlastní riziko. Přizpůsobení vašemu workflow je nutné.

© 2026 GLG, a.s. | ← Zpět na obsah

6. Osvědčené postupy pro AI agenty

6.1 Co ukládat

✅ Ukládejte:

• - Rozhodnutí a jejich zdůvodnění
• - Fakta zjištěná při výzkumu
• - Preference a opravy uživatele
• - Projektový kontext a vztahy
• - Výsledky schůzek a úkoly

❌ Neukládejte:

• - Dočasné výpočty nebo mezikroky uvažování
• - Přesné duplikáty předchozích záznamů
• - Surové datové výpisy (nejprve shrnout)
• - Citlivá data bez souhlasu uživatele

6.2 Jak efektivně ukládat

# ŠPATNĚ — příliš vágní
uaml.learn("Did some work today")

# SPRÁVNĚ — konkrétní, vyhledatelné, s kontextem
uaml.learn(
    "Deployed v2.1 to production server 10.0.0.5. "
    "Migration took 12 minutes. No errors.",
    topic="deployment",
    source_type="observation",
    confidence=0.95
)

6.3 Jak efektivně vyvolávat

# ŠPATNĚ — příliš obecné, plýtvá tokeny
results = uaml.search("everything")

# SPRÁVNĚ — cílený dotaz s rozpočtem
context = uaml.recall(
    "What deployment issues have we had this month?",
    budget_tokens=800
)

6.4 Ladění Focus Engine

| Scénář | Doporučená předvolba | Proč |

|--------|---------------------|------|

| Zákaznická podpora | Conservative | Pouze ověřené, relevantní informace |

| Code review | Standard | Rovnováha kontextu a přesnosti |

| Výzkum/brainstorming | Research | Více asociací, širší kontext |

| Právní/compliance práce | Conservative | Audit trail, pouze vysoká spolehlivost |

6.5 Strategie tokenového rozpočtu

• - Krátká odpověď: 200–500 tokenů
• - Podrobná analýza: 500–1 500 tokenů
• - Komplexní zpráva: 1 500–3 000 tokenů
• - Nikdy nepřekračujte 50 % kontextového okna pro vyvolávání paměti