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

© 2026 GLG, a.s. | ← Zpět na obsah

11. Vzory využití paměti — praktické příklady

11.1 Procházení záznamů

# Seznam všech vzpomínek se stránkováním
memories = uaml.search("", limit=20)              # prvních 20
memories = uaml.search("", limit=20, offset=20)   # dalších 20

# Přes REST s filtry:
GET /api/knowledge?topic=code&limit=50&offset=0

# Hledání podle obsahu:
results = uaml.search("nasazení serveru", limit=10)
for r in results:
    print(f"[{r.confidence:.0%}] {r.topic}: {r.content[:100]}")

11.2 Filtrování pro relevanci

# ŠPATNĚ — vrátí vše, zahltí kontext:
all_data = uaml.search("", limit=1000)

# DOBŘE — cílený dotaz s filtrem témat:
results = uaml.search("API autentizace", topic="security", limit=5)

# NEJLÉPE — Focus Engine s token budgetem:
context = uaml.recall(
    query="Jak řešíme API autentizaci?",
    budget_tokens=800,
)
# Vrátí pouze nejrelevantnější záznamy co se vejdou do 800 tokenů

11.3 Prevence přehlcení kontextu

Hlavní problém AI paměťových systémů je přehlcení kontextu — příliš mnoho paměti

vstříknuté do promptu, plýtvání tokeny a matení modelu.

Pravidla:

| Potřeba kontextu | Budget | Metoda |

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

| Rychlé zjištění faktu | 200–500 tokenů | uaml.search(query, limit=3) |

| Detailní analýza | 500–1500 tokenů | uaml.recall(query, budget_tokens=1000) |

| Komplexní zpráva | 1500–3000 tokenů | uaml.recall(query, budget_tokens=2500) |

| Nikdy nepřekročit | 50% kontextového okna | Vždy nastavit explicitní budget |

# Anti-vzor: vylití všeho
all_memories = uaml.search("", limit=999)  # ❌ 50K+ tokenů plýtvání

# Správně: stupňový recall
# Krok 1 — rychlá kontrola: mám relevantní data?
quick = uaml.search(query, limit=3)
if not quick:
    pass  # Žádné relevantní vzpomínky — odpověz z aktuálního kontextu
else:
    # Krok 2 — cílený recall s budgetem
    context = uaml.recall(query, budget_tokens=800)

11.4 Vyžádání jen relevantních dat

# Filtr podle tématu:
code_memories = uaml.search("refaktor", topic="code")

# Filtr podle času — jen nedávný kontext:
from datetime import datetime, timedelta
recent = uaml.search(
    "nasazení",
    point_in_time=(datetime.now() - timedelta(days=7)).isoformat()
)

# Filtr podle spolehlivosti — jen kvalitní data:
config = {"min_confidence": 0.7}

# Kombinace filtrů přes Focus Engine:
context = uaml.recall(
    query="problémy s nasazením tento týden",
    budget_tokens=600,
    preset="conservative"
)

11.5 Správa životního cyklu paměti

# Ukládání s odpovídající spolehlivostí:
uaml.learn("IP serveru se změnila na 10.0.0.5", confidence=0.95)   # fakt
uaml.learn("Možná bude třeba upgradovat DB", confidence=0.5)       # spekulace

# Temporální platnost — znalost která vyprší:
uaml.learn(
    "Slevový kód konference: UAML2026",
    valid_from="2026-03-01",
    valid_until="2026-04-30"  # automaticky vyloučeno z recall po expiraci
)

# Soft-delete zastaralých informací:
uaml.forget(entry_id)  # označí jako smazané, zachováno v audit trail