Nástroje, po ktorých siaham, a prečo. Zoznam je zvyk, nie hranica: ak máte vlastný stack, prispôsobím sa.

Jazyky

TypeScript, Python, SQL, Rust

AI a jazykové modely

OpenAI, Anthropic Claude, Ollama, Qwen3, bge-m3, hybridné vyhľadávanie (vektory + BM25), rerankery, knowledge graph, MCP, n8n, Make

Web a aplikácie

Next.js, React, NestJS, Node.js, Tailwind, shadcn/ui, Expo, Three.js

Dáta a infraštruktúra

PostgreSQL, pgvector, Prisma, Redis, BullMQ, Turborepo, Vercel

Nástroje na prácu s AI

Claude Code, OpenAI Codex, ChatGPT

Voľby, ktoré robím zámerne

Kód počíta, model číta

Sumy, dátumy, limity a termíny počíta kód. Model číta, triedi a navrhuje. Preto ClaimPilot v 54 listoch nevymyslel ani jedno číslo.

Najprv testovacia sada, potom ladenie

Bez sady otázok so správnymi odpoveďami sa nedá povedať, či zmena pomohla. Zostavím ju ako prvú vec v projekte.

Lokálny model, len keď to dáva zmysel

Lokálny model volím, keď dáta nesmú von alebo sa to pri objeme oplatí. Inak je API v regióne EÚ lacnejšie a silnejšie.

pgvector pred samostatnou vektorovou databázou

Ak už máte PostgreSQL, pgvector znamená o jeden systém menej na správu a zálohovanie.

Graf len tam, kde pomáha

V mojom meraní knowledge graph pri bežných otázkach zhoršil presnosť vyhľadávania (MRR 76,1 → 54,8). Preto beží len pri otázkach na vzťahy medzi dokumentmi.

Nevratné kroky schvaľuje človek

Odoslanie e-mailu, platbu alebo zmenu v systéme schvaľuje človek, kým čísla neukážu, že to agent zvládne sám.