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.