AI modely jsou bezstavové – samy si nic nepamatují, veškerá "paměť" vzniká tím, že aplikace přilepí uložené informace do kontextového okna před každým dotazem. Filip Oborník vysvětluje, jak tato mechanika funguje, proč je kvalita kontextu důležitější než volba konkrétního modelu a jak si budovat přenositelnou znalostní základnu bez závislosti na jediné platformě. Video nabízí praktické rámce pro správu kontextu pomocí lokálních souborů, AI agentů a nástrojů připojených přes MCP.
AI modely jsou bezstavové – neučí se z vašich konverzací. Paměť funguje tak, že nástroj (ChatGPT, Claude) analyzuje chat, uloží útržky informací do textových souborů a ty přilepí do kontextového okna při dalším dotazu.
Personalizace odpovědí závisí na kvalitě uloženého kontextu, ne na modelu samotném. Pokud si nástroj uloží, že chcete přikyvující odpovědi, dostanete je – což nemusí být žádoucí.
Lokální Markdown soubory jsou praktičtější základ pro znalostní základnu než Notion nebo jiný cloudový nástroj – agenti k nim přistupují rychleji a vy si data udržujete pod kontrolou.
Princip tool agnostic: ukládejte kontext mimo ekosystém konkrétního nástroje (ChatGPT, Claude). Jinak se z platformy těžko odchází a data nejde kvalitně přenést.
AI agentům dávejte přístup k relevantním nástrojům (GitHub, Notion, Figma přes MCP), aby si kontext tahali sami – s read-only přístupy tam, kde nechcete riziko nechtěných úprav.
Konfigurační soubory a knowledge base jsou živé dokumenty – je potřeba je průběžně udržovat, aktualizovat a zbavovat neplatných odkazů. Strukturovaná "mapa" kontextu pomáhá modelu najít správné informace bez toho, abyste vše ručně cpali do promptu.
Historie chatu se neukládá. Po opuštění stránky bude smazána.
Když si povídáte s AI modelem, možná máte pocit, že se vás postupně "učí". Filip Oborník hned na začátku tohle dojemné nedorozumění rozbíjí: žádný z dnešních komerčních modelů se z konverzace s vámi nedotrénuje. Model je bezstavová krabička – dovnitř jde vstup, ven jde výstup, a o minulé konverzaci neví nic.
To, co vypadá jako paměť v nástrojích jako ChatGPT nebo Claude, je jiný mechanismus. Aplikace běžící kolem modelu průběžně analyzuje vaše chaty, vytahuje z nich útržky informací a ukládá je – v podstatě jako textové soubory. Při dalším dotazu tyto informace přilepí před váš prompt do kontextového okna. Model tedy "ví", kdo jste, jen díky tomu, co mu aplikace podstrčila. Proto také při použití anonymního režimu nebo otevřeném routeru bez vašeho profilu dostanete jiné odpovědi – kontext chybí.
Z tohoto mechanismu plyne praktický důsledek: kvalita kontextu rozhoduje víc než volba modelu. Frontier modely jsou dnes na podobné úrovni, ale odpověď přizpůsobená vašemu projektu, brandovým pravidlům nebo pracovnímu stylu vychází právě z toho, co do kontextu dostanete. Pokud si ale nástroj uloží, že preferujete přikyvující odpovědi, bude vám přikyvovat dál – a to nemusí být to, co chcete.
Oborník ukazuje, jak se s tím vyrovnává on. Používá AI agenty běžící lokálně (Claude Code, případně další), které instruuje, aby znalosti ukládaly do Markdown souborů nebo do Notionu. Vzniká tak knowledge base, kterou si sám spravuje a která není vázaná na jeden nástroj. Inspirací mu je přístup Andreje Karpathyho, který zveřejnil na GitHubu strukturu vlastní LLM Wiki – sbírku Markdown souborů, do nichž AI agenti zapisují a konsolidují informace z konverzací i článků.
Klíčový princip celého přístupu je tool agnostic. Pokud nalejete veškerý kontext do ekosystému jednoho nástroje, těžko ho pak přenesete jinam – a nikdy to neuděláte tak kvalitně, jako když máte data ve vlastních souborech. Notion Oborník používá jako zálohu a pro přehlednost, ale pro přímou práci agentů jsou lokální soubory výrazně rychlejší.
Druhá část práce s kontextem jsou nástroje připojené přes MCP – GitHub, Notion, Figma a další. Agent si může sám sáhnout pro potřebné informace, aniž mu je musíte ručně podávat. Přístupy je ale vhodné hlídat: třeba kalendář jen pro čtení, aby agent nemohl nic přepsat. Konfigurační soubory navíc fungují jako mapa – říkají modelu, kde co najde, aniž byste do kontextového okna cpali všechno najednou.
Kontext je živý organismus, ne statický dokument. Průběžně vznikají nové soubory, staré se stávají neplatnými, mění se odkazy. Kdo tohle vezme vážně a začne kontext strukturovat a udržovat dřív, bude mít výhodu – zvlášť jak se agenti rychle zlepšují a schopnost pracovat s kvalitním kontextem se stává tím, co je skutečně odlišuje.