Tři systémy v produkci, jedna metoda v každodenním průmyslovém provozu.
Autonomní LLM pipeline, vlastní agentní stack a znalostní báze s odezvou pod sekundu - všechno dnes v provozu, všechno podložené čísly. Tady je, co bylo problémem, co jsem postavil a co to dnes dělá.
48 sekund, tři ze systémů níže - skutečné záznamy z terminálu, žádné mockupy
Současná role - krok za krokem
Co dělám v Kyoceře, v pořadí, ve kterém to dělám.
Kyocera Automotive and Industrial Solutions, Dietzenbach: 05-09/2026 pracující student, od 10/2026 na plný úvazek jako AI Engineer - Digital Transformation. Větší část je interní poradenství, pak vývoj; práce běží ve čtyřech krocích.
01Zmapovat
Rozhovory a workshopy s lidmi, kteří práci dělají - kvalita, zákaznický servis, prodej, řízení změn - zachycené jako mapy procesů.
02Najít
Registr problémů z toho, co lidé řekli, bez duplicit, se zdroji a seřazený, aby vedení vidělo, co opravit nejdřív.
03Vyřešit
Funkční nástroje na Microsoft 365 místo slajdů: Copilot agent, který připravuje koncepty odpovědí pro zákaznický servis a nikdy sám neodesílá, Office Script, který označí změny v týdenních souborech objednávek, a toky v Power Automate.
04Ověřit
AI nástroje a platformy prověřené podle hostingu v EU, EU AI Act, GDPR a nákladů, revize zásad používání AI a podklady pro rozhodnutí vedení.
Výzkumnou stranou téže otázky je moje diplomová práce na KIT, odevzdaná 09/2026: vícekriteriální rozhodovací model pro zavádění AI ve výrobě. Čtyři kroky podrobněji popisuji na stránce o metodě.
ProblémČíst tržní a zpravodajské kanály ručně nejde škálovat a ve tři ráno to neběží.
PostavenoAutonomní pipeline, která nabírá tržní a zpravodajská data, spouští LLM analýzu a podle plánu publikuje signály na Telegram bez jediného ručního kroku. Modelová vrstva je nezávislá na dodavateli - Anthropic, OpenAI, DeepInfra nebo lokální Ollama - a shadow-evaluation brána pustí levnější model dál teprve tehdy, když se na živých datech vyrovná referenci.
deepsignal
docker ps - všechny služby na serveru běží v pořádku
~95%nižší náklady na model po shadow-eval bráně
zoceleno backtestingem + adversariálním review 54 agentů / vlastní hosting v Dockeru / měsíce v provozu
ProblémJeden asistent nemůže být expert na všechno a cloudový asistent neběží na vašem hardwaru ani za vašich podmínek.
PostavenoVlastně hostovaný asistent, který běží 24/7 a přes meta-orchestrátor koordinuje knihovnu specializovaných agentů - s vlastními MCP servery, hlasem oběma směry a přímými nástroji pro e-mail a kalendář.
„proč se mi graf nenačítá na telefonu?“
berezka-site-optimizer - owns berezka.me end to end
jeden orchestrátor, 12 vedoucích divizí, 200+ specializovaných agentů - najetím na uzel se ukáže jméno, jeden skutečný směrovaný příklad je vyznačen bronzově
PythonClaude APIMCPWhisperDocker
🔎V provozu
Hybridní RAG znalostní báze
ProblémZnalostní báze se 4 500 poznámkami je k užitku jen tehdy, když se správná odpověď vrátí za sekundu, ne posouváním souborů.
PostavenoHybridní vyhledávací systém - husté embeddingy (bge-m3), fulltext (FTS5) a reranker - přeindexovaný každou hodinu a obsluhovaný stále běžící službou.
rag
živě: RAG dotaz zodpovězen pod sekundu
<1sodpovědi nad 7 964 indexovanými soubory
dense + sparse + reranker / přeindexování každou hodinu / vault se 4 540 poznámkami
bge-m3FTS5RerankerPython daemon
Znalostní báze za tím
4 540 poznámek. 13 024 spojení. Jeden graf.
Obsidian trezor, který pohání hybridní RAG systém výše - každý bod je poznámka, každá čára je spojení mezi dvěma. Názvy jsou schované záměrně; jde o strukturu. Zobrazeno je 700 nejvýznamnějších uzlů.
4 540 poznámek13 024 spojení7 964 souborů ve vyhledávacím indexupřeindexováno každou hodinu
Graf se nenačetl - nejspíš výpadek sítě.
Pojďme se pobavit
Chcete si o tom promluvit?
Otázky k některému z těchto systémů, nebo nápad k probrání? Napište mi.