Jak zvládnout obří úkoly v kódu: AI agenti bez ztráty přehledu

Každý to zná. Nahodíte AI agentovi refaktoring autentizace. Po půlhodině vidíte, že zapomněl původní požadavky. Mezi třetím souborem a dalším refreshnutím kontextu se ztratil. Začínají domněnky. Najednou dohlížíte na agenta, který jede mimo trať.

Existuje lepší cesta. Nemusíte psát specifikace ručně. Ani neustále zasahovat.

Problém s kontextovým oknem, o kterém se nemluví

AI agenti excelují v jednoduchých úkolech. Dejte jim úzký cíl – refaktorovat funkci, vyladit query, přidat testy. Splní to na jedničku. Ale celý codebase refaktorovat? To je jiná liga.

I s 200K tokeny v kontextu je to boj. Agent sbírá historii, rozhodnutí, poznámky k architektuře a kusy kódu. Náročnost kontextu se stane hlavním problémem. Představte si, že máte v hlavě celou historii chatů a zároveň píšete kód.

Přichází vzor koordinátora

Co kdybyste měli:

• Jeden koordinátor, který vidí celkový plán
• Více specializovaných workerů, každý na svůj kousek
• Externího recenzenta, který kontroluje klíčové body

Toto není novinka. Rozdělené úkoly fungují věky. Spojené s LLM? To mění hru.

Koordinátor má lehkou práci. Musí:

1. Rozdělit úkol na fáze s jasnými závislostmi
2. Sledujit, co je hotové a co blokované
3. Držet v paměti jen plán, ne detaily implementace
4. Spouštět workery, až předpoklady splní

Každý worker má vlastní prostředí – samostatný git worktree. Dostane přesný prompt: "Refaktoruj tento modul na dependency injection. Tady je kód, tady cílová architektura, pusť se do toho."

Žádný přeplněný kontext. Žádné bloudění v cizím kódu. Žádné dohady o logice.

Síla společné kontroly

Klíčový trik: Před startem i po dokončení reviewer (jiný model nebo čistý kontext) prověří plán a výsledek.

Koordinátor navrhne fáze – třeba "oddělit autentizaci od autorizace", pak "vyjmout logiku rolí", nakonec "přidat cache pro permissions". Reviewer řekne: "Fáze tři čeká na dvě, ale co s migrací databáze?"

Tento pohled zvenčí brání chybám. Nezajistí dokonalost, ale chytí problémy dřív, než se rozšíří. Jako když tech lead schválí plán před stavbou.

Po implementaci reviewer porovná diff s plánem. Splnila fáze cíl? Žádné vedlejší efekty? Kvalita v pořádku?

Kdy to použít (a kdy ne)

Tento přístup zabíjí velké refaktoringy. Proč?

• Jasné kritérium úspěchu: Kód se chová stejně, jen čistěji.
• Málo nových domněnek: Refaktoring nevymýšlí business logiku.
• Více pohledů zvyšuje kvalitu: Různí agenti na stejnou fázi dají lepší řešení.

Ale pro přidání formuláře s třemi poli? Příliš složité. Použijte na 50 souborů, co by trvalo týden.

Co to znamená pro váš workflow

Hlavní výhoda: Předáte AI velký kus práce a věříte tomu. Vzor koordinátor-worker škáluje bez dohledu.

Pro developery v NameOcean a jinde – ať už cloud infra, deployment automation nebo legacy systémy – to otevírá dveře:

• Refaktoring infrastruktury: Z monolithického Terraformu na modulární IaC
• Modernizace legacy: Postupný přechod na aktuální best practices
• Restrukturalizace API: Rozdělení spojených endpointů do služeb

Klíč? Rozdělení a izolace brání kolapsu kontextu. Platí pro AI i lidi.

Praxe na dosah

Netřebujete exotické nástroje. Stačí:

1. Izolovaná prostředí (git worktrees ideální)
2. Koordinátor (agent, skript nebo strukturovaný prompt)
3. Recenzní krok ve workflow
4. Jasné specifikace bez cizí logiky

V NameOcean, kde vylepšujeme AI v Vibe Hosting, tento vzor umožňuje produkční práci. Místo boje s limity kontextu je využijeme.

Při dalším velkém overhaul codebase nekašte vše do jednoho promptu. Rozdělte. Koordinujte. Recenzujte. Nechte AI dělat, v čem vyniká – jasné, ohraničené změny.

Váš kontext (a klid) vám poděkují.