Smyčky (loops) jsou aktuálně největším průlomem pro lidi, kteří vyvíjejí software s pomocí umělé inteligence. Většina vývojářů ale stále neví, co loops jsou, jak fungují a kde je konkrétně použít.
Co jsou loops a jak fungují?
Loop je způsob, jak umožnit AI kodovacímu agentovi pracovat autonomně směrem k definovanému cíli. Klíčová vlastnost smyčky spočívá v tom, že odstraňuje člověka z rozhodovacího procesu. Agent tak může pracovat mnohem rychleji. Každý loop se skládá ze dvou základních prvků:
- Trigger – co loop spustí. Může to být manuální spuštění, naplánovaný čas nebo konkrétní akce (například otevření pull requestu).
- Cíl – buď ověřitelný (konkrétní, deterministicky testovatelný výsledek), nebo „LLM jako soudce“ (model sám rozhoduje, kdy bylo cíle dosaženo).
Loop library – bezplatná knihovna smyček
Autor videa spustil tzv. Loop Library, bezplatnou knihovnu, kde shromažďuje smyčky, které sám používá nebo vidí u ostatních vývojářů. Cílem je poskytnout konkrétní inspiraci a hotové prompty, které si lze přímo zkopírovat a okamžitě použít. Odkaz na knihovnu najdete v popisu videa.
7 konkrétních loops, které můžete použít
- Sub-50ms page load loop – agent prochází každou stránku aplikace a optimalizuje ji, dokud se nenačte za méně než 50 milisekund. Jde o ověřitelný cíl s konkrétní metrikou. Lze spustit manuálně nebo při každém otevření PR (pull requestu).
- Overnight docs sweep – každou noc agent projde celý kód, zkontroluje, zda dokumentace odpovídá aktuálním změnám, případně ji aktualizuje a otevře pull request. Jde o příklad přístupu „LLM jako soudce“.
- Architecture satisfaction loop – agent refaktoruje kód, dokud není spokojený s architekturou. Lze mu upřesnit kritéria, například důsledné dodržování principu DRY (Don’t Repeat Yourself). Průběh si agent sleduje v markdown souboru.
- Logging coverage loop – agent prochází systém a doplňuje chybějící logování, dokud každá důležitá cesta neprodukuje užitečné a otestované logy. Spouští se manuálně, cíl hodnotí LLM.
- Production error sweep – každou noc agent prochází produkční logy, hledá chyby, dohledá jejich příčinu, opraví je, ověří opravu a otevře PR. Výsledek odešle jako zprávu na Slack.
- SEO/GEO visibility loop – agent provede audit procházení, indexace, záměru stránek, titulků, interních odkazů, strukturovaných dat a dalších faktorů. Seřadí nedostatky podle dopadu, opraví ty nejvýznamnější a opakuje, dokud nezůstanou žádné kritické technické problémy. Doporučuje se spouštět jednou týdně.
- Full product evaluation loop – agent vygeneruje N realistických scénářů pokrývajících všechny hlavní funkce produktu, definuje kritéria úspěchu, otestuje každý scénář, opraví vše, co nesplní standardy, a opakuje, dokud každý scénář nesplní původní kvalitativní laťku. Může běžet 12 a více hodin.
Jak loops spustit v praxi – Codex a Claude Code
Ve videu je ukázáno použití nástroje Codex. Stejnou funkci nabízí také Claude Code. Pro spuštění smyčky stačí zkopírovat prompt z Loop Library, vložit ho do Codexu a na začátek nebo konec přidat příkaz /goal. Tento příkaz říká Codexu, aby pokračoval v práci, dokud není definovaná podmínka splněna. Agent poté může běžet 10 minut i 10 hodin bez dalšího zásahu člověka.
Dvě zásadní upozornění ke smyčkám
Autor upozorňuje na dvě důležitá omezení, která je třeba před nasazením loops zvážit:
- Loops nejsou vhodné pro každý problém. Navrhnout dobrý cíl smyčky není vždy jednoduché. Ověřitelné cíle fungují spolehlivě, cíle hodnocené LLM jsou křehčí. Loops nejsou vhodné pro vývoj nových funkcí od nuly, protože není možné přesně řídit, jakým směrem agent půjde a která rozhodnutí udělá.
- Loops jsou velmi drahé. Agent autonomně spotřebovává tokeny, dokud nedosáhne cíle. Některé smyčky mohou běžet i několik dní. Pro uživatele s omezeným tokenovým rozpočtem tak loops nemusí být v současnosti praktickým řešením. Více o nákladové stránce se dozvíte v článku o úkolech jazykových modelů.
Pokud vás smyčky zaujaly a chcete začít experimentovat, navštivte Loop Library (odkaz v popisu videa) a vyberte si hotový loop, který si rovnou zkopírujete do svého AI kodovacího nástroje. Pro hlubší pochopení kontextu doporučujeme také přehled delegování práce na AI agenta, článek o iterativním promptování nebo přehled možností automatizace pro každodenní praxi.
