Umělá inteligence dnes generuje miliony řádků kódu denně, ale většina z nich je podle expertů neefektivní, překombinovaná nebo rovnou nefunkční. Pokud při práci s AI nástroji (jako jsou Claude Code, Cursor nebo Copilot) nedodržujete základní disciplínu, brzy zjistíte, že trávíte více času opravováním chyb než samotným programováním.
Klíčové poznatky
- Přemýšlejte před kódováním: AI snadno udělá chybný předpoklad. Definujte vstupy i výstupy s maximální přesností dříve, než spustíte generování.
- Jednoduchost vítězí: Zakažte AI vytvářet zbytečné abstrakce a funkce „pro strýčka Příhodu“. Kód musí řešit pouze aktuální problém.
- Chirurgické úpravy: Velké a neurčité prompty vedou k poškození funkčního kódu. Donuťte model zasahovat pouze tam, kde je to absolutně nutné.
Proč AI modely při programování selhávají (A jak s tím bojovat)
Hlavním problémem velkých jazykových modelů (LLM) je jejich snaha potěšit uživatele za každou cenu. Namísto aby se doptaly na chybějící detaily zadání, tiše si vymyslí vlastní kontext. Důsledkem je kód, který sice na první pohled vypadá profesionálně, ale obsahuje skryté logické chyby.
Bývalý ředitel AI v Tesle, Andrej Karpathy, si těchto vzorců chování všiml a definoval čtyři základní pravidla, která těmto pastem předcházejí. Ať už používáte ChatGPT pro jednoduché skripty, nebo stavíte robustní aplikace přes Cursor, tyto principy představují dělící čáru mezi efektivním vývojářem a frustrovaným uživatelem.
💡 Pro-Tip: Nenechte AI hádat. Pokud je váš prompt kratší než pět slov (např. „Oprav tento kód“), necháváte modelům příliš velký prostor k chybám. Skvělý prompt se ptá na konkrétní chybu, ukazuje stack trace a stanovuje pravidla úpravy.
4 Zlatá pravidla Andreje Karpathyho pro práci s AI
1. Přemýšlejte předtím, než začnete kódovat (Think Before Coding)
Než stisknete klávesu Enter, musíte mít jasno v tom, čeho chcete dosáhnout. Modely často dělají chybné předpoklady, nesnaží se vyjasnit nejasnosti a neupozorňují na zjevné protimluvy ve vašem zadání. Místo toho prostě „něco“ vygenerují.
Řešením je stanovit jasné hranice. Zastavte se a explicitně vypište všechna omezení vašeho projektu. Pokud narazíte na komplexní problém, požádejte AI nejprve o analýzu situace a návrh několika možných řešení, ze kterých si vyberete to nejvhodnější, místo okamžitého generování kódu.
2. Jednoduchost na prvním místě (Simplicity First)
AI má ohromnou tendenci k overengineeringu. Pokud modelu zadáte tvorbu jednoduchého kontaktního formuláře, často vám vrátí stovky řádků kódu s komplexní validací, zbytečnými třídami a připravenou architekturou pro databázový cluster. Je to důsledek toho, že modely byly trénovány na repozitářích velkých korporací.
Vaším úkolem je modely krotit. Trvejte na co nejmenším počtu řádků. Žádné zbytečné funkce navíc, žádná abstraktní rozhraní. Minimalistický kód se lépe debugguje, rychleji nasazuje a je snazší na údržbu.
3. Chirurgické a přesné úpravy (Surgical Changes)
Jedním z nejčastějších nešvarů umělé inteligence je měnění kódu i tam, kde to nebylo vyžádáno. Zadáte úpravu tlačítka v CSS, ale AI mimochodem promaže vaše staré komentáře nebo nechtěně přepíše nesouvisející logiku o 50 řádků výše, protože se domnívala, že „to tak bude lepší“.
Aplikujte pravidlo chirurgických řezů. Výslovně modelu přikažte, ať zasahuje výhradně do bloků kódu souvisejících s aktuálním problémem. Jakékoliv přikrášlování sousedního kódu musí být striktně zakázáno.
4. Exekuce řízená jasnými cíli (Goal-Driven Execution)
Abyste maximálně využili potenciál autonomních AI agentů (jako je Claude Code), musíte transformovat imperativní příkazy do ověřitelných cílů. Neříkejte AI „Přidej validaci“. Řekněte: „Napiš test pro neplatné vstupy a následně uprav kód tak, aby testem prošel.“
Posun od „udělej toto“ k „dosáhni tohoto stavu“ umožňuje modelům tvořit vlastní zpětnou vazbu. Mají tak jasně definované metrik úspěchu a mohou iterovat své pokusy do té doby, dokud kód skutečně nefunguje.
Jak tato pravidla aplikovat v praxi (Cursor a Claude Code)
Teoretické znalosti musíte proměnit v systémové zvyky. V prostředích jako je Cursor IDE nebo přímo v terminálu s Claude Code se tato pravidla dají velmi snadno automatizovat pomocí globálních instrukcí. Tím zajistíte, že AI bude vaše pravidla respektovat při každém zadání bez nutnosti je neustále opakovat.
| Zlozvyk (Co dělat přestat) | Správný postup (Karpathy pravidla) |
|---|---|
| „Oprav tenhle bug v aplikaci.“ | „Napiš test, který replikuje tento bug [popis]. Následně jej oprav.“ |
| „Vytvoř mi přihlašovací systém.“ | „Navrhni 3 způsoby přihlášení s důrazem na nejmenší počet řádků kódu.“ |
| „Tady máš soubor, uprav logiku pro X.“ | „Změň výhradně funkci X. Nedotýkej se komentářů ani ostatního kódu.“ |
Nejsnazším způsobem implementace je stažení přímo předpřipravených CLAUDE.md nebo .cursorrules souborů, které tato pravidla integrují do každého otevřeného projektu. Jakmile se naučíte mantinely AI vývoje nastavit přesně a nekompromisně, vaše produktivita raketově poroste.
Časté dotazy k programování s AI (FAQ)
Proč umělá inteligence při generování kódu tak často chybuje?
Hlavním důvodem chyb je nedostatek specifikace v uživatelském promptu. Pokud AI nemá jasné zadání, doplní si chybějící kontext sama a vytvoří předpoklady, které neodpovídají realitě vašeho projektu. Čím přesnější jsou vstupní podmínky, tím spolehlivější je výsledný kód.
Jak nejlépe zabránit AI ve vytváření zbytečného kódu?
Aplikujte pravidlo Simplicity First (Jednoduchost na prvním místě) výslovným příkazem v promptu. Instruujte model, aby vytvořil nejkratší možné řešení bez dodatečných abstrakcí a ignoroval edge-casy, pokud o ně vysloveně nepožádáte.
Který nástroj je nejlepší pro aplikaci Karpathyho pravidel?
Nejlepší výsledky přináší editor Cursor a terminálový nástroj Claude Code, protože oba umožňují definovat globální chování přes soubory .cursorrules nebo CLAUDE.md. Agent tak zná vaše mantinely předem a nemusíte mu je psát ke každému dotazu.
Co znamená Goal-Driven Execution (Exekuce řízená cíli)?
Je to princip, při kterém modelu nedáváte přímé instrukce ke kódování, ale definujete pouze finální měřitelný cíl (např. napsání procházejícího unit testu). Model pak kóduje tak dlouho a iteruje svůj výstup, dokud daného cíle nedosáhne.
Aplikace pravidel Andreje Karpathyho transformuje AI modely z nespolehlivých asistentů na výkonné juniory, kteří přesně vědí, kde jsou jejich hranice. Pokud si osvojíte disciplínu přemýšlení před samotným generováním, radikálně zkrátíte čas věnovaný ladění chyb. Začněte ještě dnes: vytvořte si ve vašem projektu soubor s jasnými globálními pravidly a sledujte, jak se kvalita vašeho kódu okamžitě zvýší. Chcete další tipy pro efektivní využití AI v byznysu a IT? Sledujte naše pravidelné návody na Jak se dostat do médií.
