Velmi vzrušující. Teď můžete dělat divoké věci, které Claude Code umí lokálně, přímo na svém počítači přímo v Claude Desktopu. Obrovské. Odemkne sílu Claudeova kódu mnohem většímu počtu lidí. (A fakt super, že v oznámení odkazovali na můj příspěvek na CC, díky týmu @AnthropicAI)

Moje největší poznatky z @Aish_Reganti a @KiritiBadam při budování úspěšných podnikových AI produktů: 1. AI produkty se liší od tradičního softwaru ve dvou základních ohledech: jsou nedeterministické a musíte neustále vyvažovat agenturu versus kontrolu. Tradiční procesy vývoje produktu selžou, když váš produkt dává různé odpovědi na stejný vstup a dokáže věci dělat sám. 2. Kompromis mezi agenturou a kontrolou je základním návrhovým rozhodnutím každého AI produktu. Aish a Kiriti to vnímají jako spektrum: na jedné straně AI jedná autonomně s minimálními zábranami; na druhé straně je systém přísně omezen explicitními pravidly a bránami typu člověk v smyčce. Většina úspěšných podnikových AI produktů se nachází někde uprostřed, dynamicky upravuje kontrolu na základě skóre důvěry, kontextu a rizika. 3. Většina selhání AI produktů vzniká z chyb při provádění, nikoli z omezení modelu. Aish a Kiriti vidí, jak týmy viní základní LLM, zatímco skutečným problémem je nejasný rozsah produktu, chybějící ochranné zábrany nebo špatné zapojení uživatelů. Model, který halucinuje 5 % času, může stále pohánět skvělý produkt, pokud navrhnete UX tak, aby zobrazoval skóre spolehlivosti, umožnil uživatelům ověřovat výstupy a omezil úkol. Praktický postřeh: než požádáte o lepší model, auditujte svůj produktový design, zhodnoťte pokrytí a uživatelské toky. Disciplína provedení většinou převyšuje výkon modelu. 4. Váš produkt V1 AI by měl řešit úzký, vysoce hodnotný problém s pevnými zábranami. Týmy selžou, když se snaží na první pokus vytvořit obecného asistenta nebo agenta. Vyberte si jeden pracovní postup, automatizujte jeden opakující se úkol nebo dobře odpovězte na jednu kategorii otázek. Úzký záběr vám umožní získat zaměřenou zpětnou vazbu, rychleji ladit model a prokázat hodnotu před rozšířením. Šíře přichází později, až zvládnete základní smyčku. 5. Pozorovatelnost a logování jsou pro AI produkty důležitější než pro tradiční software, protože chování AI je nedeterministické a obtížněji laditelné. Měli byste zaznamenávat nejen chyby, ale také modelové skóre spolehlivosti, charakteristiky vstupu, uživatelské opravy a latenční metriky. Když se něco pokazí ve výrobě, tyto záznamy jsou jediným způsobem, jak rekonstruovat, co model viděl a proč učinil určité rozhodnutí. Investujte do infrastruktury pro těžbu dřeva včas, než nastane krize. 6. Hodnocení jsou nutná, ale nedostačující. Hodnocení vám pomáhají měřit výkon modelu na známých testovacích případech, ale nezachycuje kompletní produktovou zkušenost, okrajové případy v produkci ani spokojenost uživatelů. Týmy, které spoléhají výhradně na hodnocení, vyrábějí produkty, které v testování dosahují dobrých výsledků, ale ve skutečnosti selhávají. Kombinujte hodnocení s kontinuálním monitorováním, zpětnou vazbou uživatelů a nástroji pro pozorovatelnost, abyste zachytili, co automatizované testy přehlédnou. 7. "Kontinuální kalibrace" nahrazuje tradiční iterativní vývojové cykly produktu. Protože modely AI se odchylují a očekávání uživatelů se mění, musí týmy neustále měřit skutečný výkon a upravovat výzvy, zábrany nebo verze modelu. Aish a Kiriti doporučují instrumentovat produkt tak, aby zachytával zpětnou vazbu uživatelů a modeloval výstupy od prvního dne, a poté tato data týdenně přezkoumával. Bez kontinuální kalibrace se váš AI produkt tiše zhorší a uživatelé budou odcházet dřív, než si toho všimnete. 8. Kontinuální nasazení AI znamená aktualizace modelů a rychlé změny jako kód, nikoli manuální zásahy. Tradiční software nasazuje kód; AI produkty nasazují kód plus váhy modelů, výzvy a logiku vyhledávání. Aish a Kiriti prosazují zacházení s prompty a konfiguracemi modelů jako s verzovanými artefakty ve vašem CI/CD pipeline, s automatizovanými regresními testy prostřednictvím evalací. To zabraňuje běžnému antipatternu, kdy PM upravují výzvy v uživatelském rozhraní a narušují produkci. Výhoda je, že můžete bezpečně iterovat chování modelu a okamžitě vrátit zpět špatné změny. 9. AI produkty selhávají, protože týmy podceňují důležitost kvality dat. Aish a Kiriti vidí, jak týmy spěchají s jemným dolaďováním modelů nebo přidáváním funkcí, aniž by nejprve auditovali, zda jejich tréninková a hodnotící data skutečně odrážejí reálné používání. Špatné dovnitř, špatné ven platí dvojnásob pro AI: pokud jsou vaše data zastaralá, zaujatá nebo nesouladová s potřebami uživatelů, žádné promptové inženýrství nebo ladění modelu vás nezachrání. Začněte tím, že si dáte data do pořádku.

Efektní