AI ta Krajta #54 | Claude Opus 4.8, DeepSWE a proč coding agenti míří za hranice IDE

🔥 Další díl AI ta Krajta! 54. epizoda, kde řešíme Claude Opus 4.8, stovky subagentů v Claude Code, long-running coding agenty, benchmark DeepSWE, context engineering a otázku, jestli agenty raději zamykat do sandboxu, nebo jim dát vlastní identitu. V tomto díle začínáme čerstvě vydaným Claude Opus 4.8. Probíráme první dojmy, rychlost, cenu, limity subscriptionů a hlavně novinku Dynamic Workflows v Claude Code, která má umožnit rozpad složitých úkolů na stovky paralelně běžících subagentů. Od toho se dostáváme k Recursive Language Models, dlouhému kontextu, zpracování obrovských codebasí a benchmarkům, které se snaží měřit skutečnou schopnost agentů řešit dlouhé softwarové úkoly, ne jen krátké programátorské hádanky. Velký blok věnujeme benchmarku DeepSWE a obecně tomu, jak vůbec hodnotit coding agenty. Řešíme rozdíl mezi modelem a harness/pipeline vrstvou, mini-SWE-agent, kontaminaci benchmarků, ručně psané verifikace, out-of-sample úlohy a otázku, jestli výsledky odpovídají tomu, co reálně zažíváme při práci s GPT, Claude, Gemini nebo čínskými modely. Zároveň se dostáváme k myšlence, že plánování může dělat silný frontier model, zatímco dílčí subtasky by teoreticky mohly běžet na levnějších specializovaných modelech. Druhá část epizody je o context engineeringu, správě kontextu uvnitř agentických běhů, sdílené KV cache, REPL přístupech a nástrojích pro prohledávání codebase. Probíráme i spekulativní decoding, EAGLE 3.1 a problém attention driftu: proč zrychlovací techniky fungují dobře na krátkých výstupech, ale začínají selhávat v dlouhém kontextu nebo při větších editacích. Navazujeme praktickou debatou o MCP, Claude Code apps, skills, presetech, tool callingu a tom, že příliš mnoho nástrojů může modelu spíš sežrat pozornost než pomoct. Děkujeme sponzorům:

🤖 AI supervize: https://ptbk.io/ai-supervize