Jeden den web developera s AI agentem

Prvním impulzem opravdu se ponořit do Copilota naplno byla přednáška na FrontKon 2025 v Brně. Ta mě přiměla přestat se na AI dívat jako na zajímavost a začít ji brát jako součást každodenní práce.

Ráno: Teams, review a rozjezd

Můj den začíná docela klasicky: rychlá kontrola Teams a e-mailu, odpovědi na zprávy. Pak hned code review kódu kolegů. Tady jsem zjistil, že Copilot pomáhá i s věcmi, které bych dříve řešil čistě sám. Rychle pochopí kontext změn, navrhne komentář, občas upozorní na potenciální problém, který bych snadno přehlédl.

Pak přichází vlastní práce: nová feature nebo bug. A tady nastupuje Copilot naplno. Znáte ten pocit, kdy máte prázdný soubor a nevíte, kde začít? Copilot mi pomůže překonat tu první prázdnotu: navrhne strukturu komponenty v Nx monorepu, vygeneruje základ servisy, připraví výchozí kostru kódu. Nemusím začínat od nuly a můžu se rovnou soustředit na to, co je důležité: architekturu, UX a konkrétní rozhodnutí.

Dobře to vystihuje jedna metafora: AI je jako junior v týmu. Pomůže rozjet, urychlí start, ale nenese odpovědnost za finální řešení. Ta zůstává na mně.

Dopoledne: Copilot jako parťák při kódování

Kde Copilot opravdu šetří čas? Prakticky u všeho, co je součástí mého Angular workflow:

• Standalone komponenty, services, pipes: vygeneruje základ, já doladím detaily.
• Signals a RxJS vzory: překvapivě dobře navrhne i novější Angular patterns.
• Refaktoring existujícího kódu: i v Nx monorepu dokáže navrhnout čistější variantu.
• Psaní Vitest testů: testy píšu průběžně, ale hlavně je to oblast, kam chceme víc investovat. Copilot tady výrazně snižuje bariéru, mechanické psaní testů přestává být důvod, proč je odkládat.
• Analýza a plánování: Copilot Chat používám jako parťáka pro rozmyšlení řešení ještě před samotnou implementací.

Copilot se nehodí jen na dopsání řádku kódu, ale na celý workflow od plánování, přes implementaci až po commit message. Čím víc kontextu mu dám, tím lepší výsledek dostanu. Platí přitom jednoduchá zkušenost: čím přesnější prompt s jasnou specifikací toho, co chci, jaký je kontext a co očekávám na výstupu, tím méně času trávím opravováním.

Workflow pro větší featury: od nápadu k review

U větších featur jsem si vytvořil konkrétní postup, který mi výrazně zlepšil výsledky:

1. Plánování: Přepnu Copilota do plánovacího režimu. Ten se mě aktivně doptá na upřesňující otázky: co přesně chci, jaký je kontext a jaká jsou omezení. Výsledkem je strukturovaný plán implementace, který si projdu a případně upřesním, než dám souhlas.
2. Implementace: Až se mi plán líbí, pustím Copilota do práce. Díky předchozímu plánování má dostatečný kontext a výsledek je výrazně kvalitnější, než kdybych ho poslal rovnou kódovat.
3. Testování: Novou funkcionalitu ručně vyzkouším. Případné problémy řeším přímo s Copilotem v téže session.
4. Code review v nové session: Po dokončení implementace otevřu novou session a nechám Copilota udělat code review vlastních změn. Nová session znamená čistý pohled bez kontextu původního vývoje, takže Copilot hodnotí kód objektivněji a nezřídka odhalí věci, které by v původní session přehlédl.
5. Iterace: Pokud review odhalí nedostatky, cyklus se opakuje: opravím, znovu otestuji, znovu review v čisté session.

Tenhle přístup mi ukázal, že AI funguje nejlépe jako série soustředěných kroků, ne jako jedno velké „udělej mi to”. Rozdělení na plánování, implementaci a nezávislé review dramaticky zvyšuje kvalitu výsledku.

Odpoledne: standup, analýza a kde AI naráží na limity

Po obědě standup, pak buď pokračování dopolední práce, nebo analýza nového problému. A tady přicházejí chvíle, kdy AI přestává být bezproblémovým parťákem.

Spravuji víc repozitářů: sdílené Angular komponenty, jeden velký legacy frontend se starší codebase a technickým dluhem a 3 novější projekty. A právě u toho legacy kódu naráží Copilot na problém: opírá se o existující kód. Pokud je ten kód plný zastaralých Angular patterns, agent je přejímá a šíří dál. Výstupy pak vypadají na první pohled správně, ale používají vzory, od kterých jsme se dávno odklonili.

Řešení, ke kterému jsem postupně došel, je tříkrokové:

1. AGENTS.md a vlastní SKILLS: AGENTS.md je základ, kde definuji konvence, styl a co agent nemá dělat. Ale nestačí to. Stejně důležité je definovat vlastní SKILLS, tedy předpřipravené prompty pro opakující se úlohy: code review, psaní testů, refaktoring nebo generování dokumentace. Místo abych pokaždé formuloval prompt od začátku, mám hotové šablony, které spustím jedním příkazem. Ušetří čas a zajistí konzistentní výstup napříč celým týmem.
2. Znalostní základna: nechám agenta vygenerovat strukturovaný přehled moderního Angularu (standalone, Signals, latest API, správné patterns).
3. Vlastní MCP server: z tohoto dokumentu sestavím MCP server, který se připojí ke každému promptu jako kontext. Agent tak při práci vždy ví, jak vypadá moderní Angular, a nekopíruje legacy vzory.

A pak jsou tu klasická rizika, která znáte:

• Halucinace: kód vypadá správně, ale nefunguje. AI ho napíše sebejistě, jako by bylo vše v pořádku.
• Zastaralé patterns: zvlášť bez správného kontextu generuje kód, který by prošel code review před třemi lety.
• Falešná jistota: AI odpovídá přesvědčivě, i když se mýlí. A to je nebezpečné, pokud ji člověk přestane kontrolovat.

Proto je pořád klíčové: kritické myšlení, code review a vývojář jako poslední instance odpovědnosti. AI je parťák, ne autopilot.

Závěr dne: od kódu k merge requestu

Konec dne často patří přípravě merge requestu. A i tady Copilot pomáhá: shrne změny, navrhne popis MR, usnadní review kolegům. Tím se zrychluje nejen implementace, ale i komunikace v týmu. Dobře připravený MR zlepšuje review proces a snižuje tření, a to je v praxi často stejně cenné jako samotný kód.

Jak se moje role mění? Méně „píšu kód ručně od nuly”, víc „řídím, promptuju, kontroluju”. A s tím přichází nová dovednost: dobře specifikovat problém je stejně cenné jako ho umět vyřešit.

Co si z toho odnést

Půl roku s Copilotem mi ukázalo pár věcí:

• AI šetří čas u rutiny, ne u rozhodnutí. Tam, kde potřebuju přemýšlet, mi nepomůže.
• Nejlepší je jako spolupracovník, ne autopilot. Spolupráce funguje, slepé kopírování ne.
• Bez kontroly to nefunguje. Kdo nepřečte výstup, riskuje halucinace a zastaralý kód.
• Kontext rozhoduje. AGENTS.md, vlastní SKILLS jako předpřipravené prompty a MCP server jako znalostní základna dramaticky zlepšují kvalitu výstupů.

Sám jsem prošel cestu od ChatGPT pro obecné dotazy k Copilotu přímo ve VS Code na celý workflow. A kam míří další krok? Chci vyzkoušet Copilot CLI a podívat se, co nabídne mimo editor. Dál bych rád definoval vlastní agenty a experimentoval s multiagentním workflow, kde víc specializovaných agentů spolupracuje na jednom úkolu.

Zkuste to taky, ale přistupujte k tomu s rozvahou. Nastavte si AGENTS.md, definujte vlastní SKILLS pro opakující se úlohy, experimentujte s vlastním MCP serverem jako kontextovou vrstvou a nepřestávejte přemýšlet nad tím, co vám AI skutečně dává.

Inspirováno přednáškou z konference FrontKon 2025.