Jak v Heurece měníme vývojový cyklus: První výsledky našich AI Ambassadorů

Když se řekne „AI při programování“, většina lidí si představí, jak AI agent dělá bezhlavě paseku v jejich firemním repozitáři. A my v Heurece jsme chtěli zjistit, jestli AI dokáže pochopit naše rozsáhlé systémy jako celek a stát se skutečným parťákem v R&D.

Náš tým AI Ambassadors právě uzavřel první fázi interního pilotu. Tady je pohled pod kapotu toho, jak u nás učíme umělou inteligenci mluvit naším jazykem a jak ji integrujeme do každodenní rutiny.

Od „našeptávání“ k řízení autonomních agentů

Rychle jsme pochopili, že v repozitářích s tisíci soubory AI sama o sobě moc dobře nefunguje. AI potřebuje kontext a jasné mantinely. Proto jsme testovali pokročilejší techniky context managementu a také různé nastavení AI nástrojů. 

Osvědčené postupy jsme pak prezentovali na Tech Talks, zdokumentovali v naší Confluence, a vzorový setup pro GitHub Copilot a Claude Code zpřístupnili v našem GitLabu. Agentic Blueprint. Ten si teď může každý zkopírovat a přizpůsobit pro svůj tým a své repozitáře.

Není to jen sada promptů, ale ucelený framework pro práci s agenty:

• Dokumentace repozitáře: Pomocí příkazu init necháme AI analyzovat náš kód a vygenerovat dokumentaci. Díky AGENTS.md souboru AI přesně ví, o co v repozitáři jde a na co se má zaměřit.
• Hygiena historie: Když chat příliš naroste, používáme příkaz compact pro sumarizaci nebo clear pro úplné vyčištění. Tím zabraňujeme tomu, aby se AI ztrácela ve starých, irelevantních zprávách, snižujeme riziko halucinací a šetříme na tokenech.
• Plánování před implementací: U velmi složitých úkolů necháváme AI nejprve sestavit implementační plán. Můžeme tak zkontrolovat, jak AI úkolu rozumí, a případně ho upravit ještě před samotnou coding session.

AI jako archeolog: Dokumentace Legacy systémů

Jedna z největších výzev pro každého vývojáře v Heurece je pochopení historických částí našeho ekosystému. V rámci experimentu na jedné z našich starších platforem jsme zkusili nasadit AI na monolit v PHP, který postrádal aktuální dokumentaci.

Místo prostého čtení kódu jsme použili specializovaného dokumentačního agenta. Ten systematicky procházel moduly, analyzoval závislosti a vnořené struktury a generoval odpovídající dokumentaci. Výsledek? Cesta, která by seniorovi trvala týdny, byla hotová v řádu hodin. A to s překvapivou přesností.

Ekosystém propojený přes MCP

AI u nás není izolovaná. Aby byla skutečně užitečná, musí mít přístup k našim datům. K tomu využíváme Model Context Protocol (MCP), který tvoří most mezi LLM a našimi nástroji:

• Jira & Confluence: AI si sama vytáhne zadání z ticketu a po implementaci dokáže aktualizovat technickou dokumentaci.
• Sentry & GitLab: Při řešení incidentů má agent přístup k real-time logům a stack tracům. Vývojáři tak ušetří čas, kdy musí tyto nástroje procházet ručně.
• Context 7: Používáme specializované MCP servery, které AI zpřístupňují Live Docs (např. nejnovější verzi Reactu nebo Symfony), čímž obcházíme vědomostní limit (training cutoff) modelů.

První linie v Code Review (CI/CD integrace)

Velkou úsporu času vidíme v urychlení code reviews. V rámci pilotu jsme do některých našich GitLab pipelines jsme integrovali Claude Code a nechali ho provádět první „před-kontrolu“ každého Merge Requestu. 

Neanalyzuje celý repozitář (což šetří tokeny i čas), ale zaměřuje se na diffy. Upozorní na bezpečnostní mezery, nekonzistentní naming nebo chybějící testy dříve, než se na kód podívá lidský reviewer. Ten už pak řeší jen vysokou architekturu a business logiku.

Vznikla tak template, kterou si týmy mohou rozšiřovat a přidávat do svých pipelines.

AI pod kontrolou: Naše pravidla pro data a kód

Bezpečnost je v Heurece nepodkročitelná. Všechny nástroje – ať už jde o GitHub Copilot, Cursor nebo terminálové nástroje jako Claude Code – běží výhradně pod firemními licencemi a našimi API klíči. Tím máme smluvně garantováno, že náš kód není používán k trénování veřejných modelů.

Zároveň ve spolupráci s naším Security týmem neustále aktualizujeme seznam ověřených AI nástrojů a MCP serverů, aby lidé mohli s nástroji experimentovat a zkoušet, co jim vyhovuje, ale pořád bezpečně.

Co nás čeká dál?

První fáze ukázala, že AI není hrozba, ale katalyzátor. Naši AI Ambassadoři teď vyrážejí do dalších týmů, aby pomohli s nastavením workflow na míru. Nechceme nahrazovat vývojáře, chceme jim uvolnit ruce od rutiny, aby se mohli soustředit na to, co nás posouvá dál: inovace.