BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//pretalx//talks.openalt.cz//openalt-2026//talk//FWCL9W
BEGIN:VTIMEZONE
TZID:CET
BEGIN:STANDARD
DTSTART:20001029T040000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10
TZNAME:CET
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
END:STANDARD
BEGIN:DAYLIGHT
DTSTART:20000326T030000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3
TZNAME:CEST
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
END:DAYLIGHT
END:VTIMEZONE
BEGIN:VEVENT
UID:pretalx-openalt-2026-FWCL9W@talks.openalt.cz
DTSTART;TZID=CET:20261107T100000
DTEND;TZID=CET:20261107T114500
DESCRIPTION:LLM nám odpovídá v chatu. Ale agent navíc umí používat n
 ástroje\, opakuje kroky\, reaguje na chyby a musí poznat\, kdy skončit.
  Jak je to všechno složené dohromady?\n\nUkážeme si\, že agentní AI
  není magie\, ale software\, který můžeme rozebrat a zkoumat známými
  inženýrskými instinkty. Začneme u jednoduchého vlastního agenta a p
 ostupně se dostaneme až k reálným nástrojům jako Pi nebo Codex.\n\nN
 ebudeme se učit konkrétní framework ani sbírat zkratky a buzzwordy. Bu
 deme zkoumat\, co se děje pod kapotou: formulovat předpoklady\, předví
 dat chování systému\, měnit jednotlivé části a pozorovat\, „co se
  stane\, když“.\n\nCo se bude dít:\n1) Spustíme si vlastního agenta\
 , na kterém si vysvětlíme a zopakujeme stavební kameny – nástroje\,
  agentní smyčku a ukončovací podmínku.\n2) Část vlastního kódu na
 hradíme agentním frameworkem. Co jsme získali za několik ušetřených
  řádků? Jaké názory na svět jsme spolu s frameworkem převzali? A kt
 erá varianta se nám bude lépe ladit?\n3) Pomocí nástroje pro sledová
 ní komunikace s LLM budeme zkoumat složitější harness (Pi\, Codex\, a
 tp.). Jak vypadají skutečné prompty a nástroje? Co se děje při jejic
 h použití? Jak systém reaguje na chyby? Dokážeme z provozu odvodit\, 
 jak to celé funguje?\n4) Na závěr podobným způsobem prozkoumáme ješ
 tě jinou AI kostičku – embeddingy a retrieval. Co znamená „podobnos
 t“\, kde se skrývají další předpoklady a jak lze na tomto principu 
 postavit jednoduché sémantické vyhledávání obrázků.\n\nWorkshop je
  určený pro zájemce o AI agenty\, kteří si chtějí postavit vlastní
  řešení\, ale i pro ty\, kteří potřebují pochopit nebo diagnostikov
 at cizí systém.\n\nNení nutné znát konkrétní frameworky ani být zk
 ušeným programátorem. Používané programy a experimenty budou připra
 vené předem\; budeme je spouštět\, měnit\, pozorovat a zkoumat.\n\nKo
 merční předplatné také není nutné. Budeme používat otevřené mod
 ely\, buď lokálně\, nebo přes ollama free tier.\n\nLoňský workshop J
 ak na lokální AI modely skončil přesně tam\, kde letos začínáme 
 – u jednoduchého agenta používajícího nástroje. Pokud chcete věd
 ět\, jak jsme se do tohoto bodu dostali\, můžete si jej předem nepovin
 ně projít: https://talks.openalt.cz/openalt–2025/talk/NLRQDF/\n\nÚča
 st je možná aktivně – budete si vše zkoušet na vlastním laptopu\, 
 případně pasivně – všechny experimenty také ukážu na projektoru.
 \n\n## Požadavky a instrukce\n\nChcete–li se workshopu účastnit aktiv
 ně:\n\n    Minimum 16 GB RAM\, doporučeno 32 GB\, případně diskrétn
 í GPU.\n    Dostatek místa na disku: 20–50 GB.\n    OS: Linux/Mac/Wind
 ows s WSL2\, znalost vlastního OS a možnost instalace nástrojů.\n    Z
 ákladní znalosti Pythonu a funkční Python prostředí.\n    Plná bate
 rie v laptopu.\n\n## Příprava před workshopem\n\nDoporučuji předem na
 instalovat závislosti a stáhnout používané modely. Ušetříme tím 
 čas na místě.\n\nInstrukce: https://github.com/dolmoch/agentic-workshop
DTSTAMP:20261030T174018Z
LOCATION:A113
SUMMARY:Z čeho se skládá LLM agent? - Michal Svoboda
URL:https://talks.openalt.cz/openalt-2026/talk/FWCL9W/
END:VEVENT
END:VCALENDAR