Můj druhý mozek

Chatbot je jen tak dobrý, jak dobrá je jeho znalostní báze. Pokud KB nemá strukturu, chatbot odpovídá náhodně, vymýšlí si nebo neví, kam uživatele nasměrovat.

Proto mám standardizovaný systém, který se škáluje od 30 do 300 dokumentů. Jeden formát, jedno číslování, jedna struktura — pro města, e-shopy, prodejny i vlastní projekty.

Každý dokument = trojciferné číslo + kategorie

Číslo říká chatbotovi, o čem dokument je a kam patří. Varianta pro města a obce:

Pro e-shopy a prodejny mám odlišné varianty — ale princip je vždy stejný: unikátní číslo, jasná kategorie, škálovatelné.

• AI instrukce v blockquote — hned pod nadpisem. Říká chatbotovi: jaký je kontext, na co odkazovat, kdy dokument použít a kdy ne
• Prokliky mezi dokumenty — chatbot ví, že informace o poplatcích jsou v 401, ne v 101. Neduplikuje, odkazuje
• FAQ jen tam, kde dává smysl — u procesních dokumentů (jak vyřídit OP) ano. U historie města ne
• Zdroje a datum na konci — odkud pochází, kdy naposledy ověřeno. Zdroje se přidávají, nepřepisují — vidím historii

Chatbot pro klienta má statickou KB — dokumenty napíšu já a aktualizuju ručně.

Recepční je jiná. Potřebuje vědět věci, které se mění: kdo mi psal, o čem jsme se bavili, jaké mám preference pro komunikaci s konkrétním člověkem.

Proto má Supabase databázi, do které si sama ukládá fakta — a příště je použije.

Každý fakt je jeden řádek v databázi

6 typů — od trvalých pravidel po dočasný kontext

Tabulka knowledge_links — proč existuje

Jeden fakt se může týkat víc entit. "Martin Čapek je správce TrutBotu" se propojí na kontakt Martina i na projekt Trutnov. Když mi Martin příště napíše, Recepční ví obojí.

Co se stane automaticky

• API uloží moji poznámku k dané zprávě
• Claude extrahuje dva fakty:
  fact_type: instruction → "Martin preferuje formální oslovení" | importance: high
fact_type: observation → "Martin je důležitý klient" | importance: high
• Uloží do knowledge_base — oba fakty s vazbou na Martinův contact_id
• Příště, když Martin napíše, Recepční to najde v kroku 2 a přizpůsobí draft: formální oslovení "Vážený pane Čapku" + poznámka "důležitý klient, doporučuji prioritně vyřídit"

• Cursor čte přímo ze souborů — nepotřebuju nic kopírovat, uploadovat, synchronizovat
• Markdown je text — čitelný pro mě i pro AI (žádné proprietární formáty)
• Verzuji přes Git (kód) i přes Dropbox (dokumenty) — nic se neztratí
• Škáluje se — funguje pro 1 projekt i pro 23

Každý návod je psaný tak, aby ho AI mohlo přečíst a řídit se jím

Když zakládám nový chatbot projekt, AI si přečte 02_NOVY_PROJEKT.md a ví přesně, co má udělat — 11 kroků od analýzy po předání klientovi.

Centrální místo, kde vidím celý tým

Plánovaní: Tajemnice, Kronikářka, Dispečerka, Zlatokopka. Každý agent má povinnou dokumentaci: ARCHITECTURE.md, README.md, PROMPT.md.

Po každé korekci ode mě AI zapíše chybu do tasks/lessons.md. Příště ji neudělá znovu.

• Systém drží — 23 projektů, 6 aktivních agentů, 47 návodů. Cursor ví, co dělat
• AI zná kontext — nepotřebuju nic kopírovat. Řeknu "podívej se na projekt Trutbot" a AI ho najde
• Recepční se učí — čím víc interakcí, tím lepší. Ráno otevřu hub místo Gmailu
• Škáluje se — přidat nový chatbot = zkopírovat strukturu. Přidat agenta = zkopírovat šablonu
• Dokumentace žije — ARCHITECTURE.md se aktualizuje automaticky po každé změně

• Cross-project agent — nemám jednoho agenta, který prohledává všech 23 projektů najednou
• Automatická aktualizace kontextů — některé kontextové soubory zastarávají. Potřebuju systém, který hlídá aktuálnost
• Propojení mezi agenty — Recepční a Analytička spolu už komunikují, ale ostatní zatím ne