Co mě naučil vývoj Watch-List.me s AI agentem

Podrobně o tom, jak jsem stavěl aplikaci v Next.js s Claude Sonnet 4 v agentním režimu: přínosy, úskalí a proč je lidský dohled pořád nutný.

Nedávno jsem postavil Watch-List.me, aplikaci v Next.js (tehdy nasazenou na Vercelu) pro sledování filmů a seriálů. Samotný projekt možná nezní nijak revolučně, ale jeho vývoj mi ukázal něco důležitého o tom, jaký vztah dnes máme k AI nástrojům pro programování – zvlášť když kód generuje Claude Sonnet 4 v agentním režimu.

Znovu se mi potvrdilo zásadní ponaučení: AI dokáže vývoj dramaticky zrychlit, ale potřebuje neustálý lidský dohled a někoho, kdo dělá architektonická rozhodnutí. Čím je aplikace složitější, tím je ten dohled důležitější.

V čem AI vyniká: rutinní dřina

Claude v agentním režimu byl k nezaplacení při generování všedního, opakujícího se kódu, který potřebuje každá webová aplikace:

  • Boilerplate pro API routy – standardní CRUD operace
  • Formulářové komponenty – validace vstupů a ošetření chyb
  • Rozhraní v TypeScriptu – typové definice datových struktur
  • Stylování komponent – kombinace tříd Tailwind CSS

Na takové úkoly je AI neuvěřitelně efektivní. Co by mi pečlivým psaním zabralo 30 minut, Claude vygeneroval za pár sekund. Díky času ušetřenému na rutinní práci jsem se mohl soustředit na zajímavější architektonická rozhodnutí.

Kritická slabina: porozumění architektuře

Jak ale aplikace nabývala na složitosti, narazil jsem na zásadní omezení AI: chybí jí celkové pochopení architektury aplikace, zvlášť pokud jde o Server Components v Next.js a křehkou rovnováhu mezi vykreslováním na serveru a na klientovi.

Dilema serverových a klientských komponent

App Router v Next.js se Server Components přináší nový druh složitosti, se kterým si AI nástroje soustavně nevědí rady. Mají sklon rozhodovat se podle bezprostředního kontextu, místo aby zvážily:

  • Dopady na SEO – co se musí kvůli vyhledávačům vykreslit na serveru
  • Kompromisy ve výkonu – interaktivita versus velikost bundlu a cena hydratace
  • Uživatelský zážitek – interaktivní prvky versus statický obsah
  • Vzory toku dat – jak se stav šíří stromem komponent

Opakovaně jsem musel zasahovat, když Claude navrhoval klientské komponenty, které si data načítaly až v prohlížeči, a to pro obsah, který kvůli SEO musel být už v HTML vykresleném na serveru – nebo když se naopak snažil přidat interaktivitu do serverových komponent bez správné hranice "use client".

Skutečné příklady přešlapů AI

Obzvlášť výmluvný příklad se týkal vyhledávání filmů. Claude nejdřív navrhl udělat celé vyhledávací rozhraní jako serverovou komponentu. Serverová komponenta ale nedokáže reagovat na psaní, takže každý dotaz by znamenal změnu URL a kompletní nové vykreslení výsledků na serveru – u vyhledávacího pole naprosto příšerné UX. Když jsem ho později požádal o optimalizaci, skočil do opačného extrému a navrhl, aby si celá stránka s výpisem filmů načítala data v prohlížeči. Filmy by pak chyběly v HTML, které dostávají vyhledávače.

Správné řešení vyžadovalo pochopit, že úvodní mřížka filmů má být serverová komponenta, která si data načte na serveru kvůli SEO a výkonu, zatímco vyhledávací overlay musí být kvůli interaktivitě klientská komponenta, přičemž pro každý z těchto případů je potřeba zvolit vhodnou strategii načítání dat.

Lidský faktor: code review a dohled nad architekturou

Práce s AI mě naučila, že code review nebylo nikdy důležitější. Nejde ale jen o hledání chyb – jde o to zajistit konzistentní architekturu a dlouhodobou udržitelnost.

Na co jsem se naučil dávat pozor

  • Hranice komponent – správné oddělení odpovědností
  • Vzory načítání dat – jednotný přístup napříč celou aplikací
  • Ošetření chyb – důkladné pokrytí, nejen happy path
  • Dopady na výkon – velikost bundlu a efektivita za běhu
  • Přístupnost – AI ji často úplně přehlíží

Přistihl jsem se, že dělám důkladnější code review než kdykoli předtím. Ne proto, že by kód od AI byl chybový (většinou fungoval), ale protože jsem musel hlídat, aby zapadal do celkové architektonické vize.

Antipattern: „vibe coding“

Největší riziko vývoje s pomocí AI vidím v tom, čemu se dnes říká „vibe coding“ – přijmout cokoli, co AI vyprodukuje, pokud to zdánlivě funguje, a nechat ji dělat architektonická rozhodnutí podle toho, co se u jednotlivých funkcí „zdá správné“, bez ohledu na aplikaci jako celek.

U malých skriptů nebo prototypů to může fungovat, ale v produkčních aplikacích to vede k nejednotným vzorům, problémům s výkonem a noční můře při údržbě. Pokušení je silné, protože kód od AI často funguje napoprvé – jenže fungující kód ještě není dobrý kód.

Osvědčené postupy pro vývoj s AI

Na základě této zkušenosti doporučuji při práci s AI nástroji pro programování následující:

Než začnete

  • Definujte architekturu – o vzorech rozhodněte dřív, než začnete generovat kód
  • Stanovte standardy kódu – konvence explicitně popište
  • Naplánujte hierarchii komponent – mějte jasno, co poběží na serveru a co na klientovi

Během vývoje

  • Kontrolujte každý návrh AI – vygenerovaný kód nepřijímejte naslepo
  • Testujte architektonická rozhodnutí – ověřte jejich dopady na výkon a SEO
  • Udržujte konzistenci – hlídejte, aby nový kód dodržoval zavedené vzory

Po implementaci

  • Audit výkonu – zkontrolujte velikost bundlů a výkon vykreslování
  • Kontrola SEO – otestujte, že obsah vykreslený na serveru opravdu funguje
  • Kontrola přístupnosti – AI na přístupnost málokdy pořádně myslí

Budoucnost vývoje s AI

Navzdory těmto potížím se na roli AI ve vývoji softwaru dívám optimisticky. Nárůst produktivity je skutečný, zvlášť u otravných částí programování, které musíme dělat všichni, ale nikoho moc nebaví.

Role lidského vývojáře se ale nezmenšuje, jen se mění. Stáváme se spíš architekty a reviewery, kteří se soustředí na rozhodnutí na vyšší úrovni, zatímco implementační detaily obstarává AI. Musíme proto lépe rozumět návrhu systémů, dopadům na výkon a architektonickým vzorům.

Závěr

Stavět Watch-List.me s pomocí AI bylo rychlejší a zároveň náročnější než tradiční vývoj. Zrychlení bylo značné, ale vykoupené režií v podobě neustálého dohledu nad architekturou.

Klíčové poznání je, že AI nástroje jsou silným akcelerátorem, ne náhradou inženýrského úsudku. V generování fungujícího kódu vynikají, ale zajistit, aby byl ten kód dobře navržený, výkonný a udržovatelný, zůstává pevně v rukou člověka.

Jak budeme AI dál začleňovat do svých vývojových postupů, uspějí ti vývojáři, kteří se naučí využívat její silné stránky a přitom si udrží přísné nároky na kvalitu kódu a konzistenci architektury. Budoucnost patří spolupráci člověka s AI – ale jen tehdy, když člověk pevně drží volant.

Aktualizace z listopadu 2026: Watch-List.me se od napsání tohoto článku hodně rozrostl a dnes je to statický web hostovaný na GitHub Pages místo Vercelu: každá stránka je klientská komponenta, která komunikuje s TMDb přímo z prohlížeče, a seznam ke zhlédnutí se ukládá do úložiště prohlížeče. Rozdělení na server a klienta popsané výše patří k jeho první verzi.