Jak agenti kódování s AI předem načítají váš kontext a kdy to přinese opak

Otevřete editor a spustíte relaci. Ještě než cokoli napíšete, ještě než se kurzor usadí v poli pro zadání, agent už toho má hodně přečteno. Nasál svůj systémový prompt, definice všech nástrojů, které může zavolat, své pokyny k chování, soubor CLAUDE.md vašeho projektu (nebo .cursorrules či AGENTS.md), všechna platná pravidla vázaná na cesty a vše, co leží v jeho paměťovém souboru. Ve chvíli, kdy vyslovíte první slovo, má agent už model vás, vašeho projektu i toho, jak se má chovat.

Naivní představa je: vy píšete, agent odpovídá. Skutečná posloupnost je: agent si přečte váš kontext, vy píšete, agent odpovídá. Právě v tom tichém prvním kroku, kdy si vás agent přečte dřív, než promluvíte, se rozhoduje o překvapivě velké části výsledku. A důkazy o tom, zda kontext, který mu podáte, opravdu pomáhá, jsou nepříjemnější, než většina z nás předpokládá.

Zkrácená verze

• Kódovací AI agenti načtou předem napsaný kontext ještě před vaší první zprávou: systémové prompty, definice nástrojů a soubory s pokyny specifické pro daný nástroj, jako je CLAUDE.md, pravidla Cursoru, pokyny pro GitHub Copilot nebo AGENTS.md tam, kde je podporován či importován. Konverzaci nezahajujete vy, ale to, co si agent přečte.
• Toto předběžné načtení spolkne významnou část využitelného kontextového okna ještě dřív, než napíšete jediný znak, takže váš skutečný pracovní rozpočet je menší, než naznačuje inzerované okno modelu.
• Empirické zjištění je ta protiintuitivní část: kontextové soubory psané vývojáři pomáhají trochu (asi +4 % úspěšnosti úloh) za reálnou cenu (asi +19 % nákladů na inferenci), zatímco kontextové soubory generované LLM nebo zkopírované odjinud mohou výsledky dokonce mírně horší.
• Vlastní hostování tvého modelu mění to, co můžeš viz, ne to, co musíte do. Architektura před relací je všude stejná; místní nástroje vám pouze umožňují ji prohlédnout a auditovat. Disciplína psaní kontextu, který skutečně chápete, nezmizí.

Naivní model je špatný: Agent čte jako první

Představte si přesný okamžik, kdy začíná relace Claude Code. Vejde systémový prompt. Vejdou definice nástrojů. Pak, ještě než cokoli řeknete, se doručí váš CLAUDE.md, a mechanický detail tu hraje roli. Vlastní dokumentace Anthropicu výslovně uvádí, že Obsah CLAUDE.md je „doručen jako zpráva uživatele po systémové výzvě,“ načten „na začátku každého rozhovoru.” Takže úplně první tah uživatele v přepisu nejste vy. Je to váš soubor, který mluví vaším jménem a stanovuje podmínky, než dorazíte.

Co se v tom úvodním okamžiku doopravdy načte, je celý stack: systémový prompt, definice nástrojů, pokyny k chování, vaše projektové a uživatelské kontextové soubory, všechna pravidla vázaná na cesty, která odpovídají zrovna řešeným souborům, a paměťový soubor, který si agent vede sám. V Claude Code se kontextové soubory řeší přes čtyřúrovňovou hierarchii (spravovaná politika, pak uživatelská (~/.claude/CLAUDE.md), pak projektová (./CLAUDE.md), pak lokální (./CLAUDE.local.md)) a spojují se přesně v tomto pořadí. Automatická paměť přidává svůj vlastní díl: prvních 200 řádků (nebo 25KB) souboru MEMORY.md, který si agent sám píše a čte, se načítá při každé relaci.

Nic z toho není zadarmo. Režie infrastruktury (systémový prompt, definice nástrojů, pokyny k chování) spotřebuje značnou část efektivního kontextového okna ještě předtím, než dorazí vaše první zpráva. To je daň za to, že agent ví, jak být agentem, a je neviditelná, dokud po ní sami nezačnete pátrat.

Kolem disciplíny správy toho všeho se formuje název. Tým aplikované umělé inteligence Anthropic to nazývá kontextové inženýrství: „soubor strategií pro kurátorství a udržování optimální množiny tokenů (informací) během inference LLM“. Je to užitečný pojem, protože mění soubor, který píšete, z poznámky pro robota v architektonické rozhodnutí o tom, co zabírá vzácný a drahý zdroj.

Čtyři agenti, čtyři způsoby, jak tě nejdřív přečíst

Agenti vás nečtou všichni stejným způsobem. Rozdělují se podél dvou os, které stojí za pojmenování: co je načten při spuštění relace (kurátorovaná hierarchie souborů, versus vždy aktivní pravidla, versus skenování celého repozitáře), a kolik z toho můžeš zkontrolovat, tedy jestli je ten mechanismus deterministický, auditovatelný artefakt, nebo sémantický index, kterému musíte prostě věřit. Právě v těchto dvou osách se Claude Code, Cursor, GitHub Copilot a Aider skutečně rozcházejí.

Rozdělení Cursor je nejpoučnější. Jeho pravidla jsou uložena v čitelných souborech, které ovládáte, ale také vytváří sémantický index celé tvé kódové základny, vektorová vložení, která pohánějí vyhledávání @codebase a která nemůžete skutečně prohlédnout. Aider stojí na druhém konci: čte celé vaše git úložiště a vytváří repo-map, deterministicky a bez jakýchkoli embeddingů. Můžete přesně ověřit, co se modelu předalo. Stejná architektonická inverze, ale zcela jiný vhled do ní. Podrobnější srovnání nástroj po nástroji jsme zpracovali v našem souboj agentních kódovacích CLI a šli přímo proti sobě v OpenCode versus Claude Code jinde.

Pod formáty jednotlivých nástrojů se ustaluje jeden společný standard. AGENTS.md vzešel z ekosystému agentních nástrojů (OpenAI Codex, Amp, Jules od Googlu, Cursor a Factory) a dnes je spravováno Agentic AI Foundation pod záštitou Linux Foundation, přijatý ve více než 60 000 repozitářích. Kontextový soubor načítaný před relací se tím povyšuje z pohodlí jednoho nástroje na plnohodnotný přenositelný artefakt: obor se shoduje, že „to, co agent přečte dřív, než promluvíte“, si zaslouží vlastní standard.

Co říkají důkazy o tom, zda tohle vůbec pomáhá

Tady se pohodlný příběh láme. Tým z ETH Zurich (Gloaguen, Mündler, Müller, Raychev a Vechev) provedl řízenou evaluaci, „Hodnocení AGENTS.md,“ toho, zda tyto kontextové soubory na úrovni repozitáře skutečně zlepšují výkon kódovacích agentů. Napříč zkoumanými agenty a modely nezněl výsledek „kontextové soubory fungují“ ani „kontextové soubory selhávají“. Aktuální abstrakt uvádí, že kontextové soubory obecně nezlepšují úspěšnost úloh a v průměru zvyšují náklady na inferenci o více než 20 %. V podrobných výsledcích studie byly výjimkou soubory psané vývojáři: zlepšily výkon v průměru zhruba o 4 %, ale zvýšily náklady až o 19 %. Soubory generované LLM šly opačným směrem, snížily výkon v průměru asi o 3 % a zvedly náklady o více než 20 %. Třetí zjištění to zostřuje: agenti volají nástroj 1,6 až 2,5krát častěji, pokud je tento nástroj zmíněn v kontextovém souboru, což pomáhá, nebo škodí, zcela podle toho, zda ta volání navíc byla oprávněná.

Zastavte se na chvíli u řádku o souborech generovaných LLM, protože právě ten nese celou váhu. Soubor, který jste nepsali vy, ať už ho vytvořil model, nebo jste ho stáhli z komunitního balíčku „nejlepších konfigurací CLAUDE.md“ a hodili do svého repozitáře, čte agent jako pokyny od někoho, kdo vaši kódovou základnu ve skutečnosti nezná. U modelů z té studie to bylo v součtu záporné: platili jste víc tokenů za o něco horší výsledky. přehled Augment Code na toto téma to vystihuje dobře, když nahromaděný výsledek nazývá „šuplíkem s harampádím v kontextu vašeho agenta“. Každá věrohodně vypadající instrukce, kterou tam naházíte, něco stojí, a ty, které jste nepsali vy, pro kódovou základnu, které nerozumějí, obvykle stojí víc, než přinesou.

Nečtu to ani jako „kontextové soubory jsou špatné“, ani jako „kontextové soubory jsou dobré“. Právě tyhle rámce všechno nebo nic se při kontaktu s daty rozpadají. Užší čtení zní takto: kontext je infrastruktura, kterou navrhujete záměrně, a soubor, který jste nepsali, pro kódovou základnu, které nerozumí, je náklad, ne dárek. Záleží i na výhradě k rozsahu. Tohle studie zjistila pro modely a agenty, které testovala, ne univerzální zákon o každém LLM. Ale ukazuje to silně jedním směrem a potvrzuje se to i ze strany dodavatele: vlastní tým aplikované AI v Anthropic upozornil na posun k načítání kontextu „právě včas“ pomocí nástrojů za běhu místo předběžného načtení všeho dopředu a popisuje hybridní přístup, který část dat získá dopředu a zbytek prozkoumá za běhu. Když firma, která CLAUDE.md vydává, sama inklinuje k menšímu předběžnému načítání, instinkt zkopírovat a vložit obří kontextový soubor si zaslouží druhý pohled.

Shrnutí sekce: autorství je signál, který předpovídá, jestli se kontext vyplatí. Náklady na tokeny jsou v obou případech stejné; návratnost mění to, jestli instrukce napsal někdo, kdo kódovou základnu skutečně zná.

Kontext, který mizí: proč začátek relace není celý příběh

Přednačtení nastaví omezení. Neudrží ho ale. To, do čeho vývojáři neustále narážejí, je druhá polovina příběhu: kontext, který jste na začátku relace pečlivě poskládali, se v průběhu relace rozpadá, a děje se to potichu.

Užitečný způsob, jak si to představit, vychází z vymezení týmu Mem0, podle kterého kontextové okno je RAM, ne úložiště, pomíjivá a ohraničená, ne trvalé místo, kde vaše pokyny bydlí. Na začátku něco načtete a je to tam; pokračujte dost dlouho, aniž byste to použili, a vybledne to, jako když proměnná, na kterou přestanete odkazovat, nakonec skončí přepsaná. To je mechanismus za jevem, který výzkumníci popisují jako rozpad instrukcí. Studie z roku 2026 od Gamage a kolegů zjistil, že omezení typu „něco nedělej“ jsou obzvlášť křehká: v jednom testovaném nastavení klesla míra dodržování ze 73 % v 5. tahu na zhruba 33 % v 16. tahu. Je to laboratorní zjištění, ne univerzální konstanta, ale odpovídá tomu, co při dlouhých sezeních cítí spousta lidí.

Hranice relace je místo, kde se to zostřuje. Vývojáři v diskuzi na Hacker News uvádějí, že spuštění subagenti mohou trpět problémy s předáváním kontextu, takže práce předaná uprostřed úkolu může dorazit s menší částí kontextu rodičovské relace, než jste čekali. A nečinnost má také svou cenu: ve vlákně, kde Boris Cherny z Anthropic se vyjádřil, diskuse popisuje, jak nečinná relace může spustit rozsáhlou přestavbu po výpadku cache, stovky tisíc tokenů, aniž byste dostali jakékoli varování. Společnou nití, kterou komunita hlásí znovu a znovu, je ticho: proběhne komprimace, dřívější úvahy se ořežou, kvalita klesne a nic na obrazovce vám neřekne, že se to stalo. Jen si všimnete, že výstup se zhoršil.

Dává ti vlastní hostování více kontroly?

Provozujte to celé sami (Ollama plus Open WebUI nebo agent jako Aider či Continue.dev namířený na lokální model) a upřímná odpověď na otázku „mám teď větší kontrolu?“ zní: získáte více viditelnost, nikoli větší inherentní kontrolu. V tom spočívá celý smysl.

Co vám self-hosting skutečně přinese, je možnost nahlédnout dovnitř. Žádná data konverzací neopustí vaši infrastrukturu. Můžete si přečíst celý systémový prompt místo toho, abyste uzavřenému věřili na slovo. S deterministickým nástrojem, jako je Aider, si můžete přesně ověřit, co vstoupilo do každého volání modelu: repo-map je čitelný artefakt, ne sémantická černá skříňka jako index embeddingů v Cursoru. Pro každého, komu záleží na auditovatelnosti a reprodukovatelnosti, na tom, aby dokázal odpovědět na otázku „co agent doopravdy viděl?“, je tahle možnost nahlédnout skutečná a rozhodně není zanedbatelná.

Jenže architektonickému obratu je jedno, kde model běží. Ať používáte lokální model přes Ollama, Claude Code proti cloudovému API, nebo Cursor v předplatném, agent si svůj kontext načtený před začátkem sezení přečte dřív, než promluvíte, a vy ten kontext pořád musíte navrhnout záměrně. Disciplína je stejná. Vlastní hosting vám dá jasnější okno do mechanismu; nedá vám jiný mechanismus a rozhodně vás nezbaví lekce z ETH Zurich o tom, co se stane, když načtete kontext, který jste nepsali. Jediný posun, který stojí za to si z toho všeho odnést: přestaňte brát kontextový soubor jako dárek, který agentovi předáváte, a začněte ho brát jako infrastrukturu s provozními náklady. Pište to, čemu na kódové základně opravdu rozumíte, načítejte spíš méně než víc a pamatujte, že agent si nejdřív přečetl vás. Ta verze vás, kterou si přečetl, by tedy měla být verze, za kterou si stojíte.

Časté dotazy

Čtou agenti kódování s AI vaše soubory, než cokoliv napíšete?

Ano. Na začátku session si AI kódovací agent načte svůj systémový prompt, definice nástrojů a vaše kontextové soubory (CLAUDE.md, .cursorrules nebo AGENTS.md) spolu s případným repo-map či paměťovým souborem, a to všechno ještě před vaší první zprávou. Konkrétně v Claude Code se CLAUDE.md doručuje jako uživatelská zpráva hned po systémovém promptu, takže konverzace fakticky začíná vaším souborem, ne vámi.

Zlepšují kontextové soubory jako CLAUDE.md skutečně výkon agenta?

Částečně, a méně, než většina lidí předpokládá. V Hodnocení ETH Zurich souborů ve stylu AGENTS.md, současný abstrakt uvádí, že kontextové soubory obecně nezlepšují úspěšnost úloh a zvyšují náklady na inferenci v průměru o více než 20 %. Podrobné výsledky jsou pro praxi užitečnější: soubory dodané vývojáři zlepšily výkon v průměru asi o 4 %, ale zvýšily náklady až o 19 %, zatímco soubory generované LLM snížily výkon v průměru asi o 3 % a zvedly náklady o více než 20 %. Praktické čtení: soubor, který jste napsali a rozumíte mu, může trochu pomoci; soubor, který jste nepsali, vás může tiše stát peníze.

Kolik z kontextového okna se použije, než odešlu zprávu?

Značnou část. Systémový prompt, definice nástrojů a pokyny k chování se načtou dřív než jakýkoli vstup uživatele a společně spotřebují nezanedbatelnou část efektivního kontextového okna. Váš využitelný pracovní rozpočet je kvůli této pevné startovní režii menší než inzerované kontextové okno modelu.

Poskytuje vám vlastní hostování AI modelu větší kontrolu nad kontextem?

Víc viditelnosti, ne víc skutečné kontroly. Vlastní hosting vám umožní prohlédnout si celý systémový prompt, ponechá data konverzací na vaší infrastruktuře a (s deterministickým nástrojem, jako je Aider) vám dovolí přesně auditovat, co šlo do každého volání. Architektura kontextu před relací je ale stejná jako u cloudových nástrojů a svůj kontext musíte i tak navrhovat záměrně.

Co je AGENTS.md?

AGENTS.md je otevřený formát, který kódovacím agentům říká, jak pracovat s kódovou základnou, tedy protějšek souboru README určený agentovi. Vznikl napříč ekosystémem nástrojů pro agenty (OpenAI Codex, Amp, Jules od Googlu, Cursor a Factory) a dnes ho spravuje Agentic AI Foundation pod Linux Foundation. S nasazením ve více než 60 000 repozitářích se z něj stává vznikající standard pro kontext agenta před zahájením relace napříč nástroji.