Jak mi AI Project Memory pomáhá neztratit se ve vlastních projektech

Codex, Claude Code, Fireflies, Git a kontrolní skripty mi dnes skládají jeden společný pohled: co se posunulo, co stále platí a kde jsem na řadě já.

Nejdřív to fungovalo přesně tak, jak jsem potřebovala.

Codex pomáhal s implementací. Claude Code přinášel další pohled. Fireflies zachytával úkoly ze schůzek. Jednotlivé chaty si držely kontext konkrétního tématu.

Každý nástroj zvládal svou část práce. Mně ale postupně začal chybět společný obraz.

Jeden úkol byl otevřený v chatu, trochu jinak pojmenovaný v projektovém záznamu a znovu zachycený ze schůzky. Někde vypadal jako rozpracovaný, jinde jako hotový. Při dalším ranním review jsem znovu zjišťovala, co se vlastně posunulo a kde jsem na řadě já.

Začala jsem si proto skládat AI Project Memory – společnou projektovou paměť pro svůj osobní project management.

Pokud máte jen 2 minuty

Pět otázek, které potřebuji mít zodpovězené

1. Co se reálně změnilo?
2. Co dnes platí?
3. Co je pouze návrh?
4. Co potřebuje moje rozhodnutí?
5. Jaký je další konkrétní krok?

Když dělám více věcí najednou, nepotřebuji mít každý detail v hlavě. Potřebuji vědět, kde ho najdu a jestli se můžu spolehnout na aktuální stav.

Z čeho je systém složený

AI Project Memory není jedna aplikace. Je to setup více nástrojů:

Každý nástroj dělá jinou část práce. Společná paměť mezi nimi drží kontinuitu.

Co mi systém ukazuje v běžném dni

Projektové detaily zůstávají v jednotlivých projektech. Nad nimi je společná vrstva s aktuálním přehledem, ranními a večerními souhrny, registrem úkolů a historií změn.

Ráno mi má ukázat, co se dokončilo, co zůstalo otevřené, které maximálně tři priority dávají smysl a kde chybí rozhodnutí. Večer zachytí potvrzené výstupy, nedokončenou práci a další krok.

Jak vzniká aktuální přehled

Nejdřív kontrolní skript projde všechny registrované projekty. U každého určí jeden ze tří stavů:

• Updated – aktualizováno,
• Confirmed no change – potvrzeno beze změny,
• Needs confirmation – je potřeba potvrdit.

Model detailně čte jen projekty, které se změnily nebo potřebují potvrzení. Dostane konkrétní soubory, související úkoly, předchozí souhrn a chráněné výstupy jiného nástroje.

Potom vznikne rozpracovaný kontrolní záznam s jedním řádkem pro každý projekt. Kontrola podle pevných pravidel ověří, jestli nic nechybí a jestli zůstal zachovaný obsah, který systém nesmí přepsat.

Až potom model připraví rozhodovací pohled.

Tato posloupnost mi dává jistotu, že přehled nevznikl jen z toho, co AI náhodou našla. Každý projekt musí být zahrnutý a chybějící důkazy musí zůstat viditelné.

První verze fungovala. A spotřebovávala příliš mnoho tokenů

Tohle jsem časem ladila nejvíc.

Model opakovaně četl pracovní pokyny, celý registr úkolů, staré stavy a širokou historii. Kontrolní skript zachytával i soubory, které vytvořil předchozí běh: manažerské souhrny, buildy webu nebo výsledky testů.

Projekt pak vypadal jako změněný, i když se změnil jen výstup samotného systému.

Překrývaly se také pravidelné kontroly se záložní obnovou pomocí AI. Dva procesy mohly číst podobný kontext a připravovat podobný výsledek.

Postupně jsem proto:

• zavedla kontrolu všech projektů ještě před detailním čtením,
• omezila AI kontext jen na změněné nebo nejasné projekty,
• spojila povolené podklady do jednoho balíku,
• vyloučila buildy, pomocné soubory a vlastní manažerské výstupy,
• zakázala široké opakované čtení a smyčky s dalšími pokusy,
• přesunula pravidelné cykly na úspornější model a nastavení,
• pozastavila opakovanou obnovu pomocí AI.

Zůstala hodinová kontrola bez AI. Umí zjistit, že dnešní cyklus je kompletní, stále běží nebo má čerstvý rozpracovaný záznam. V takovém případě model vůbec nespustí.

Optimalizace nezačíná jen kratším promptem. Někdy je nejlepším rozhodnutím model vůbec nezavolat.

Přesnou procentuální úsporu zatím neuvádím. Změnu architektury mám ověřenou, finanční výsledek ještě měřím.

Jak chráním hlavní seznam úkolů

Druhá část systému zpracovává návrhy z Fireflies, chatu, Codexu, Claude Code nebo manuálního vstupu.

Nový návrh se nejdřív uloží do odděleného prostoru. Obsahuje zdroj, navrhovanou změnu, důkaz, míru jistoty a stav kontroly.

Systém ho porovná s existujícími úkoly. Model umí upozornit i na stejný úkol napsaný jinými slovy. Během této kontroly se nic nemaže ani neslučuje.

Člověk následně rozhodne, jestli návrh vytvoří nový úkol, aktualizuje existující, sloučí duplicitu nebo potřebuje více informací. Až potom se změna zapíše do hlavního registru spolu s původní hodnotou, novou hodnotou a zdrojem.

Tento mechanismus není hlavní pointou systému. Pomáhá ale udržet přehled. Když se nový návrh nemůže potichu změnit v platný stav, dokážu rozlišit, co už platí a co ještě čeká na mě.

Jak začít v menším

Na první pokus nepotřebujete Git ani automatizaci.

Stačí jeden dokument nebo tabulka s aktuálními úkoly a druhé místo pro návrhy od AI. Vyberte si jeden opakující se problém, například úkoly ze schůzek nebo týdenní kontrolu otevřených věcí.

AI může podklady číst, porovnávat a navrhovat změny. Hlavní seznam upraví člověk až po kontrole.

Pokud už pracujete ve více projektech, přidejte registr projektů, stabilní identifikátory úkolů a historii změn. Automatizaci má smysl řešit až tehdy, když víte, které kroky se opakují a která rozhodnutí chcete držet u člověka.

Co jsem si z toho odnesla

AI Project Memory vznikla z potřeby neztratit se ve vlastní práci.

Postupně mi došlo, že dobrá projektová paměť nemusí vědět všechno. Potřebuji od ní jasný pohled na to, co se posunulo, co platí, co čeká na kontrolu a kde jsem na řadě já.

Pokud děláte hodně věcí najednou, zkuste si pojmenovat tři místa:

• kde dnes hledáte aktuální stav,
• kam odkládáte nové návrhy,
• kde rozhodujete, co bude platit dál.

Právě mezi nimi se často ztrácí přehled. A právě tam může i jednoduchá projektová paměť uvolnit nejvíc pozornosti.