# Tomáš Kubica

> Interactive Czech and English articles about AI, development, cloud, and practical engineering experience.

Use `source.md` links for faithful article sources and `caveman.md` links for compact agent-friendly summaries. Czech articles are the originals; English articles are machine translations when available.

## Czech source articles

- [CZ source.md: Agenti mění co je jedna jednotka práce](https://tomaskubica.cz/2026/agenti-token-kapital-build-2026/source.md): Úvaha o tom, jak agenti mění jednotku práce, posouvají interakci od specifikace k intentu a vytvářejí novou ekonomiku lidského a tokenového kapitálu.
- [CZ source.md: Levnější a rychlejší agenti s progressive disclosure MCP přes Foundry Toolbox Search](https://tomaskubica.cz/2026/foundry-toolbox-search/source.md): Praktická ukázka, jak Foundry Toolbox Tool Search snižuje input tokeny přes progressive disclosure, cold search a warm auto-pin.
- [CZ source.md: Šetříme tokeny v GitHub Copilot](https://tomaskubica.cz/2026/token-saving-cz/source.md): Praktické techniky pro snížení tokenů v agentickém kódování bez ztráty kvality výsledku.
- [CZ source.md: Jak centrálně spravovat a řídit skills pro agenty](https://tomaskubica.cz/2026/agent-skills-centralni-sprava/source.md): Návrh workflow pro týmovou správu agent skills přes katalog, lokální PoC, GitHub issue a agentickou triáž.
- [CZ source.md: Je předplatné vhodný obchodní model pro AI produkt? Zdražuje AI? Zdražují tokeny? Nebo se jen najíždí na férový model?](https://tomaskubica.cz/2026/subskripce-ve-svete-ai/source.md): Úvaha o tom, proč agenti mění ekonomiku AI produktů a proč čistý flat subscription model naráží.
- [CZ source.md: AI kódování - kontext vs. měření, software jako paměť, váš software se učit nebudu, OpenClaw a chytrá domácnost](https://tomaskubica.cz/2026/ai-code-context-feedback/source.md): Domácí experiment ukazuje, proč je pro AI kódování důležitý kontext, měření, feedback a agentické UX.
- [CZ source.md: Spirální čtení, poslech a pokec - moje AI workflow pro nasání knihy do mozku](https://tomaskubica.cz/2026/spiralni-cteni/source.md): Osobní workflow pro vrstvené čtení, poslech a doptávání AI nad knihami, PDF a delšími texty.
- [CZ source.md: Tři cesty k GenUI a jejich výhody a nevýhody](https://tomaskubica.cz/2026/3-cesty-k-genui/source.md): Srovnání tří cest ke generovanému UI: statický artefakt, deklarativní specifikace a plně generovaný interaktivní kód.
- [CZ source.md: Nový standard Agent Skills pro vaše kódovací pracanty v GitHub Copilot](https://tomaskubica.cz/2026/coding-agents-skills/source.md): Praktické vysvětlení Agent Skills jako mezistupně mezi AGENTS.md a MCP pro kódovací agenty.
- [CZ source.md: Coding agenti - paralelní práce agentů na vašich úkolech](https://tomaskubica.cz/2026/coding-agent-background-tasks/source.md): Jak rozběhnout víc coding agentů paralelně pomocí Copilot CLI, background tasks a git worktree.
- [CZ source.md: Deep dive do observability AI agentů s Microsoft Agent Framework - tracing s open source nástroji Aspire Dashboard a Langfuse](https://tomaskubica.cz/2025/ai-observability-3/source.md): Tracing AI agentů přes Aspire Dashboard a Langfuse včetně anonymizace a specializované AI observability.
- [CZ source.md: Deep dive do observability AI agentů s Microsoft Agent Framework - metriky a logy, konverze na managed Prometheus a Grafana v Azure](https://tomaskubica.cz/2025/ai-observability-2/source.md): Praktický deep dive do metrik a logů AI agentů přes OpenTelemetry, Prometheus a Grafanu v Azure.
- [CZ source.md: Deep dive do observability AI agentů s Microsoft Agent Framework - OpenTelemetry semantic conventions a použití OTEL kolektoru](https://tomaskubica.cz/2025/ai-observability-1/source.md): OpenTelemetry semantic conventions pro AI agenty a role OTEL kolektoru mezi aplikací a backendy.
- [CZ source.md: Jak na jednoduchou AI analýzu textu? LLM, fine-tuning, BERT nebo embeddingy?](https://tomaskubica.cz/2025/ai-sentiment-varianty/source.md): Srovnání čtyř cest pro sentiment analýzu: LLM prompt, fine-tuning LLM, BERT a embeddingy s logistickou regresí podle kvality, ceny, latence a flexibility.
- [CZ source.md: Vlastní data (RAG) pro vašeho AI agenta část třetí - AI samo volí strategii, jak se dostat k datům](https://tomaskubica.cz/2025/rag-part3/source.md): Ukázka, jak AI agent plánuje dotazy, reformulace a SQL strategie pro hledání ve vlastních datech.
- [CZ source.md: Vlastní data (RAG) pro vašeho AI agenta část druhá - graf znalostí a pokročilé metody](https://tomaskubica.cz/2025/rag-part2/source.md): Pokročilejší RAG přes knowledge graph, extrakci konceptů, sumarizace a traversal strategie.
- [CZ source.md: Vlastní data (RAG) pro vašeho AI agenta část první - krok za krokem s Python a PostgreSQL](https://tomaskubica.cz/2025/rag-part1/source.md): Krok za krokem přes full-text, embeddingy, hybridní hledání a re-ranking v PostgreSQL.

## Czech caveman summaries

- [CZ caveman.md: Agenti mění co je jedna jednotka práce](https://tomaskubica.cz/2026/agenti-token-kapital-build-2026/caveman.md): Úvaha o tom, jak agenti mění jednotku práce, posouvají interakci od specifikace k intentu a vytvářejí novou ekonomiku lidského a tokenového kapitálu.
- [CZ caveman.md: Levnější a rychlejší agenti s progressive disclosure MCP přes Foundry Toolbox Search](https://tomaskubica.cz/2026/foundry-toolbox-search/caveman.md): Praktická ukázka, jak Foundry Toolbox Tool Search snižuje input tokeny přes progressive disclosure, cold search a warm auto-pin.
- [CZ caveman.md: Šetříme tokeny v GitHub Copilot](https://tomaskubica.cz/2026/token-saving-cz/caveman.md): Praktické techniky pro snížení tokenů v agentickém kódování bez ztráty kvality výsledku.
- [CZ caveman.md: Jak centrálně spravovat a řídit skills pro agenty](https://tomaskubica.cz/2026/agent-skills-centralni-sprava/caveman.md): Návrh workflow pro týmovou správu agent skills přes katalog, lokální PoC, GitHub issue a agentickou triáž.
- [CZ caveman.md: Je předplatné vhodný obchodní model pro AI produkt? Zdražuje AI? Zdražují tokeny? Nebo se jen najíždí na férový model?](https://tomaskubica.cz/2026/subskripce-ve-svete-ai/caveman.md): Úvaha o tom, proč agenti mění ekonomiku AI produktů a proč čistý flat subscription model naráží.
- [CZ caveman.md: AI kódování - kontext vs. měření, software jako paměť, váš software se učit nebudu, OpenClaw a chytrá domácnost](https://tomaskubica.cz/2026/ai-code-context-feedback/caveman.md): Domácí experiment ukazuje, proč je pro AI kódování důležitý kontext, měření, feedback a agentické UX.
- [CZ caveman.md: Spirální čtení, poslech a pokec - moje AI workflow pro nasání knihy do mozku](https://tomaskubica.cz/2026/spiralni-cteni/caveman.md): Osobní workflow pro vrstvené čtení, poslech a doptávání AI nad knihami, PDF a delšími texty.
- [CZ caveman.md: Tři cesty k GenUI a jejich výhody a nevýhody](https://tomaskubica.cz/2026/3-cesty-k-genui/caveman.md): Srovnání tří cest ke generovanému UI: statický artefakt, deklarativní specifikace a plně generovaný interaktivní kód.
- [CZ caveman.md: Nový standard Agent Skills pro vaše kódovací pracanty v GitHub Copilot](https://tomaskubica.cz/2026/coding-agents-skills/caveman.md): Praktické vysvětlení Agent Skills jako mezistupně mezi AGENTS.md a MCP pro kódovací agenty.
- [CZ caveman.md: Coding agenti - paralelní práce agentů na vašich úkolech](https://tomaskubica.cz/2026/coding-agent-background-tasks/caveman.md): Jak rozběhnout víc coding agentů paralelně pomocí Copilot CLI, background tasks a git worktree.
- [CZ caveman.md: Deep dive do observability AI agentů s Microsoft Agent Framework - tracing s open source nástroji Aspire Dashboard a Langfuse](https://tomaskubica.cz/2025/ai-observability-3/caveman.md): Tracing AI agentů přes Aspire Dashboard a Langfuse včetně anonymizace a specializované AI observability.
- [CZ caveman.md: Deep dive do observability AI agentů s Microsoft Agent Framework - metriky a logy, konverze na managed Prometheus a Grafana v Azure](https://tomaskubica.cz/2025/ai-observability-2/caveman.md): Praktický deep dive do metrik a logů AI agentů přes OpenTelemetry, Prometheus a Grafanu v Azure.
- [CZ caveman.md: Deep dive do observability AI agentů s Microsoft Agent Framework - OpenTelemetry semantic conventions a použití OTEL kolektoru](https://tomaskubica.cz/2025/ai-observability-1/caveman.md): OpenTelemetry semantic conventions pro AI agenty a role OTEL kolektoru mezi aplikací a backendy.
- [CZ caveman.md: Jak na jednoduchou AI analýzu textu? LLM, fine-tuning, BERT nebo embeddingy?](https://tomaskubica.cz/2025/ai-sentiment-varianty/caveman.md): Srovnání čtyř cest pro sentiment analýzu: LLM prompt, fine-tuning LLM, BERT a embeddingy s logistickou regresí podle kvality, ceny, latence a flexibility.
- [CZ caveman.md: Vlastní data (RAG) pro vašeho AI agenta část třetí - AI samo volí strategii, jak se dostat k datům](https://tomaskubica.cz/2025/rag-part3/caveman.md): Ukázka, jak AI agent plánuje dotazy, reformulace a SQL strategie pro hledání ve vlastních datech.
- [CZ caveman.md: Vlastní data (RAG) pro vašeho AI agenta část druhá - graf znalostí a pokročilé metody](https://tomaskubica.cz/2025/rag-part2/caveman.md): Pokročilejší RAG přes knowledge graph, extrakci konceptů, sumarizace a traversal strategie.
- [CZ caveman.md: Vlastní data (RAG) pro vašeho AI agenta část první - krok za krokem s Python a PostgreSQL](https://tomaskubica.cz/2025/rag-part1/caveman.md): Krok za krokem přes full-text, embeddingy, hybridní hledání a re-ranking v PostgreSQL.

## English source articles

- [EN source.md: Agents change what one unit of work is](https://tomaskubica.cz/en/2026/agenti-token-kapital-build-2026/source.md): A reflection on how agents change the unit of work, move interaction from specification toward intent, and create a new economy of human and token capital.
- [EN source.md: Cheaper and faster agents with progressive disclosure MCP through Foundry Toolbox Search](https://tomaskubica.cz/en/2026/foundry-toolbox-search/source.md): A practical demo of how Foundry Toolbox Tool Search reduces input tokens through progressive disclosure, cold search, and warm auto-pin.
- [EN source.md: Saving tokens in GitHub Copilot](https://tomaskubica.cz/en/2026/token-saving-cz/source.md): Practical techniques for reducing token consumption in agentic coding without losing result quality.
- [EN source.md: How to centrally manage and govern skills for agents](https://tomaskubica.cz/en/2026/agent-skills-centralni-sprava/source.md): A workflow proposal for team-managed agent skills through a catalog, local PoC, GitHub issue, and agentic triage.
- [EN source.md: Is subscription a suitable business model for an AI product? Is AI getting more expensive? Are tokens getting more expensive? Or are we just moving toward a fair model?](https://tomaskubica.cz/en/2026/subskripce-ve-svete-ai/source.md): A reflection on why agents change the economics of AI products and why a pure flat subscription model runs into limits.
- [EN source.md: AI coding - context vs. measurement, software as memory, I will not learn your software, OpenClaw and the smart home](https://tomaskubica.cz/en/2026/ai-code-context-feedback/source.md): A home experiment showing why context, measurement, feedback, and agentic UX matter for AI coding.
- [EN source.md: Spiral reading: AI podcast from PDFs without losing context](https://tomaskubica.cz/en/2026/spiralni-cteni/source.md): A personal workflow for layered reading, listening, and asking AI questions about books, PDFs, and longer texts.
- [EN source.md: Three paths to GenUI and their pros and cons](https://tomaskubica.cz/en/2026/3-cesty-k-genui/source.md): A comparison of three paths to generated UI: static artifacts, declarative specifications, and fully generated interactive code.
- [EN source.md: New Agent Skills Standard for Your Coding Workers in GitHub Copilot](https://tomaskubica.cz/en/2026/coding-agents-skills/source.md): A practical explanation of Agent Skills as the middle ground between AGENTS.md and MCP for coding agents.
- [EN source.md: Coding agents — parallel agent work on your tasks](https://tomaskubica.cz/en/2026/coding-agent-background-tasks/source.md): How to run multiple coding agents in parallel with Copilot CLI, background tasks, and git worktree.
- [EN source.md: Deep dive into AI agent observability with Microsoft Agent Framework - tracing with open-source tools Aspire Dashboard and Langfuse](https://tomaskubica.cz/en/2025/ai-observability-3/source.md): Tracing AI agents with Aspire Dashboard and Langfuse, including anonymization and specialized AI observability.
- [EN source.md: Deep dive into observability for AI agents - metrics, logs and dashboards with Azure Monitor, Grafana and Application Insights](https://tomaskubica.cz/en/2025/ai-observability-2/source.md): A practical deep dive into AI agent metrics and logs with OpenTelemetry, Prometheus, and Grafana in Azure.
- [EN source.md: Deep dive into AI agent observability with Microsoft Agent Framework - OpenTelemetry semantic conventions and using the OTEL collector](https://tomaskubica.cz/en/2025/ai-observability-1/source.md): OpenTelemetry semantic conventions for AI agents and the OTEL collector between the app and backends.
- [EN source.md: How to do simple AI text analysis? LLM, fine-tuning, BERT, or embeddings?](https://tomaskubica.cz/en/2025/ai-sentiment-varianty/source.md): Comparison of four sentiment analysis paths: LLM prompting, LLM fine-tuning, BERT, and embeddings with logistic regression across quality, cost, latency, and flexibility.
- [EN source.md: Your own data (RAG) for your AI agent, part three - AI chooses the strategy for getting to data itself](https://tomaskubica.cz/en/2025/rag-part3/source.md): How an AI agent plans queries, reformulations, and SQL strategies for retrieval over private data.
- [EN source.md: Your own data (RAG) for your AI agent, part two - knowledge graph and advanced methods](https://tomaskubica.cz/en/2025/rag-part2/source.md): More advanced RAG with a knowledge graph, concept extraction, summarization, and traversal strategies.
- [EN source.md: Your own data (RAG) for your AI agent, part one - step by step with Python and PostgreSQL](https://tomaskubica.cz/en/2025/rag-part1/source.md): Step by step through full-text, embeddings, hybrid search, and re-ranking in PostgreSQL.

## English caveman summaries

- [EN caveman.md: Agents change what one unit of work is](https://tomaskubica.cz/en/2026/agenti-token-kapital-build-2026/caveman.md): A reflection on how agents change the unit of work, move interaction from specification toward intent, and create a new economy of human and token capital.
- [EN caveman.md: Cheaper and faster agents with progressive disclosure MCP through Foundry Toolbox Search](https://tomaskubica.cz/en/2026/foundry-toolbox-search/caveman.md): A practical demo of how Foundry Toolbox Tool Search reduces input tokens through progressive disclosure, cold search, and warm auto-pin.
- [EN caveman.md: Saving tokens in GitHub Copilot](https://tomaskubica.cz/en/2026/token-saving-cz/caveman.md): Practical techniques for reducing token consumption in agentic coding without losing result quality.
- [EN caveman.md: How to centrally manage and govern skills for agents](https://tomaskubica.cz/en/2026/agent-skills-centralni-sprava/caveman.md): A workflow proposal for team-managed agent skills through a catalog, local PoC, GitHub issue, and agentic triage.
- [EN caveman.md: Is subscription a suitable business model for an AI product? Is AI getting more expensive? Are tokens getting more expensive? Or are we just moving toward a fair model?](https://tomaskubica.cz/en/2026/subskripce-ve-svete-ai/caveman.md): A reflection on why agents change the economics of AI products and why a pure flat subscription model runs into limits.
- [EN caveman.md: AI coding - context vs. measurement, software as memory, I will not learn your software, OpenClaw and the smart home](https://tomaskubica.cz/en/2026/ai-code-context-feedback/caveman.md): A home experiment showing why context, measurement, feedback, and agentic UX matter for AI coding.
- [EN caveman.md: Spiral reading: AI podcast from PDFs without losing context](https://tomaskubica.cz/en/2026/spiralni-cteni/caveman.md): A personal workflow for layered reading, listening, and asking AI questions about books, PDFs, and longer texts.
- [EN caveman.md: Three paths to GenUI and their pros and cons](https://tomaskubica.cz/en/2026/3-cesty-k-genui/caveman.md): A comparison of three paths to generated UI: static artifacts, declarative specifications, and fully generated interactive code.
- [EN caveman.md: New Agent Skills Standard for Your Coding Workers in GitHub Copilot](https://tomaskubica.cz/en/2026/coding-agents-skills/caveman.md): A practical explanation of Agent Skills as the middle ground between AGENTS.md and MCP for coding agents.
- [EN caveman.md: Coding agents — parallel agent work on your tasks](https://tomaskubica.cz/en/2026/coding-agent-background-tasks/caveman.md): How to run multiple coding agents in parallel with Copilot CLI, background tasks, and git worktree.
- [EN caveman.md: Deep dive into AI agent observability with Microsoft Agent Framework - tracing with open-source tools Aspire Dashboard and Langfuse](https://tomaskubica.cz/en/2025/ai-observability-3/caveman.md): Tracing AI agents with Aspire Dashboard and Langfuse, including anonymization and specialized AI observability.
- [EN caveman.md: Deep dive into observability for AI agents - metrics, logs and dashboards with Azure Monitor, Grafana and Application Insights](https://tomaskubica.cz/en/2025/ai-observability-2/caveman.md): A practical deep dive into AI agent metrics and logs with OpenTelemetry, Prometheus, and Grafana in Azure.
- [EN caveman.md: Deep dive into AI agent observability with Microsoft Agent Framework - OpenTelemetry semantic conventions and using the OTEL collector](https://tomaskubica.cz/en/2025/ai-observability-1/caveman.md): OpenTelemetry semantic conventions for AI agents and the OTEL collector between the app and backends.
- [EN caveman.md: How to do simple AI text analysis? LLM, fine-tuning, BERT, or embeddings?](https://tomaskubica.cz/en/2025/ai-sentiment-varianty/caveman.md): Comparison of four sentiment analysis paths: LLM prompting, LLM fine-tuning, BERT, and embeddings with logistic regression across quality, cost, latency, and flexibility.
- [EN caveman.md: Your own data (RAG) for your AI agent, part three - AI chooses the strategy for getting to data itself](https://tomaskubica.cz/en/2025/rag-part3/caveman.md): How an AI agent plans queries, reformulations, and SQL strategies for retrieval over private data.
- [EN caveman.md: Your own data (RAG) for your AI agent, part two - knowledge graph and advanced methods](https://tomaskubica.cz/en/2025/rag-part2/caveman.md): More advanced RAG with a knowledge graph, concept extraction, summarization, and traversal strategies.
- [EN caveman.md: Your own data (RAG) for your AI agent, part one - step by step with Python and PostgreSQL](https://tomaskubica.cz/en/2025/rag-part1/caveman.md): Step by step through full-text, embeddings, hybrid search, and re-ranking in PostgreSQL.