Jak spolu fungují dovednosti, agenti a MCP servery v Claude Code

Pravděpodobně jste už narazili na tuto překážku: vložíte celou svou kódovou základnu do AI chatu, přidáte podrobný prompt a dostanete zpět... nic užitečného. Nebo ještě hůř, model začne halucinovat názvy funkcí, které neexistují, protože ztratil přehled o tom, co četl před 50 000 tokeny.

To je problém kontextového okna. A proto vám házení většího množství kódu do LLM nepomůže, aby byl chytřejší.

Claude Code to řeší jinak. Ne tím, že by měl větší kontextové okno (i když to pomáhá), ale tím, že chytře využívá prostor, který má. Dělá to pomocí tří věcí, které spolupracují: dovedností, pod-agentů a MCP serverů.

Ukážu vám, jak tyto části zapadají do sebe. Jakmile tomu porozumíte, přestanete bojovat s AI a začnete s ní pracovat.

Problém kontextového okna

Tady je něco, co mi chvíli trvalo, než jsem to vstřebal: LLM si ve skutečnosti "nepamatují" začátek dlouhé konverzace tak, jak byste očekávali. Kontextové okno je spíš jako reflektor než kartotéka. Jak přidáváte další tokeny, dřívější obsah dostává méně pozornosti. Vložte 100 000 tokenů kódu a model v podstatě jen přelétává, když se dostane k vaší otázce.

To vysvětluje hodně frustrujícího chování AI. Model se zpočátku zdá chytrý, pak se zmate. Zapomíná věci, které jste mu řekli dříve. Halucinuje detaily ze souborů, které "četl", ale zjevně si je nepamatuje.

Řešením není větší kontextové okno. Řešením je ho nepotřebovat.

Jak Claude Code skutečně přemýšlí

Claude Code je agent. To zní fancy, ale znamená to jen, že dokáže plánovat, provádět, pozorovat výsledky a iterovat. Když ho požádáte, aby "opravil selhávající testy v mém projektu", nesnaží se pochopit celou vaši kódovou základnu najednou. Místo toho pracuje v soustředěných krocích:

1. Přečte strukturu projektu, aby pochopil, co je kde
2. Spustí testy, aby viděl, co skutečně selhává
3. Podívá se na konkrétní selhávající test a kód, který testuje
4. Provede opravu
5. Znovu spustí testy
6. Pokud je to stále rozbité, zkusí něco jiného

Každý krok pracuje pouze s kontextem, který potřebuje. Agent si udržuje pracovní shrnutí toho, co se naučil, ne surový záznam všeho, co viděl. Takto může Claude Code iterovat 20krát na složité chybě, aniž by mu došel prostor v kontextu.

Představte si to jako způsob, jakým byste skutečně debugovali něco. Nedržíte si celou kódovou základnu v hlavě. Soustředíte se na jednu oblast, vytvoříte hypotézu, otestujete ji a upravíte. Claude Code funguje stejně.

Pod-agenti - skutečný převrat

Tady to začíná být opravdu zajímavé. Claude Code může vytvářet pod-agenty.

Pod-agent je samostatná instance Claude s vlastním čistým kontextovým oknem. Můžete říct Claude Code, aby ho spustil, dal mu soustředěný úkol, nechal ho pracovat nezávisle a dostal zpět shrnutí toho, co zjistil. Plný kontext pod-agenta nikdy neznečistí vaši hlavní konverzaci.

To je obrovské. Místo jednoho agenta, který se snaží držet všechno:

Vy: "Analyzuj tuto kódovou základnu na bezpečnostní problémy, problémy s výkonem a pokrytí testy"

Hlavní agent vytvoří pod-agenty: ├── Pod-agent 1: Bezpečnostní analýza (vlastní kontext, čte soubory relevantní pro bezpečnost) ├── Pod-agent 2: Přehled výkonu (vlastní kontext, zaměřuje se na kritické cesty)
└── Pod-agent 3: Pokrytí testy (vlastní kontext, zkoumá testovací soubory)

Každý pod-agent vrátí shrnutí hlavnímu agentovi Hlavní agent syntetizuje vše do jedné odpovědi

Pod-agenti mohou každý přečíst tisíce řádků kódu. Ale hlavní agent obdrží pouze jejich zhuštěné nálezy. Váš hlavní kontext zůstává čistý, zatímco stále dostáváte hloubkovou analýzu napříč více oblastmi.

Představte si to jako delegování na juniorní vývojáře. Nemusíte číst každý řádek, který zkontrolovali. Potřebujete jejich závěry a případné červené vlajky, které našli. Pod-agenti fungují stejně.

Jak skutečně používat pod-agenty

Můžete explicitně požádat Claude Code, aby vytvořil pod-agenta:

• "Vytvoř pod-agenta pro hloubkovou analýzu autentizačního modulu"
• "Použij pod-agenta k přezkoumání všech databázových dotazů na N+1 problémy"
• "Nech pod-agenta projít testovací soubory a nahlásit mezery v pokrytí"

Pod-agent dostane svůj vlastní čerstvý kontext, udělá hloubkovou práci a vrátí shrnutí. Vaše hlavní konverzace se nenafoukne celou surovou analýzou.

To je obzvlášť mocné pro velké kódové základny. Místo toho, aby Claude Code ztratil přehled v polovině, dostanete soustředěnou analýzu, která skutečně škáluje.

Kde přicházejí dovednosti

Takže Claude Code dokáže rozdělit úkoly, vytvářet pod-agenty a pracovat v soustředěných krocích. Ale jak ví, jak dělat konkrétní věci dobře? To je místo, kde přicházejí dovednosti.

Dovednosti jsou zabalené instrukce, které Claude čte před řešením konkrétních typů úkolů. Když požádáte Claude Code o vytvoření PowerPoint prezentace, nejprve si přečte soubor dovedností na /mnt/skills/public/pptx/SKILL.md. Tento soubor obsahuje osvědčené postupy, běžné úskalí a přesné vzory kódu, které skutečně fungují.

Dovednost typicky zahrnuje:

• Soubor SKILL.md s podrobnými instrukcemi
• Šablony kódu a příklady
• Známá omezení a řešení
• Specifikace výstupního formátu

Klíčovým poznatkem je, že dovednosti se načítají na vyžádání. Claude neplýtvá prostorem kontextového okna na PowerPoint instrukce, když debugujete Python. Načte relevantní dovednost, když ji potřebuje, použije tuto expertízu pro úkol a pokračuje dál.

To je jiné než nástroje. Nástroje jsou funkce, které Claude volá, aby dostal data zpět, jako web_search nebo bash_tool. Dovednosti jsou balíčky znalostí, které mění způsob, jakým Claude přistupuje k problémům. Tento rozdíl je důležitý, protože nástroje stojí tokeny v systémovém promptu (více nástrojů = méně místa pro váš kód), zatímco dovednosti se načítají pouze když jsou relevantní.

Pod-agenti mohou také načítat dovednosti. Pod-agent analyzující bezpečnost může načíst dovednosti specifické pro bezpečnost, aniž by tyto instrukce zaplnily vaši hlavní konverzaci.

Iterační smyčka

Jeden vzor, který uvidíte neustále, je iterační smyčka. Claude Code něco vygeneruje, zkontroluje, jestli to funguje, a opravuje problémy, dokud to není správně.

1. Vygeneruje kód
2. Spustí ho (nebo ho zlintuje, nebo zkontroluje typy)
3. Zjistí, jestli to funguje
4. Pokud ne, analyzuje chybu a zkusí to znovu
5. Opakuje, dokud to neprojde

Proto může Claude Code opravit chyby, které by jednorázový prompt minul. Negeneruje jen kód a nedoufá. Testuje svou vlastní práci a reaguje na skutečnou zpětnou vazbu.

Když Claude Code vytvoří React komponentu a pak spustí vývojový server, aby zkontroloval chyby, používá tuto smyčku. Když napíše funkci a spustí testy, aby ověřil, že funguje, stejná věc. Kroky generování a ověřování spolupracují.

To také vysvětluje, proč Claude Code někdy trvá déle, než byste očekávali. Není pomalý. Je důkladný. Spouští vaše testy, kontroluje chyby typů a iteruje, dokud věci skutečně nefungují.

MCP servery - připojení k externím systémům

Dosud jsme mluvili o tom, jak Claude Code přemýšlí (agentní kroky, pod-agenti) a co ví (dovednosti). Ale co připojení k externím systémům? To je místo, kde přichází MCP.

Model Context Protocol je způsob, jakým Claude Code komunikuje s databázemi, GitHubem, souborovými systémy, CI/CD pipeline a v podstatě čímkoli jiným. Představte si MCP jako USB-C pro AI: standardní rozhraní, které umožňuje jakémukoli kompatibilnímu AI systému připojit se k jakékoli kompatibilní službě.

MCP servery poskytují tři typy schopností:

Nástroje - Funkce, které Claude může volat, jako dotazování databáze nebo vytvoření pull requestu

Zdroje - Datové zdroje, které Claude může číst, jako obsah souborů nebo databázová schémata

Prompty - Znovupoužitelné šablony pro běžné interakce

Pro vývoj webových aplikací jsou nejužitečnější MCP servery:

• Filesystem server - Čtení a zápis souborů ve vašem projektu (sandboxované pro bezpečnost)
• GitHub server - Správa repozitářů, PR, issues a workflow
• Database servery - Dotazování PostgreSQL, MySQL, SQLite přirozeným jazykem

Takto vypadá jednoduchý MCP server v TypeScriptu: typescript import { McpServer } from '@modelcontextprotocol/sdk/server/mcp.js'; import { StdioServerTransport } from '@modelcontextprotocol/sdk/server/stdio.js';

const server = new McpServer({ name: 'code-analyzer', version: '1.0.0' });

server.registerTool( 'analyze_complexity', { description: 'Analyze cyclomatic complexity of a file', inputSchema: { filePath: { type: 'string' } } }, async ({ filePath }) => { const result = await analyzeFile(filePath); return { content: [{ type: 'text', text: JSON.stringify(result) }] }; } );

const transport = new StdioServerTransport(); await server.connect(transport);

Síla MCP serverů vychází z toho, jak fungují s pod-agenty. Pod-agent může dotazovat databázi přes MCP, analyzovat tisíce řádků a vrátit pouze relevantní nálezy. Surová data se nikdy nedotknou vašeho hlavního kontextu.

Spojení všeho dohromady

Projděme si skutečný příklad. Požádáte Claude Code: "Zkontroluj tento PR a ověř, jestli jsou databázové migrace bezpečné."

Takto to skutečně probíhá:

1. Hlavní agent načte relevantní dovednosti pro code review
2. Vytvoří pod-agenta pro hloubkovou analýzu změn v PR
3. Tento pod-agent zavolá GitHub MCP server, aby získal detaily PR
4. Další pod-agent čte migrační soubory a dotazuje aktuální databázové schéma přes MCP
5. Pod-agenti vrátí soustředěná shrnutí: "Migrace přidává index, vypadá to bezpečně" nebo "Varování: toto odstraňuje sloupec, na který se stále odkazuje"
6. Hlavní agent syntetizuje nálezy pod-agentů do jasné odpovědi

Všimněte si, jak těžká práce probíhá v pod-agentech s jejich vlastními kontexty. Hlavní agent orchestruje a shrnuje. Vaše konverzace zůstává čistá, zatímco dostáváte hloubkovou analýzu.

Proč je to důležité pro váš pracovní postup

Pochopení této architektury mění způsob, jakým pracujete s Claude Code:

Přestanete bojovat s kontextovým oknem. Jakmile si uvědomíte, že pod-agenti zvládají hloubkovou analýzu samostatně, přestanete se snažit vložit celou svou kódovou základnu do hlavní konverzace. Nechte pod-agenty dělat těžké čtení.

Explicitně používáte pod-agenty pro velké úkoly. Místo doufání, že to Claude Code vymyslí, řekněte mu: "Použij pod-agenta k analýze platebního modulu" nebo "Vytvoř pod-agenty pro bezpečnost, výkon a přehled testů." Pracujete s architekturou, ne proti ní.

Rozumíte, proč některé úkoly fungují lépe než jiné. Úkoly, které lze delegovat na pod-agenty, skvěle škálují. Úkoly vyžadující neustálou komunikaci tam a zpět v jednom kontextu narazí na limity rychleji.

Důvěřujete iterační smyčce. Při opravování chyb nechte Claude iterovat. Často najde problémy, které jste nečekali, tím, že skutečně spustí kód a pozoruje selhání. Nepřerušujte ho po prvním pokusu.

Praktické tipy

Explicitně žádejte o pod-agenty u velkých úkolů. "Vytvoř pod-agenta pro přezkoumání autentizačního systému" funguje lépe než doufání, že Claude Code zjistí, že potřebuje delegovat.

Nechte Claude nejprve přečíst dovednosti. Pokud vytváříte dokumenty nebo pracujete s konkrétními formáty souborů, Claude funguje lépe, když si před začátkem přečte relevantní soubor dovedností.

Připojte MCP servery pro opakující se integrace. Místo kopírování a vkládání výstupů databáze nebo detailů GitHub PR do vašich promptů připojte relevantní MCP servery. Claude si vytáhne přesně to, co potřebuje.

Zkontrolujte ekosystém před vytvářením vlastních nástrojů. Ekosystém MCP narostl na více než 5 000 komunitních serverů pokrývajících Stripe, Cloudflare, CI systémy a většinu služeb, které byste chtěli integrovat. Někdo pravděpodobně už vytvořil to, co potřebujete.

Poskytujte zpětnou vazbu, když se to pokazí. Když Claude Code vyprodukuje špatné výsledky, řekněte mu, co se pokazilo. Iterační smyčka funguje i pro vaši zpětnou vazbu.

Širší obraz

MCP byl nedávno darován Linux Foundation, přičemž OpenAI, Google a Microsoft se připojili jako podporující členové. To signalizuje, že protokol se stává průmyslovým standardem infrastruktury, ne jen věcí Anthropic.

Kombinace pod-agentů (paralelní práce v oddělených kontextech), dovedností (doménová expertíza načítaná na vyžádání) a MCP serverů (čistá připojení k externím systémům) představuje způsob, jakým moderní AI kódovací asistenti skutečně fungují. Není to magie. Je to dobrá architektura řešící skutečná omezení.

Vzor pod-agentů je obzvlášť důležité pochopit hloubkově. Je to rozdíl mezi AI, která se zadusí na velkých kódových základnách, a tou, která škáluje. Když požádáte Claude Code, aby analyzoval něco velkého, nenapěchuje všechno do jednoho kontextu a nedoufá. Deleguje na soustředěné pod-agenty, každý s čistým kontextem, a syntetizuje jejich nálezy.

Pochopení těchto částí vám pomůže pracovat se systémem místo proti němu. Dostanete lepší výsledky, narazíte na méně překážek a budete vědět, kdy důvěřovat AI versus kdy převzít kontrolu manuálně.