# Claude Code review a agentický ping-pong: jak nechat AI kontrolovat jinou AI **URL:** https://aibility.org/blog/ai-kontroluje-ai **Meta popis:** Jak nastavit autora a oponenta: jedna AI tvoří, druhá kontroluje. Claude Code review, agentický ping-pong s Codexem a kdy je druhý agent jen režie. --- [Blog](/blog) · Build with AI · 5 min čtení # Claude Code review a agentický ping-pong: jak nechat AI kontrolovat jinou AI Kódu nerozumím, a přesto rozhoduju, které změny v něm projdou. Pomáhá mi Claude Code review: práci Codexu kontroluje Claude a naopak. Sepsal jsem, jak autora a oponenta nastavit a kdy je druhý agent jen zbytečná režie. Vibe Coding Summer 2026 Agentický ping-pong z programu Krok Kdo _V_Vyrobí report Claude Code _Z_Zkontroluje ho proti 23 testům Codex _U_Upraví zadání a pošle další kolo Codex _P_Poslední kontrola před publikací Člověk Konec, když výstup splní testy Obsah 1. [Slepá skvrna autora](#slepa-skvrna-autora) 2. [Autor a oponent jako dvě role](#autor-a-oponent-jako-dve-role) 3. [Agentický ping-pong mezi Codexem a Claude Code](#agenticky-ping-pong-mezi-codexem-a-claude-code) 4. [Definition of done](#definition-of-done) 5. [Claude Code review u pull requestů](#claude-code-review-u-pull-requestu) 6. [Často se ptáte](#faq) Když se mi nahromadí pull requesty, tedy návrhy změn v kódu, zkopíruju odkaz na jejich seznam a pošlu ho agentovi. Napíšu mu, ať je všechny projde, zjistí, co mění, jestli je v nich něco nebezpečného, vysvětlí mi to a pak je mergne. Kódu většinou nerozumím, tak si ho nechám vysvětlit druhým agentem. Co napsal Codex, kontroluje Opus v Claude Code, a co napsal Claude, kontroluje Codex. Jedna AI tvoří, jiná kontroluje. Ve [Vibe Coding Summer](https://aibility.org/vibe-coding-summer) jsme tomu říkali autor a oponent a na check-inech to ukazovali i účastníci. ## Slepá skvrna autora Agent, který něco dlouho stavěl, svou práci rád pochválí. Jeden účastník to popsal přesně: když na něčem dlouho děláš, máš pocit, že jsi kousek od cíle, a nástroje tě v tom ještě utvrzují. Jeho rada zněla: „Nevěřme tomu, že to je hotovo.“ Viděl to na vlastním projektu. Claude Code nad jeho reportovacím systémem dlouho iteroval a vlastní audit dopadl skvěle. Pak dal stejný systém Codexu, přidal mu zhruba dvacet oblastí architektury a tři kritéria: méně času, méně tokenů a méně lidských zásahů. Codex našel zbytečnou složitost a vysoké náklady, které potvrdily i logy. Účastník se pak místo dalších oprav rozhodl postavit čistší verzi. Druhý pohled tu fungoval, protože měl jiná kritéria než autor. Dřív účastník volal Codex jako plugin přímo z Claude Code a věc se tím nepohnula. Rozpory začal Codex pojmenovávat až ve své desktopové aplikaci, mimo prostředí, ve kterém systém vznikal. Od července 2026 je Codex jedním z režimů aplikace ChatGPT pro Mac a Windows. ## Autor a oponent jako dvě role Na posledním check-inu ukazoval jeden účastník svého agenta na texty. Agent napsal příspěvek, pak si ho sám zoponoval a napsal druhou verzi. Fungovalo mu to, ale autor i kritik byl pořád ten samý agent se stejnými instrukcemi. Navrhl jsem mu rozdělit to na dva skilly, jeden, který píše, a druhý, který kontroluje. Kontrolor se dá napsat obecněji a pak ho zavoláš i v jiných postupech, kdykoli ho potřebuješ. Sám to tak stavím. Mám jeden soubor s popisem celého postupu, který postupně volá specializované skilly: tvorbu webu, kontrolu copy a anti-slop. Nic z toho nedělá jeden agent v jedné konverzaci. Stejný účastník už to dělal jinde. Znalostní bázi mu plní Cursor a oponenturu dělá Codex s vlastním promptem. Codex vždycky najde místo, kde se nedodržel postup. U znalostní báze si to hlídá nejvíc, protože chyba, která se do ní dostane, se pak propíše do všech dalších textů. ## Agentický ping-pong mezi Codexem a Claude Code Účastník s reportovacím systémem si postavil „továrnu na reporty“. Data připravovala spolehlivě, ale vizuálně kvalitní výstup z nich udělat neuměla. S Claude Code se v tom točil opakovaně, tak si na pomoc přivedl Codex. Příklad z programu Nejdřív dělal poslíčka: od Codexu si vzal návrh, vložil ho do Claude Code a čekal. To ho rychle přestalo bavit. Pak dal Codexu ID konkrétní session v Claude Code a přes ovládání aplikací na Macu ho nechal pracovat přímo v ní. Codex vložil prompt, odeslal ho a každých 20 až 35 sekund se díval, jestli Claude ještě pracuje. Když skončil, přečetl výsledky z disku a porovnal je s 23 testy. Když výsledek neseděl, upravil zadání a poslal další kolo. Claude Code vyráběl, Codex kontroloval. Účastník mezitím obědval a pracoval v jiných sessions. Ping-pong skončil, jakmile výstup odpovídal cílovému stavu. Jeho hlavní tip: druhý agent nemá spolutvořit, má oponovat. Když tvoří oba, mění si výstup pod rukama a hra nikdy neskončí. Vyplatí se to, když se první řešení zasekne a točí v kruhu, když musí sedět čísla, u plánu větší práce a jako vrstva těsně před tím, než se na výsledek podívá člověk. Když jeden agent postupuje hladce, druhý přidává jen režii. Jak to řekl sám účastník: „Pokud to běží hladce, tak ten ping-pong nedává smysl.“ U plánu to dělám i já. Jeden model napíše plán, druhý ho rozebere a dá mu feedback, a takhle mezi nimi proběhnou tři čtyři kola. Různé modely mají jinou „povahu“ a trochu jiný přístup k problému. ## Definition of done Víc agentů samo o sobě kvalitu nezajistí. Potřebují společný popis cílového stavu, kterému se říká definition of done: co má být hotové, jaké testy musí projít a komu výstup slouží. Bez něj si agenti mohou navzájem potvrzovat, že je hotovo, nebo iterovat donekonečna. Účastník s reporty to označil za věc, se kterou se trápí nejvíc. Narazil jsem na to sám. Pro účastníky programu jsem nechal Codex vygenerovat personalizovaná doporučení a každé jsem si přečetl a dal k němu feedback. Kdybych dokázal popsat, jak vypadá dobrý výstup, velkou část té kontroly by za mě udělal jiný model. Oponent proto potřebuje kritéria a podklady, se kterými výstup porovná. Vyzkoušej Funguje v Claude, ChatGPT i Copilotu. Nejlíp v jiném nástroji nebo modelu, než ve kterém výstup vznikl. PromptZkopírovat Jsi oponent, ne spoluautor. Níže je výstup jiné AI a zadání, podle kterého vznikl. Výstup nepřepisuj. Porovnej ho se zadáním a s podklady a vypiš: co v zadání chybí nebo je splněné jen napůl, čísla a tvrzení, která v podkladech nenajdeš, a změny, které nikdo nechtěl. U každého nálezu napiš, kde přesně je a jak je vážný. Na konec napiš, jestli výstup splňuje tuto definici hotového stavu: \[popiš, jak vypadá dobrý výsledek\]. ## Claude Code review u pull requestů U kódu funguje stejný princip. Claude Code má kontrolu i vestavěnou: příkaz `/code-review` projde změny ve větvi na jakémkoli plánu a firmy s plánem Team nebo Enterprise si můžou zapnout službu Code Review, která komentuje pull requesty přímo na GitHubu. Vlastní review prompt se ale hodí dál, protože potřebuje konkrétní otázky: změnil agent jen soubory, které měl, fungují testy a odpovídá změna zadání? Ani ten nemusíš vymýšlet. Udělej si jeden až tři deep researche na téma, co hlídat při mergeování pull requestů, a z výsledků si nech poskládat jeden prompt, který pak používáš pořád dokola. Hloubka kontroly roste s tím, kolik by stála chyba. Malá textová změna projde jedním review promptem. Když jsme na platformě kompletně předělali, jak funguje napojení přes MCP, nestačilo to. Celou cestu zákazníka jsem si ručně proklikal, protože kódové review neověří, jestli věc dává smysl tomu, kdo ji používá. Nad kódem jsem k tomu pustil 5x5 review. Pět agentů zkontroluje aplikaci z pěti pohledů, například kvality kódu, a připraví pět reportů. Dalších pět agentů ty reporty přečte a ověří jejich nálezy přímo v kódu. Trvá to klidně hodinu a spotřebuje to hodně tokenů, proto to pouštím jen na velké věci. Kdo chce oponenta zkusit na vlastním výstupu, má v knihovně 15minutový [AI Workout Zkontroluj výstup AI](https://aibility.org/knihovna/kontrola-vysledku), ve kterém AI porovná čísla a tvrzení s podklady. Když chceš rozebrat plán nebo nabídku z víc pohledů najednou, pomůže [Svolej si expert panel](https://aibility.org/knihovna/panel-expertu). ## Vyzkoušej na své práci ### [Zkontroluj výstup AI](https://aibility.org/knihovna/kontrola-vysledku) AI Workout, 15 minut, výstup ověřený proti podkladům ### [Svolej si expert panel](https://aibility.org/knihovna/panel-expertu) AI Workout, 20 minut, oponentura návrhu z více pohledů [obrázek: Tom Paulus]**Tom z Aibility**Co-CEO pro produkt ## Často se ptáte Umí Claude dělat code review? Ano. V Claude Code na to je příkaz `/code-review` a pro týmy na GitHubu služba Code Review. Můžeš mu dát i seznam pull requestů a vlastní review prompt s konkrétními otázkami. Nejlíp funguje, když kontroluje kód, který napsal jiný model, třeba Codex. Proč nenechat AI napsat text a zároveň ho zkritizovat? Jde to, ale kritik má stejné instrukce i slepá místa jako autor. Samostatný skill na kontrolu má vlastní kritéria a dá se použít i v jiných postupech. Kdy se druhý agent vyplatí? Když se první řešení cyklí, když musí sedět čísla, u plánu větší práce a před finální lidskou kontrolou. Když práce postupuje hladce, druhý agent přidává jen režii. Jak poznám, že je ping-pong hotový? Podle definition of done, kterou určíš předem: testy, cílový stav a pro koho výstup je. Zprávě „hotovo“ od modelu nevěř, dokud ji nepotvrdí soubory, data nebo testy. Šlo by agentický ping-pong udělat přes příkazovou řádku místo aplikace? Podle účastníka by to šlo i přes terminál. Ovládání aplikací zvolil, protože bylo nejjednodušší a viděl v něm, co který agent zrovna dělá. V obou případech potřebuješ ID session, sdílené soubory a podmínku ukončení. Je lepší Codex, nebo Claude Code? Účastník s reporty musel v Claude Code zasahovat mnohem častěji než v Codexu. Hodně ale záleželo na prostředí kolem modelu: na nastavení, skillech a na tom, jestli se volá z aplikace, příkazové řádky nebo přes API. Pro kontrolu je důležitější, aby autor a oponent byli různí. Newsletter ## Nechcete nic zmeškat? Jednou za dva týdny posíláme souhrn toho nejlepšího z AI světa. Žádný spam, jen věci, které stojí za přečtení. [Odebírat newsletter](/newsletter) Superpowered Professional ## Zjistěte, jak s AI pracujete Krátký test AI dovedností trvá asi 2 minuty. Je zdarma a výsledek máte hned. [Začít zdarma](https://sp.aimee.coach/assessment) ## Další články [[obrázek: Zpráva od AI agenta ve Slacku: nabídka pro klienta je hotová pět minut po callu]30\. října 2026 · Build with AIAI v obchodu: nabídka do pěti minut po callu a onboarding sám od sebeAI v obchodu nemusí prodávat za tebe. Kolegyně z obchodu si nechala jen hovor s klientem a přípravu, nabídku i onboarding za ni dělá AI. Sepsal jsem, jak to má postavené a jak začít.](/blog/ai-v-obchodu) [[obrázek: Marketingový obsah jako výrobní linka: strategie, článek, kontrola textu, vizuál a plán]30\. října 2026 · Build with AIAI marketing: obsah jako výrobní linka s agentyAI marketing funguje nejlíp jako výrobní linka: vlastní myšlenka, rešerše, draft, kontrola, vizuál a publikace. Popisuju, jak ji máme v Aibility a jak si ji během léta postavil jeden účastník programu.](/blog/marketing-s-ai-agenty) [[obrázek: Ukazatel kontextového okna zaplněného na 93 procent]30\. října 2026 · AI nástrojeKontextové okno a tokeny: proč AI zapomíná a jak šetřitKontextové okno je to, co AI v jednom chatu právě vidí, a tokeny jsou jednotky, ve kterých se počítá text i cena. Když se okno zaplní, AI začne zapomínat, a když pálíš tokeny, dojde ti limit. Sepsal jsem, co s tím dělám já a co jsme řešili v létě s lidmi z programu.](/blog/kontextove-okno-a-tokeny)