AI agenti a archivy: limity, které agent neobejde

Prompt není pojistka

Jeden z diskutujících popsal, jak mu agent při práci s matrikami překročil hranici. Ačkoli dostal doporučený postup, u jiné části archivu přešel na příkaz curl a během okamžiku odeslal desítky požadavků. Nakonec dostal zákaz přístupu.

Proč se to stalo, když prompt obsahoval jasná pravidla? Protože pokyny v promptu nezaručují jejich dodržení. Pomocné skripty jako curl nebo wget mohou pravidla obejít. Omezení se musí uplatnit tam, kde se požadavky skutečně odesílají.

Co rodokmen-skill dělá a kdy je užitečný

Rodokmen-skill je open-source projekt Jindřicha Šaršona pro Claude Code. Uživatel zadá rodinnou větev a agent vyhledává záznamy v digitalizovaných matrikách, přepisuje je, překládá a sestaví rodinný web s vějířem předků, mapou a výřezy matrik.

Jeho přínos nespočívá jen ve čtení textu AI. Nabízí opakovatelný postup: každý nález odkazuje na archiv a ukázku zápisu, deník zachycuje i neúspěšná hledání a vazby rozlišuje podle míry jistoty. Laik tak získá postup, který dříve vyžadoval znalost matrik, latiny a kurentu.

Projekt se testuje na skutečných rodokmenech. Podle README zahrnuje větev s 243 předky v 11 generacích a 192 matričními zápisy. Licence je MIT. Skill nainstalujete přes marketplace nebo ručním zkopírováním složky do ~/.claude/skills/. Kromě Claude Code potřebujete Python 3, Node.js, ImageMagick a git.

Nástroj má limity. Autor upozorňuje, že AI může chybně přečíst jména, zaměnit osoby stejného jména nebo spojit nepříbuzné rodiny. Za výsledek proto stále odpovídá uživatel.

ZDROJ: github.com ↗

Převod, hledání a dohledatelnost původu

Diskuze mluví o „AI přepisu“ a „propojování rodů“. Přesněji jde o tři oddělené kroky:

1. Vyhledání evidence.
2. Přepis snímku.
3. Genealogická korelace záznamů.

Zaměnit tyto kroky znamená ztratit kontrolu nad tím, co agent skutečně našel a přečetl.

Přepis navíc potřebuje standardizovanou evidenci původu. Odkaz na snímek a výřez zápisu umožní zkontrolovat text. Bez zarovnání na řádky či sloupce a bez skóre rozpoznaných znaků ale nepoznáte, co model přečetl a co doplnil. Jde o orientační evidenci, nikoli o genealogickou citaci.

Pro rozsáhlé obrazové archivy použijte specializovaný HTR nástroj, například Transkribus se skóre po řádcích, rozpoznáním layoutu a exportem do TEI či tabulek. Readoldletters může pomoci s rychlým překladem jednoho snímku, i tam ale zkontrolujte originál. Vztahy a citace spravujte v Gramps nebo jiném softwaru podporujícím GEDCOM, případně postupujte podle Evidence Explained.

Jak to funguje pod kapotou a kde má postup limity

Agent během jednoho úkolu opakovaně vybírá nástroje. Plánovač určí další volání, runtime je provede a výsledek vrátí do kontextu. Původní prompt se při každém kroku nemusí znovu spolehlivě vyhodnotit.

Instrukce „nezatěžuj server“ proto může ustoupit cíli právě probíhající smyčky nebo obsahu staženého HTML.

Obecný vision model navíc doplňuje pravděpodobné ligatury, zkratky a slova. U historického písma tak může vzniknout chyba formulovaná s vysokou jistotou. Propojení osob je následně pravděpodobnostní párování záznamů, ne důkaz, že agent genealogii pochopil. Bez skóre a zarovnání přepisu na snímek nerozlišíte přečtený text od domysleného.

Mezi obecným přepisem a specializovaným HTR zůstává propast. Kurziva, latinka a tabulky vyžadují modely natrénované právě na takový text. AI může práci výrazně urychlit, sama ale neodstraní potřebu revize.

Jisté a pravděpodobné vazby

Nejproblematičtější nejsou jednotlivá písmena, ale shoda jmen, stejně jmenované manželské páry a přistěhovalci. Vyšší jistota modelu proto nestačí. Oddělte stav vazby od jejího zdůvodnění.

„Doloženo“ znamená oporu v konkrétním prameni. „Pravděpodobné“ znamená shodu, kterou je třeba ověřit v dalších knihách nebo u jiných osob. Každá vazba potřebuje odkaz na zdroj, stav a poznámku.

Pomůže kontrola matrik narození, sňatků a úmrtí i dřívější rodinné poznámky. Autor projektu popisuje průběh jako dialog člověka a stroje: při nejistém čtení se agent zeptá a záznam označí otazníkem.

Rodinný web takový systém může nabídnout jako přehled. Pro odbornou genealogii však zůstává pomůckou. Bez standardizované citace a vyřešení rozporů mezi prameny nejde o výsledný rodokmen v badatelském smyslu.

Limity digitálních archivů

Omezení frekvence musí působit tam, kde se požadavky odesílají. V diskuzi zazněly čtyři úrovně ochrany:

1. Záměrné zpomalení v aplikaci či prohlížeči.
2. Limit na úrovni API.
3. Sandbox.
4. Centrální omezení na síti nebo proxy.

Centrální limit je nejodolnější vůči obcházení pravidel. Sandbox nabízí jednu konfiguraci pro dlouhodobé opakování. Omezení frekvence nemusí znamenat jen pauzy: několik lidí nechalo bádání rozdělit na více dní, což odpovídá skutečné zátěži serverů.

Automatizace neznamená oprávnění. Respektujte konkrétní znění robots.txt a podmínky archivu. Přístup přes MCP má smysl, pokud omezuje rozsah dotazů a zaznamenává provoz. Pokud MCP pouze zprostředkuje neomezené dotazy, stane se dalším názvem pro procházení webu.

Přistupuj k archivu pouze schváleným způsobem: [schválená metoda připojení].
Posílej nejvýše [limit požadavků] požadavků za [časové rozmezí] s minimální prodlevou [prodleva].
Dodržuj robots.txt a podmínky archivu. Při odmítnutí nebo omezení přístupu ihned zastav.
Používej [sandbox nebo proxy] s maximem [limit požadavků] na relaci.
Nepoužívej curl, wget ani vlastní skripty, které by limity obcházely.
Zaznamenávej každý požadavek, čas, stav odpovědi a případné omezení přístupu.

Co kontrolovat před instalací cizího skillu

Skill není jen text instrukcí. Je to kód a instrukce spuštěné s přístupem k souborům, síti a přihlášení. Před instalací proto projďte skripty, síťová volání, vložené instrukce a práci s tajnými klíči.

Pro tuto kontrolu existuje open-source projekt skill-auditor. Jeho veřejný repozitář má licenci MIT a uvádí jednoho autora berniecz. Nabízí deterministické skenování, načtení vzdáleného archivu bez spuštění kódu a neutralizované čtení. Pokrývá mimo jiné prompt injection, automaticky spouštěné hooky, MCP auto-start, tool poisoning, Unicode smuggling a exfiltraci přihlašovacích údajů.

Remote balíčky podle README stahuje jako archivy místo git clone, aby zabránil spuštění mechanismů spojených s klonováním, jako jsou hooky, filtry a side effecty submodulů.

Lokální balíček zkontrolujete například příkazem:

python3 scripts/scan.py /path/to/untrusted/package --out /tmp/facts.json

Nástroj je však pomůcka, ne záruka. README neuvádí nezávislý bezpečnostní audit, testovací pokrytí ani záruku úplné detekce hrozeb. Po každé aktualizaci proto znovu prověřte změny.

U rodokmen-skill navíc sledujte nové verze. Pluginy od autorů jiných než Anthropic se nemusí aktualizovat automaticky.

Praktický postup má čtyři kroky:

1. Nainstalujte skill do izolovaného prostředí.
2. Projděte skripty a omezte přihlašovací údaje.
3. Spusťte audit.
4. Teprve poté povolte přístup k matrikám.

Co si z toho vzít

• Evidence původu musí ukazovat odkaz, výřez snímku a stav čtení; samotný přepis nestačí.
• Vazby oddělte jako doložené, pravděpodobné a neprokázané.
• Limity přístupu implementujte v proxy, API nebo sandboxu, ne pouze v promptu.
• Pro kurzivu a tabulky použijte specializovaný HTR; obecný vision model doplňuje nejisté znaky.
• Cizí skill auditujte před instalací i po každé aktualizaci.
• Rodinný web může být výstupním rozhraním, odborná genealogie však vyžaduje standardizované citace a lidskou revizi.