Po většinu kariéry mi TypeScript stačil. React a Next.js na frontendu, NestJS nebo Express na backendu, jeden jazyk od databáze po tlačítko. Pak se AI změnila z jediného API volání na skutečnou součást produktu a opakovaně jsem narážel na stejnou překážku: zajímavý kód byl v Pythonu.
LLM API mají dobré JavaScriptové SDK a OpenAI i Anthropic dál integruji z Node.js. Jakmile se ale práce přesune pod úroveň API — vlastní provoz modelu, embeddingy ve velkém měřítku či audio — přichází ke slovu ekosystém Pythonu: PyTorch, Hugging Face, NumPy, notebooky Jupyter a výzkumné repozitáře s requirements.txt a bez alternativy v npm. Text-to-speech přes StyleTTS2 a pipeline pro audioknihy byly okamžikem, kdy čtení Pythonu přestalo být volitelné.
Učit se další jazyk jako zkušený inženýr je jiné než učit se první. Nemusíte zjišťovat, co je cyklus; potřebujete poznat kulturu. Virtuální prostředí a připnuté závislosti jsou důležité, protože repozitář modelu, který fungoval minulý měsíc, může přestat fungovat s novou verzí torch. Type hints a Pydantic připomínají TypeScript a Zod. async ve FastAPI dobře odpovídá tomu, co znám z Node. A také zvyk používat notebooky: zkoumat v Jupyteru a funkční kód pak přesunout do skutečného modulu s testy.
AI samotná učení urychlila. Modely používám jako pair programmera v jazyce, ve kterém jsem slabší: vysvětli tento idiom, přepiš tento zvyk z JavaScriptu do pythonového stylu, proč má tento tensor chybný tvar? Pravidlo je přistupovat ke každé odpovědi jako k pull requestu od juniora — přečíst ji, spustit a pochopit před začleněním. AI učení zrychluje, nenahrazuje ho.
V produkci držím rozdělení jednoduché. Node.js a TypeScript spravují produkt: autentizaci, API, platby a UI. Python má na starost modely: inferenci, audio a zpracování dat, obvykle jako samostatná služba nebo worker za frontou, který komunikuje s produktem přes HTTP nebo úlohy s typovaným kontraktem. Každý jazyk dělá to, v čem je jeho ekosystém nejsilnější, a nezasahuje do práce druhého.
Python mi TypeScript nenahradil, ale rozšířil moje možnosti. Před pár lety znamenal „full-stack“ cestu od databáze k prohlížeči. V éře AI to zahrnuje i otevřít repozitář modelu, přečíst, co skutečně dělá, a spustit ho vlastními silami. Pokud váš produkt potřebuje krok s modelem a skutečnou webovou aplikaci kolem něj, právě na tomto rozhraní rád pracuji.
Dejte příštímu produktu někoho, kdo zůstane.
Chcete začít? Napište mi – mohu začít hned a zůstat. Dlouhodobé retainery, ne dvoutýdenní předání. Proberme váš projekt, požadavky a nejlepší cestu vpřed.