Téma je přímo inspirované projektem semANT a student se podílel na tvorbě aplikace, která je plánovaným výsledkem projektu. Výsledek této práce je nyní součástí dané aplikace. Oproti původnímu plánu se student výrazně zaměřil i na metodiku vyhodnocování RAG systémů.

Student připravil příspěvek na Excel@FIT 2026, ale kvůli technickému nedorozumnění, příspěvek nepřihlásil.

Student byl aktivní, pracoval soustavně a zapojil se do společného projektu. 

Evaluation level: zadání splněno a práce obsahuje podstatná rozšíření

Zadání bylo splněno. Ačkoliv to zadání explicitně nevyžaduje, autor mohl provést pilotní experiment s reálnými uživateli v rámci bodu 6, a získat tak některé užitečné zkušenosti dříve a reflektovat je v řešení, například v podobě reformulace otázky, jak je uvedeno v kapitole 9. Nad rámec zadání ale autor realizoval funkční modul pro vysvětlení části odpovědi a navrhl vlastní doplňující metriku pro hodnocení vlastností RAG systému, což lze hodnotit jako podstatné rozšíření práce.

Text je psán srozumitelně a odborně. Některé informace jsou ale spíše obecné a méně informačně přínosné. To někdy vede k nejasným rozdílům u porovnávaných technologií a nástrojů (např. podkap. 3.2), jindy až ke značně nepřesným či diskutabilním informacím. Z textu také není zcela zřejmé, jak vlastní návrh a realizace využívají poznatky z kapitoly 4. Vzhledem k tomu, že adaptivní a agentní RAG systémy tvoří samotnou podstatu řešení (oproti např. základům NLP), zasloužily by si být výrazně lépe prostudovány a prezentovány – a to zejména z hlediska silných a slabých stránek již existujících řešení. Některé postupy a zjištění autora totiž vzbuzují otázku, zda již tato problematika nebyla zkoumána a zda nebylo možné na tyto znalosti navázat, místo jejich opětovného objevování.

Logické členění celého textu by mohlo být zvoleno vhodněji. Autor kombinuje teoretické poznatky s vlastním návrhem i implementačními postupy, což někdy vede k tomu, že jedno téma je prezentováno na různých místech textu. Pochopitelnost autorova návrhu a jeho vlastního přínosu je tak místy obtížnější. Jako méně vhodné se jeví také zařazení popisu iterativního vývoje; z této podkapitoly je značně obtížné si vzít ucelené ponaučení a pochopení, což umocňuje i nejasná informace o intenzivním ladění parametrů architektury, kdy není dobře zřejmé, o jaké parametry se vlastně jedná.

V práci se dále vyskytují menší prohřešky, jako je občasná absence vysvětlení některých termínů, zkratek nebo metrik (např. v tabulce 3.1 metrika nDCG, benchmarky MIRACL a MTEB v podkapitole 3.3, CRAG v podkapitole 6.3.2, definice Cohenova D v podkapitole 7.3 či DuckDuckGo). U obrázku 4.1 není zřejmý jeho původ a navíc je v něm naznačen tok informací pouze jedním směrem. V neposlední řadě pak autor porovnává svůj adaptivní RAG se svým základním RAG systémem, tento základní model však není řádně popsán, takže nelze dobře pochopit, jak je vlastně navržen.

Výběr studijních pramenů je rozsáhlý a kvalitní; autor čerpá z velkého množství relevantních zdrojů. V textu dobře odděluje vlastní postup od převzatých znalostí a nástroje, návody či dokumentaci vhodně uvádí do poznámek pod čarou. Určitý prostor pro zlepšení se však nachází u obrázků, které prezentují převzaté znalosti – ty je potřeba odkazovat přímo u daného obrázku, nikoliv pouze v textu (např. obr. 2.4, 6.1, 6.2 apod.). Vzhledem k tomu, že autor navrhuje vlastní metriku pro měření dostatečnosti kontextu, bylo by také vhodné vysvětlit, zda a z jakého důvodu tuto metriku již nepoužívají jiní vědci.

Výsledný vlastní adaptivní RAG systém je spíše kompilačního charakteru, přičemž je plně funkční, obsahuje aktuální moderní prvky zvyšující relevantnost a validitu jeho odpovědí, je dobře použitelný a veřejně dostupný pro praktické využití. Vlastní navržená metrika pro měření dostatečnosti kontextu přináší svým způsobem nové poznatky, avšak je potřeba hlubší diskuse s ohledem na již existující postupy a vědecké práce v dané oblasti.