Laravel Boost

U Laravel Boostu mě nezajímá ani tak samotný AI hype, ale mnohem víc jedna praktická věc: jestli agent při práci nad aplikací ví, v jakém projektu se vlastně pohybuje. To je přesně místo, kde se běžné používání AI často láme. Model umí napsat kus Laravel kódu, ale pokud nezná konkrétní verze balíčků, routy, databázové schéma, konfiguraci nebo konvence projektu, snadno navrhne řešení, které vypadá správně jen na první pohled.

Laravel Boost se snaží tuhle mezeru zmenšit. Nedělá z AI seniorního vývojáře a nebere člověku odpovědnost za návrh. Spíš agentovi otevře dveře k informacím, které by si jinak musel vývojář dohledávat ručně. V menším projektu to může být příjemné zrychlení. U větší codebase už to začíná být rozdíl mezi obecným generováním kódu a pomocníkem, který alespoň částečně chápe okolí změny.

Kde Boost pomáhá v praxi

Největší přínos vidím ve chvíli, kdy se agent nemá jen zeptat dokumentace, ale má se zorientovat přímo v aplikaci. Potřebuji vědět, jaké modely existují, jak jsou pojmenované routy, jak vypadá databáze, jaké balíčky jsou nainstalované nebo jaká konfigurace je pro danou část systému relevantní. Přesně tyhle informace rozhodují o tom, jestli návrh změny zapadne do projektu, nebo bude působit jako cizí kus kódu.

Boost k tomu používá MCP server a sadu nástrojů pro AI agenta. Agent si díky nim může sáhnout na aplikační informace, databázové schéma, routy, konfiguraci, logy nebo Laravel dokumentaci. Oficiální stránka zmiňuje i nástroje pro databázové dotazy, Artisan příkazy nebo Tinker integraci. To neznamená, že bych agentovi slepě pouštěl všechno bez kontroly. Znamená to ale, že má lepší šanci pracovat s fakty místo dohadů.

Méně obecných odpovědí

Bez podobného kontextu AI často sklouzne k odpovědím, které jsou sice technicky přijatelné, ale příliš obecné. Navrhne pattern, který zná z dokumentace, ale neřeší, jestli se v projektu už používá jiný přístup. Vygeneruje migraci, aniž by dobře chápala existující vztahy. Doporučí úpravu controlleru, i když by v dané aplikaci dávalo větší smysl sáhnout do action třídy, jobu nebo služby.

Laravel Boost tenhle problém neodstraní úplně. Pořád platí, že vývojář musí číst diff, spouštět testy a hlídat architekturu. Může ale snížit počet situací, kdy agent začne dobře a skončí mimo kontext projektu. Pro mě je to důležitější než slib, že AI napíše víc kódu. Víc kódu samo o sobě nepomáhá. Pomáhá kód, který je menší, přesnější a dá se rozumně zkontrolovat.

Guidelines, skills a dokumentace

Další užitečná část je práce s guidelines a skills. Neberu je jako magický prompt, který vyřeší kvalitu výstupu. Beru je jako způsob, jak agentovi připomenout pravidla, která by jinak zůstala jen v hlavě vývojáře nebo někde v dokumentaci projektu. Pokud používám konkrétní konvence pro testy, strukturu tříd, práci s Filamentem nebo Laravel balíčky, dává smysl, aby je agent znal dřív, než začne navrhovat změnu.

Stejně důležitá je dokumentace. Laravel ekosystém se mění a u některých věcí záleží na verzi frameworku nebo balíčku. Odpověď, která byla správná před dvěma roky, dnes může být zbytečně zastaralá. Boost pomáhá agentovi hledat v relevantnější dokumentaci a znalostních bázích, takže se méně spoléhá na obecnou paměť modelu.

Kdy bych po něm sáhl

Laravel Boost bych nepovažoval za první věc, kterou musí mít každý malý Laravel projekt. Pokud jde o jednoduchý web nebo pár CRUD obrazovek, často stačí dobré zadání, testy a rozumný review proces. Větší smysl mi dává tam, kde AI agent běžně pomáhá s existující codebase: při refaktoringu, psaní testů, hledání chyb, orientaci v routách nebo při úpravách, které zasahují víc částí aplikace.

Dobře zapadá i do workflow, kde už existují guardraily: Pint, Larastan, Rector, Pest, architektonické testy a code review. Boost sám kvalitu nezaručí, ale může agentovi pomoct nezačínat pokaždé od prázdného listu. A to je podle mě jeho nejpraktičtější hodnota. Neprodává představu, že AI může pracovat bez člověka. Spíš dává člověku lepší nástroj, jak AI udržet blíž reálnému projektu.