LLM obsahují pouze obecná předtrénovaná data. Vkládání dalších informací (dokumentů, průvodců, knih atd.) do výzvy za účelem zlepšení výkonu se nazývá "uzemnění" Zde jsou 2 nástroje, které musím použít k uzemnění: 1) @RepoPrompt (Mac) nebo Pastemax (Windows, ) Tyto nástroje umožňují snadno zkopírovat celý základ kódu do schránky. To pak můžete vložit do LLM a ptát se na otázky týkající se vašeho kódu, nebo je přimět k psaní kódu. Gemini 2.5 má kontextové okno o velikosti 1 milion tokenů, takže se vám tam vejdou poměrně velké kódové základny. Jedním z mých oblíbených pracovních postupů je kopírování mé kódové základny do Gemini 2.5, požádání o vygenerování výzvy k provedení úkolu a vložení této výzvy do claude kódu. 2) Čtečka AI Jina ( Převeďte libovolnou adresu URL na markdown, který můžete vložit do svého LLM. Předpokládejme, že existuje stránka dokumentace, kterou chci použít jako zdroj dat, můj LLM. Mohl bych požádat svého LLM, aby navštívil tuto URL, ale to je často nespolehlivé a ve skutečnosti tuto stránku nenavštíví a nepřečte vše. Nejjistějším způsobem je použít tento nástroj jina k převedení této adresy URL do pěkného formátu markdown (může dokonce odstranit obrázky a další zbytečný obsah z webové stránky) a poté jej vložit do výzvy.