Setup

Config

Run

Report

Step-by-Step Guide

Od nuly k prvnímu reportu

10 kroků, které vás provedou celým EDPA frameworkem — od instalace po kalibrovaný výkaz hodin.

Prerekvizity

EDPA je local-first — stačí Python 3.10+ a Git. Claude Code uživatelé: Python deps se instalují automaticky přes SessionStart hook. Ostatní prostředí: pip install manuálně. GitHub CLI je volitelný, jen pokud chcete PR-signal CI workflow (--with-ci).

claude code (doporuceno)

# Python 3.10+ musí být v PATH
python3 --version   # >= 3.10

# Git pro verzování .edpa/ (auto-commity)
git --version

# Python závislosti se nainstalují automaticky
# při prvním spuštění Claude Code v projektu (SessionStart hook)

terminal

# Python závislosti (Cursor, Codex CLI, raw)
pip install pyyaml ruamel.yaml openpyxl requests

# Ověření
python3 --version   # >= 3.10
git --version

# Volitelné — jen pro PR-signal CI (--with-ci):
gh auth login

Ocekavany vystup

Python 3.12.1
git version 2.44.0

# Local-first: žádný org, žádný PAT, žádné GitHub
# Projects pro základní běh. Vše žije v .edpa/.

Dalsi krok →

Vytvořit repo

EDPA žije uvnitř Git repozitáře. Stačí libovolný repo — osobní i organizační, na GitHubu i čistě lokální git init. Žádné Issue Types ani GitHub Projects se nevyžadují.

terminal

# Varianta A — nový GitHub repo
gh repo create project-name \
  --private --clone
cd project-name

# Varianta B — čistě lokálně (bez GitHubu)
mkdir project-name && cd project-name
git init

Ocekavany vystup

✓ Created repository project-name on GitHub
✓ Cloned to ./project-name

# nebo lokálně:
Initialized empty Git repository in ./project-name/.git/

Zpet Dalsi krok →

Nainstalovat EDPA

V Claude Code: /plugin install přes marketplace. Jiné prostředí (Cursor, Codex CLI): curl|sh. Oba způsoby vendorují engine do .edpa/engine/ a připraví .edpa/ strukturu.

claude code (doporuceno)

/plugin install edpa@technomaton-edpa
# Claude Code stáhne plugin z marketplace

terminal

# Mimo Claude Code (Cursor, Codex CLI, raw):
curl -fsSL https://edpa.technomaton.com/install.sh | sh

Ocekavany vystup

EDPA Installer
==============
Downloading EDPA plugin...
✓ Engine vendored to .edpa/engine/
✓ Created .edpa/ structure:
  .edpa/engine/        ← skripty, šablony, schémata
  .edpa/config/        ← konfigurace týmu a projektu
  .edpa/backlog/       ← work items (per-item YAML)
  .edpa/reports/       ← generované výkazy
✓ Created .edpa/config/people.yaml (upravte tým)
✓ Created .edpa/config/edpa.yaml (upravte projekt)

Next: /edpa setup "Název projektu"

Zpet Dalsi krok →

/edpa:setup

Jeden příkaz vendoruje engine do .edpa/engine/ a naseeduje konfigurace — tým, projekt a id_counters.yaml. Local-first: žádné provisioning GitHub Projectů. Volitelně --with-ci přidá PR-signal workflow.

claude code (doporuceno)

/edpa:setup "Název projektu"
# Claude Code provede vše interaktivně

# Volitelně — přidat PR-signal CI workflow:
/edpa:setup "Název projektu" --with-ci

terminal

# Manuální alternativa (mimo Claude Code):
# 1. Upravit .edpa/config/people.yaml (tým, role, FTE, kapacity)
# 2. Upravit .edpa/config/edpa.yaml (název projektu, kadence)
# 3. Seed počítadel ID:
python3 .edpa/engine/scripts/setup.py

# Volitelně — PR-signal CI workflow:
python3 .edpa/engine/scripts/setup.py --with-ci

Ocekavany vystup

✓ Engine vendored: .edpa/engine/{scripts,templates,schemas}
✓ Team: 3 members configured (2.8 FTE)
✓ Config: .edpa/config/edpa.yaml (projekt + kadence)
✓ Config: .edpa/config/people.yaml (tým)
✓ Seeded: .edpa/config/id_counters.yaml
✓ CW heuristics: .edpa/config/cw_heuristics.yaml

# S --with-ci navíc:
✓ Workflow: .github/workflows/edpa-contribution-sync.yml
  → PR-thread signály → evidence[] na items
✓ Git hooks installed (commit-msg: feat(<ID>): …)
# Pod lefthookem (lefthook.yml přítomen): EDPA nepíše do .git/hooks/,
#   ale vytiskne snippet → vlož do lefthook.yml a spusť: lefthook install
# Ověření kdykoli: project_setup.py --check-hooks

# Local-first: žádný org, žádný PAT, žádné GitHub Projects.

Zpet Dalsi krok →

Volitelné — PR-signal CI

JEDINÁ volitelná GitHub integrace ve V2. Workflow edpa-contribution-sync.yml čte signály z PR vláken (review, approve, komentáře) a zapisuje je do evidence[] u jednotlivých items. Žádný PAT ani Projects v2 — používá default GITHUB_TOKEN. Můžete přeskočit, EDPA běží i čistě lokálně.

claude code (doporuceno)

# Workflow se nainstaluje přes /edpa:setup --with-ci.
# Pokud jste ho nepřidali při setupu, doplňte ho kdykoli:
/edpa:setup --with-ci

# Workflow běží automaticky při každém uzavření PR
# a obohatí evidence[] u dotčených items o PR-thread signály.

terminal

# Co workflow dělá (.github/workflows/edpa-contribution-sync.yml):
#   on: pull_request (closed) → spustí:
python3 .edpa/engine/scripts/sync_pr_contributions.py

# Skript projde PR thread a doplní do .edpa/backlog/**:
#   evidence[]: pr_reviewer, pr_approver, pr_commenter, …
# Commitne výsledek zpět (feat-style commit) — žádný PAT.

# Lokální dry-run před zapnutím CI:
python3 .edpa/engine/scripts/sync_pr_contributions.py --pr 42 --dry-run

Ocekavany vystup

✓ Workflow: .github/workflows/edpa-contribution-sync.yml
✓ Auth: default GITHUB_TOKEN (žádný PAT, žádný secret)
✓ Trigger: pull_request closed

PR #42 closed → sync_pr_contributions.py:
  evidence[] += pr_reviewer(pkral), pr_approver(pkral)
  → .edpa/backlog/stories/S-1.md aktualizováno
  → commit: "feat(S-1): sync PR #42 contribution signals"

# Bez --with-ci: tento krok přeskočte, EDPA běží local-first.

Zpet Dalsi krok →

Naplnit backlog

Items přidávejte přes backlog.py add — ID se alokuje z id_counters.yaml, hierarchie se validuje a soubor .md se zapíše do .edpa/backlog/ a auto-commitne jako feat(<ID>):. Hierarchie: Initiative > Epic > Feature > Story (+ Defect na úrovni Story). WSJF se počítá automaticky.

claude code (doporuceno)

# V Claude Code stačí napsat:
/edpa:add Story "Implementovat login endpoint" \
  --parent F-1 --js 5 --bv 8 --tc 5 --rr-oe 3 \
  --assignee jnovak --iteration PI-2026-1.1

# Claude přes MCP edpa_item_create:
#  • alokuje ID z id_counters.yaml (S-1)
#  • zvaliduje rodiče (F-1 musí existovat)
#  • zapíše .edpa/backlog/stories/S-1.md
#  • auto-commit: feat(S-1): add story
# Pak: "Zvaliduj backlog a ukaž mi strom"

terminal

# CLI fallback (mimo Claude Code) — add auto-commitne feat(<ID>):
python3 .edpa/engine/scripts/backlog.py add Story \
  "Implementovat login endpoint" \
  --parent F-1 --js 5 --bv 8 --tc 5 --rr-oe 3 \
  --assignee jnovak --iteration PI-2026-1.1

# Zapíše .edpa/backlog/stories/S-1.md (front-matter + popis):
#   id: S-1 / type: Story / js,bv,tc,rr_oe / status: Backlog
#   parent: F-1 / assignee / iteration
#   created_at se doplní lokálně, closed_at při přechodu do Done

python3 .edpa/engine/scripts/backlog.py validate
python3 .edpa/engine/scripts/backlog.py tree

Ocekavany vystup

✓ feat(S-1): add story  (auto-commit)
✓ Backlog valid (12 items, 0 errors)

I-1: Medical Platform
└── E-1: Data Processing Pipeline
    ├── F-1: Authentication (JS=8, WSJF=2.0)
    │   ├── S-1: Login endpoint (JS=5) ← jnovak
    │   └── S-2: Token refresh (JS=3) ← emala
    └── F-2: Data Import (JS=13, WSJF=1.8)
        ├── S-3: CSV parser (JS=5) ← emala
        └── S-4: Validation (JS=3) ← pkral

Zpet Dalsi krok →

Tým začne pracovat

Tým pracuje standardním Git flow — branch naming konvence, commity s referencemi na items (feat(<ID>):), PR a code review. EDPA evidenci čte lokálně z Git historie; pokud běží PR-signal CI (--with-ci), doplní se navíc signály z PR vláken do evidence[].

terminal

# Branch naming (CI kontroluje formát)
git checkout -b feature/S-1-login-endpoint

# Commit s referencí na item
git commit -m "feat(S-1): implement JWT login"

# Pull Request
gh pr create \
  --title "S-1: Login endpoint" \
  --body "Implements JWT auth flow" \
  --assignee jnovak

Ocekavany vystup

Branch: feature/S-1-login-endpoint
Commits: 4 (linked to S-1)
PR #42: "S-1: Login endpoint"
  → Review requested: pkral
  → Status: Approved ✓ → Merged

Evidence (signal weights → contribution_score):
  jnovak: commit_author 4.00                = 4.00
  pkral:  pr_reviewer 2.17                  = 2.17
  → cw[jnovak, S-1] = 4.00 / 6.17 = 0.65
  → cw[pkral,  S-1] = 2.17 / 6.17 = 0.35

Timestamps (lokálně z Git historie):
  S-1: created_at=2026-05-10, updated_at=2026-05-15, closed_at=2026-05-15

Flow metrics (MCP tool edpa_flow_metrics):
  S-1 cycle time: 5d | Throughput: 4 items/iter

Zpet Dalsi krok →

Konec iterace

Na konci iterace EDPA engine načte evidenci z backlog souborů v .edpa/backlog/ a proporcionálně alokuje hodiny podle skutečné práce.

claude code (doporuceno)

/edpa:close-iteration PI-2026-1.1
# Claude Code načte evidenci a spočítá alokaci

terminal

python3 .edpa/engine/scripts/engine.py \
  --edpa-root .edpa \
  --iteration PI-2026-1.1

# Engine automaticky:
# 1. Načte evidenci z .edpa/backlog/ souborů
# 2. Spočítá contribution weight (CW)
# 3. Alokuje hodiny: Score / Total × Capacity
# 4. Vygeneruje reporty

Ocekavany vystup

EDPA Engine v2.11.1 — PI-2026-1.1
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
Team:     3 members, 2.8 FTE
Capacity: 448 hours (2 weeks)

Allocation:
  jnovak  │████████████████░░│ 178.2h (39.8%)
  emala   │█████████████░░░░░│ 142.6h (31.8%)
  pkral   │████████████░░░░░░│ 127.2h (28.4%)
                        Total: 448.0h ✓
Invariants: ALL PASSED

Zpet Dalsi krok →

Výkazy a reporty

EDPA generuje per-person výkazy, per-item cost allocation, JSON export a frozen snapshot. Vše auditovatelné a reprodukovatelné.

claude code (doporuceno)

/edpa:reports
# Claude Code vygeneruje všechny reporty a výkazy

terminal

# Vygenerované soubory
.edpa/reports/
├── iteration-PI-2026-1.1/
│   ├── vykaz-jnovak.md      # per-person výkaz
│   ├── vykaz-emala.md
│   ├── vykaz-pkral.md
│   ├── edpa_results.json    # strojově čitelný
│   └── summary.xlsx         # Excel export
.edpa/snapshots/
└── iteration-PI-2026-1.1.json  # frozen snapshot

Ocekavany vystup

Per-person výkaz (vykaz-jnovak.md):
┌──────────┬────────┬────────┬────────┐
│ Person   │ Hours  │ Share  │ Items  │
├──────────┼────────┼────────┼────────┤
│ jnovak   │ 178.2  │ 39.8%  │ 7      │
│ emala    │ 142.6  │ 31.8%  │ 5      │
│ pkral    │ 127.2  │ 28.4%  │ 6      │
├──────────┼────────┼────────┼────────┤
│ TOTAL    │ 448.0  │ 100%   │ 18     │
└──────────┴────────┴────────┴────────┘

Zpet Dalsi krok →

Retrospektiva + kalibrace

Kalibrujte signal weights proti syntetickému Monte Carlo korpusu. calibrate_signals.py spustí MC random sampling + coordinate descent a hlásí MAD baseline vs. calibrated.

claude code (doporuceno)

/edpa:calibrate
# Claude Code spustí MC kalibraci a zobrazí MAD výsledky

terminal

# Monte Carlo kalibrace signal weights
python3 .edpa/engine/scripts/calibrate_signals.py \
  --scenarios 1000 --seed 42

# MAD < 0.06 → výborná kalibrace
# MAD 0.06-0.10 → dobrá kalibrace
# MAD > 0.10 → vyžaduje úpravu vah

Ocekavany vystup

Calibration: 1000 scenarios, seed=42
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
Phase 1 (random sample):  MAD baseline   = 0.0861
Phase 2 (coord descent):  MAD calibrated = 0.0805
Improvement: +6.5%

Verdict: GOOD (defaults are already near optimum)

Zpet Dalsi krok →

Další PI

Opakujte pro každou iteraci. S každým cyklem se kalibrace zpřesňuje. Cíl: prediktabilita > 80 %, MAD < 0.05 do třetího PI.

claude code (doporuceno)

/edpa:close-iteration PI-2026-1.2
# Další iterace — stejný postup

terminal

# Nová iterace
python3 .edpa/engine/scripts/engine.py \
  --edpa-root .edpa \
  --iteration PI-2026-1.2

# Porovnejte výsledky iterací v .edpa/reports/

Ocekavany vystup

Trend: PI-2026-1.1 → PI-2026-1.4
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
MAD:            0.032 → 0.018  ↓ improving
Predictability: 78%   → 91%   ↑ on target
Correlation:    0.94  → 0.98  ↑ strong

Status: Mature — framework calibrated.

Zpet Hotovo — zpet na EDPA