Scrollytelling tutorial

Od nuly k prvnímu výkazu

Scrollujte dolu a sledujte, jak EDPA funguje krok po kroku.

01

Zacatek

Setup za 5 minut

Vytvorte repo, nainstalujte zavislosti a nastavte issue types. Cely setup se vejde do jednoho terminalu.

~/your-project
$ /edpa setup
✓ Created repository
✓ Dependencies installed
# nebo manualne: python3 .claude/edpa/scripts/issue_types.py setup --org your-org
✓ Initiative (PINK)
✓ Epic (PURPLE)
✓ Feature (BLUE)
✓ Story (GREEN)
02

Denni prace

Tym pracuje

Tym commituje, reviewuje, testuje. EDPA sbira evidence automaticky z kazdeho git logu a pull requestu.

git log --oneline
PS
abc1234 Petr feat(S-200): implement OMOP parser
JU
def5678 Jaroslav review: approve PR #12
KN
ghi9012 Katerina test(S-200): add unit tests
MK
jkl3456 Marie docs(E-10): update acceptance criteria
03

Engine

EDPA pocita

Z git evidence se automaticky vypocte Score, pomer a odvozene hodiny. Zadny rucni vstup.

Git Evidence
→
Score = JS × CW
→
DerivedHours = (Score/Σ) × Cap
JobSize 0
×
CW 0
=
Score 0
→
Ratio 0%
→
Hours 0h
04

Vystup

Vykaz za 30 sekund

Jeden prikaz vygeneruje kompletni vykaz za iteraci. Vsechny invarianty se kontroluji automaticky.

~/your-project
$ /edpa close-iteration PI-2026-1.1
 
Person Cap Derived Items OK
Petr Svoboda 80h 80.0h 4 ✓
Jaroslav Urbanek 56h 56.0h 7 ✓
Marie Kralova 40h 40.0h 3 ✓
Katerina Novakova 64h 64.0h 5 ✓
Tomas Horak 80h 80.0h 6 ✓
Jan Dvorak 60h 60.0h 4 ✓
Eva Prochazkova 60h 60.0h 5 ✓
TEAM 440h 440.0h
 
✓ Invariants: ALL PASSED
05

Self-tuning

Kalibrace se uci

S kazdou iteraci se presnost zlepshuje. MAD (Mean Absolute Deviation) klesa.

PI-1
MAD = 0.051
PI-2
MAD = 0.040 ↓ 20%
PI-3
MAD = 0.032 ↓ 37%
Karpathy loop: compare → adjust → repeat. Kalibrovano Monte Carlo simulaci (68 000+ zaznamu, p<0.001).
06

Start

Začněte dnes

Spustte demo, prozkoumejte dashboard a zacnete s EDPA ve vasem tymu.

~/your-project
$ /edpa setup
Dashboard demo → Metodika Zpet na uvod