Jaké open source CMS zvolit pro AI knowledge base?

Většina firem, které zavádějí AI asistenta nad interními znalostmi, začíná od technologie: jaký model, jaký framework, jaká vektorová databáze. Tyto vrstvy lze podle potřeby měnit.

Knowledge base a CMS dávají AI projektu stabilní základ: určují, kde firemní znalosti vznikají, kdo je spravuje a jak se udržují aktuální a schválené. AI pak pracuje s informacemi, kterým může firma věřit.

CMS jako knowledge base, ne jen web

Pro AI projekt hraje CMS jinou roli než u webu. Je to místo, kde znalosti vznikají, strukturují se, schvalují a udržují – a odkud si je AI bere. Kritéria výběru se proto liší:

• strukturovaný obsah – data s definovanými poli a vztahy, ne „stránky s textem",
• metadata a taxonomie – do jaké oblasti znalost patří, pro koho je určena,
• oprávnění – kdo smí co číst, měnit a schvalovat,
• workflow – znalost se k AI dostane až po schválení,
• verzování a auditní stopa – která verze platí a kdo ji schválil,
• kvalitní API a možnost reagovat na změny obsahu,
• bezpečný přístup AI agentů přes API nebo MCP .

Jednoduchým testem je dohledatelnost schvalovatele a data schválení aktuální verze dokumentu. Bez ní bude chybět podklad ve chvíli, kdy AI odpoví zákazníkovi špatně a bude potřeba zjistit proč.

Jak se znalosti dostanou k AI: API, RAG a MCP

CMS znalosti drží. Aby s nimi AI mohla pracovat, používají se tři doplňující se vrstvy.

API: základní rozhraní CMS pro další systémy. Přes REST nebo GraphQL API si AI aplikace či indexer načte obsah, metadata a změny. Webhook může po změně obsahu spustit aktualizaci RAG indexu. API tak propojuje CMS s AI vrstvou, aniž by agent musel mít přímý přístup do databáze.

RAG (Retrieval-Augmented Generation): obsah z CMS se automaticky indexuje a AI v indexu vyhledává, než odpoví. RAG není jen „vektorové vyhledávání" – produkční systémy kombinují sémantické vyhledávání s fulltextem (BM25) a rerankingem. Vyhledávací vrstvu může obstarávat například Qdrant nebo ChromaDB .

MCP (Model Context Protocol): otevřený standard, díky kterému může CMS fungovat jako MCP server – vystaví agentovi kontrolované nástroje a agent pracuje přímo s živými daty v CMS, s oprávněními vynucenými v okamžiku dotazu.

CMS může oprávnění vyhodnocovat pro konkrétního agenta i pro aktuálního uživatele. Asistent pak vidí a smí měnit jen data a nástroje, které odpovídají jeho roli nebo roli uživatele v dané session.

V praxi se kombinují: API dodává obsah do RAG indexu, MCP server vystaví vyhledávací nástroj volající RAG pipeline a vedle něj nástroje pro živou práci s obsahem. Podstatné je, že všechny tři jsou vrstvy nad knowledge base – trvalou hodnotu mají znalosti samotné. Proto začínejte od CMS, ne od AI frameworku.

Které CMS dávají smysl?

Drupal . Jeho hlavní síla je modelování znalostí a governance: typy obsahu, taxonomie, role, oprávnění, schvalovací workflow, revize, vícejazyčnost. Firma tak ví, kdo znalost vytvořil, kdo ji schválil, jaká verze platí a pro koho je určená. To je podstatné ve chvíli, kdy AI odpovídá zákazníkům nebo zaměstnancům. K tomu aktivní AI ekosystém modulů a modul MCP Server s OAuth 2.1 a oprávněními per nástroj.

Nevýhoda: vyšší komplexita a náklady na implementaci; vyžaduje zkušeného dodavatele.

Verdikt: volba pro knowledge base, kde jsou klíčové strukturované znalosti, oprávnění a schvalování.

Directus . Staví na databázi: nad běžnou SQL databází poskytuje API a administrační rozhraní. Ideální, pokud už znalosti máte ve strukturovaných datech (katalogy, číselníky, evidence) Directus nad nimi vytvoří spravovatelnou vrstvu bez migrace do klasického CMS.

Nevýhoda: nejde o OSI-schválený open source – BSL licence s limitem podle obratu; pro větší firmy fakticky placený produkt.

Verdikt: volba pro znalosti v podobě strukturovaných dat v SQL.

Strapi . Je moderní headless CMS: strukturované typy obsahu, REST i GraphQL API, JavaScript/TypeScript ekosystém. Oproti Drupalu je jednodušší a levnější na zavedení, daní jsou mělčí možnosti governance.

Verdikt: kompromis mezi klasickým CMS a rychlostí dodání tam, kde nepotřebujete enterprise governance.

Payload . Je úzce propojený s aplikačním kódem na TypeScriptu a Next.js – znalostní model, API i logika žijí v jednom projektu. Pro AI-native produkty výhoda, agent může pracovat i s konfigurací aplikace.

Nevýhoda: dává smysl jen tam, kde už je rozhodnuto pro Next.js/TypeScript stack.

Verdikt: volba pro AI-native SaaS na Next.js/TypeScriptu.

WordPress . Má obrovský ekosystém, REST API a WP-CLI . Pokud už v něm znalosti máte, je jejich napojení na AI často nejrychlejší cesta. S desítkami pluginů a vlastního kódu ale přestává být jasné, kde přesně je která znalost uložená – systém je pak hůř předvídatelný i auditovatelný.

Verdikt: volba pro zpřístupnění existujícího obsahu; pro novou AI knowledge base bych zvažoval jiné možnosti.

Shortlist CMS

Volba se odvíjí od povahy znalostí, požadavků na governance a stávající infrastruktury. WordPress dává smysl především tam, kde už firma obsah a navazující procesy provozuje.

AI agent může v knowledge base vytvářet nové články, připravovat revize a generovat reporty. CMS přitom zaznamenává, kdo a kdy obsah vytvořil nebo upravil. U klíčových akcí platí princip human in the loop: publikování a změny schváleného obsahu vyžadují lidské schválení, bez kterého je AI nemůže provést.

Dobře zvolené CMS je víc než správa obsahu: knowledge base + API + governance vrstva. RAG a MCP jsou vyměnitelné vrstvy nad ní. Znalosti, jejich struktura a procesy kolem nich zůstávají, proto do nich má smysl investovat nejdřív.