diff --git a/VEKTOROVE-DB.md b/VEKTOROVE-DB.md
deleted file mode 100644
index 28b152d..0000000
--- a/VEKTOROVE-DB.md
+++ /dev/null
@@ -1,105 +0,0 @@
-# 🧠 Vektorové databáze
-
-## Přehled
-
-Specializované databáze pro ukládání a vyhledávání **embeddingů** — vektorových reprezentací nestrukturovaných dat (text, obrázky, audio, video). Umožňují **sémantické vyhledávání** na základě podobnosti, nikoliv přesné shody. Klíčový stavební kámen pro RAG (Retrieval-Augmented Generation) a AI aplikace.
-
-## Embeddings
-
-- Mapují nestrukturovaná data do vektorového prostoru (seznam čísel)
-- Blízkost ve vektorovém prostoru = sémantická podobnost
-- Generovány modely: Word2Vec, BERT, OpenAI embeddings, E5, Cohere, Mistral
-- Dimenze: 384 (all-MiniLM) až 3072 (OpenAI text-embedding-3-large)
-
-## Indexování vektorů
-
-| Metoda | Algoritmus | Popis | Přesnost | Rychlost |
-|--------|-----------|-------|----------|----------|
-| **Flat (brute-force)** | Úplné prohledání | Porovnání se všemi vektory | 100 % | O(N) — pomalé pro > 100K |
-| **IVF** (Inverted File) | K-means clustering | Rozdělení do shluků, hledá se v nejbližším shluku | ~95-99 % | O(sqrt(N)) |
-| **HNSW** (Hierarchical Navigable Small World) | Navigovatelný graf | Víceúrovňový graf, greedy search | ~99-100 % | O(log N) |
-| **IVF-PQ** | IVF + Product Quantization | Komprese vektorů, menší paměť | ~90-95 % | O(sqrt(N)) |
-| **DiskANN** | SSD-based graf | Vektory na disku, Vamana graf | ~95-98 % | O(log N) + I/O |
-
-### Volba indexu
-
-| Počet vektorů | Požadavek | Doporučený index |
-|--------------|-----------|-----------------|
-| < 100K | 100% přesnost | Flat |
-| 100K - 10M | Vysoká přesnost, rychlost | HNSW |
-| 10M+ | Paměťová efektivita | IVF-PQ, DiskANN |
-| 100M+ | Škálování na SSD | DiskANN |
-
-## Use case: RAG (Retrieval-Augmented Generation)
-
-```text
-User query → Embedding model → Vector DB search → Relevant chunks → LLM → Answer
-```
-
-Varianty:
-- **Naive RAG** — jeden retrieval + jeden generování
-- **Advanced RAG** — pre-retrieval (query rewriting, HyDE) + post-retrieval (reranking, filtering)
-- **Multi-modal RAG** — text + obrázky + audio do jednoho pipeline
-
-## Nástroje — srovnání
-
-| Nástroj | Typ | Indexy | Cloud | Self-hosted | Poznámka |
-|---------|-----|--------|-------|-------------|----------|
-| **Pinecone** | Managed | HNSW, IVF-PQ | Ano | Ne | Plně spravovaná, žádný ops. Cena dle dimenze a počtu vektorů |
-| **Weaviate** | Open source | HNSW, Flat | Ano (WCD) | Ano | Grafová + vektorová, hybridní dotazy, modulární (generative search) |
-| **Qdrant** | Open source | HNSW, IVF-PQ, quantization | Ano (Cloud) | Ano | Rust, batch API, filtr souběžně s vektorovým search |
-| **Milvus** | Open source | IVF, HNSW, IVF-PQ, DiskANN | Ano (Zilliz) | Ano | GPU akcelerace. Komplexnější ops (K8s required) |
-| **pgvector** | PostgreSQL extension | IVFFlat, HNSW | Vše (díky RDS) | Ano | Embeddingy přímo v PostgreSQL. Hybridní SQL + vektory |
-| **Chroma** | Open source | HNSW | Ne | Ano | Jednoduchý na embedding + retrieval, Python-native |
-| **LanceDB** | Open source | IVF-PQ | Ne | Ano | Multimodální data, Arrow formát, žádný server (embedded) |
-| **Elasticsearch** | Search engine | HNSW (8.0+) | Ano (Cloud) | Ano | Pokud už máte ES, lze použít i pro vektory |
-
-### pgvector vs samostatná vektorová DB
-
-| Vlastnost | pgvector | Samostatná (Pinecone, Qdrant, Milvus) |
-|-----------|----------|---------------------------------------|
-| **Architektura** | Extension v PostgreSQL | Samostatná služba |
-| **Hybridní dotazy** | Nativní SQL + vektory | Nutná koordinace dvou systémů |
-| **Latence** | Vyšší (disk-based PG) | Nižší (in-memory indexy) |
-| **Škálování** | PG replikace / Citus | Nativní sharding, rebalancing |
-| **Konzistence** | PG ACID transakce | Eventual consistency |
-| **Provoz** | Jeden systém | Dva systémy (operational overhead) |
-
-## Doporučení — Volba nástroje
-
-| Scénář | Doporučení | Zdůvodnění |
-|--------|-----------|-------------|
-| **RAG na PostgreSQL datech** | pgvector | Hybridní SQL + vektory v jedné DB |
-| **RAG produkce, žádný ops** | Pinecone | Plně managed, škálovatelné, žádný provoz |
-| **Self-hosted RAG** | Qdrant (jednodušší) / Milvus (výkon) | Open source, kontrola nad daty |
-| **Full-text + vektory** | Elasticsearch / Weaviate | Kombinace BM25 + vektorového skóre |
-| **Výzkum / prototypování** | Chroma | Python-native, rychlý start |
-| **Embedded / edge** | LanceDB | Žádný server, Arrow formát |
-| **Multi-modal data** | Weaviate / LanceDB | Nativní podpora obrázků, audio, videa |
-| **GPU akcelerace** | Milvus | CUDA podpora pro index build |
-
-## Kdy vektorovou DB (ne)použít
-
-**Použít** když:
-- Potřebujete sémantické vyhledávání (podobnost podle významu, ne klíčových slov)
-- Stavíte RAG / AI asistenta nad vlastními daty
-- Deduplikace dokumentů, obrázků (near-duplicate detection)
-- Doporučovací systémy (podobný obsah, podobní uživatelé)
-
-**Nepoužít** když:
-- Potřebujete přesnou shodu (klíče, ID, foreign keys) → SQL
-- Full-text search stačí (BM25, stemming) → Elasticsearch, PostgreSQL full-text
-- Vektory jen jako doplněk k primární DB → pgvector (jednoduchost)
-- Méně než 1000 dokumentů → postačí brute-force v aplikaci
-
-## Zdroje
-
-Odkazy, knihy a standardy: [sources/databases/sources.md](sources/databases/sources.md)
-
-### Doporučená literatura
-
-| Kniha | Autoři | Popis |
-|-------|--------|-------|
-| Vector Databases | Borwankar (2026) | Komplexní průvodce vektorovými DB od konceptů po produkční nasazení |
-
-*Poslední revize: 2026-06-03*