Što ova AI-agent tema rješava

AI agent ima smisla samo ako rješava konkretan zadatak: razumije tekst, koristi relevantan kontekst, poziva dopuštene alate, vraća strukturirani izlaz ili pomaže čovjeku donijeti bolju odluku. Dobar agent nije samo chat odgovor, nego kontrolirani workflow s pravilima, logovima i mjerljivim ishodom.

Agent loop je kontrolirana petlja između modela i aplikacije. Model ne izvršava alat u memoriji: on predloži naziv alata i argumente, aplikacija provjeri smije li se alat pozvati, izvrši kod i vrati rezultat u sljedeći model turn. Petlja se ponavlja dok nema finalnog odgovora, dok ne istekne limit koraka ili dok sigurnosno pravilo ne zaustavi run.

Ključne odluke

• Postaviti maksimalan broj koraka po runu.
• Svaki tool result treba biti strukturiran i kratak.
• Model mora znati kada treba stati i kada treba eskalirati čovjeku.
• Greške alata trebaju biti eksplicitne, ne skrivene u tekstu.

Kako primijeniti u praksi

Praktična provedba počinje malim opsegom: jedan agent, jedan zadatak, jasna ulazna polja, ograničeni alati, validiran izlaz i ljudska provjera gdje postoji rizik. Nakon toga se šire modeli, RAG, multi-agent orkestracija, routing i automatizirano izvršavanje.

Koraci provedbe

• Definirati run state: queued, running, waiting_approval, completed, failed, canceled.
• Dodati step counter i time limit.
• Tool rezultate normalizirati u status, data i error polja.
• Na kraju runa spremiti final output i trace svih koraka.

Najčešće pogreške

Najčešća pogreška je preveliko povjerenje u prompt i premalo povjerenje u backend kontrole. Prompt pomaže modelu, ali dozvole, validacija, idempotentnost, audit log, sandbox, evaluacija i rollback moraju biti dio sustava.

Na što treba paziti

• Agent uđe u beskonačno planiranje bez korisnog alata.
• Tool error se vrati kao nejasan tekst pa model ponavlja isti poziv.
• Nema limita koraka ni troška.
• Run se ne može nastaviti nakon prekida jer stanje nije spremljeno.

Mjerenje i kontrola

AI agent treba imati svoje metrike: točnost, schema pass rate, tool call greške, latenciju, trošak, prihvaćanje prijedloga, broj ručnih korekcija i incidente. Bez mjerenja se ne zna je li agent stvarno bolji od ručnog procesa.

Metrike koje imaju smisla

• Prosječan broj koraka po runu.
• Runovi zaustavljeni limitom.
• Tool error rate.
• Runovi koji čekaju odobrenje.
• Završeni runovi bez ljudske intervencije.

AI-agent pristup

Pouzdan AI-agent pristup povezuje model, context builder, tool dispatcher, strukturirani izlaz, memoriju, retrieval, permission matricu, evaluacije i monitoring. Besplatni open-source framework može smanjiti ulazni trošak, ali produkcijski trošak modela, hostinga, GPU/CPU resursa, observabilityja i održavanja treba računati zasebno.

Što se provjerava prije produkcije

• Je li agentov zadatak dovoljno uzak i mjerljiv.
• Jesu li alati definirani kroz jasnu shemu i backend validaciju.
• Postoji li ljudska provjera za rizične akcije.
• Jesu li prompt, model, output schema i eval skup verzionirani.
• Postoji li audit log, budget limit, fallback i testiran kill switch.