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.

Dokument agent može sažeti upit, izvući zahtjeve, usporediti ih s ponudom, pripremiti nacrt odgovora i označiti nedostajuće informacije. Za OpenClaw je ključno da svaki sažetak ima vezu prema izvornom dokumentu, verziji i CRM zapisu. Agent ne smije samostalno obećavati cijenu, rok ili pravni uvjet koji nije u odobrenom izvoru.

Ključne odluke

• Sažetak mora biti pomoćni sloj, ne zamjena za izvorni dokument.
• Nacrti ponuda trebaju ljudsku potvrdu prije slanja.
• RAG izvor treba biti verzioniran i filtriran po dozvoli.
• Agent mora jasno označiti nepoznate ili nedostajuće informacije.

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

• Uvesti ingestion za odobrene dokumente, email threadove i predloške ponuda.
• Dodati schema za requirements, assumptions, missing_info, draft_reply i source_refs.
• Testirati agent na poznatim upitima i starim ponudama.
• U UI prikazati izvore uz svaki važan sažetak ili prijedlog.

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 izmisli rok ili cijenu jer želi završiti nacrt.
• Stari predložak ponude uđe u RAG bez oznake verzije.
• Sažetak sakrije važnu iznimku iz originalnog dokumenta.
• Dokument s ograničenim pristupom uđe u prompt krivom korisniku.

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

• Točnost ekstrakcije zahtjeva.
• Nacrti prihvaćeni uz manje izmjene.
• Missing info zadaci.
• Izvori bez verzije.
• Vrijeme pripreme ponude.

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.