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.

Tehnička arhitektura agenta treba odvojiti model od izvršenja. Tipičan tok je: korisnik ili cron pokrene zadatak, context builder dohvaća relevantne CRM podatke, model vraća odluku ili tool call, dispatcher validira argumente, backend izvršava akciju, rezultat se vraća modelu ili zapisuje kao finalni ishod, a cijeli run ulazi u audit log.

Ključne odluke

• Model ne smije pozivati bazu direktno, nego samo registrirane alate.
• Context builder, dispatcher i audit log trebaju biti odvojeni slojevi.
• Svaka akcija treba imati idempotency key gdje može nastati duplikat.
• Agent run mora imati status, ulaz, izlaz, tool callove i greške.

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 tablicu ili entitet za agent runove.
• Napraviti registry dopuštenih alata s opisom, shemom i dozvolama.
• Dodati context builder po tipu zadatka.
• Uvesti validaciju modelskog izlaza prije svake promjene CRM-a.
• Spremiti tool rezultate i finalni sažetak.

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

• Model i poslovna logika se pomiješaju u jednom promptu.
• Agent nema trajni zapis što je vidio i zašto je nešto napravio.
• Alati nemaju idempotentnost pa retry stvara duplikate.
• Greške alata se prikriju kao običan tekstualni odgovor.

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

• Agent runovi po tipu.
• Tool callovi po runu.
• Greške validacije.
• Duplikati spriječeni idempotency keyjem.
• Vrijeme od ulaza do finalnog stanja.

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.