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.

Guardrails su kombinacija validacije, policy pravila, modelskih provjera i ljudske eskalacije. U OpenClaw-u guardrail može zaustaviti email koji nema opt-out tekst, lead s nepoznatim izvorom, slanje prema suppression listi, nacrt s neodobrenom cijenom ili alat koji traži podatke izvan scopea.

Ključne odluke

• Guardrails trebaju biti tehničke kontrole, ne samo stil u promptu.
• Neki guardrails su deterministički, a neki mogu biti modelska procjena s ljudskom potvrdom.
• Risk score treba utjecati na razinu autonomije.
• Policy odluke treba logirati i objasniti.

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

• Popisati zabranjene i approval-required akcije.
• Implementirati determinističke provjere za suppression, dozvole, prazna obavezna polja i batch limit.
• Dodati modelski reviewer samo za semantički rizik poput tona ili nejasnog prigovora.
• Mapirati risk score na proceed, approve, revise ili block.

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

• Modelski guardrail propusti pravilo koje je trebalo biti backend provjera.
• Policy se mijenja bez verzije i testova.
• Risk score postoji, ali ne mijenja izvršenje.
• Blokirani slučajevi se ne pregledavaju pa tim ne zna je li pravilo prestrogo.

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

• Blokirane akcije po pravilu.
• Approval rate po risk scoreu.
• False positive policy blokade.
• False negative incidenti.
• Vrijeme rješavanja blokiranih runova.

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.