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 radi samo s podacima koji su mu u trenutnom kontekstu ili koje može dohvatiti alatima. Kontekstni prozor ima limit, tokeni koštaju i previše šuma smanjuje kvalitetu odluke. Zato OpenClaw agent treba dobiti sažet CRM zapis, relevantne aktivnosti, dopuštene alate i eventualno RAG isječke, a ne cijelu bazu.

Ključne odluke

• Kontekst treba biti selektivan i reproducibilan.
• Dugi tekstovi se režu, sažimaju ili dohvaćaju kroz retrieval, ne ubacuju naslijepo.
• Sustav treba znati koliko tokena troši svaki tip zadatka.
• Sažetak memorije ne smije zamijeniti izvorne audit podatke.

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 context builder za svaki agentov zadatak.
• Ograničiti broj zadnjih aktivnosti ili poruka koje ulaze u prompt.
• Za dokumente koristiti chunking, embeddings i dohvat relevantnih dijelova.
• Spremati token usage i latenciju po agent runu.

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 dobije previše nerelevantnog teksta pa propusti važan signal.
• Sažeci se generiraju bez veze prema izvornom dokumentu.
• Trošak raste jer se cijeli CRM zapis šalje pri svakom koraku.
• Kontekst sadrži podatke za koje agent nema poslovnu potrebu.

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

• Prosječni ulazni i izlazni tokeni.
• Broj dohvaćenih RAG isječaka.
• Latencija po context builderu.
• Greške zbog predugog konteksta.
• Kvaliteta odgovora nakon sažimanja.

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.