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.

LangGraph je open-source framework za stateful agente i workflowe u kojima je važno znati stanje, čvorove, prijelaze i mogućnost nastavka. U OpenClaw-u je zanimljiv za lead triage, multi-step istraživanje, dokumente i procese koji trebaju human-in-the-loop. Framework može biti besplatan za self-hosting, ali model API, hosting i observability mogu imati zaseban trošak.

Ključne odluke

• LangGraph je dobar kada workflow ima stanje i više koraka.
• Graf treba biti razumljiv developerima koji će ga održavati.
• Human-in-the-loop treba ugraditi kao čvor ili prekid, ne samo prompt uputu.
• OpenClaw mora zadržati vlastiti CRM tool dispatcher.

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

• Modelirati proces kao čvorove: build context, classify, fetch data, propose action, approve, apply.
• Dodati checkpoint storage za nastavak runa.
• Povezati LangGraph alate s OpenClaw servisima kroz uske adaptere.
• Testirati graf s neuspjelim toolovima, retryjem i ljudskim prekidom.

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

• Graf postane prekompliciran za zadatak koji je mogao biti običan queue worker.
• LangGraph state sadrži previše CRM podataka bez retention pravila.
• Agent može zaobići OpenClaw dozvole kroz direktne alate.
• Nema jasnog vizualnog ili tekstualnog pregleda što graf radi.

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

• Broj workflowa po grafu.
• Checkpoint resume success rate.
• Human approval rate.
• Greške po čvoru.
• Vrijeme održavanja nakon promjene procesa.

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.