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.

LlamaIndex je open-source framework za agentic aplikacije nad dokumentima i podacima. U OpenClaw-u je najkorisniji kada agent treba čitati ponude, FAQ, interne procedure, email threadove ili PDF dokumente i dohvatiti relevantne dijelove. Besplatnost se odnosi na OSS framework, dok parsing servisi, modeli i hosting mogu imati trošak.

Ključne odluke

• LlamaIndex ima smisla kada je ključni problem dohvat i organizacija znanja.
• Dokumente treba verzionirati i označiti metapodacima prije indeksiranja.
• RAG odgovor mora navesti izvor ili barem dokument reference kada se koristi za poslovnu odluku.
• OpenClaw permissions trebaju filtrirati što se smije dohvatiti.

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

• Izraditi ingestion pipeline za FAQ, ponude, politike i procedure.
• Dodati metadata: source, owner, version, language, permission scope.
• Testirati retrieval na stvarnim pitanjima prodaje i supporta.
• Spojiti dohvaćene isječke u agent context builder.

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

• Indeks sadrži stare cjenike ili neodobrene dokumente.
• Agent odgovara iz RAG-a bez provjere je li izvor relevantan.
• Svi dokumenti su dostupni svim agentima.
• Parsing PDF-a stvori pogrešan tekst koji nitko ne validira.

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

• Relevantnost dohvaćenih isječaka.
• Dokumenti bez verzije.
• Pitanja bez dobrog retrieval rezultata.
• Korekcije zbog zastarjelog dokumenta.
• Latencija retrieval sloja.

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.