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.

Kratkoročna memorija je stanje trenutnog runa ili razgovora, a dugoročna memorija su spremljene činjenice, preferencije ili sažeci koji se mogu koristiti kasnije. U OpenClaw-u izvor istine ostaje CRM zapis. Agentova memorija može ubrzati rad, ali ne smije zamijeniti povijest aktivnosti, status leada ili audit log.

Ključne odluke

• Razlikovati radnu memoriju, korisničke preferencije, CRM podatke i audit log.
• Dugoročna memorija treba imati izvor, datum i mogućnost brisanja.
• Sažetak se smije koristiti kao pomoć, ali važne odluke treba temeljiti na izvornim zapisima.
• Memoriju treba ograničiti po agentu, korisniku i poslovnoj svrsi.

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 što se sprema nakon svakog agent runa.
• Za dugoročnu memoriju zapisati owner, source, purpose i retention.
• Dodati mehanizam za ispravak ili brisanje pogrešne memorije.
• U context builderu dohvatiti samo memoriju relevantnu za trenutni zadatak.

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 zapamti pogrešnu interpretaciju i ponavlja je u kasnijim odlukama.
• Memorija sadrži osobne podatke bez svrhe i roka čuvanja.
• Korisnik ne zna odakle dolazi tvrdnja koju agent koristi.
• Stara memorija nadjača noviji CRM zapis.

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 spremljenih memorijskih zapisa.
• Memorije bez izvora ili roka.
• Ispravci memorije.
• Korištenje memorije po agentu.
• Incidenti zbog zastarjele memorije.

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.