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.

Agentic sustav treba biti vidljiv. Streaming pomaže korisniku da vidi napredak, ali tracing je važniji za održavanje: koji prompt je poslan, koji model je korišten, koji alat je pozvan, koji argumenti su validirani, koliko je trajalo i zašto je run završio ili pao.

Ključne odluke

• Trace treba biti dovoljno detaljan za debug, ali redigiran od osjetljivih podataka.
• Svaki run treba imati correlation ID.
• Tokeni, model, alati i latencija trebaju biti mjerljivi.
• Observability treba pokrivati i modele i backend alate.

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

• Dodati event log za run_started, model_called, tool_called, approval_requested, completed i failed.
• U UI prikazati status i zadnji siguran korak.
• Spremiti model, prompt version, token usage i latency.
• Za greške povezati stack trace, tool error i user-facing poruku.

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 izgleda kao crna kutija pa se greške ne mogu reproducirati.
• Trace sprema pune osobne podatke bez redakcije.
• Nema veze između korisničkog problema i backend loga.
• Mjeri se samo finalni odgovor, ne i tool callovi.

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

• Trace coverage.
• Prosječna latencija modela i alata.
• Token usage po agent tipu.
• Greške po toolu.
• Vrijeme debugiranja incidenta.

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.