Natrag na vodiče

Oriphiel AI agenti vodič

AI agenti: profesionalni vodič za arhitekturu, alate i produkciju

Sveobuhvatan program za agent loop, tool calling, MCP, RAG, memoriju, modele, evaluaciju, sigurnost, observability, troškove i sigurno uvođenje AI agenata.

Oriphiel stručni tim Ažurirano 21. 7. 2026. 11 min čitanja

AI agenti od prvog alata do sigurne produkcije

Program pokriva agent loop, tool calling, strukturirane izlaze, memoriju, RAG, modele, frameworke, MCP i A2A protokole, evaluaciju, guardrails, observability i produkcijsku sigurnost.

82 stručnih lekcija8 tematskih cjelinaPraktične provjere, primjeri i službeni izvori

Autonomija dolazi nakon kontrole

Krenite s jednim uskim zadatkom, ograničenim alatima i ljudskom potvrdom. Tek nakon evalova, audit loga i pouzdanog rollbacka povećavajte autonomiju i broj integracija.

Cilj je razumjeti kako agent donosi odluke, koje podatke i ovlasti koristi, kako se testira te koliko košta i kako se zaustavlja kada rezultat nije siguran.

Preporučeni put učenja

1. Što su AI agentiSveobuhvatan pregled AI agenata: što rade, zašto nisu samo chatbotovi i kako mogu preuzeti konkretne poslovne korake u OpenClaw procesu. 2. Arhitektura AI agenta u OpenClaw-uReferentna arhitektura za OpenClaw AI agente: ulaz, context builder, model, tool dispatcher, validacija, zapis stanja i audit log. 3. MCP arhitektura: serveri, klijenti i toolsKako Model Context Protocol standardizira povezivanje AI aplikacija s alatima, resursima i promptovima bez miješanja poslovnih dozvola. 4. ChatGPT, OpenAI agenti i OpenClawKako se OpenAI modeli, Responses API, Agents SDK, Apps SDK i open-weight modeli mogu promatrati u OpenClaw implementaciji. 5. LangGraph u OpenClaw-uKako se LangGraph može koristiti za stateful, dugotrajnije i kontrolirane agente s grafom stanja, ljudskom provjerom i trajnim izvršavanjem. 6. AI agent za kvalifikaciju leadovaKako agent može pročitati novi upit, izvući ključna polja, predložiti status, prioritet i sljedeću aktivnost u CRM-u.
82 lekcija

AI agenti: osnove i pojmovi

8 lekcija
Što su AI agentiSveobuhvatan pregled AI agenata: što rade, zašto nisu samo chatbotovi i kako mogu preuzeti konkretne poslovne korake u OpenClaw procesu. AI agent vs chatbot vs automatizacijaKako razlikovati razgovorni chatbot, klasičnu automatizaciju i agentic workflow koji koristi model, alate i stanje procesa. Gdje AI agenti imaju smisla u OpenClaw-uPraktična mapa zadataka u CRM-u gdje agent može pomoći: lead triage, sažeci, klasifikacija odgovora, priprema emaila, dashboard i kontrola kvalitete. Razine autonomije AI agentaKako postupno povećavati ovlasti AI agenta: od čitanja i prijedloga do ograničenog izvršavanja i potpuno automatiziranih batch zadataka. LLM model kao mozak agentaKako jezični model odlučuje, gdje je koristan, gdje griješi i zašto agent treba alate, validaciju i poslovna pravila. Kontekst, tokeni i ograničenja AI agentaZašto agent ne smije dobiti sve podatke odjednom i kako se upravlja kontekstom, tokenima, sažimanjem i relevantnim dokumentima. Kada ne koristiti AI agentaSituacije u kojima je bolji običan workflow, ručna provjera, fiksno pravilo ili klasična integracija umjesto agentic sustava. Build vs buy i odabir agent frameworkaKako odlučiti između vlastitog loopa, SDK-a, workflow alata, gotove platforme ili kombinacije prema kontroli, riziku, timu i trošku.

AI agenti: arhitektura i implementacija

19 lekcija

Složite agent loop, alate, memoriju, kontekst i validirane strukturirane izlaze.

Arhitektura AI agenta u OpenClaw-uReferentna arhitektura za OpenClaw AI agente: ulaz, context builder, model, tool dispatcher, validacija, zapis stanja i audit log. Agent loop: planiranje, izvršenje i provjeraKako radi osnovna petlja AI agenta: primi cilj, planira korak, pozove alat, pročita rezultat, provjeri ishod i završava ili nastavlja. Tool calling i function schemaKako agent koristi funkcije: opis alata, JSON shema argumenata, odabir alata, izvršenje u aplikaciji i povrat rezultata modelu. Dispatcher alata i validacija argumenataKako backend treba primiti modelov tool call, provjeriti dozvole, validirati argumente i izvršiti samo dopuštenu akciju. Memorija agenta: kratkoročna i dugoročnaKako agent pamti razgovor, radno stanje, preferencije, sažetke i trajne CRM činjenice bez miješanja memorije s izvorom istine. RAG, vector search i embeddingsKako agent dohvaća relevantne dokumente, FAQ, ponude i CRM bilješke kroz chunking, embeddings i semantičku pretragu. Strukturirani izlazi i JSON schemaZašto agent treba vraćati strogo strukturirane odluke za CRM statuse, razloge, taskove i klasifikacije umjesto slobodnog teksta. Multi-agent orchestration i handoffKako više specijaliziranih agenata može surađivati: triage agent, research agent, email agent, compliance agent i ljudski pregled. Async jobovi, queue, retry i timeoutKako pokretati agente u pozadini za sporije zadatke: batch obrada, idempotentnost, retry politika, prekidi i nastavak rada. Streaming, tracing i observability AI agenataKako pratiti što agent radi u stvarnom vremenu: tok događaja, trace koraci, latencija, tokeni, tool callovi i greške. Context engineering za AI agenteKako sastaviti upute, stanje, povijest, dohvaćene izvore i rezultate alata u minimalan kontekst koji vodi pouzdanoj odluci. Context compaction i prompt cachingKako smanjiti ponavljanje tokena kroz stabilne prefikse, sažimanje, selektivnu povijest i caching bez gubitka ključnih odluka. Agent-as-tool vs handoffKada glavni agent treba pozvati specijalista kao alat, a kada predati vlasništvo razgovora ili zadatka drugom agentu. Computer use i browser agentiKako agent sigurno upravlja preglednikom ili sučeljem kada nema stabilnog API-ja, uz izolaciju, domensku allowlistu, screenshot audit i approval. Event-driven agenti i webhookoviKako pokrenuti agenta na provjerenom događaju, brzo potvrditi webhook, obraditi ga u queueu i spriječiti duple ili zastarjele odluke. Durable workflow i state machine za agenteKako sačuvati stanje dugog agentic procesa kroz čekanje odobrenja, timeout, retry, prekid i nastavak bez ponavljanja posljedica. Semantic memory lifecycleKako odlučiti što agent smije zapamtiti, kako izvući činjenicu, potvrditi je, verzionirati, dohvatiti i izbrisati kada više nije točna ili dopuštena. Hybrid retrieval, reranking i citationsKako spojiti keyword i vector pretragu, filtrirati po ovlastima, rerankati kandidate i vratiti provjerljive reference uz odgovor. Task decomposition i step budgetKako razložiti složen cilj na provjerljive podzadatke, ograničiti broj koraka i zaustaviti loop kada nema napretka ili dokaza.

AI agenti: protokoli i interoperabilnost

2 lekcija

Povežite agente, alate i vanjske sustave kroz standardizirane protokole i ugovore.

MCP arhitektura: serveri, klijenti i toolsKako Model Context Protocol standardizira povezivanje AI aplikacija s alatima, resursima i promptovima bez miješanja poslovnih dozvola. Agent2Agent A2A protokolKako agenti različitih sustava otkrivaju capabilityje, razmjenjuju zadatke, statuse i artefakte bez dijeljenja interne memorije i implementacije.

AI agenti: modeli i konkurencija

10 lekcija
ChatGPT, OpenAI agenti i OpenClawKako se OpenAI modeli, Responses API, Agents SDK, Apps SDK i open-weight modeli mogu promatrati u OpenClaw implementaciji. Claude, Anthropic agenti i OpenClawKako Claude pristup alatima, strukturiranom tool use toku, računalnim alatima i sigurnosnom dizajnu može pomoći kod OpenClaw agenata. Gemini, Google agenti i OpenClawKako Gemini API, function calling, Google AI Studio i Agent Development Kit ulaze u izbor modela i agentic arhitekture za OpenClaw. Microsoft Copilot Studio i Semantic KernelRazlika između low-code agenata u Copilot Studio okruženju i developerskog Semantic Kernel pristupa za OpenClaw integracije. Mistral agents i open modeliKako Mistral Agents, Conversations, tools, document libraries i otvoreniji modeli mogu biti dio OpenClaw AI strategije. Lokalni i open-weight modeli u OpenClaw-uKada OpenClaw može koristiti modele koji se pokreću lokalno: privatnost, cijena, latencija, GPU/CPU ograničenja i kvaliteta. Cloud vs local AI modeli za agenteKako usporediti API modele i lokalne modele za OpenClaw: sigurnost, cijena, kvaliteta, održavanje, skaliranje i dostupnost. Model routing i fallback strategijaKako OpenClaw može birati model po zadatku, trošku, riziku i dostupnosti te se sigurno prebaciti na drugi provider. OpenAI Responses API i Agents SDKKako razlikovati model response, agent runtime, tools, sessions, handoffs, guardrails i tracing pri izradi OpenAI agenta. Provider abstraction i model migrationKako odvojiti poslovni workflow od provider-specifičnog API-ja te sigurno promijeniti model, SDK ili hosting bez skrivene regresije.

AI agenti: besplatni open-source alati

9 lekcija
LangGraph u OpenClaw-uKako se LangGraph može koristiti za stateful, dugotrajnije i kontrolirane agente s grafom stanja, ljudskom provjerom i trajnim izvršavanjem. LlamaIndex u OpenClaw-uKako LlamaIndex može pomoći kod RAG-a, document agenata, indeksiranja i dohvaćanja znanja iz ponuda, FAQ-a i CRM bilješki. Haystack u OpenClaw-uKako Haystack može služiti za produkcijske RAG pipelineove, modularne komponente, semantičku pretragu i agente nad dokumentima. CrewAI u OpenClaw-uKako CrewAI može pomoći kod multi-agent tokova s ulogama, crews, flows i human-in-the-loop kontrolom. AutoGen i Microsoft Agent FrameworkKako gledati AutoGen u održavanju i novije Microsoft agent framework smjerove za OpenClaw multi-agent razvoj. Semantic Kernel u OpenClaw-uKako Microsoft Semantic Kernel može povezati modele, promptove, funkcije i postojeće OpenClaw API-je u developerskom agent sloju. n8n AI workflows i OpenClawKako n8n može služiti kao self-hostable workflow sloj za AI automatizacije, integracije i agente oko OpenClaw-a. Rasa, Botpress i konverzacijski agentiKada OpenClaw treba chatbot ili konverzacijski agent: namjera, dijalog, fallback, kanali i povezivanje s CRM leadovima. OpenHands, coding agenti i razvoj OpenClaw-aKako coding agenti mogu pomoći u razvoju, testiranju i održavanju OpenClaw-a bez davanja nekontroliranog pristupa produkciji.

AI agenti: OpenClaw primjene

5 lekcija
AI agent za kvalifikaciju leadovaKako agent može pročitati novi upit, izvući ključna polja, predložiti status, prioritet i sljedeću aktivnost u CRM-u. AI agent za Sudreg i outbound segmentacijuKako agent može pomoći kod segmentacije novoosnovanih subjekata, digitalnog fit scoringa i pripreme relevantnijih outbound kampanja. AI agent za email odgovore i suppressionKako agent može klasificirati reply, bounce, interes, prigovor i opt-out uz strogu backend provjeru suppression pravila. AI agent za CRM dashboard insightsKako agent može objasniti dashboard, pronaći anomalije, predložiti akcije i pretvoriti metrike u operativne zadatke. AI agent za dokumente, ponude i sažetkeKako agent može čitati dokumente, sažeti potrebe, pripremiti nacrt ponude i izvući obveze bez gubitka izvora i verzije.

AI agenti: evaluacija i observability

7 lekcija

Mjerite retrieval, putanju alata, poslovnu kvalitetu, drift, SLO i produkcijske regresije.

Retrieval eval datasetKako izgraditi skup pitanja, relevantnih dokumenata, hard negative primjera i no-answer slučajeva za objektivno mjerenje RAG dohvaćanja. Golden dataset i scenario evalsKako testirati cijeli agentic workflow kroz reprezentativne inpute, očekivane odluke, dopuštene putanje alata i rubne slučajeve. Model grader i ljudska evaluacijaKako kombinirati determinističke provjere, modelskog ocjenjivača i stručni ljudski pregled bez kružnog potvrđivanja modelskih pogrešaka. SLO i alerting za AI agenteKako definirati pouzdanost kroz task success, critical error, latency, schema pass, tool success i human escalation umjesto samog uptimea. Shadow i canary rollout AI agentaKako usporediti novu verziju bez posljedica, zatim joj dati mali kontrolirani promet i automatski rollback na signal regresije. Human feedback i quality loopKako pretvoriti ljudske korekcije u strukturirane signale, prioritete za eval dataset i poboljšanja prompta, alata ili podataka. Data i model drift monitoringKako prepoznati promjenu inputa, jezika, izvora, alata ili modelskog ponašanja prije nego što pad kvalitete postane poslovni incident.

AI agenti: sigurnost i produkcija

22 lekcija

Uvedite guardrails, evaluacije, observability, limite i kontrolu incidenata.

Permissions, sandbox i human-in-the-loopKako ograničiti AI agenta kroz dozvole, sandbox, approval korake, read/write scope i sigurnosne prekidače. Privatnost, redakcija i data retentionKako pripremiti podatke za AI agente: minimalni kontekst, redakcija osobnih podataka, retention rokovi, provider tokovi i audit. Evaluacija agentic workflowaKako mjeriti kvalitetu AI agenata: zlatni skup primjera, rubni slučajevi, tool accuracy, trajectory eval i ljudska ocjena. Prompt versioning i regresijski testoviKako upravljati promptovima kao kodom: verzije, changelog, eval skupovi, rollout, rollback i usporedba modela. Cijena, latencija i token budget AI agenataKako kontrolirati trošak modela, broj tokena, trajanje runa, caching, batching i izbor jeftinijeg ili lokalnog modela. Guardrails, policy i risk scoringKako agent prije akcije provjerava pravila: zabranjene radnje, reputacijski rizik, pravna osjetljivost, osobni podaci i eskalacija. Produkcijski checklist za AI agente u OpenClaw-uŠto provjeriti prije puštanja AI agenta u stvarni CRM proces: podaci, alati, dozvole, evali, logovi, fallback i monitoring. Incidenti, rollback i audit log za AI agenteKako reagirati kada agent pogriješi: zaustavljanje, istraga tracea, poništavanje akcije, obavijest i poboljšanje evala. MCP sigurnost i tool poisoningKako provjeriti MCP server, opis alata, rezultat, autentikaciju i promjene capabilityja prije nego agentu dopustite izvršavanje. Tool approval za nepovratne akcijeKako za slanje, brisanje, plaćanje, objavu ili promjenu prava prikazati točan preview i tehnički zahtijevati ljudsko odobrenje. Code execution sandboxKako izvršavati modelom generiran kod uz ograničenje datoteka, mreže, procesa, resursa, tajni i trajanja. Adversarial testing i red teamKako sustavno testirati prompt injection, data exfiltration, privilege escalation, tool misuse, troškovni runaway i manipulaciju memorije. Prompt injection i nepouzdani sadržajKako spriječiti da email, web stranica, PDF, tool output ili retrieval dokument preuzme kontrolu nad uputama i alatima agenta. Secrets management i credential brokerKako agent dobiva kratkotrajnu, usko ograničenu ovlast za alat bez ikakvog pristupa stvarnom API ključu ili korisničkoj lozinci. Multi-tenant izolacija AI agentaKako spriječiti prelazak podataka, memorije, cachea, vector rezultata, traceova i alata između organizacija ili klijenata. PII detekcija i data minimizationKako otkriti i ukloniti nepotrebne osobne podatke prije modela, retrievala i tracea te zadržati samo ono što zadatak treba. Rate limits, concurrency i backpressureKako ograničiti paralelne runove, poštovati provider limite, upravljati queueom i zaštititi bazu i alate od agentic fan-outa. Cost allocation i budget guardrailsKako trošak tokena, hosted alata, vector storagea i vanjskih API-ja pripisati workflowu, korisniku, tenantu i poslovnom ishodu. Kill switch, degraded mode i oporavakKako brzo zaustaviti agent runove i write alate, nastaviti osnovni proces ručno ili deterministički te kontrolirano vratiti uslugu. Grounded output i claim verificationKako svaku važnu tvrdnju vezati uz CRM činjenicu, tool rezultat ili dokument te blokirati odgovor kada dokaz nije dovoljan. Policy-as-code za AI alateKako pravila pristupa, rizika, odobrenja i podatkovnog scopea izvesti iz prompta u verzioniranu, testiranu backend politiku. Production readiness review za AI agentaKako kroz formalni pregled potvrditi vlasništvo, data flow, alate, dozvole, evale, SLO, trošak, incidente, fallback i izlaznu strategiju.