Изнад прототипа: 15 тешко зарађених лекција за АИ агенте спремне за производњу

Водич за АИ-инжењере и градитеље Обично почиње са неколико линија Питона и ЦхатГПТ АПИ кључем. Додајете неколико линија контекста, ударите и чудите се да уопште одговара. Затим, желите да уради нешто корисно. Затим, поуздано. Затим, без вас. То је када схватите да више не позивате само ЛЛМ. Ви градите агента. Прошле године сам провео сакупљајући скрипте и омотаче, џунглинг ланце ЛангЦхаин који су се осећали више као кућа карата него система, и стално се питам, " ” Kako ljudi zapravo isporučuju ove stvari? Прогонио сам обрасце који су изгледали елегантно у теорији, али се срушили у тренутку када су се појавили стварни корисници. изградио сам агенте који су савршено радили у нотебооку и неуспешно у производњи. To nije bilo. Оно што ми је помогло било је успоравање, одузимање ствари и обраћање пажње на оно што је заправо радило под оптерећењем, а не оно што је изгледало паметно на ЛинкедИн-у. Ako ste prošli kroz slične izazove, ovo je napisano za vas. Овај водич је дестилација те тешко зарађене јасноће Размислите о томе као прагматичном водичу за прелазак са АПИ омотача и ланаца на стабилне, контролисане, скалабилне ИИ системе. Део 1 - Добијте фондацију исправно Рани прототипи агента често долазе брзо: неколико функција, неки позиви, и ево, то функционише. Možda se pitate: "Ako to funkcioniše, zašto komplikovati stvari?" У почетку, све се осећа стабилно: агент реагује, покреће код и понаша се као што се очекивало. али у тренутку када замените модел, поново покренете систем или додате нови интерфејс, ствари се разбијају. : poor memory management, hardcoded values, no session persistence, or a rigid entry point. Обично, проблем није логика или подстицаји; то је дубље Овај одељак покрива четири кључна принципа који ће вам помоћи да креирате солидну основу, базу на којој ваш агент може поуздано да расте и скали. 1 – Екстернизација државе : The Problem Не можете наставити ако агент буде прекинут, пада, времена, шта год. Репродуктивност: желите да репродукујете оно што се догодило за тестирање и дебугирање. Бонус изазов: пре или касније, желите да покренете делове агента паралелно, као што је упоређивање опција усред разговора или логика раздвајања (Управљање меморијом је посебна тема коју ћемо ускоро покрити.) Преместите све стање изван агента, у базу података, кеш, слој складиштења или чак једноставну ЈСОН датотеку. The Solution : Your Checklist Агент почиње од било ког корака користећи само session_id и спољашње стање (нпр. сачуван у ДБ или ЈСОН). Можете прекинути и поново покренути агента у било ком тренутку (чак и након промене кода) без губитка напретка или прекида понашања. Држава је потпуно сериализована без губитка функционалности. Исто стање се може хранити вишеструким агентима који раде паралелно током разговора. 2 – Екстернизација знања Чак иу једној сесији, они могу заборавити шта сте им рекли, помешати фазе разговора, изгубити нит, или почети "попуњавати" детаље који нису били тамо. The Problem Модел се фокусира на почетак и крај, губећи важне средње детаље. Више токова кошта више новца. Граница и даље постоји: трансформатори раде са самопоуздањем на О(н2) сложености, тако да је бесконачни контекст немогућ. Ово погађа најтеже када: Разговори су дуги Документи су велики Инструкције су сложене : Одвојите "радни меморију" од "складиштења", као у класичним рачунарима. Ваш агент треба да се бави спољном меморијом: складиштење, претраживање, сумирање и ажурирање знања изван самог модела. The Solution : Common approaches Меморија Бафер: чува последње к поруке. Брзо прототип, али губи старије информације и не скалира. Сажетак меморије: компресује историју како би се више уклопила у контекст. Штеди токене, али ризикује искривљивање и губитак нијансе. RAG (Retrieval-Augmented Generation): preuzima znanje iz spoljnih baza podataka. Skalan, svež i proverljiv, ali složeniji i osetljiviji na latentnost. Графови знања: структуриране везе између чињеница и ентитета. Елегантан и објашњив, али сложен и висока баријера за улазак. : Your Checklist Сва историја разговора се чува изван поруке и доступна је. Извори знања су регистровани и поновљиви. Историја може да расте на неодређено време без ударања граница контекстног прозора. 3 – Učinite model zamenljivim : ЛЛМ-ови се брзо развијају: ОпенАИ, Гоогле, Антхропиц и други стално ажурирају своје моделе. Као инжењери, желимо да брзо искористимо ова побољшања. Problem : Solution Користите модел_ид параметар у конфигурацијама или променљивим окружењима да бисте одредили који модел да користите. Изградите апстрактне интерфејсе или класе омотача који разговарају са моделима кроз јединствени АПИ. Опционо, пажљиво примените слојеве средњег материјала (рамкови долазе са компромисима). : Checklist Промена модела не прекида ваш код или утиче на друге компоненте као што су меморија, оркестрација или алати. Додавање новог модела значи само ажурирање конфигурације и, ако је потребно, додавање једноставног слоја адаптера. Пребацивање модела је брзо и беспрекорно - идеално подржава било који модел, или барем лако пребацује у породици модела. 4 - Један агент, многи канали : Чак и ако ваш агент почне са једним интерфејсом (на пример, УИ), корисници ће ускоро желети више начина за интеракцију: Слацк, ВхатсАппп, СМС, можда чак и ЦЛИ за дебаггирање. Problem : Креирајте јединствени уговор о уносу, АПИ или универзални интерфејс у који се уносе сви канали. Држите логику специфичну за канал одвојено од језгра агента. Solution : Checklist Агент ради преко ЦЛИ, АПИ, УИ или било ког другог интерфејса All inputs funnel through a single endpoint, parser, or schema Сваки интерфејс користи исти формат улаза Ниједна пословна логика не живи у било ком адаптеру канала Додавање нових канала значи само писање адаптера - без промјена кода кључног агента Део 2 - Пређите изван чатбот мода Иако постоји само један задатак, све је једноставно, као у постовима АИ утицајника.Али чим додате алате, логику доношења одлука и више фаза, агент се претвара у неред. Губи траг, не зна шта да ради са грешкама, заборавља да позове праву алатку, а ви сте поново остали сами са дневницима, где "добро, све изгледа да је написано тамо." Да би се то избегло, агенту је потребан јасан модел понашања: шта ради, који алати има, ко доноси одлуке, како људи интервенишу и шта да раде када нешто крене наопако. Овај одељак покрива пет кључних принципа који ће вам помоћи да преместите свог агента изван једноставног чатбота, изградите кохерентан модел понашања који може поуздано користити алате, управљати грешкама и извршити сложене задатке. 5 - Дизајн за употребу алата : Можда звучи очигледно, али многи агенти се и даље ослањају на "Плаин Промптинг + сирови ПЛМ излаз анализирања." То је као да покушава да поправи мотор аутомобила насумично окретање вијци. Problem Брзост: Мала промена у редоследу речи или фраза може прекинути ваше анализирање, стварајући константну трку у наоружању између вашег кода и непредвидљивости модела. Нејасност: Природни језик је нејасан. „Позови Џона Смита.“ Који Џон Смит? Комплексност одржавања: Парсинг код постаје замагљен и тешко дебугирати.Сваки нови агент "вештина" значи писање више правила парсинга. Ограничене могућности: Тешко је поуздано позвати више алата или проћи сложене структуре података преко обичног текста. : Let the model return JSON (or another structured format), and let your system handle the execution. This means the LLMs interpret user intent and decide да уради, а ваш код брине о то се дешава, извршавајући праву функцију преко добро дефинисаног интерфејса. Solution Šta Kako Већина провајдера (ОпенАИ, Гоогле, Антхропиц, итд.) сада подржава или : function calling structured output Дефинишете своје алате као ЈСОН шеме са именом, описом и параметрима.Описи су кључни јер се модел ослања на њих. Сваки пут када позовете модел, пружате му ове шеме алата уз позив. Модел враћа ЈСОН који одређује: (1) функцију за позив, (2) параметре према шеми Ваш код потврђује ЈСОН и позива на исправну функцију са овим параметрима. Опционално, излаз функције може се вратити у модел за коначну генерацију одговора. : Opisi alata su deo uputstva. Ako su nejasni, model može da izabere pogrešan alat. Šta ako vaš model ne podržava poziv funkcije ili želite da ga izbegnete? Important Замолите модел да произведе ЈСОН излаз путем инстант инжењеринга и потврдите га са библиотекама као што је Пидантик. : Checklist Одговори су строго структурирани (на пример, ЈСОН) Интерфејси алата су дефинисани шемама (ЈСОН Сцхема или Пидантик) Излаз се валидира пре извршења Грешке у формату не прекидају систем (смешно управљање грешкама) ЛЛМ одлучује коју функцију да позове, код се бави извршењем 6 - Ставите контролну логику у код Већина агента данас се понаша као цхатботи: корисник каже нешто, агент одговара. Problem: Са овим подешавањем, ваш агент не може: Делује самостално без корисничког позива Радите задатке паралелно План и секвенца више корака Retry neuspešno korake inteligentno Rad u pozadini Ona postaje reaktivna umesto proaktivna. Onaj koji gleda na posao koji je pred njim, izračunava šta da uradi sledeće i kreće napred bez čekanja da bude pokovan. What you really want is an agent that thinks like a scheduler То значи да ваш агент треба да буде у стању да: Узмите иницијативу Везати више корака заједно Recover from failure Prebacivanje između zadataka Nastavite da radite, čak i kada niko ne gleda Move the control flow out of the LLM and into your system. The model can still help (e.g., decide which step comes next), but the actual sequencing, retries, and execution logic should live in code. Solution: This flips your job from два . The model becomes one piece of a broader architecture, not the puppet master. Брзо инжењерство system design Let’s break down three ways teams are approaching this shift. 1. Finite State Machine (FSM) Шта је то: Раздвојите задатак у дискретна стања са дефинисаним транзицијама. Acts within a state or helps pick the next one. LLM role: Linear, predictable flows. Best for: Предности: Једноставно, стабилно, лако се дебитује. StateFlow, YAML configs, classic state pattern in code. Tools: 2. Directed Acyclic Graph (DAG) Represent tasks as a graph — nodes are actions, edges are dependencies. What it is: Acts as a node or helps generate the graph. LLM role: Branching flows, parallel steps. Best for: Flexible, visual, good for partial recomputation. Pros: LangGraph, Trellis, LLMCompiler, or DIY with a graph lib. Tools: 3. Planner + Executor One agent (or model) builds the plan; others execute it step by step. What it is: Big model plans, small ones (or code) execute. LLM role: Modular systems, long chains of reasoning. Best for: Separation of concerns, scalable, cost-efficient. Pros: LangChain’s Plan-and-Execute, or your own planner/executor architecture. Tools: Why This Matters Добијате контролу над понашањем агента Можете ретри, дебаг и тестирати појединачне кораке Можете скалирати делове независно или заменити моделе You make things visible and traceable instead of opaque and magical Checklist Агент прати структуру ФСМ, ДАГ или Планер LLM suggests actions but doesn’t drive the flow You can visualize task progression Управљање грешкама је печено у логику протока 7 — Keep a Human in the Loop Чак и са алатима, протоком контроле и структурираним излазима, пуна аутономија је и даље мит. Ne mogu da budu odgovorni.I u stvarnom svetu, oni će napraviti pogrešan poziv (pre ili kasnije). Problem: Razumevanje When agents act alone, you risk: Nepovratne greške: brisanje zapisa, poruka pogrešnoj osobi, slanje novca mrtvom novčaniku. : violating policy, law, or basic social norms. Compliance issues skipping steps, hallucinating actions, or just doing something no human ever would. Weird behavior: : users won’t rely on something that seems out of control. Broken trust Нема одговорности: када се разбије, није јасно шта је пошло наопако или ко поседује неред. Solution: Bring Humans Into the Loop (HITL) Treat the human as a co-pilot, not a fallback. Design your system to , , или decisions to a person when needed. Not everything should be fully automatic. Sometimes, “Are you sure?” is the most valuable feature you can build. pause Питај Пут Ways to Include Humans Critical or irreversible actions (e.g., sending, deleting, publishing) require explicit human confirmation. Approval gates: When the model’s confidence is low or the situation is ambiguous, route to a human for review. Escalation paths: Интерактивна корекција: Дозволите корисницима да прегледају и уређују одговоре модела пре него што буду послати. Повратне везе: Ухватити људске повратне информације како би се побољшало понашање агената и обучили модели током времена (Унапређење учења из људских повратних информација). Enable humans to interrupt, override, or re-route the agent’s workflow. Override options: Checklist Осетљиве акције потврђује човек пре извршења Постоји јасан пут за ескалацију сложених или ризичних одлука Users can edit or reject agent outputs before they’re final Logs and decisions are reviewable for audit and debugging The agent explains it made a decision (to the extent possible) why 8 - Храњење грешака назад у контекст Већина система се сруши или заустави када се деси грешка.За аутономног агента, то је мртав крај.Али слепо игнорисање грешака или халуцинација око њих је једнако лоше. Problem: What can go wrong: Any failure, whether an external tool error or unexpected LLM output, can break the entire process. Brittleness: Frequent restarts and manual fixes waste time and resources. Inefficiency: Without awareness of its own errors, the agent can’t improve or adapt. No Learning: Halucinacije: Greške koje se ne rešavaju mogu dovesti do lažnih ili izmišljenih odgovora. Укључите их у напомене или меморију тако да агент може покушати само-корекцију и прилагодити своје понашање. Solution: How it works: Capture error messages or failure reasons clearly. Understand the error: The agent reflects on the error and tries to fix it by: (1) detecting and diagnosing the issue, (2) adjusting parameters, rephrasing requests, or switching tools, (3) retrying the action with changes. Self-correction: Detailed error info (like instructions or explanations) helps the agent correct itself better. Even simple error logs improve performance. Error context matters: Incorporate error-fix examples into model training for improved resilience. Training for self-correction: If self-correction repeatedly fails, escalate to a human (see Principle 7). Human escalation: Checklist: Грешке из претходних корака се чувају и уносе у контекст Retry logic is implemented with adaptive changes Поновљени неуспјеси изазивају повратак на људски преглед или интервенцију 9 — Split Work into Micro-Agents Што је задатак већи и мешавији, дужи прозор контекста, а вероватније је да ће ЛЛМ изгубити заплет.Сложени токови рада са десетинама корака гурају модел преко своје слатке тачке, што доводи до конфузије, изгубљених токена и ниже тачности. Problem: Подијелите и освојите. користите , each responsible for one clearly defined job. A top-level orchestrator strings them together. Solution: small, purpose-built agents Why small, focused agents work : shorter windows keep the model sharp. Manageable context Јасно власништво: један агент, један задатак, нула двосмислености. Veća pouzdanost: jednostavniji tokovi znače manje mesta za gubljenje. Лакше тестирање: можете јединично тестирати сваког агенса у изолацији. when something breaks, you know exactly where to look. Faster debugging: There’s no magic formula for when to split logic; it’s part art, part experience, and the boundary will keep shifting as models improve. A good rule of thumb: if you can’t describe an agent’s job in one or two sentences, it’s probably doing too much. Checklist Ukupan tok posla je serija mikro-agentskih poziva. Each agent can be restarted and tested on its own. Definiciju agenta možete objasniti u 1-2 rečenice. Part 3 – Stabilize Behavior Most agent bugs don’t show up as red errors; they show up as weird outputs. A missed instruction. A half-followed format. Something that almost works… until it doesn’t. That’s because LLMs don’t read minds. They read tokens. Начин на који оквирате захтеве, оно што преносите у контекст и како пишете позиве, све то директно обликује резултат. И свака грешка у том подешавању постаје невидљива грешка која чека да се касније појави. . if you’re not careful, every interaction slowly drifts off course Овај одељак је о затезању те петље за повратне информације. Промптс нису бацане нити, они су код. Контекст није магија, то је стање које експлицитно управљате. 10 — Treat Prompts as Code Превише пројеката третира напомене као једнократне нити: хардцодиране у Питхон датотекама, расуте широм базе кода, или нејасно бачене у Нотион. Problem: Тешко је пронаћи, ажурирати или чак разумети шта сваки позив ради There’s no version control — no way to track what changed, when, or why Оптимизација постаје претпоставка: нема повратних информација, нема А / Б тестирања And debugging a prompt-related issue feels like trying to fix a bug in a comment Они дефинишу понашање. тако да их управљају као да бисте прави код: Solution: Prompts are Одвојите их од ваше логике: чувајте их у txt, .md, .yaml, .json или користите шаблоне као што су Jinja2 или BAML Верзија их са својим репо (као и функције) : (1) Unit-test responses for format, keywords, JSON validity, (2) Run evals over prompt variations, (3) Use LLM-as-a-judge or heuristic scoring to measure performance Test them Tretirajte prompt recenzije kao kod recenzije.Ako promena može da utiče na ponašanje izlaza, zaslužuje drugi set očiju. Bonus: Checklist: Промптс живе изван вашег кода (и јасно су именовани) Они су верзионисани и диффабле Они су тестирани или оцењени They go through review when it matters 11 — Engineer the Context Stack We’ve already tackled LLM forgetfulness by offloading memory and splitting agents by task. But there’s still a deeper challenge: Форматирамо и доставимо информације моделу. Problem: how Most setups just throw a pile of role: content messages into the prompt and call it a day. That works… until it doesn’t. These standard formats often: Burn tokens on redundant metadata Struggle to represent tool chains, states, or multiple knowledge types Fail to guide the model properly in complex flows And yet, we still expect the model to “just figure it out.” That’s not engineering. That’s vibes. Solution: Engineer the context. Третирајте цео улазни пакет као пажљиво дизајниран интерфејс, јер је то управо оно што јесте. : Here’s how Властите комплетан стек: Контролишите шта улази, како се наручује и где се појављује.Све од системских упутстава до примљених докумената до меморијских уноса треба да буде намерно. : Build richer, denser formats. XML-style blocks, compact schemas, compressed tool traces, even Markdown sections for clarity. Go beyond chat format Razmislite holistički: Kontekst = sve što model vidi: uputstvo, stanje zadataka, prethodne odluke, logovi alata, uputstva, čak i prethodni izlazi. This becomes especially important if you’re optimizing for: Густина информација: паковање више значења у мање токена high performance at low context size Cost efficiency: controlling and tagging what the model sees Security: explicitly signaling edge cases, known issues, or fallback instructions Error resilience: Помоћ је само пола битке. И ако то још не радите, бићете када ваш агент одрасте. Bottom line: Context engineering 12 - Додајте сигурносне слојеве Чак и са чврстим позивима, меморијом и протоком контроле, агент и даље може изаћи из редова. Размислите о овом принципу као осигурању против најгорих сценарија: users (or other systems) slip in instructions that hijack the agent. Prompt injection: the model blurts out PII or corporate secrets. Sensitive-data leaks: unwanted hate speech, spam, or disallowed material. Toxic or malicious content: confident but false answers. Hallucinations: Akcije izvan okvira: agent „dobije kreativnost“ i radi nešto što nikada ne bi trebalo da uradi. Ниједна поправка не покрива све то. : више заштитних мера које хватају проблеме у свакој фази циклуса захтева / одговора. defense-in-depth Quick Checklist is in place (jailbreak phrases, intent check). User input validation For factual tasks, answers . must reference RAG context Помоћ експлицитно говори моделу да се држи примљених чињеница. Излазни филтер блокира ПИИ или забрањени садржај. Одговори укључују цитат / линк на извор. Agent and tools follow the . least privilege Критичне акције пролазе кроз ХИТЛ одобрење или праћење. Третирајте ове слојеве као стандардне ДевоПс: пријавите их, тестирајте их и не успејте безбедно. Part 4 - Keep it Working Under Load У производњи, неуспјеси се ретко дешавају одједном, а често их не примећујете одмах, понекад уопште. This section focuses on building the engineering discipline to monitor your agent continuously, ensuring everything runs smoothly. . Од дневника и праћења до аутоматизованих тестова, ове праксе чине понашање вашег агента јасним и поузданим, без обзира да ли активно гледате или се фокусирате на изградњу следећег пробоја 13 — Trace the Full Execution Path : Агенти ће се неизбежно понашати погрешно током развоја, ажурирања или чак нормалног рада. Дебугирање ових проблема може потрошити безброј сати покушавајући да репродукује грешке и идентификује неуспјехе. Ако сте већ имплементирали кључне принципе као што су држање државе ван и компресирање грешака у контекст, ви сте испред. Problem : Log the entire journey from the user request through every step of the agent’s decision and action process. Individual component logs aren’t enough; you need end-to-end tracing covering every detail. Solution : Why this matters Дебаггирање: Брзо идентификује где и зашто су ствари пошло наопако. Аналитика: Откријте препреке и могућности за побољшање. Процена квалитета: Мери како промене утичу на понашање. : Recreate any session precisely. Reproducibility Аудирање: Чувати пуну евиденцију одлука и акција агента. Minimum data to capture : User request and parameters from prior steps. Input : Key variables before each step. Agent state Помоћ: Пуна порука послата на ЛЛМ (упутства за систем, историја, контекст). : Raw response before processing. LLM output : Tool name and parameters invoked. Tool call : Tool output or error. Tool result Одлука агента: Следећи кораци или одабрани одговори. : Timing, model info, costs, code, and prompt versions. Metadata Када је могуће, користите постојеће алате за праћење: ЛангСмитх, Аризе, Тежине и предрасуде, ОпенТелеметрија итд. : Checklist Сви кораци су забележени са свим детаљима. Логови повезани са session_id и step_id. Интерфејс за преглед пуних позивних ланца. Способност да у потпуности репродукује било који промпт у било ком тренутку. 14 - Тестирање сваке промене : До сада, ваш агент се можда осећа спремним за покретање: ради, можда чак и тачно како сте желели. али како можете бити сигурни да ће наставити да ради након ажурирања? Промене у коду, скуповима података, базним моделима или позивима могу тихо прекинути постојећу логику или погоршати перформансе.Традиционалне методе тестирања не покривају све чуда ЛЛМ-а: Problem Моделски дрифт: перформансе се смањују током времена без промене кода због промена модела или података Брза крхкост: мала прилагођавања пријема могу изазвати велике промене у излазу Недетерминизам: ЛЛМс често дају различите одговоре на исти улаз, компликујући тестове тачног подударања Грешке које је тешко репродуковати: чак и са фиксним уносима, грешке могу бити тешке за праћење Ефекат лептира: промена каскаде непредвидиво преко система Халуцинације и други ризици специфични за ЛЛМ Усвојите темељну, вишеслојну стратегију тестирања која комбинује класичне софтверске тестове са контролама квалитета фокусираним на ЛЛМ: Solution : unit tests for functions/prompts, integration tests, and full end-to-end scenarios Multi-level testing Фокус на квалитет ЛЛМ излаза: релевантност, кохерентност, тачност, стил и сигурност Користите златне скупове података са очекиваним излазима или прихватљивим опсеговима резултата за контролу регресије Аутоматизовати тестове и интегрисати их у ЦИ / ЦД цевоводе for critical or complex evaluations (human-in-the-loop) Involve humans Итеративно тестирање и рафинирање позива пре распореда Testiranje na različitim nivoima: komponente, promptovi, lanci/agenti i kompletni tokovi posla : Checklist Логика је модуларна и темељно тестирана појединачно и у комбинацији Output quality is evaluated against benchmark data Тестови покривају уобичајене случајеве, случајеве ивице, неуспјехе и злонамерне улазе Осигурана је чврстоћа против бучних или непријатељских улаза Све промене пролазе аутоматске тестове и надгледају се у производњи како би се откриле непримећене регресије 15 — Own the Whole Stack Овај принцип све повезује, то је мета-правило које пролази кроз све остале. Данас постоје безбројни алати и оквири за руковање готово било којим задатком, што је одлично за брзину и лакоћу прототипирања - али то је такође замка. Ово је посебно важно у развоју агената, где морате управљати: Инхерентна непредвидљивост ЛЛМ-а Комплексна логика око транзиција и само-корекције Potreba da se vaš sistem prilagodi i razvija bez prepisivanja osnovnih zadataka : они диктирају како би се ваш агент требао понашати. Ово може убрзати прототипирање, али чини дугорочни развој тежим за управљање и прилагођавање. Frameworks often invert control Многи принципи које сте видели могу се имплементирати помоћу офф-тхе-схелф алата, али понекад, изградња основне логике експлицитно захтева сличан напор и даје вам много бољу транспарентност, контролу и прилагодљивост. С друге стране, пуно прилагођавање и преиспитивање свега од нуле је превише инжењерско и једнако ризично. Ključ je Као инжењер, ви свесно одлучујете када се ослонити на оквире и када да преузме пуну контролу, у потпуности разуме компромисе укључене. balance Mnoge aktuelne alate su izgrađene pre nego što su standardi postali čvrsti.Možda će sutra postati zastareli – ali arhitektonski izbori koje sada donosite ostaće daleko duži. Remember Закључак Изградња агента ЛЛМ-а више није само о позивању АПИ-ја.Ово је о дизајнирању система који може да се носи са стварним нередностима: грешкама, статусом, контекстним ограничењима, неочекиваним уносима и еволуционим захтевима. The 15 principles we covered aren’t theory, they’re battle-tested lessons from the trenches. They’ll help you turn fragile scripts into stable, scalable, and maintainable agents that don’t break the moment real users show up. Сваки принцип заслужује разматрање да би се утврдило да ли се уклапа у ваш пројекат. На крају, то је ваш пројекат, ваши циљеви и ваша креација. Али запамтите: ЛЛМ је моћан, али то је само један део сложеног система. Ваш посао као инжењер је да поседујете процес, управљате сложеношћу и држите целу ствар глатко. If you take away one thing, let it be this: Јер то је једини начин да се пређе са “вау, то је одговорио!” на “да, то наставља да ради.” slow down, build solid foundations, and plan for the long hau Nastavite da iterirate, testirate i učite.I ne zaboravite, ljudi u ćošku nisu padobran, oni održavaju vaš agens osnovan i efikasan. Ово није крај.То је само почетак грађевинских агента који заправо испоручују. Трудите се да развијете своју публику као технолошки професионалац? The Tech Audience Accelerator is the go-to newsletter for tech creators serious about growing their audience. You’ll get the proven frameworks, templates, and tactics behind my 30M+ impressions (and counting). https://techaudienceaccelerator.substack.com/embed?source=post_page-----e58139d80299---------------------------------------&embedable=true