Natrag na AI agenti vodič

Oriphiel AI agenti vodič

Agent loop: planiranje, izvršenje i provjera

Kako radi osnovna petlja AI agenta: primi cilj, planira korak, pozove alat, pročita rezultat, provjeri ishod i završava ili nastavlja.

Oriphiel stručni tim Ažurirano 21. 7. 2026. 4 min čitanja

Odgovor ukratko

Agent loop je kontrolirana petlja između modela i aplikacije. Model ne izvršava alat u memoriji: on predloži naziv alata i argumente, aplikacija provjeri smije li se alat pozvati, izvrši kod i vrati rezultat u sljedeći model turn. Petlja se ponavlja dok nema finalnog odgovora, dok ne istekne limit koraka ili dok sigurnosno pravilo ne zaustavi run.

Ključne odluke

  • Postaviti maksimalan broj koraka po runu.
  • Svaki tool result treba biti strukturiran i kratak.
  • Model mora znati kada treba stati i kada treba eskalirati čovjeku.
  • Greške alata trebaju biti eksplicitne, ne skrivene u tekstu.

Provedba korak po korak

Cilj ove lekcije je razumjeti nisku razinu agentic izvršavanja. Korake treba provoditi redom i svaki potvrditi prije širenja opsega.

Preporučeni redoslijed

  • Definirati run state: queued, running, waiting_approval, completed, failed, canceled.
  • Dodati step counter i time limit.
  • Tool rezultate normalizirati u status, data i error polja.
  • Na kraju runa spremiti final output i trace svih koraka.

Praktičan primjer

Praktičan primjer za backend developere: tim prvo provodi korak „Definirati run state: queued, running, waiting_approval, completed, failed, canceled.”, zatim provjerava „Potvrđena je ključna odluka: Postaviti maksimalan broj koraka po runu.”. Odluka o nastavku ne donosi se prema dojmu, nego prema pokazatelju „Prosječan broj koraka po runu.”.

Kontrolna lista prije nastavka

Ova provjera odvaja završenu implementaciju od postavke koja samo izgleda dovršeno.

Provjerite

  • Potvrđena je ključna odluka: Postaviti maksimalan broj koraka po runu.
  • Testiran je prvi korak provedbe: Definirati run state: queued, running, waiting_approval, completed, failed, canceled.
  • Dogovoreno je početno mjerenje: Prosječan broj koraka po runu.

Najčešće pogreške i rizici

Rizike treba provjeriti prije povećanja prometa, automatizacije ili ovlasti sustava.

Na što treba paziti

  • Agent uđe u beskonačno planiranje bez korisnog alata.
  • Tool error se vrati kao nejasan tekst pa model ponavlja isti poziv.
  • Nema limita koraka ni troška.
  • Run se ne može nastaviti nakon prekida jer stanje nije spremljeno.

Mjerenje rezultata

Učinak se procjenjuje kroz mali skup metrika koje su povezane s ciljem lekcije i stvarnim poslovnim ishodom.

Metrike koje imaju smisla

  • Prosječan broj koraka po runu.
  • Runovi zaustavljeni limitom.
  • Tool error rate.
  • Runovi koji čekaju odobrenje.
  • Završeni runovi bez ljudske intervencije.

Česta pitanja

Koji je prvi korak za temu „Agent loop: planiranje, izvršenje i provjera”?

Definirati run state: queued, running, waiting_approval, completed, failed, canceled. Prije nastavka potvrdite odluku: Postaviti maksimalan broj koraka po runu.

Kako provjeriti da je provedba uspješna?

Potvrđena je ključna odluka: Postaviti maksimalan broj koraka po runu. Nakon toga pratite metriku: Prosječan broj koraka po runu..

Koju pogrešku treba prvo spriječiti?

Agent uđe u beskonačno planiranje bez korisnog alata. Problem ispravite prije automatizacije ili povećanja budžeta.

Službeni i stručni izvori

Sučelja, pravila i preporuke mogu se mijenjati. Prije produkcijske izmjene provjerite aktualnu dokumentaciju.

Povezane AI-agent lekcije

Arhitektura AI agenta u OpenClaw-uReferentna arhitektura za OpenClaw AI agente: ulaz, context builder, model, tool dispatcher, validacija, zapis stanja i audit log. 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. Tool calling i function schemaKako agent koristi funkcije: opis alata, JSON shema argumenata, odabir alata, izvršenje u aplikaciji i povrat rezultata modelu.

Povežite ovu temu s ostatkom sustava

OpenClaw automatizacijePrimijenite agente na jasan CRM proces s vlasnikom i mjerljivim ishodom. CRM dozvole i sigurnostUskladite tools, uloge i podatkovni opseg s backend kontrolama. Strukturirani podaciPripremite strojno čitljive izlaze i sadržaj koji se može pouzdano validirati.

Primijenite lekciju na stvarni projekt

Pošaljite postojeću konfiguraciju, cilj i problem koji želite riješiti. Dobit ćete prijedlog sljedećeg tehničkog ili operativnog koraka.

Pošaljite upitPregledajte sve vodiče