Natrag na AI agenti vodič

Oriphiel AI agenti vodič

Strukturirani izlazi i JSON schema

Zašto agent treba vraćati strogo strukturirane odluke za CRM statuse, razloge, taskove i klasifikacije umjesto slobodnog teksta.

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

Odgovor ukratko

Slobodan tekst je koristan za objašnjenje, ali CRM treba strukturirane vrijednosti: status, reason code, confidence, suggested_next_action, due_date ili opt_out_detected. JSON schema smanjuje kaos jer model mora vratiti poznata polja, a backend može provjeriti tipove i dopuštene vrijednosti.

Ključne odluke

  • Za svaku agentovu odluku definirati minimalnu shemu.
  • Enum vrijednosti moraju odgovarati stvarnim CRM statusima i reason codeovima.
  • Confidence nije dokaz, nego signal za prag ljudske provjere.
  • Slobodno objašnjenje treba biti odvojeno od polja koja se automatski koriste.

Provedba korak po korak

Cilj ove lekcije je pretvoriti modelsku procjenu u pouzdan podatak. Korake treba provoditi redom i svaki potvrditi prije širenja opsega.

Preporučeni redoslijed

  • Definirati output schema za lead triage, reply classification i dashboard insight.
  • Dodati validaciju outputa prije spremanja.
  • Ako schema ne prođe, vratiti agentu popravak ili poslati run na ručnu obradu.
  • Verzionirati schema promjene i testirati stare primjere.

Praktičan primjer

Praktičan primjer za developere i CRM administratore: tim prvo provodi korak „Definirati output schema za lead triage, reply classification i dashboard insight.”, zatim provjerava „Potvrđena je ključna odluka: Za svaku agentovu odluku definirati minimalnu shemu.”. Odluka o nastavku ne donosi se prema dojmu, nego prema pokazatelju „Schema validation pass rate.”.

Kontrolna lista prije nastavka

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

Provjerite

  • Potvrđena je ključna odluka: Za svaku agentovu odluku definirati minimalnu shemu.
  • Testiran je prvi korak provedbe: Definirati output schema za lead triage, reply classification i dashboard insight.
  • Dogovoreno je početno mjerenje: Schema validation pass rate.

Najčešće pogreške i rizici

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

Na što treba paziti

  • Model vrati tekst koji čovjek razumije, ali sustav ne može parsirati.
  • Promijeni se naziv statusa u promptu, ali ne i u CRM-u.
  • Confidence se koristi kao jedini kriterij za automatsku akciju.
  • Nevalidan JSON se tiho sprema u notes.

Mjerenje rezultata

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

Metrike koje imaju smisla

  • Schema validation pass rate.
  • Fallback zbog nevalidnog izlaza.
  • Automatske odluke po confidence pragu.
  • Promjene schema verzije.
  • Ručne korekcije strukturiranih polja.

Česta pitanja

Koji je prvi korak za temu „Strukturirani izlazi i JSON schema”?

Definirati output schema za lead triage, reply classification i dashboard insight. Prije nastavka potvrdite odluku: Za svaku agentovu odluku definirati minimalnu shemu.

Kako provjeriti da je provedba uspješna?

Potvrđena je ključna odluka: Za svaku agentovu odluku definirati minimalnu shemu. Nakon toga pratite metriku: Schema validation pass rate..

Koju pogrešku treba prvo spriječiti?

Model vrati tekst koji čovjek razumije, ali sustav ne može parsirati. 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

Tool calling i function schemaKako agent koristi funkcije: opis alata, JSON shema argumenata, odabir alata, izvršenje u aplikaciji i povrat rezultata modelu. AI agent za kvalifikaciju leadovaKako agent može pročitati novi upit, izvući ključna polja, predložiti status, prioritet i sljedeću aktivnost u CRM-u. Prompt versioning i regresijski testoviKako upravljati promptovima kao kodom: verzije, changelog, eval skupovi, rollout, rollback i usporedba modela. Arhitektura AI agenta u OpenClaw-uReferentna arhitektura za OpenClaw AI agente: ulaz, context builder, model, tool dispatcher, validacija, zapis stanja i audit log.

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