Prepisani da se čitaju izvan feeda, na tri jezika. Kanonski link uvijek vodi ovamo.
Fine-tuning je često prvi prijedlog kad AI funkcionalnost ne radi dobro. Modelu najčešće nedostaje kontekst, ne sposobnost, a bez eval seta ne znaš ni je li tuning pomogao.
U projektima s AI agentima ograničenje rijetko je model. To je sustav koji drži podatke tvrtke — čitanje je lakša polovica, a pisanje je gdje žive integritet, identitet i budžet.
Gotovo svaki multi-agent sustav uzme jedan zadatak, razreže ga na dijelove i prepusti koordinaciju modelu u runtimeu. Ljepilo je mjesto gdje umiru pouzdanost i marža.
AI agent prođe demo po točnosti. U produkciji o opstanku odlučuje trošak po zadatku: tokeni, tool calls, retryji i loop koji se može raspliniti.
Staviti čovjeka na «approve» djeluje kao kontrola. Pod opterećenjem automation bias pretvara provjeru u puki pečat — a sustav ne čuva dokaz o tome što je stvarno provjereno.
Cijeli kod ima sigurnosnu mrežu osim onog dijela koji donosi odluke. Zašto se ne-deterministički agent ipak testira eval harnessom — golden set, provjerena svojstva, ocjena koja je gate u CI-ju — i zašto je to druga garancija od auditabilnog loga.
Agent sam odlučuje sljedeći korak u loopu; workflow ide fiksnim putem i zove model samo gdje je ulaz nejasan. Zašto je workflow obično jeftiniji, lakši za testiranje i lakši za dokazati — i kada agent stvarno treba.
Demo ide sretnim putem, na odabranim podacima. Produkcija ide na svemu ostalom: retry, idempotency, identitet servisa, backpressure, i dokaz o tome što je agent napravio.
Jedna arhitektura koristi lanac kao izvor podataka, druga kao javnog bilježnika. Rješavaju suprotne probleme, a većina ponuda na tržištu ih miješa.
.NET softverske kuće ne odbijaju blockchain i AI agente jer su loša ideja. Odbijaju ih jer je izgradnja te kompetencije dvogodišnja zaobilaznica.