Ahoj!

Včeraj zvečer sem raziskoval AI agente.

In me je nekaj spreletelo:

Veliko ljudi se trenutno trudi graditi in uporabljati AI agente, ampak… ali sploh rešujemo pravi problem?

Razumem zakaj je ideja tako privlačna - vzemimo na primer AI agenta za odgovarjanje na vprašanja strank.

Nastaviš ga enkrat in teoretično lahko sam odgovarja na osnovna vprašanja. Ampak kaj ko se spremenijo izdelki, pravila poslovanja ali pa stranka potrebuje bolj oseben pristop? Takrat postane jasno, da potrebujemo nekaj bolj fleksibilnega.

In ravno tu je težava:

Večina AI agentov je preveč toga!

Nastaviš jih s specifičnimi orodji in potem so ujeti v točno to, za kar si jih prvotno zasnoval. Spremeniš eno zahtevo? Potrebno je avtomatizacijo prilagoditi!

Ali obstaja kaj bolj fleksibilnega?

Seveda obstaja!

Nekaj, kar se imenuje Model Context Protocol (MCP).

MCP je protokol, ki daje AI modelom moč pogovora in upravljanja z orodji. Deluje kot nekakšen “prevajalec” med človeškim namenom in AI sistemom - namesto togih navodil omogoča AI, da sam razume kaj potrebujemo, katera orodja lahko uporabi in kako najbolje priti do rezultata.

Tukaj je razlika (in zakaj sem res navdušen nad tem):

Tradicionalni AI Agenti:

• Vnaprej določiš točno katera orodja lahko uporablja
• Fiksni načini pridobivanja in predstavitve podatkov

Ne me narobe razumeti.

Odlični so za zelo specifične, nespremenljive naloge. Ampak takoj ko želiš nekaj drugega, moraš agenta nadgraditi ali pa ustvariti novega.

MCP Pristop:

• AI se dinamično odloča, katere podatke bo pridobil glede na kontekst
• Prilagaja način obdelave informacij za vsako situacijo
• Odgovarja na to, kar dejansko potrebuješ v tem trenutku
• Naravno se razvija skupaj s tvojimi zahtevami

To je kot razlika med nekom, ki lahko sledi samo togemu scenariju, in nekom, ki dejansko razume, kaj potrebuješ in se prilagaja spremembam situacije.

Zakaj drugačen pristop? 🤔

Večina ljudi poskuša takoj zgraditi avtomatizirane AI agente.

Bolj pameten pristop je:

1. Najprej dajmo AI-ju dostop do orodij in podatkov, ki jih že uporabljamo
2. Uporabljajmo ga kot pomočnika pri vsakodnevnem delu
3. Ko opazimo ponavljajoče se vzorce, razmislimo o avtomatizaciji

To je kot da bi chat-u dali 10 dodatnih rok - lahko hkrati dostopa do različnih virov in orodij, mi pa se samo pogovarjamo z njim v naravnem jeziku.

🧠 Ključna razlika?

Namesto da AI-ju vnaprej določimo točno kaj in kako naj dela, mu damo dostop do orodij in se z njim pogovarjamo v naravnem jeziku. On sam ve, katere podatke potrebuje in kako jih najbolje uporabiti za našo situacijo.

Kot da bi imeli super pametnega asistenta, ki ima dostop do vseh naših orodij in lahko hitro najde ter poveže vse potrebne informacije - mi pa se z njim samo pogovarjamo. 🤯

Recimo dostop do:

• Google koledarja
• Google Drive-a
• Slack-a
• Github-a
• Sentry
• Web iskalnika
• Podatkovne baze
• …

Ključna razlika?

To niso vnaprej programirane rutine - dejansko razmišljajo o tem, katere informacije so pomembne v vsaki edinstveni situaciji. In najboljši del? Skupnost hitro raste - že obstajajo ogromno ​odprtokodnih MCP strežnikov​ za različne primere uporabe!

Kdaj bi dejansko moral avtomatizirati?

Ne avtomatiziraj prehitro! (Vsaj tako jaz mislim)

1. Testiraj procese ročno, tako da omogočiš chat-u dostop do vseh orodij, ki jih uporabljaš
2. Spremljaj točno katere korake najpogosteje ponavljaš
3. Šele ko si nekaj naredil vsaj 5-krat in potrdil vzorec, razmišljaj o avtomatizaciji

Razlika med ljudmi, ki učinkovito uporabljajo AI, in tistimi, ki ga ne, se vsak dan povečuje. Poskrbimo, da boš na pravi strani te delitve!

Če ti je tokratni newsletter bil zanimivo, ti bo naslednji še bolj, ker bom do naslednjič raziskal in testiral MCP-je v praksi.

Na zgornji povezavi preveri kateri MCP-ji (povezave do katerih orodij oz. sistemov) bi prišli tebi prav in mi napiši (kar odgovori na tale mail). Jaz pa bom preveril kakšno je stanje in kako deluje. 🤝

Se slišimo,
Primož