Uvod u Context Engineering za AI Agente -

📋 Preduslovi i priprema

Pre početka radionice, uverite se da:

Razumete osnovne koncepte: LLM (Large Language Model), prompt, AI agent
Imate pristup online platformi za radionicu (Zoom/Teams/Meet)
Pripremite papir i olovku za beleške i vežbe
Opcionalno: pristup ChatGPT ili Claude za testiranje primera

📘 Agenda radionice

0-5 min 🔎

Uvod i motivacija

Otvaramo diskusiju sa pitanjem: “Šta je prompt inženjering i dokle ide?” Objašnjavamo zašto je context engineering ključan za napredne AI agente i kako omogućava preciznije i pouzdanije rezultate.

5-15 min 🎯

Predavanje: Koncepti context engineeringa

Definišemo context engineering kroz analogiju: Model je kao CPU (procesor), a kontekst je kao RAM memorija. Vizuelizujemo kako kontekst određuje ponašanje agenta. Razlika od prompt engineeringa: prompt je samo pitanje, kontekst je celo okruženje.

15-25 min 🧱

Interaktivno: 6 komponenti AI agenta

Grupna vežba gde učesnici povezuju komponente sa konkretnim primerima. Pitanje za diskusiju: “Šta bi bila memorija kod HR asistenta?” Učesnici aktivno učestvuju u identifikovanju komponenti kroz praktične scenarije.

25-35 min 🛠️

Primer iz prakse: AI istraživački asistent

Detaljno analiziramo realan sistem prompt sa svim elementima. Diskusija: “Zašto je sve precizno strukturirano?” Pokazujemo kako JSON i XML formatiranje poboljšava performanse agenta.

35-50 min ✍️

Aktivnost: “Ti si context inženjer”

Rad u parovima ili samostalno. Učesnici kreiraju mini-context za AI agenta po izboru (turistički vodič, HR asistent, chatbot za refundacije). Koriste pripremljeni template sa smernicama.

50-55 min 📣

Podela i refleksija

Učesnici prezentuju svoje AI agente. Grupna diskusija o izazovima u definisanju konteksta. Feedback i predlozi za poboljšanje.

55-60 min 🎁

Zaključak i resursi

Sumiranje glavnih lekcija. Podela dodatnih resursa. Najava naredne sesije o naprednim tehnikama (kompresija, selekcija, multi-agent orchestration).

🧱 Šest ključnih komponenti AI agenta

1

Uloga (Role)

Definiše ko je agent i kakve ekspertize poseduje. Primer: “Ti si senior HR konsultant sa 15 godina iskustva…”

2

Zadatak (Task)

Jasno opisuje šta agent treba da uradi. Primer: “Analiziraj CV kandidata i preporuči najbolje…”

3

Kontekst (Context)

Relevantne informacije potrebne za zadatak. Primer: “Kompanija traži Python developera, prioritet je…”

4

Ulaz/Izlaz (I/O)

Format podataka koje agent prima i vraća. Primer: “Ulaz: CV u PDF, Izlaz: JSON sa ocenom 1-10…”

5

Ograničenja (Constraints)

Pravila koja agent mora poštovati. Primer: “Ne sme da diskriminiše po godinama, polu…”

6

Memorija (Memory)

Informacije koje agent pamti između interakcija. Primer: “Zapamti preference klijenta za buduće pretrage…”

📝 Praktična vežba: Kreiranje vašeg AI agenta

✍️ Zadatak: Dizajnirajte context za AI agenta

Izaberite jedan od sledećih scenarija ili osmislite svoj:

🗺️ Turistički vodič za Beograd
👔 HR asistent za screening kandidata
💰 Chatbot za obradu refundacija
📚 Personalizovani tutor za učenje jezika
🍔 Virtuelni nutricionista

TEMPLATE ZA VAŠEG AGENTA: ULOGA: Ti si [definišite ulogu i ekspertizu]… ZADATAK: Tvoj glavni zadatak je da [opišite šta agent radi]… KONTEKST: [Dodajte relevantne informacije koje agent treba znati] FORMAT ULAZA: Korisnik će ti dati: [opišite format i tip podataka] FORMAT IZLAZA: Odgovori u sledećem formatu: [definišite strukturu odgovora] OGRANIČENJA: – [Ograničenje 1] – [Ograničenje 2] – [Ograničenje 3] MEMORIJA: Zapamti sledeće za buduće interakcije: [šta treba pamtiti]

💡 Primer: AI istraživački asistent

Kompletan sistem prompt za istraživačkog asistenta:

ULOGA:
Ti si ekspert istraživač specijalizovan za analizu akademskih radova i industriskih trendova u oblasti veštačke inteligencije.

ZADATAK:
Analiziraj dostavljene naučne radove i kreiraj sažetak sa ključnim nalazima, metodologijom i praktičnim primenama.

FORMAT ULAZA:
<paper>
  <title>[Naslov rada]</title>
  <abstract>[Apstrakt]</abstract>
  <content>[Sadržaj rada]</content>
</paper>

FORMAT IZLAZA:
{
  "naslov": "[naslov rada]",
  "kljucni_nalazi": ["nalaz1", "nalaz2", "nalaz3"],
  "metodologija": "[opis metodologije]",
  "prakticna_primena": "[kako se može primeniti]",
  "ogranicenja": ["ograničenje1", "ograničenje2"],
  "ocena_relevantnosti": "[1-10]",
  "preporuka": "[da/ne sa obrazloženjem]"
}

OGRANIČENJA:
- Fokusiraj se samo na praktično primenljive nalaze
- Ignoriši čisto teorijske diskusije bez empirijskih dokaza
- Maksimalno 3 ključna nalaza po radu
- Sažetak ne sme biti duži od 200 reči

MEMORIJA:
Pamti teme koje su već analizirane kako bi mogao da identifikuješ trendove i povezanosti između radova.

Primetite kako struktura pomaže agentu da bude konzistentan i precizan u svojim odgovorima!

🎯 Ishodi učenja

Nakon završetka radionice, bićete u stanju da:

Razlikujete prompt i context engineering u razvoju LLM aplikacija
Prepoznate šest ključnih komponenti svakog AI agenta
Analizirate i ocenjujete strukturu kontekstualnog prompta
Samostalno konstruišete osnovni sistemski prompt za AI agenta

🔧 Saveti za vođenje radionice

🎤 Za moderatora: Koristite breakout rooms za rad u parovima. Pripremite primere “loših” promptova za poređenje sa dobrim.

🖥️ Tehnički saveti: Imajte pripremljen ChatGPT ili Claude za demonstraciju uživo. Koristite deljeni ekran za pokazivanje primera.

💬 Angažovanje učesnika: Koristite Mentimeter ili Slido za interaktivna pitanja. Pozovite učesnike da podele svoje ekrane tokom prezentacije.

⏱️ Upravljanje vremenom: Postavite tajmer za svaku sekciju. Imajte buffer od 5 minuta za tehničke probleme.

📚 Dodatni resursi

📖 Blog Cognition

Napredne tehnike context engineeringa

🔗 LangChain Docs

Framework za razvoj AI agenata

🎥 YouTube Tutorial

Praktični primeri implementacije

📝 Template biblioteka

Gotovi promptovi za različite agente

🚀 Sledeći koraci

Nakon radionice, preporučujemo:

Testirajte vašeg agenta u ChatGPT ili Claude
Iterirajte i poboljšajte na osnovu rezultata
Podelite vaše kreacije sa zajednicom
Prijavite se za naprednu radionicu o multi-agent sistemima

Napredna radionica pokriva: kompresiju konteksta, dinamičku selekciju, multi-agent orchestration, i RAG (Retrieval-Augmented Generation) sisteme!

Shopping cart

🤖 Uvod u Context Engineering za AI Agente