AgenticCalling AI
Telefon + AI-agent
Phasr
več kot 100 operacij, scenarijev in potekov.
️ Oasis Browser za Mac
Brskalnik, ki na prvo mesto postavlja zasebnost in se dejansko uči, kaj je za vas pomembno
⚙️ Chunk sidecars
AI agent ki preizkuša kodo preden se gre v produkcijjo
Powabase
Postgres + RAG + agenti + delovni tokovi v enem sklopu.
Google Antigravity 2.0
Upravljajte več AI-agentov iz ene namizne aplikacije.
Mintlify Workflows
Dokumenti, ki se posodabljajo sami, ko se vaš izdelek spremeni.
Visual Usability Checker
Takojšnja povratna informacija umetne inteligence o vašem uporabniškem vmesniku.
Tycoon AI
Vodite enoosebno podjetje z AI-agenti. V bistvu Succession, vendar z manj travmami in več avtomatizacije.
Mixpanel Headless
Analitika izdelkov neposredno iz vašega IDE. Postavljajte agentom vprašanja, poglobite se v podatke.
Članek razlaga, da je pri agentni umetni inteligenci prompt engineering predvsem načrtovanje sistema odločanja skozi več korakov, ne le oblikovanje enkratnega vprašanja za klepetalni model.
Osrednja teza je prehod iz »prompt engineering« v »context engineering«, kjer je ključno, katere informacije ima model na voljo v posameznem trenutku izvajanja naloge.
Avtor kot štiri ključne gradnike agentnega prompta izpostavi sistemski prompt, definicije orodij, few-shot primere in upravljanje zgodovine sporočil oziroma stanja konteksta.
Članek poudari, da zanesljivost agentov močno izboljšajo strukturirani vzorci razmišljanja, posebej Chain of Thought, ReAct in Reflexion.
Praktični del opozori, da agenti najpogosteje odpovedo zaradi preveč orodij, nejasnega kriterija uspeha, prenasičenega konteksta, pomanjkanja primerov in napačne obravnave večkoraknega sistema kot navadnega chata.
Članek se sklicuje na Anthropicov koncept »context engineering« in na raziskavo o degradaciji konteksta oziroma »context rot«, kjer daljši kontekst zmanjša natančnost priklica in sklepanja.
Med temeljnimi referencami sta navedena Lilian Weng in Anthropicov inženirski zapis o učinkovitem kontekstnem inženiringu za AI agente.
Kot empiričen primer je navedena raziskava Googlove ekipe iz leta 2022, kjer je uspešnost na nalogi Game of 24 zrasla z 4% na 74% z uvedbo strukturiranega razmišljanja.
Članek kot uporabne arhitekture izrecno obravnava Chain of Thought, ReAct ter Reflexion, pri čemer ReAct opiše kot zanko »Thought → Action → Observation → Thought«.
»One is asking. The other is designing how a system thinks.«
»Prompt engineering asks ‘what are the right words?’ Context engineering asks ‘what is the optimal set of information this model should have at every point during execution?’«
»The model did not get smarter; its reasoning architecture did.«
»Never skip the Thought step. Never take an Action without a Thought that justifies it.«
»The teams getting the most out of agentic AI right now are the ones who stopped asking ‘how do I phrase this better?’ and started asking ‘what does this model need to know at every step to behave the way I want?’«
