# Глава 06: Агентски системи засновани на SLM: Свеобухватан преглед

Пејзаж вештачке интелигенције пролази кроз фундаменталну трансформацију док се крећемо од једноставних четботова ка софистицираним AI агентима које покрећу Мали Језички Модели (SLM). Ова свеобухватна упутства истражују три кључна аспекта модерних агентских система заснованих на SLM: основни концепти и стратегије примене, могућности позивања функција и револуционарну интеграцију Протокола Контекста Модела (MCP).

## [Одељак 1: Основе AI агената и Малих Језичких Модела](./01.IntroduceAgent.md)

Први одељак успоставља основно разумевање AI агената и Малих Језичких Модела, позиционирајући 2025. годину као годину AI агената након ере четботова из 2023. и процвата копилота из 2024. Овај одељак представља **агентске AI системе** који мисле, резонују, планирају, користе алате и извршавају задатке уз минималан људски унос.

### Кључни концепти који се обрађују:
- **Оквир за класификацију агената**: Од једноставних рефлексних агената до агената који уче, пружајући свеобухватну таксономију за различите сценарије рачунарства
- **Основе SLM-а**: Дефинисање Малих Језичких Модела као модела са мање од 10 милијарди параметара који могу вршити практичну инференцију на потрошачким уређајима
- **Напредне стратегије оптимизације**: Обухватање примене у GGUF формату, техника квантовања (Q4_K_M, Q5_K_S, Q8_0) и оквира оптимизованих за ивицу као што су Llama.cpp и Apple MLX
- **Трговина између SLM-а и LLM-а**: Демонстрација смањења трошкова за 10-30× уз SLM-ове, уз задржавање ефикасности за 70-80% типичних задатака агената

Одељак се завршава практичним стратегијама примене користећи Ollama, VLLM и Microsoft-ова решења за ивицу, успостављајући SLM-ове као будућност економичне и приватности-пријатељске примене агентске AI.

## [Одељак 2: Позивање функција у Малим Језичким Моделима](./02.FunctionCalling.md)

Други одељак дубоко истражује **могућности позивања функција**, механизам који трансформише статичне језичке моделе у динамичне AI агенте способне за интеракцију у стварном свету. Овај технички детаљан преглед покрива комплетан ток рада од детекције намере до интеграције одговора.

### Основне области имплементације:
- **Систематски ток рада**: Детаљно истраживање интеграције алата, дефиниције функција, детекције намере, генерисања JSON излаза и спољашњег извршења
- **Имплементације специфичне за платформу**: Свеобухватни водичи за Phi-4-mini са Ollama, Qwen3 позивање функција и Microsoft Foundry Local интеграцију
- **Напредни примери**: Системи за сарадњу више агената, динамички избор алата и обрасци интеграције у предузећима са свеобухватним руковањем грешкама
- **Разматрања за производњу**: Ограничење брзине, евидентирање ревизија, мере безбедности и стратегије оптимизације перформанси

Овај одељак пружа и теоријско разумевање и практичне обрасце имплементације, омогућавајући програмерима да изграде робусне системе за позивање функција који могу обрађивати све, од једноставних API позива до сложених вишестепених радних токова у предузећима.

## [Одељак 3: Интеграција Протокола Контекста Модела (MCP)](./03.IntroduceMCP.md)

Завршни одељак представља **Протокол Контекста Модела (MCP)**, револуционарни оквир који стандардизује начин на који језички модели интерагују са спољашњим алатима и системима. Овај одељак демонстрира како MCP ствара мост између AI модела и стварног света кроз добро дефинисане протоколе.

### Истакнуте интеграције:
- **Архитектура протокола**: Слојевити системски дизајн који покрива апликацију, LLM клијент, MCP клијент и слојеве за обраду алата
- **Подршка за више позадина**: Флексибилна имплементација која подржава и Ollama (локални развој) и vLLM (производне) позадине
- **Протоколи за повезивање**: STDIO режим за директну комуникацију процеса и SSE режим за HTTP стриминг
- **Примери из стварног света**: Аутоматизација веба, обрада података и интеграција API-ја са свеобухватним руковањем грешкама

Интеграција MCP-а показује како се SLM-ови могу проширити спољашњим могућностима, надокнађујући њихов мањи број параметара кроз побољшану функционалност уз задржавање предности локалне примене и ефикасности ресурса.

## Стратешке импликације

Заједно, ова три одељка представљају свеобухватан оквир за разумевање и имплементацију агентских система заснованих на SLM. Еволуција од основних концепата преко позивања функција до интеграције MCP-а демонстрира јасан пут ка демократизованој примени AI где:

- **Ефикасност се сусреће са способношћу** кроз оптимизоване мале моделе
- **Економичност** омогућава широку примену
- **Стандардизовани протоколи** обезбеђују интероперабилност
- **Локална примена** чува приватност и смањује кашњење

Овај напредак представља не само технолошки развој већ и промену парадигме ка приступачнијим, ефикаснијим и практичним AI системима који могу ефикасно функционисати у окружењима са ограниченим ресурсима, истовремено пружајући софистициране агентске могућности.

Комбинација SLM-ова са напредним стратегијама примене, робусним позивањем функција и стандардизованим протоколима за интеграцију алата позиционира ове системе као основу за следећу генерацију AI агената који ће трансформисати начин на који интерагујемо са вештачком интелигенцијом и користимо је у различитим индустријама и апликацијама.

---

**Одрицање од одговорности**:  
Овај документ је преведен коришћењем услуге за превођење помоћу вештачке интелигенције [Co-op Translator](https://github.com/Azure/co-op-translator). Иако се трудимо да обезбедимо тачност, молимо вас да имате у виду да аутоматски преводи могу садржати грешке или нетачности. Оригинални документ на његовом изворном језику треба сматрати меродавним извором. За критичне информације препоручује се професионални превод од стране људи. Не преузимамо одговорност за било каква погрешна тумачења или неспоразуме који могу настати услед коришћења овог превода.