Intervjuer: "Trošiš samo desetak tokena dnevno i prijavljuješ se za poziciju AI aplikacijskog razvoja?" Ja mirno: "Ne trošim tokene, trošim svoju strast." Intervjuer: "Sutra drugi krug."

Lao Wang ljubazno pita: "Čuo si za našu novu token biznis grupu u Alibabi?"

"Naravno, dobro sam se pripremio, ako mi ne veruješ, izrecitaću ti." Rekao sam pun samopouzdanja.

Puno ime Alibaba Token Hub, skraćeno ATH, čiji su delovi:

① Tongji laboratorija: zadužen za Qwen veliki model; ② MaaS biznis linija: uglavnom Alibaba Cloud Bailian paket; ③ Qianwen biznis jedinica: uključuje Qianwen APP i sl.; ④ Wukong biznis jedinica: uglavnom DingTalk paket; ⑤ AI inovaciona biznis jedinica: istražuje razne AI inovacione primene.

(Inner OS: ti zlobni starče, misliš da ćeš da me osramotiš, nema šanse, samo gledaj kako te isteram iz takta 😄)

Lao Wang je saslušao i klimnuo glavom: "Dobro znaš. Onda da te pitam nekoliko praktičnih stvari."

content

01. Koliko tokena dnevno možeš da potrošiš?

Lao Wang je počeo s pritiskom: "Koliko tokena dnevno trošiš?"

Rekoh: "Wang-ge, desetak komada."

Vidim da izraz lica Lao Wanga nije bio dobar, pa sam odmah promenio ton: "Zezam te, Wang-ge. Pretplaćen sam na razne Coding Plan-ove, posebno Qoder, uzeo sam onaj od 6000 kredita, pa ni za mesec dana ne stiže."

Nastavio sam: "Juče sam tek podigao RAG sistem PaiSmart, i već vidim da mi potrošnja tokena prilično opterećuje."

Lao Wang je nastavio: "A kako optimizuješ potrošnju tokena?"

Rekoh: "Ima nekoliko pravaca, izložiću detaljno."

"Prvo, kompresija prompta. Mnogi promptovi sadrže suvišne informacije, poput duplih instrukcija i nepotrebnih primera. U PaiSmart RAG-u napisao sam algoritam za kompresiju koji automatski prepoznaje i uklanja ove suvišnosti."

"Drugo, mehanizam keširanja. Isto pitanje, ako se kontekst nije promenio, direktno se vraća keširani rezultat, bez ponovnog pozivanja modela."

"Treće, rangiranje modela. Jednostavni zadaci idu na laki model, poput Qwen-Turbo — brz i jeftin. Složeni zadaci idu na veliki model, poput GPT-5.4."

"Četvrto, batch obrada. Više sličnih pitanja se objedini u jedan poziv, i smanji se broj API zahteva."

Lao Wang se ozario: "Ova batch obrada je dobra ideja, kako je konkretno implementirana?"

Rekoh: "Sa message queue kao baferom. Korisničko pitanje prvo ide u red, zatim se agregira u vremenskom prozoru — na primer, slična pitanja u roku od 100 ms objedinjuju se u jedan batch zahtev. Tako broj API poziva može da padne 70%."

Lao Wang klima glavom: "Imaš svest o troškovima, poznaješ i inženjersku optimizaciju, dobro."

02. Zašto ti je u CV-u sve vezano za AI?

Lao Wang je listao moj CV: "Vidim da ti je u CV-u sve vezano za AI — imaš PaiSmart RAG, PaiFlow Agent, gde ti je iskustvo iz klasičnog razvoja?"

Rekoh: "Wang-ge, nije da ne pišem, nego mislim da mi AI sadržaj bolje ističe konkurentnost."

"Klasičan razvoj poznajem. Java, Spring Boot, MyBatis — pitaj šta hoćeš od tih osnova, nema šta da ne znam, odnosno, nema pitanja na koje ne mogu da odgovorim. Ali šta je sada? AI doba. HR i vi intervjueri, kad pogledate CV, prvo što tražite nije AI razvojno iskustvo?"

"Pored toga, AI razvoj nije kuća na pesku; ispod je klasičan razvoj. RAG sistemu treba vektorska baza, pa moraš poznavati ElasticSearch; Agent poziva API, pa moraš razumeti HTTP ili MCP protokol; workflow mora da orkestrira zadatke, pa moraš poznavati konkurentno programiranje i message queue."

Lao Wang je nastavio: "A šta je po tvom mišljenju najveća razlika između klasičnog backend razvoja i AI aplikacijskog razvoja?"

Rekoh: "Najveća razlika je u načinu razmišljanja."

"Klasičan razvoj je deterministički: ulaz je dat, izlaz je određen, logika je linearna. AI razvoj je probabilistički: ulaz je dat, izlaz je neizvestan, logika je zasnovana na verovatnoći."

"Na primer, u klasičnom razvoju napišeš if-else; ako je uslov ispunjen ideš granom A, ako nije granom B — rezultat je poznat."

"AI aplikacijski razvoj je drugačiji: daš modelu prompt, on ti može vratiti odgovor A, može B, čak i C. Tvoj posao je da dizajniraš kako da model velikom verovatnoćom vrati odgovor koji želiš, a ne da to bude 100% sigurno."

"Ovakav prelazak u načinu razmišljanja je ono što klasičnim programerima najteže pada pri prelasku na AI."

Lao Wang klima glavom: "Duboka opservacija. Onda da te pitam, šta je RAG?"

03. Šta je RAG?

Rekoh: "RAG je skraćenica od Retrieval-Augmented Generation, odnosno generisanje poboljšano pretragom."

"Jednostavno rečeno, pre nego što veliki model odgovori na pitanje, prvo pretraži bazu znanja, zatim iskoristi rezultate pretrage kao kontekst i zajedno ih pošalje velikom modelu da generiše odgovor."

"To donosi dve koristi:

Prvo, rešava problem zastarelosti znanja velikog modela. Podaci na kojima je model istreniran imaju datum, a šta je posle toga on ne zna. RAG realnom pretragom može da dobije najnovije informacije.

Drugo, rešava problem halucinacija velikog modela. Veliki model ponekad ozbiljnim tonom izgovara gluposti. RAG pretragom stvarnih dokumenata čini da odgovor ima oslonac."

Lao Wang nastavlja: "Koji je osnovni tok RAG-a?"

Rekoh: "Četiri koraka:

Prvi korak, predobrada dokumenata. Originalni dokument se seče na chunk-ove, embedding model ih pretvara u vektore i čuva u vektorskoj bazi.

Drugi korak, vektorizacija upita. Kad korisnik pita, i pitanje se prevodi u vektor.

Treći korak, vektorska pretraga. U vektorskoj bazi se traže naj sličniji chunk-ovi.

Četvrti korak, poboljšana generacija. Pronađeni chunk-ovi se zajedno sa pitanjem šalju velikom modelu, koji generiše konačan odgovor."

Lao Wang nastavlja: "Koja je razlika između RAG-a i fine-tuning-a? Kada koristiti RAG, a kada fine-tuning?"

Rekoh: "Dobro pitanje, mnogi ih mešaju."

"RAG je poboljšanje pretragom i ne menja sam model, već samo dodaje kontekst. Pogodan za scenarije gde se znanje često obnavlja i gde je potrebna ažurnost."

"Fine-tuning menja parametre modela i uči model novo znanje. Pogodan za scenarije gde je znanje relativno stabilno i gde je potrebno duboko razumevanje."

"Moj kriterijum je: ako se znanje menja češće od jednom nedeljno, koristi RAG; ako ređe, razmisli o fine-tuning-u."

"Pored toga, RAG je jeftin — ne zahteva treniranje; fine-tuning je skup — zahteva označene podatke i računsku snagu."

Lao Wang klima glavom: "Jasno postavljen kriterijum. U kojoj si firmi radio RAG sistem pametnih offera?"

04. U kojoj si firmi radio RAG sistem pametnih offera?

Rekoh: "U prethodnoj firmi, preduzeću koje se bavi B2B lancom snabdevanja."

"Njihov biznis scenario je: kupci na platformi otpreme dokument sa zahtevima, a sistem na osnovu sadržaja dokumenta automatski generiše ponudu."

"Klasičan pristup je da čovek ručno čita dokument i ručno piše ponudu — u proseku 2 sata po predmetu. Sa RAG-om, sistem automatski parsira dokument, uparuje ga sa istorijskim ponudama i generiše predlog — u proseku za 5 minuta."

Lao Wang je nastavio: "Koje su tehničke teškoće?"

Rekoh: "Tri teškoće."

"Prvo, složen format dokumenta. Kupci dostavljaju PDF, Word, Excel, pa i slike. Koristili smo OCR i parsiranje dokumenata — prvo sve formate prevesti u tekst, pa raditi dalju obradu."

"Drugo, strategija sečenja na chunk-ove. Presečeš previše sitno — semantika nije potpuna; presečeš pregrubo — pretraga nije precizna. Probali smo više strategija i na kraju sečenje po pasusima daje najbolji rezultat."

"Treće, preuredite rezultate pretrage. Vektorska pretraga ne garantuje najveću relevantnost. Dodali smo reranker model koji drugi put sortira rezultate i tačnost se popela za 15%."

Lao Wang se ozario: "Dobro, objasnio si i tehničke detalje. Koju si ulogu imao u ovom projektu?"

05. Koju si ulogu imao u RAG projektu?

Rekoh: "Bio sam tehnički odgovorni, predvodio sam mali tim od 5 ljudi."

"Concretean posao obuhvata:

Tehnički odabir: istraživao sam Milvus, Pinecone, Weaviate, ElasticSearch i druge vektorske baze, a konačno izabrao ElasticSearch zbog dobre performanse i aktivne zajednice.

Arhitektura: dizajnirao sam tri ključna modula — servis za predobradu dokumenata, servis za vektorsku pretragu i servis za generisanje ponuda.

Tuning modela: za scenario offera fino-podešavao sam embedding model i podigao tačnost pretrage sa 75% na 92%.

Inženjerska primena: rešio sam pitanja kompatibilnosti formata, strategije chunk-ovanja i rerank-a rezultata."

Lao Wang nastavlja: "Da li si instalacioni paket i ostalo pripremio sam ili kao pomoćnik?"

06. Da li si instalacioni paket pripremio sam ili kao pomoćnik?

Rekoh: "Instalacioni paket sam vodio ja."

"Zato što RAG sistem obuhvata više komponenti: vektorsku bazu, embedding servis, API velikog modela, poslovni backend. Deploy je zamoran, pa sam spakovao instalacioni paket koji sadrži Docker Compose konfiguraciju, šablon env promenljivih i inicijalizacione skripte."

"U novom okruženju, deploy što je ranije trajao jedan dan, sada traje pola sata."

Lao Wang pita: "Da li image pakovanje radi razvoj ili ti?"

07. Da li image pakovanje radi razvoj ili ti?

Rekoh: "CI/CD proces sam podigao ja, ali je image pakovanje automatizovan."

"Podigao sam GitLab CI pipeline: commit koda → automatski test → build image → push u registri → okidač za deploy. Programeri samo pišu kod; pakovanje i deploy su automatski."

"Image slojevi su optimizovani: base image i biznis image su razdvojeni, vreme gradnje je palo sa 10 minuta na 3."

"Pored toga, urađena je i bezbednosna skena image-a. Trivy skenira ranjivosti image-a; visoko rizične ranjivosti automatski blokiraju objavu."

Lao Wang nastavlja: "A ako gradnja image-a ne uspe, kako debug-uješ?"

Rekoh: "Prvo pogledam log gradnje i lociram korak neuspeha. Česti uzroci su: preuzimanje zavisnosti neuspešno, jedinični test pada, sintaksna greška u Dockerfile-u."

"Ako je neuspešno preuzimanje zavisnosti, proverim mrežu ili pređem na domaće mirror izvore. Ako test pada, prvo lokalno proverim pa commit-ujem. Ako je Dockerfile pogrešan, koristim docker build --progress=plain da vidim detaljan log."

Lao Wang klima glavom: "Inženjerska zrelost nije loša. Šta je AI platforma za inteligentno upravljanje održavanjem?"

08. Šta je AI platforma za inteligentno upravljanje održavanjem?

Rekoh: "To je projekat na kom sam nedavno radio — koristi AI za podršku održavanju."

"Ključne funkcije platforme:

Analiza logova: automatski analizira sistemske logove, prepoznaje obrasce anomalija i rano upozorava.

Dijagnoza kvara: pri kvaru automatski prikuplja relevantne informacije i nudi moguće uzroke i rešenja.

Optimizacija resursa: analizira iskorišćenost resursa servera i daje predloge, na primer koji servisi se mogu smanjiti, a koji treba da se skaliraju.

Q&A baza znanja: dokumentacija o održavanju i istorijski case-ovi unose se u bazu znanja, pa inženjeri održavanja mogu da pitaju AI umesto da prelistavaju dokumentaciju."

Lao Wang pita: "Koja tehnologija stoji iza platforme?"

Rekoh: "Baza je RAG + Agent stack, a na vrhu LangGraph4j za orkestraciju workflow-a."

Lao Wang nastavlja: "Šta je workflow?"

09. Šta je workflow? (LangGraph4j)

Rekoh: "Workflow je niz zadataka koji se po određenom logičkom redosledu orkestrira i automatski izvršava."

"LangGraph4j je Java radni framework za orkestraciju, naročito pogodan za AI workflow."

"Na primer, scenario dijagnoze kvara: workflow se može dizajnirati ovako:

Prvi korak: primi alarm; drugi: pretraži relevantne logove; treći: analiziraj sadržaj logova; četvrti: pretraži bazu znanja; peti: generiši izveštaj o dijagnozi; šesti: obavesti inženjera."

"Svaki korak je čvor, a između čvorova se mogu postaviti uslovne grane. Na primer, ako analiza logova pokaže da je disk pun, odmah ide granom čišćenja diska; ako je memorijski overflow, granom restarta servisa."

Lao Wang pita: "Ovaj workflow nije onaj AI workflow, zar ne?"

10. Ovaj workflow nije onaj AI workflow, zar ne?

Rekoh: "Wang-ge, dobro pitanje."

"Klasičan workflow, poput BPMN-a, je proces koji izvršavaju ljudi i naglašava standardizaciju i sledljivost procesa."

"AI workflow, poput LangGraph-a, je proces koji izvršava AI i naglašava automatizaciju i inteligenciju."

"LangGraph4j je kombinacija oboje: strukturom workflow-a obezbeđuje potpunost zadatka, a sposobnošću AI-ja dovršava konkretan zadatak."

"Na primer, workflow dijagnoze kvara: struktura procesa je fiksna, ali analiza logova i zaključivanje uzroka obavlja AI."

Lao Wang klima glavom: "Jasno si razdvojio. Koristiš li AI alate u svakodnevnom radu?"

11. Koristiš li AI alate u svakodnevnom radu?

Rekoh: "Mnogo, sad u principu ne mogu bez AI alata."

"Kada kupim skelet projekta, koristim Qoder Quest mode; kod čitanja izvornog koda koristim TRAE Gemini; za razvojne zadatke koristim Codex."

"Najviše od svega koristim Claude Code."

Lao Wang nastavlja: "Opiši iskustvo u AI programiranju, recimo sa Claude Code."

12. Opiši iskustvo u AI programiranju, recimo sa Claude Code.

Rekoh: "Claude Code mi je trenutno glavni alat u razvoju."

"Radio sam sa njim nekoliko stvari:

Prvo, refaktor koda. Zadam instrukciju i on sam razume logiku koda, predlaže plan refaktora, pa čak i direktno generiše refaktorisan kod.

Drugo, ispravka bug-ova. Bacim mu poruku o grešci, on analizira moguće uzroke i daje predloge. Ponekad čak i direktno locira problematičan kod.

Treće, generisanje koda. Posebno brzo radi sa repetitivnim kodom — CRUD interfejsi, jedinični testovi, sve u par minuta.

Četvrto, tehničko istraživanje. Kad naiđem na nepoznatu tehnologiju, pitam njega — mnogo brže nego čitanje dokumentacije."

Lao Wang pita: "Koja je razlika između Claude Code i klasičnog IDE plagina?"

Rekoh: "Klasični plugin je pomoć, Claude Code je saradnik."

"Klasičan plugin radi samo code completion i proveru sintakse. Claude Code razume tvoju nameru i učestvuje u čitavom procesu razvoja."

"Na primer, kažeš '/github-skill-forge pronađi na GitHub-u projekat koji pomaže u pisanju romana', i on prema određenoj Skill pronalazi izvorni kod koji mi treba, zatim ga preuzima lokalno za brzu sekundarnu obradu."

Lao Wang klima glavom: "Čuo si za OpenClaw koji je sada jako popularan?"

13. Čuo si za OpenClaw koji je sada jako popularan?

Rekoh: "Naravno, sam sam deploy-ovao nekoliko Agenata."

"OpenClaw je Agent framework koji ti omogućava da prirodnim jezikom usmeravaš AI da dovrši složene zadatke."

"Sam sam deploy-ovao tri Agenta: jedan za audit gitcode naloga, jedan za generisanje tehničke dokumentacije i jedan za nadzor cron poslova."

"Na primer, u scenariju audit-a na gitcode-u: ranije sam morao ručno da se prijavim u backend, pretražujem korisnike i dodajem dozvole — jedan nalog 2 minuta. Sada prepuštam proces Agentu koji u pozadini automatski izvršava: 20 naloga za 1 minut."

Lao Wang se ozario: "Očigledan skok efikasnosti. Ako bi dizajnirao Agenta, kako bi projektovao kratkoročno i dugoročno pamćenje?"

14. Ako bi dizajnirao Agenta, kako bi projektovao kratkoročno i dugoročno pamćenje?

Rekoh: "Dizajnirao bih dva sloja: kratkoročno i dugoročno pamćenje."

"Kratkoročno pamćenje, Session, čuva kontekst tekućeg razgovora: korisnički ulaz, Agentove odgovore, rezultate poziva alata. Kratkoročno pamćenje je u RAM-u i po završetku razgovora se briše."

"Dugoročno pamćenje, Memory, čuva važne informacije koje prelaze razgovore: korisničke preference, istorijske zaključke, ključne činjenice. Dugoročno pamćenje je perzistentno na disku i može se pročitati pri sledećem razgovoru."

"Njihova saradnja: tokom razgovora Agent realno ažurira kratkoročno pamćenje; kada kratkoročno priđe gornjoj granici Context-a, pokreće se Compaction koji važne informacije upisuje u dugoročno; na početku novog razgovora pretražuje se relevantno dugoročno pamćenje i ubacuje u kontekst."

"U konkretnoj implementaciji, kratkoročno pamćenje čuva se u memoriji povezanom listom, radi brzog ubacivanja i brisanja. Dugoročno pamćenje je na disku u vektorskoj bazi, radi semantičke pretrage."

"Još jedan detalj: nisu sve informacije vredne za dugoročno pamćenje. Agent ocenjuje važnost informacija i samo one koje pređu prag se upisuju. Kriterijumi: činjenice koje je korisnik izričito naveo, ključni zaključci razgovora, informacije koje mogu uticati na kasnije odluke."

Lao Wang nastavlja: "Koje su ključne komponente OpenClaw-a?"

15. Koje su ključne komponente OpenClaw-a?

Rekoh: "Pet ključnih komponenti:"

"LLM, veliki jezički model — mozak Agenta; razume instrukcije, planira zadatke i generiše odgovore."

"Task Planner, planer zadataka; razlaže korisničke zahteve u izvršive korake."

"Tool Executor, izvršilac alata; poziva spoljašnje alate poput pretrage i operacija nad fajlovima."

"Memory Manager, upravitelj pamćenjem; upravlja kratkoročnim i dugoročnim pamćenjem."

"Skill Loader, učitavač veština; dinamički učitava Skills i proširuje sposobnosti Agenta."

"Ove komponente komuniciraju preko message bus-a i međusobno su decoupled. Na primer, LLM možeš zameniti iz Claude-a u GPT, a ostale komponente ne osećaju promenu."

"Pored toga, OpenClaw ima 8 konfiguracionih fajlova koji definišu kompletnu ličnost Agenta. AGENTS.md definiše granice sposobnosti, SOUL.md ubacuje dušu, TOOLS.json određuje zabrane, SKILLS.json konfiguriše Skills, MEMORY.json upravlja pamćenjem, SESSION.json upravlja sesijama, ROUTER.json konfiguriše rutiranje, CONFIG.json ostale konfiguracije."

Lao Wang pita: "Da li je Agent rezidentni proces?"

16. Da li je Agent rezidentni proces?

Rekoh: "Ne, Agent je per-session prolazna instanca."

"Svaki razgovor je ciklus učitavanja-izvršenja-uništavanja. Kad korisnik pokrene razgovor, Agent učita konfiguraciju i inicijalizuje pamćenje; tokom razgovora Agent izvršava zadatke; po završetku Agent snima stanje i oslobađa resurse."

"Prednost ovog dizajna je ušteda resursa — Agent ne mora stalno da zauzima memoriju; konfiguracija radi odmah — svaki run ponovo čita fajlove konfiguracije."

"Još jedna prednost je izolacija. Svaki razgovor je nezavisna instanca Agenta, pa problem u jednom ne utiče na druge."

Lao Wang nastavlja: "Ako je Session predug, da li će puknuti Context LLM-a?"

17. Ako je Session predug, da li će puknuti Context LLM-a?

Rekoh: "Hoće, zato OpenClaw radi optimizaciju."

"Dva mehanizma: Compaction i Pruning."

"Compaction, kompresija: kada Session priđe gornjoj granici Context-a, Agent upisuje važne informacije u Memory, a zatim kompresuje sadržaj Session-a."

"Pruning, orezivanje: pre slanja LLM-u, privremeno se skraćuju stari rezultati alata. Na primer, pretraga vrati 100 rezultata, ali LLM treba samo prvih 10 — ostatak se odseca."

"Compaction je perzistentan — važne informacije se čuvaju dugoročno. Pruning je privremen — utiče samo na trenutni zahtev."

"U brojevima: kada Session pređe 4000 tokena, pokreće se Compaction. Pruning zadržava najnovijih 2000 tokena i skraćuje starije."

"Još jedna optimizacija: ako je rezultat poziva alata naročito velik, na primer pretraga sa 1000 rezultata, Pruning uzima samo prvih 10, a ostatak odbacuje."

Lao Wang klima glavom: "Kako je dizajniran mehanizam Memory?"

18. Kako je dizajniran mehanizam Memory?

Rekoh: "Mehanizam Memory se deli u tri faze: upis, čuvanje, čitanje."

"Faza upisa: Agent analizira sadržaj Session-a, izdvaja važne informacije — činjenice koje je korisnik izričito naveo, ključne zaključke razgovora, vredne informacije koje je Agent generisao."

"Faza čuvanja: upisani Memory se čuva u fajlu memory.jsonl. Svaki Memory sadrži content, timestamp, importance i tags."

"Faza čitanja: na početku novog razgovora, na osnovu tekućeg sadržaja, pretražuju se relevantni Memory-i. Strategije pretrage obuhvataju poklapanje ključnih reči, semantičku sličnost i vremensko opadanje."

"Poklapanje ključnih reči je prosta pretraga stringova, pogodna za traženje jasnih entiteta, poput imena korisnika ili naziva projekta."

"Semantička sličnost koristi vektorsku pretragu: i upit i Memory se prevode u vektore i računa se sličnost. To je pogodno za traženje konceptualno povezanih sadržaja — na primer 'distribuirane transakcije' i 'distribuirana konzistentnost' imaju različite ključne reči, ali su semantički povezani."

"Vremensko opadanje dodaje Memory-ima vremensku težinu — noviji Memory ima veći prioritet. Ali to nije prosta linearna, već eksponencijalna opadajuća funkcija, koja obezbeđuje da najnoviji Memory-i budu znatno iznad starijih."

"Da bi se izbegla eksplozija Memory-a, postoje i strategije optimizacije: ocenjivanje važnosti — čuvaju se samo Memory-i visoke važnosti; redovno čišćenje — podrazumevano se čuvaju 30 dana; spajanje sličnih Memory-a radi izbegavanja duplikata; tiered storage — često pristupani u memoriji, retko na disku."

"Ocenjivanje važnosti Agent automatski radi pri upisu, a kriterijumi obuhvataju: novost informacije, uticaj na naredne odluke, izričito naglašavanje korisnika."

Lao Wang nastavlja: "Ako bi ti optimizovao mehanizam Memory OpenClaw-a, kako bi?"

Rekoh: "Ima nekoliko pravaca."

"Prvo, uvesti mehanizam zaboravljanja. Ljudski mozak zaboravlja nevažne informacije, i Agent bi trebalo da ima sličan mehanizam. Može se dizajnirati kriva zaboravljanja, gde se manje važne informacije brže zaboravljaju."

"Drugo, podržati asocijacije među Memory-ima. Trenutno su Memory-i nezavisni; ako bi se podržala povezanost — na primer, 'ovaj projekat koristi Spring Boot' i 'Spring Boot je Java framework' — pretraga bi bila bolja."

"Treće, slojevito pamćenje: kratkoročno, srednjeročno i dugoročno, sa različitim strategijama čuvanja i pretrage."

Lao Wang je nakon toga ćutao dve sekunde, a onda rekao: "Sutra u 14:04 drugi krug!"

ending

Izašavši iz zgrade Alibabe, otišao sam u Starbucks i uzeo ledeni espresso.

Ja, običan Java programer, a ispitivali su me toliko o AI-ju, čak i o principima OpenClaw-a?

U stisku AI-ja, doba se menja prebrzo.

Toliko brzo da su mnogi počeli da se odupiru OpenClaw-u i AI-ju uopšte.

Ali istovremeno vidim i drugu grupu: oni čitaju izvorni kod OpenClaw-a, počinju da razumeju da Agent nije samo prepravljeni ChatGPT, počinju da koriste LangGraph4j za orkestraciju pravih biznis procesa.

[Život se može živeti na mnogo načina. Da li se menjaš ili ne, svet se menja; umesto straha i sumnje, probaj i deluj. Uputstvo možda bude borba i lutanje, ali rezultat će sigurno biti ispunjen.]

Otvaram IntelliJ IDEA i nastavljam sa proučavanjem.

Srećno u drugom krugu, moram da dobim.

Vidimo se u sledećem.