Vizuelan vodič za AGENTS.md, Skills i MCP radne tokove

Ovaj tekst pruža uvid u lokalne radne tokove veštačke inteligencije, fokusirajući se na efikasno upravljanje agentima kroz specifične okvire. Ključni koncepti obuhvataju AGENTS.md za stratešku navigaciju projektom, veštine (Skills) za modularno rešavanje zadataka i MCP za povezivanje sa spoljnim alatima. Korisnička diskusija ističe praktične savete o bezbednosti API ključeva i optimizaciji resursa na kućnom hardveru. Takođe, izvor nudi preporuke za najbolje lokalne LLM modele, kao što je Qwen, radi postizanja vrhunskih rezultata u programiranju. Celokupan sadržaj služi kao vodič za korisnike koji žele da izgrade autonomne sisteme bez oslanjanja na plaćene platforme u oblaku.

1. Problem "izgubljenog" agenta

Gledate u terminal dok vaš 70B model, mašina vredna hiljade evra u hardveru, uporno halucinira putanju fajla koja ne postoji. Frustracija je opipljiva: imate sirovu inteligenciju, ali ona je potpuno beskorisna jer se agent "izgubio" u sopstvenom radnom prostoru. Kao Senior AI Architect, često viđam istu grešku – developeri troše mesece na finetuning modela, a zanemaruju agentic engineering. Inteligencija bez strukture u lokalnom okruženju je samo uzaludno trošenje compute resursa. Da bi agent bio koristan, on mora imati precizne okvire delovanja, a ne samo visok parametarski skor.

2. AGENTS.md: Digitalni kompas za snalaženje u prostoru

Svaki ozbiljan lokalni workflow mora početi od AGENTS.md fajla. Ovo nije samo još jedan dokument; to je Ground Truth za vaš repozitorijum. Umesto da se oslanjate na generičke sistemske prompte koji pokušavaju da "pogode" šta radite, AGENTS.md služi kao bazni, projektno-specifični tekstualni fajl koji agentu daje jasne "bearinge" (orijentire).

Bez jasno definisane mape, čak i najbolji modeli troše dragoceni kontekst na puko nagađanje arhitekture projekta.

"Odličan agent i dalje može da se izgubi u haotičnoj digitalnoj sredini."

Ovaj dokument je "severnjača" koja omogućava modelu da navigira terenom koda brže i sa manje grešaka, pretvarajući haotičan direktorijum u predvidljivo radno okruženje.

3. Modularne veštine (Skills) i arhitektura resursa

U svetu lokalnog hardvera, context window (kontekstni prozor) je najskuplji resurs. Modularizacija promptova kroz "Skills" nije samo organizaciona pogodnost, već arhitektonska nužnost za očuvanje VRAM-a i predvidljivost logičkog toka.

Umesto monolitnih promptova, koristimo sistem "kartica":

• Modularnost: Skill je izolovani tekstualni fajl koji "naoružava" model specifičnim znanjem samo kada je to neophodno.
• Optimizacija VRAM-a: Dinamičko učitavanje (load/unload) veština sprečava zagušenje memorije nepotrebnim instrukcijama.
• Izbegavanje "Framework Trapa": Česta greška je uvođenje prekompleksnih agentičkih frameworka (okvira). Senior arhitekta zna da je često običan Python skript koji učitava i izbacuje promptove na zahtev (on-demand) daleko efikasniji od teških apstrakcija.

4. MCP: Standardizovani interfejs ka spoljnom svetu

Model Context Protocol (MCP) nije samo "most", već standardizovani interfejs koji rešava jedan od najvećih problema agentike: decoupling (razdvajanje) modela od same implementacije alata.

Kroz MCP, mi LLM-u predstavljamo opcije za pozivanje alata (tool calling) na uniforman način. Ovo omogućava agentu da prestane da bude pasivni čitač fajlova i postane aktivni učesnik sa "live" konekcijom ka eksternim podacima i API-jima. Arhitektonska prednost MCP-a je u tome što model ne mora da zna kako alat radi, već samo kako da mu se obrati, što drastično smanjuje kognitivno opterećenje sistema.

5. Credential Proxy: Rešenje za "otrovani" kontekst

Postoji kritičan bezbednosni rizik o kojem se malo priča: context poisoning (trovanje konteksta). Ako vaš lokalni agent ima direktan pristup API ključevima u svom okruženju (environmentu), bilo koja zlonamerna veština ili neočekivani output alata može te ključeve izvući i eksponirati.

Rešenje koje primenjujemo u profesionalnim sistemima je Credential Proxy:

1. Fake Keys: Agent u svom radnom kontekstu vidi i koristi isključivo lažne (placeholder) ključeve.
2. Proxy Interception: Lokalni proxy server presreće svaki odlazni zahtev koji agent šalje.
3. Key Injection: Proxy na serverskoj strani zamenjuje lažni ključ pravim tek u trenutku slanja zahteva na internet.

"Bez obzira šta pođe naopako, ništa korisno na kraju ne ulazi u kontekst."

Na ovaj način, čak i ako se desi najgori scenario i kontekst bude kompromitovan, vaši pravi kredencijali nikada nisu bili tu da bi bili ukradeni.

6. Hardverska dobitna kombinacija: Koji lokalni modeli zapravo rade?

Nije svaki model pogodan za agentske zadatke. Na osnovu rigoroznih testova na lokalnom hardveru, ovo su preporuke:

• Qwen 3.5 27B (Q4_K_M): Apsolutna dobitna kombinacija za korisnike Mac Silcone računara sa 64GB memorije. Na ovoj specifičnoj kvantizaciji, model radi glatko, ostavljajući dovoljno VRAM-a za prostran kontekstni prozor. Daleko je inteligentniji od manjih modela, a brži od 70B+ varijanti.
• Devstral Small 2 24B: Ovaj model je izuzetno otporan na kvantizaciju i briljira u tool calling operacijama. Njegova sposobnost da precizno prati instrukcije i pronalazi informacije koje mu nedostaju čini ga vrhunskim izborom za agentičko kodiranje.
• GPT-OSS-120b: Za one sa ozbiljnim hardverskim resursima. Ovaj model besprekorno rukuje ogromnim promptovima i dugačkim kontekstom do 128K tokena, što je neophodno za analizu čitavih repozitorijuma odjednom.

7. Zaključak: Budućnost je u jednostavnosti

Izgradnja moćnog AI agenta nije trka u tome ko će instalirati kompleksniji framework, već ko će bolje struktuirati osnovne komponente. Fokus na čvrst AGENTS.md, modularne veštine (Skills) i bezbednu komunikaciju kroz MCP i Proxy servere stvara sistem koji je robustan, brz i, što je najvažnije, predvidljiv.

Da li je vaš lokalni workflow spreman za agente koji ne samo da misle, već i bezbedno deluju u vaše ime?

Izvor: Reddit