Koristimo kolačiće za poboljšanje vašeg iskustva putem analitike. Neke analitike mogu obrađivati korisničke podatke poput ponašanja uređaja i pregledavanja. Klikom na Prihvati, pristajete na ovu upotrebu.
Ako ulaziš u AI razvoj ili eksperimentiraš s frameworkovima poput LangChaina, ovaj vodič će te provesti kroz ključne pojmove koje bi svaki developer trebao znati.
Tin Martinić
Share this article
Langchain razvojni okvir
Krenimo od osnova - Artificial Intelligence (AI) je područje računalnih znanosti koje se fokusira na izgradnju sustava koji mogu oponašati ljudsku inteligenciju, ne samo slijedeći fiksne upute, već i učeći, zaključujući i prilagođavajući se.
Grane AI-a
Machine Learning (ML) – sustavi koji uče iz podataka, prepoznaju obrasce i poboljšavaju svoje predikcije tijekom vremena bez eksplicitnog reprogramiranja.
Deep Learning – podskup ML-a koji koristi neuronske mreže s više slojeva (“deep”) za obradu složenih podataka poput slike, zvuka ili teksta. Deep Learning pokreće prepoznavanje govora, lica i LLM modele.
Natural Language Processing (NLP) – grana temeljena na Deep Learningu koja omogućuje računalima razumijevanje i generiranje ljudskog jezika. Koristi se za prevođenje tekstova, prepoznavanje emocija, sažimanje dokumenata, chatbotove i glasovne asistente.
Computer Vision – zahvaljujući deep learningu ovo je područje doživjelo eksploziju točnosti, koristeći konvolucijske neuronske mreže (CNN). Primjena: prepoznavanje lica na fotografijama, sustavi za autonomnu vožnju, medicinska analiza slika.
Generative AI – odnosi se na sustave koji ne analiziraju samo podatke, već generiraju novi sadržaj poput teksta, slike, audia, videa ili čak kod.
Large Language Models (LLMs)
LLM-ovi su AI modeli trenirani za razumijevanje i generiranje teksta nalik ljudskom. Oni su temelj modernih NLP sustava, pokreću chatbotove, sažimače, prevoditelje pa čak i generatore koda.
U svojoj srži, LLM predviđa sljedeći token u nizu na temelju konteksta iz prompta.
Ključni pojmovi LLM-ova
Prompt – ulazni tekst koji postavlja kontekst i govori modelu što da napravi.
Tokeni – najmanje jedinice teksta koje model obrađuje (riječi ili dijelovi riječi).
Context Window – maksimalan broj tokena koje model može “vidjeti” odjednom, uključujući i prompt i generirani tekst.
Temperature – kontrolira razinu nasumičnosti u izlazu: 0 = deterministički, 1 = kreativniji.
#langchain#ai#developer#agenti
Tin Martinić
Neviox Digital CEO with an Engineer's degree in Computer Science from the University of Split, and multiple certifications, my core competencies span across front-end and back-end technologies, with an emphasis on Langchain, Next.js and AWS
Imate viziju za PropTech ili turističko rješenje? Želite podijeliti svoje tehničko znanje? Surađujmo i gradimo budućnost zajedno!
Ključni AI Pojmovi za Langchain Programere [2025] - Neviox Digital Blog
Embeddings – numerički prikazi teksta koji se koriste za semantičko pretraživanje, usporedbu i RAG procese.
Najpopularniji LLM-ovi danas su OpenAI, Anthropic (Claude), Mistral, Llama i Gemini.
AI Tools
Kod izgradnje AI aplikacija, nije riječ samo o pozivanju model API-ja. Developeri koriste okvire i alate koji olakšavaju rad s promptovima, lancima (chains), podacima i implementacijom u produkciju.
LLM APIs – omogućuju komunikaciju aplikacije s modelom bez potrebe da ga sami trenirate.
AI Development Frameworks (LangChain, LlamaIndex) – pomažu u organizaciji logike, upravljanju promptovima i povezivanju više koraka (chains), uz mogućnost korištenja vlastitih podataka za preciznije rezultate.
Vector Databases – pohranjuju embeddings za semantičko pretraživanje i RAG procese.
Document Loaders & Parsers – učitavaju PDF, CSV, web stranice i druge formate u vaš pipeline.
Prompt Tools (LangSmith, PromptLayer) – alati koji pomažu u testiranju i optimizaciji promptova i cijelih pipeline-a.
AI Memory
Memory omogućuje LLM sustavima zadržavanje konteksta i kontinuiteta, što je ključno za višekoračne zadatke, personalizaciju i RAG procese.
Short-term Memory – pamti kontekst trenutne sesije ili izvršenja chaina, najčešće tako da se prethodne poruke dodaju u prompt.
Long-term Memory – pohranjuje informacije između sesija pomoću baze podataka, vector storea ili datoteka.
LangChain i moderni LLM workflow s vlastitim podacima
LangChain nije samo način za pozivanje LLM-a. Njegova najveća snaga je u tome što omogućuje rad s vašim ili klijentovim podacima, stvarajući točne, kontekstualne i primjenjive AI aplikacije.
Omogućuje kombiniranje chains, memory, reasoning, retrieval i drugih alata – sve oko vaših podataka.
Retrieval-Augmented Generation (RAG)
Osnovni mehanizam za rad s vlastitim podacima. Umjesto da se oslanja samo na znanje modela, RAG dohvaća relevantne dokumente iz vaših podataka i predaje ih LLM-u.
Primjer: chatbot za nekretnine koji odgovara na pitanja koristeći stvarne oglase iz baze podataka.
Agents
Agents idu korak dalje od chaina – dinamički odlučuju koje akcije i alate koristiti na temelju konteksta ili dohvaćenih podataka.
Primjer: agent može pretražiti više baza, izvršiti izračune i samostalno generirati konačan odgovor.
Reflection Agents – analiziraju vlastite prethodne odluke i poboljšavaju buduće rezultate; korisno za duge zadatke koji zahtijevaju kumulativno znanje.
Reflexion Agents – arhitektura u kojoj agent sam kritizira svoj izlaz koristeći vanjske podatke, generira citate i prepoznaje što nedostaje ili je suvišno – čime se poboljšava kvaliteta sljedećih odgovora.
Agentic RAG
Spaja snage RAG-a i agenata. LLM može dohvatiti vanjsko znanje, zaključivati i odlučivati o sljedećim koracima.
Primjer: istraživački asistent koji dohvaća interne izvještaje, sažima ih i predlaže daljnje akcije.
Prompt Engineering
Ključno kod rada s klijentovim podacima – pravilno osmišljeni promptovi omogućuju modelu da ispravno koristi kontekst i dohvaćene informacije.
Savladavanje prompt engineeringa može značajno smanjiti troškove i povećati kvalitetu rezultata.
Savjet: koristite strukturirane primjere, uključite relevantnu memoriju i usmjerite model prema predvidljivim izlazima.
LangGraph
Vizualni alat za dizajn i debugiranje chainova, agenata i memory struktura.
Koristan pri izradi kompleksnih, višekoračnih i data-driven AI aplikacija.
LangChain pretvara LLM iz generičkog generatora teksta u pametnog, podatkovno svjesnog AI asistenta. Kombiniranjem chains, memory, RAG-a i agenata, možete izgraditi aplikacije koje razumiju, zaključuju i djeluju na temelju vaših ili klijentovih podataka, što je i glavna prednost LangChaina u produkciji.
LangChain aplikacije u produkciji
Izgradnja AI aplikacija s LangChainom je uzbudljiva, ali produkcija zahtijeva pažnju na performanse, troškove, sigurnost i održivost.
Najvažnije stavke:
Ograničen pristup – pazite na ograničenja API poziva i koristite prompt caching ili vector storeove da izbjegnete ponovljene upite.
Nadzor – koristite logove, dashboarde i alate poput PromptLayera ili LangSmitha za praćenje tokova i grešaka.
Zaštite & Sigurnost – spriječite neželjene ili neprimjerene izlaze filtriranjem i validacijom.
Testiranje – kontinuirano mjerite točnost i kvalitetu zaključivanja te uspoređujte modele i prompte.
Optimizacija troškova – koristite manje modele gdje je moguće i primijenite RAG kako biste smanjili broj tokena koje šaljete LLM-u.
Uspješna LangChain implementacija nije samo funkcionalnost – radi se o balansu između troška, performansi i sigurnosti. Dobar plan unaprijed štedi vrijeme i rizike u produkciji.
Zanimljiva tema – MCP
MCP (Model Control Plane) je sloj između vaše aplikacije i LLM modela koji nudi napredne mogućnosti poput orkestracije, nadzora i sigurnosti.
Ključne značajke MCP-a
Routing i orkestracija – dinamički bira koji će se model koristiti.
Load balancing – upravlja više LLM endpointa radi stabilnosti pri većem prometu.
Monitoring i observability – prati latenciju, potrošnju tokena i greške.
Versioning i konfiguracija – omogućuje preciznu kontrolu nad verzijama modela i promptova.
Sigurnost i governance – primjenjuje zaštite, kontrolu pristupa i pravila.
MCP vs API
API Poziv je najjednostavniji način komunikacije s LLM-om. Aplikacija pošalje zahtjev i dobije odgovor. Odlično za prototipove, manje projekte i nisku razinu prometa.
MCP dodaje sloj orkestracije i upravljanja između aplikacije i modela. Upravljanje više modela, balansiranje opterećenja, praćenje performansi, verzioniranje i sigurnost čine ga skalabilnim i spremnim za produkciju.
U praksi: koristi Direct API za eksperimentiranje i jednostavne aplikacije, a MCP za produkcijske i multi-klijentske sustave kojima je potrebna učinkovitost, nadzor i kontrola nad LLM workflowom.
AI i LLM-ovi mijenjaju način na koji developeri grade pametne aplikacije. Razumijevanje temeljnih koncepata, od chains i memoryja do RAG-a, agenata i prompt engineeringa, ključno je za pravilno iskorištavanje njihovog potencijala.
Okviri poput LangChaina omogućuju developerima da povežu LLM-ove s vlastitim ili klijentovim podacima, stvarajući točne, kontekstualne i učinkovite AI aplikacije. Kombinacijom strukturiranih promptova, optimiziranih workflowa i pažljivog planiranja produkcije, moguće je pretvoriti AI iz eksperimentalnog alata u pouzdano poslovno rješenje.
