Slide 1/37

ლექცია 6: AI Agent ეკოსისტემა 2026

ხელსაწყოები, SDK, MCP და ნდობის ფენა

2026 წლის უახლესი პარადიგმა: როგორ იქცნენ ჩატბოტები ავტონომიურ ციფრულ თანამშრომლებად Model Context Protocol-ისა და Agent SDK-ების მეშვეობით

🤖 Agent-Native No-Code

Lindy, Gumloop & Relevance AI

🔌 Model Context Protocol

MCP Registries & mcp.json

🧠 Context Engineering

მეხსიერება, ხელსაწყოები და აუდიტი

Slide 2/37

🌉 Recap: B2B ავტომატიზაციიდან ➔ ავტონომიურ აგენტებამდე

წინა ლექციებზე ჩვენ ავაწყვეთ მკაცრი პროცესები (Trigger ➔ Action). რა იცვლება 2026 წელს?

ძველი მიდგომა: Workflow Automation

  • ადამიანი წინასწარ ხატავს თითოეულ ხაზსა და განშტოებას (If/Else).
  • თუ რამე გაუთვალისწინებელი მოხდა, სცენარი ჩერდება.
  • ხელსაწყოებს ადამიანი წინასწარ აბამს ხელით.

ახალი მიდგომა: Agentic AI

  • აგენტს ეძლევა მიზანი (Goal) და ხელსაწყოების ნაკრები (Tools/MCP).
  • აგენტი თავად ირჩევს ნაბიჯების თანმიმდევრობას ReAct ციკლით.
  • აგენტი თავად ასწორებს საკუთარ შეცდომებს (Self-Correction).
Slide 3/37

📅 დღევანდელი დღის გეგმა (150 წთ)

ნაწილი 1 (40 წთ)

პლატფორმები & Agent SDK

Lindy, Gumloop, Make AI Modules, Claude Agent SDK, Session Checkpoints.

ნაწილი 2 (25 წთ)

Grok Bot & xAI X Search

Grok Bot-ისა და Grok API-ის განსხვავება, X Search, ციტირებადი სოციალური სიგნალები და Live Build.

ნაწილი 3 (35 წთ)

MCP & Context Engineering

MCP Registries (mcp.so), smithery.ai, Context Engineering-ის 4 ბლოკი, ტოკენების ბიუჯეტირება.

ნაწილი 4 (35 წთ)

Agent Trust & ინდუსტრია

Credentials Scoping, Audit Trail, Rubric Grading, Vertical AI აგენტები და ბაზრის ტრენდები.

☕ შესვენება: 15 წუთი Grok Live Build-ის შემდეგ · ჯამი: 150 წუთი

Slide 4/37

🌍 რატომ ვსაუბრობთ „ეკოსისტემაზე" და არა ერთ ხელსაწყოზე?

2026 წელს AI აგენტების სამყარო აღარ არის ერთი ჩატბოტი და ერთი სცენარი. ის არის ურთიერთდაკავშირებული ფენების სისტემური ჯამი:

აგენტი = ტვინი (LLM) + ხელები (MCP Tools) + მეხსიერება (Context) + უსაფრთხოების ფარი (Trust Layer)

თუ ამ 4 ფენიდან ერთი მაინც არასწორად არის აწყობილი, აგენტი ან ჰალუცინაციას დაიწყებს, ან ბიზნესს ზარალს მიაყენებს.

Slide 5/37

🧩 აგენტური ეკოსისტემის 4 ფენა

1. Platform Layer

სად ეშვება აგენტი: Lindy, Gumloop, Make.com, Relevance AI, ან Claude Agent SDK კოდში.

2. Tools (MCP) Layer

საიდან იღებს აგენტი მოქმედების უნარს: ფაილების წაკითხვა, Google Sheets, GitHub, Slack, ბრაუზერი.

3. Context Layer

რას ხედავს აგენტი გადაწყვეტილების მომენტში: მეხსიერება, ისტორია, ცოდნის ბაზა და ინსტრუქციები.

4. Trust & Governance

ვინ აკონტროლებს აგენტს: ნებართვები (Approvals), Audit Trail და შედეგების შეფასება (Grading).

Slide 6/37

⚖️ Agent-Native No-Code: Lindy vs Gumloop vs Make vs Relevance

პლატფორმა ძირითადი აქცენტი ვისთვისაა? ფასის მოდელი
Lindy.ai ავტონომიური AI თანამშრომელი, ბუნებრივ ენაზე კომუნიკაცია (Email/Voice) ბიზნეს ოპერაციები, გაყიდვები, Support Free tier + Tasks-based პაკეტები
Gumloop Node-based Canvas, ვებ-სქრეიპინგი და მონაცემთა მძლავრი გამდიდრება ანალიტიკოსები, Growth & Marketing გუნდები Credits-based გეგმები
Make.com AI Deterministic სცენარში ერთი ან ორი AI Agent კვანძის ჩამატება უკვე არსებული ენთერფრაიზ პროცესები Operations-based
Relevance AI მრავალ-აგენტიანი გუნდების (Agent BPO) აწყობა სააგენტოები, B2B მომსახურება Credits + Seats
xAI Grok Bot / API Grok Bot — მუდმივი Cloud Computer teammate; Grok API + X Search — პროგრამულად მართვადი X-ინტელექტი მარკეტერები, ბაზრის ანალიტიკოსები, C-Level Grok პროდუქტი + usage-based API
Slide 7/37

💡 ცხოვრებისეული ანალოგია: "Canva AI-სთვის"

💡 ცხოვრებისეული ანალოგია: "Canva AI-სთვის"

როგორც Canva-ში აწყობთ პროფესიონალურ დიზაინს Photoshop-ის კოდური და რთული ხელსაწყოების გარეშე, ისე აწყობთ ავტონომიურ აგენტს Lindy-სა და Gumloop-ში Drag & Drop-ით - კოდის არცერთი ხაზის დაწერის გარეშე!

რატომ არის ეს გადატრიალება?

2 წლის წინ აგენტის აწყობას Python, LangChain და სერვერები სჭირდებოდა. დღეს ნებისმიერ მენეჯერს შეუძლია 15 წუთში შექმნას ციფრული თანამშრომელი, რომელიც ყოველ დილით აკეთებს ბაზრის ანალიზს!

Slide 8/37

🎯 როდის რომელი პლატფორმა ავირჩიოთ?

აირჩიეთ Lindy, თუ:

გინდათ, რომ აგენტმა თავად უპასუხოს კლიენტებს ელფოსტაში, ჩანიშნოს შეხვედრები Google Calendar-ში და იმოქმედოს როგორც ნამდვილმა მდივანმა.

აირჩიეთ Gumloop, თუ:

გჭირდებათ 100 ვებგვერდიდან მონაცემების ამოღება (Scraping), PDF-ების გაანალიზება და ლამაზი Excel რეპორტის აწყობა Canvas-ზე.

აირჩიეთ Make / n8n, თუ:

გაქვთ მკაცრი 20-ნაბიჯიანი ბიზნეს-პროცესი CRM-თან, სადაც AI-ს მხოლოდ გადაწყვეტილების მიღება ევალება და არა მთელი სისტემის მართვა.

Slide 9/37

🖥️ ცოცხალი დემო 1: ერთი ამოცანა სამ პლატფორმაზე

ამოცანა: "შემომავალი Lead-ის კვალიფიკაცია და პასუხი"

ლექტორი ეკრანზე აწყობს ერთსა და იმავე ამოცანას სამ სხვადასხვა გარემოში:

  1. Lindy-ში: ბუნებრივ ენაზე ინსტრუქცია: "წაიკითხე მეილი, თუ ბიუჯეტი > $2000-ია, შესთავაზე შეხვედრა ჩემი კალენდრიდან" (3 წუთი).
  2. Gumloop-ში: ვიზუალური Canvas: Trigger ➔ LinkedIn Enrichment Node ➔ LLM Scorer ➔ Output (5 წუთი).
  3. Make.com-ში: Router + OpenAI Module + Gmail Send (7 წუთი).

დასკვნა: Lindy სწრაფია ადამიანებთან კომუნიკაციაში, Gumloop - მონაცემების გამდიდრებაში, Make კი - არსებულ აპებთან ინტეგრაციაში.

Slide 10/37

🛠️ Claude Agent SDK - რა არის ეს?

No-Code პლატფორმები კარგია სტანდარტული საქმისთვის, მაგრამ ენთერფრაიზ კომპანიებს ხშირად სურთ საკუთარი, 100% მორგებული აგენტის შექმნა:

Claude Agent SDK არის Anthropic-ის ოფიციალური ბიბლიოთეკა, რომელიც დეველოპერს აძლევს იმავე ძრავას, რომელზეც მუშაობს Claude Code - ინსტრუმენტების ავტომატური გამოძახება, ფაილებთან მუშაობა და მრავალ-ნაბიჯიანი გეგმის შესრულება.

ჩაშენებული შესაძლებლობები:

  • Loop Management (ციკლის მართვა).
  • Tool Calling & Validation.
  • File System & Bash წვდომა.

რისგან გვათავისუფლებს?

  • აღარ გვიწევს Prompt-ების ხელით პარსვა.
  • ავტომატურად მართავს შეცდომებს.
  • უზრუნველყოფს უსაფრთხოების ჩარჩოს.
Slide 11/37

🏗️ Managed Agents Production-ში: ძირითადი კომპონენტები

რა სჭირდება აგენტს, რომ წარმოებაში (Production) სტაბილურად იმუშაოს?

1
Agent Loop: მუდმივი ციკლი - მიზნის გააზრება ➔ ხელსაწყოს არჩევა ➔ შედეგის შეფასება ➔ შემდეგი ნაბიჯი.
2
Memory Management: სესიებს შორის მნიშვნელოვანი ცოდნის შენახვა (State Persistence).
3
Subagents (ქვე-აგენტები): მთავარი აგენტი დავალებებს უნაწილებს ვიწრო სპეციალისტ აგენტებს (მაგ. Research Agent, Coder Agent).
4
Hooks: ჩარევის წერტილები ხელსაწყოს გაშვებამდე (Pre-tool) და გაშვების შემდეგ (Post-tool) ვალიდაციისთვის.
5
Persistent Cloud Computer (xAI Grok Bot): ხანგრძლივად გაშვებული AI teammate იზოლირებული cloud-გარემოთი; X-ის პროგრამული ძიება ცალკე Grok API-ის x_search ხელსაწყოთი კეთდება.
Slide 12/37

💻 Claude Agent SDK Code Example

როგორ გამოიყურება აგენტის ინიციალიზაცია კოდში:

import { Agent, tool } from '@anthropic-ai/sdk-agents'; // აგენტის განსაზღვრა const financialAgent = new Agent({ model: 'claude-3-7-sonnet-20250219', systemPrompt: 'შენ ხარ ფინანსური ანალიტიკოსი. გამოიყენე ხელსაწყოები ბაზის შესამოწმებლად.', tools: [ tool({ name: 'check_balance', description: 'ამოწმებს კომპანიის ნაშთს ბაზაში', parameters: { account_id: 'string' }, execute: async ({ account_id }) => db.getBalance(account_id) }) ] }); // გაშვება const result = await financialAgent.run("გადაამოწმე GE79 ანგარიში და მომიმზადე რეპორტი.");
Slide 13/37

⏱️ Session Checkpoints და State Persistence

თუ აგენტი ასრულებს 2-საათიან რთულ კვლევას და სერვერი გადაიტვირთა, ყველაფერი თავიდან უნდა დაიწყოს?

Session Checkpoints

აგენტი ყოველი მნიშვნელოვანი ნაბიჯის შემდეგ ინახავს „ფოტოსურათს" (Checkpoint) ბაზაში. ავარიის შემთხვევაში აგენტი აგრძელებს ზუსტად იმ წერტილიდან, სადაც გაჩერდა!

State Persistence

კლიენტის პრეფერენციები და წინა საუბრების შეჯამება ინახება გარე ბაზაში (Postgres/Redis), რაც აგენტს აძლევს ხანგრძლივ მეხსიერებას (Long-term memory).

Slide 14/37

📅 Scheduler & Background Workers

აგენტები არ უნდა ელოდნენ მხოლოდ ადამიანის კითხვას - ისინი პროაქტიულად მუშაობენ ფონში:

დილის 08:00 (Daily Digest)

აგენტი ამოწმებს ღამის გაყიდვებს, კითხულობს კონკურენტების სიახლეებს და დირექტორს უგზავნის 1-გვერდიან დაიჯესტს.

ყოველ საათში (Health Check)

აგენტი ამოწმებს სერვერების მუშაობას, უპასუხო იმეილებსა და გადაუხდელ ინვოისებს.

კვირის ბოლოს (Weekly Audit)

აგენტი აჯამებს გაწეულ ხარჯებს და ადგენს მომდევნო კვირის გეგმას.

Slide 15/37

📊 Rubric-Based Outcome Grading (LLM-as-a-Judge)

როგორ ვამოწმებთ, რამდენად კარგად შეასრულა აგენტმა საქმე ავტომატურად?

Rubric-Based Grading: შედეგს ვადარებთ წინასწარ გაწერილ კრიტერიუმებს. მეორე, დამოუკიდებელი LLM (Judge) აფასებს პირველი აგენტის ნაშრომს ქულებით (Pass/Fail ან 1-დან 5-მდე).

// შეფასების რუბრიკა (Evaluation Prompt): 1. შეიცავს თუ არა პასუხი ზუსტ ციფრებს დოკუმენტიდან? (Weight: 40%) 2. არის თუ არა ტონი საქმიანი და თავაზიანი? (Weight: 20%) 3. ხომ არ შეიცავს ინფორმაციას, რომელიც ბაზაში არ წერია? (Weight: 40%) თუ ქულა < 85%, აგენტს ეძლევა დავალება: გადააკეთოს პასუხი კლიენტთან გაგზავნამდე!
Slide 16/37

🤖 Grok, Grok API და Grok Bot — რა განსხვავებაა?

Grok

xAI-ის მოდელი და მომხმარებლის ასისტენტის გამოცდილება — კითხვა, ანალიზი და პასუხი.

Grok API

დეველოპერული ინტერფეისი, სადაც ვმართავთ მოდელს, ხელსაწყოებს, გამომავალ ფორმატსა და ავტომატიზაციის შემდეგ ნაბიჯს.

Grok Bot

მუდმივი AI teammate cloud computer-ით. გამოიყენება მაშინ, როცა აგენტმა ხანგრძლივად და დამოუკიდებლად უნდა იმუშაოს.

ტერმინოლოგიის წესი: X-ზე ავტომატური კვლევის workflow-ს ვუწოდებთ Grok API + X Search-ს; „Grok Bot“-ს — მხოლოდ persistent cloud-computer აგენტის სცენარს.

Slide 17/37

𝕏 X Search: ცოცხალი სოციალური სიგნალები, მაგრამ არა ავტომატური ფაქტები

რას გვაძლევს?

  • Keyword და semantic ძიება X-ის პოსტებში.
  • თარიღის დიაპაზონი და ანგარიშების include/exclude ფილტრები.
  • Thread-ების, სურათებისა და ვიდეოს კონტექსტის ანალიზი.
  • პასუხთან ერთად წყაროები და ციტატები.

რას არ გვაძლევს?

  • პოპულარული პოსტი არ ნიშნავს დადასტურებულ ფაქტს.
  • Sentiment არ უდრის ბაზრის რეალურ შედეგს.
  • შერჩევის მიკერძოება და ბოტ-აქტივობა ცალკე შესამოწმებელია.
  • კრიტიკული დასკვნა მინიმუმ ერთ დამოუკიდებელ წყაროს უნდა შევადაროთ.

სწორი როლი: X Search არის ადრეული სიგნალების აღმოჩენის ფენა; საბოლოო ბიზნეს-გადაწყვეტილება — ვალიდირებული მონაცემებისა და Human Review-ის შედეგი.

Slide 18/37

🧪 Live Build: X სიგნალი → JSON → დილის ბრიფინგი

from openai import OpenAI client = OpenAI( api_key=XAI_API_KEY, base_url="https://api.x.ai/v1" ) response = client.responses.create( model="grok-4.7", input="მოძებნე ბოლო 7 დღის სიგნალები თემაზე: [ბრენდი]. დააბრუნე ტენდენცია, რისკი და წყაროები.", tools=[{"type": "x_search"}] ) print(response.output_text)
1. X Search
ფილტრი: თარიღი + ანგარიშები
➔
2. Structured JSON
theme, sentiment, evidence, risk
➔
3. Make / n8n
Sheets + Telegram + Approval

დემო-სავალდებულო შემოწმება: თითო insight-ს უნდა ახლდეს წყარო; წყაროს გარეშე ჩანაწერი გადადის needs_review სტატუსში.

Slide 19/37

☕ შესვენება და Q&A დისკუსია

15 წუთი

შესვენების შემდეგ გადავდივართ 2026 წლის მთავარ სტანდარტზე:
Model Context Protocol (MCP) და Context Engineering!

Slide 20/37

🔌 რა არის MCP (Model Context Protocol)?

💡 ცხოვრებისეული ანალოგია: "AI-ს უნივერსალური USB-C პორტი"

წარსულში ყველა აპლიკაციისთვის (Notion, GitHub, Postgres, Slack) ცალ-ცალკე კოდური კონექტორის წერა გვიწევდა (როგორც 10 სხვადასხვა დამტენი).
MCP (Model Context Protocol): არის უნივერსალური USB-C პორტი. ნებისმიერი პროგრამა, რომელსაც აქვს MCP მხარდაჭერა, მომენტალურად ერთდება ნებისმიერ AI მოდელთან (Claude, ChatGPT, Local LLM) კოდის გარეშე!

Slide 21/37

🏗️ MCP არქიტექტურა: Host, Client & Server

MCP Host

სამუშაო გარემო

Claude Desktop, IDE, Cursor
➔

MCP Protocol

სტანდარტული ენა

JSON-RPC 2.0 შეტყობინებები
➔

MCP Server

ხელსაწყო / მონაცემი

PostgreSQL, Google Drive, Browser

რატომ შეცვალა ამან სამყარო?

თუ კომპანიამ ერთხელ დაწერა თავისი შიდა ERP-ის MCP სერვერი, ხვალ რომ ახალი მოდელი გამოვიდეს (GPT-5 ან Claude 4), ძველი კოდის გადაწერა აღარ სჭირდება - ახალი მოდელი იმავე პორტში ერთდება!

Slide 22/37

📚 MCP Registries: mcp.so და smithery.ai

საიდან ვიღებთ მზა ხელსაწყოებს? გაიცანით MCP Registries - "App Store აგენტებისთვის":

1. mcp.so

ღია საზოგადოებრივი კატალოგი, სადაც მოძებნით 200+ მზა სერვერს: Notion, Slack, Linear, Google Sheets, Brave Search.

2. smithery.ai

პლატფორმა, რომელიც გაძლევთ საშუალებას 1 ბრძანებით დააყენოთ და გაუშვათ ნებისმიერი MCP სერვერი დისტანციურად.

როგორ ვიყენებთ: შევდივართ mcp.so-ზე ➔ ვპოულობთ სასურველ აპს ➔ ვაკოპირებთ 3-სტრიქონიან JSON კონფიგურაციას ➔ აგენტი უკვე მართავს ამ აპლიკაციას!

Slide 23/37

⚙️ `mcp.json` კონფიგურაცია პრაქტიკაში

აგენტის კონფიგურაციის ფაილში ხელსაწყოების მიბმა საოცრად მარტივია:

{ "mcpServers": { "filesystem": { "command": "npx", "args": ["-y", "@modelcontextprotocol/server-filesystem", "C:\Users\Company\Reports"] }, "postgres": { "command": "npx", "args": ["-y", "@modelcontextprotocol/server-postgres"], "env": { "DATABASE_URL": "postgresql://user:password@localhost:5432/crm_db" } } } }

ამ მარტივი ფაილით აგენტმა მომენტალურად მიიღო წვდომა ლოკალურ დისკსა და SQL ბაზაზე!

Slide 24/37

🧠 Context Engineering - რატომ ცვლის ის Prompt Engineering-ს

2023-2024 წლებში ყველა საუბრობდა "Prompt Engineering"-ზე. 2026 წელს ის ჩაანაცვლა Context Engineering-მა:

Prompt Engineering (წარსული)

ფოკუსირებულია ერთ ჯადოსნურ ინსტრუქციაზე (Prompt). მუშაობს მხოლოდ ერთჯერად, მარტივ ამოცანებზე.

Context Engineering (მომავალი)

ფოკუსირებულია მთელი გარემოსა და ინფორმაციის დაგეგმვაზე, რომელსაც აგენტი ხედავს გადაწყვეტილების მიღების მომენტში.

Slide 25/37

💡 ცხოვრებისეული ანალოგია: "ქირურგის საოპერაციო მაგიდა"

💡 ცხოვრებისეული ანალოგია: "ქირურგის საოპერაციო მაგიდა"

Prompt Engineering: ჰგავს ქირურგისთვის ოპერაციის დროს მთელი საავადმყოფოს ბიბლიოთეკის მიტანას (გადაიტვირთება და შეცდომას დაუშვებს).
Context Engineering: ჰგავს საოპერაციო მაგიდას - ექიმს წინ უდევს მხოლოდ ის 3 ზუსტი ინსტრუმენტი (მეხსიერება, წესები, ხელსაწყოები), რაც ამ კონკრეტულ წამს სჭირდება პაციენტის გადასარჩენად!

ჭკვიანი დეველოპერი აგენტს არ აწვდის "ყველაფერს" - ის აწვდის ზუსტად იმ მინიმალურ კონტექსტს, რაც მიზნის მისაღწევადაა საჭირო.

Slide 26/37

🧩 Context Engineering-ის 4 სამშენებლო ბლოკი

1. მეხსიერება (Memory)

რომელი წარსული ინფორმაცია უნდა ახსოვდეს აგენტს და რომელი უნდა დაივიწყოს, რათა კონტექსტი არ გადაივსოს.

2. ხელსაწყოები (Tools)

მხოლოდ ის 3-4 MCP სერვერი, რაც ამ ეტაპზეა საჭირო. ზედმეტი ხელსაწყო აბნევს მოდელს.

3. ისტორია (History)

წინა ნაბიჯების შეჯამება (Rolling Summaries), რათა აგენტს არ დაავიწყდეს თავდაპირველი მიზანი.

4. სტრუქტურა (Rules)

მკაცრი როლები და ფორმატები (JSON, Schema), რომლებიც გამორიცხავს ჰალუცინაციას.

Slide 27/37

📉 Context Window & Token Budgeting

მიუხედავად იმისა, რომ Claude-ს აქვს 200,000 ტოკენიანი ფანჯარა, კონტექსტის გადავსებას (Context Pollution) ორი მძიმე შედეგი აქვს:

1. ყურადღების დეგრადაცია (Needle in Haystack)

რაც მეტი არასაჭირო ტექსტია კონტექსტში, მით მეტია შანსი, რომ მოდელს გამოეპაროს კრიტიკული დეტალი.

2. ასტრონომიული ხარჯები

თუ ყოველ ნაბიჯზე 100,000 ტოკენს ატრიალებთ, 10-ნაბიჯიანი დავალება $1-ის ნაცვლად $15 დაგიჯდებათ!

ოქროს წესი:

ყოველთვის შეკვეცეთ (Prune) ისტორია და გამოიყენეთ RAG/Search მხოლოდ რელევანტური აბზაცების ამოსაღებად.

Slide 28/37

🔐 ნაწილი 3: Agent Trust - რატომ არ ვენდობით ბრმად

რაც უფრო ავტონომიური ხდება აგენტი, მით უფრო მაღალია ბიზნეს რისკი:

რა შეიძლება მოხდეს შეუზღუდავი წვდომისას?

  • აგენტმა შეიძლება შეცდომით წაშალოს მონაცემთა ბაზის მთავარი ცხრილი (DROP TABLE).
  • გაუგზავნოს კონფიდენციალური ფინანსური რეპორტი არასწორ ადრესატს.
  • დაუდასტურებელი ფასდაკლება მისცეს კლიენტს ჩატში.

Agent Trust არის წესებისა და ინსტრუმენტების სისტემა, რომელიც უზრუნველყოფს, რომ აგენტის ავტონომია იყოს კონტროლირებადი და უსაფრთხო.

Slide 29/37

🔑 Credentials Management & Scoping

არასოდეს მისცეთ აგენტს "სრული წვდომის" გასაღებები (Super-Admin):

❌ საშიში მიდგომა

აგენტს აქვს წვდომა Google Drive-ის ყველა ფაილზე და PostgreSQL-ის ყველა ცხრილზე წაშლის (DELETE) უფლებით.

✅ Scoped Permissions (წესი)

აგენტს ეძლევა წვდომა მხოლოდ ერთ კონკრეტულ საქაღალდეზე და ბაზაში მხოლოდ წაკითხვის (SELECT) ან ერთი კონკრეტული ცხრილის ჩაწერის უფლება.

Slide 30/37

✋ Human Approvals და Permission Escalation

სისტემა უნდა იყოს დაყოფილი ნებართვების დონეებად (Tiers):

🟢
დონე 1 (Read-Only) - ავტონომიური:

ფაილების წაკითხვა, მონაცემთა შეჯამება, ანალიტიკა - არ მოითხოვს ადამიანის ჩარევას.

🟡
დონე 2 (Drafting) - დაბალი რისკი:

იმეილის დრაფტის მომზადება, დოკუმენტის შექმნა - იქმნება დრაფტი, ადამიანი მხოლოდ ამოწმებს.

🔴
დონე 3 (Action / Financial) - მაღალი რისკი:

ფულის გადარიცხვა, ხელშეკრულების გაგზავნა, ფაილის წაშლა - პროცესი ჩერდება ადამიანის Slack/Email დასტურამდე (Permission Escalation)!

Slide 31/37

📋 Immutable Audit Trail: აუდიტის ჟურნალი

თუ აგენტმა შეცდომა დაუშვა, კომპანიას უნდა შეეძლოს ზუსტი მიზეზის გამოძიება (Forensics):

Timestamp Agent / Role Tool Called Input Parameters Result / Status
14:20:05 Sales Agent search_crm query: "Bank of Georgia" 2 records found (Success)
14:20:12 Sales Agent draft_proposal budget: 15000, discount: 10% Draft #482 created
14:20:30 Human (Manager) approve_proposal id: 482, approved: true Approved by G. Basilaya
14:20:35 Sales Agent send_contract recipient: client@bog.ge Email sent (Success)
Slide 32/37

🏭 Vertical AI Agents: ინდუსტრიული აგენტები

ზოგადი ჩატბოტების (General AI) დრო დასრულდა - 2026 წელი ეკუთვნის ვიწრო ინდუსტრიულ აგენტებს:

Legal AI Agents

კონტრაქტების აუდიტი, ქართული კანონმდებლობის შესაბამისობა, რისკების გამოვლენა.

Medical AI Agents

კლინიკის ისტორიების დამუშავება, ექიმის ჩანაწერების ტრანსკრიფცია, დაზღვევის მოთხოვნები.

Finance & Accounting

ინვოისების კონვეიერი, დღგ-ს ანგარიშგება, გადასახადების ოპტიმიზაცია.

Slide 33/37

📈 ბაზრის სტატისტიკა და ტრენდები 2025-2033

$50B+

AI Agents-ის გლობალური ბაზრის პროგნოზი 2030 წლისთვის (Gartner).

78%

Enterprise კომპანიების წილი, რომლებიც 2026-ში ნერგავენ მინიმუმ ერთ ავტონომიურ აგენტს.

დასკვნა: კომპანიები აღარ ეძებენ ადამიანებს, რომლებიც "ChatGPT-ში კარგად წერენ" - ისინი ეძებენ სპეციალისტებს, ვისაც შეუძლია აგენტური სისტემების აწყობა და მართვა!

Slide 34/37

🛠️ პრაქტიკული დავალება: საკუთარი აგენტის დაგეგმვა

თქვენი დავალება ახლა (20 წუთი):

დაგეგმეთ აგენტი თქვენი ფინალური პროექტისთვის:

  1. Goal: რა არის აგენტის საბოლოო მიზანი?
  2. Platform: რომელ პლატფორმას ირჩევთ (Lindy, Gumloop, Make AI ან Grok API) და რატომ?
  3. Tools: რომელი 2 MCP სერვერი ან ხელსაწყო სჭირდება მას?
  4. Human Gate: რომელ ნაბიჯზე ითხოვს ადამიანის დასტურს?
Slide 35/37

📚 შეჯამება და ძირითადი დასკვნები

  • Agent ეკოსისტემა: მოიცავს პლატფორმას, MCP ხელსაწყოებს, კონტექსტსა და ნდობის ფენას.
  • Lindy vs Gumloop: Lindy კომუნიკაციისთვისაა, Gumloop - მონაცემების დამუშავებისთვის.
  • Grok Bot vs Grok API: Grok Bot არის persistent cloud teammate; Grok API + X Search — ციტირებადი X-კვლევის კომპონენტი ავტომატიზაციაში.
  • Model Context Protocol (MCP): არის AI-ს უნივერსალური პორტი, რომელიც აერთებს ნებისმიერ აპლიკაციას.
  • Context Engineering: ხარისხიანი შედეგი მოდის სწორი კონტექსტის მართვიდან და არა უბრალოდ "კარგი Prompt-იდან".
  • Agent Trust: შეზღუდული უფლებები, Human Approval და Audit Trail ენთერფრაიზის უმთავრესი პირობაა.
Slide 36/37

❓ კითხვები და პასუხები (Q&A)

❓

დაგვისვით ნებისმიერი კითხვა AI აგენტებზე, MCP-სა და Context Engineering-ზე.

Slide 37/37

🔜 შემდეგი: შეხვედრა 7 - ფინალური ვორქშოპი და სერტიფიცირება!

ფინალური დღის განრიგი:

  • სტუდენტების პროექტების პრეზენტაციები (Live Pitch): თითოეული მონაწილე წარადგენს თავის აწყობილ სცენარს.
  • Peer Voting & ნომინაციები: საუკეთესო პროექტების გამოვლენა.
  • Trend Analysis 2026-2030: რა ტექნოლოგიები მოდის მომავალში.
  • Career & Agency Roadmap: როგორ გავყიდოთ ავტომატიზაცია.
  • სერტიფიკატების საზეიმო გადაცემა! 🎓

წარმატებები ფინალურ პროექტზე მუშაობაში!

Top ↑ შეჯამება სწრაფი ცნობარი სავარჯიშოები სასწავლო მასალა