Un agent AI este un sistem care percepe un mediu, ia decizii autonome și execută acțiuni pentru a atinge un obiectiv — fără să fie instruit pas cu pas la fiecare decizie.
Modul 1 · Ce sunt agenții AI?
Înainte de agenți, LLM-urile erau reactive: întrebi, răspund, gata. Un agent adaugă o buclă de acțiune — poate face ceva cu răspunsul.
Cele 4 elemente ale unui agent AI
Un agent AI real trebuie să aibă simultan toate cele 4 componente. Dacă lipsește una singură, nu mai este agent:
| # | Element | Ce înseamnă |
|---|---|---|
| 1 | Un creier AI | Un LLM care raționează — Claude, GPT, Gemini etc. Fără el, nu există înțelegere a contextului sau planificare. |
| 2 | Acces la unelte | Poate interacționa cu lumea: fișiere, API-uri, web, email, baze de date, Telegram. Fără tools, rămâne blocat în text. |
| 3 | Decide singur | Stabilește ce să facă și în ce ordine, fără să fie instruit pas cu pas. Autonomia este esența agentului. |
| 4 | Ține minte | Reține ce a făcut anterior — în aceeași sesiune sau între sesiuni. Fără memorie, fiecare conversație pornește de la zero. |
⚠️ Regula de aur: Lipsește unul dintre cele 4 elemente → nu e agent AI. Nu 3 din 4. Toate 4.
Ce NU este agent AI — exemple concrete
Confuzia apare des. Iată trei cazuri reale care par agenți, dar nu sunt:
| Sistem | Ce îi lipsește | De ce nu e agent |
|---|---|---|
| ChatGPT cu acces la web | Elementul #4 — memorie persistentă | Nu știe ce a cercetat săptămâna trecută. Fiecare sesiune e nouă. |
| Script PHP care apelează Claude API | Elementul #3 — decizie autonomă | Execută pași hardcodați. Nu planifică, nu adaptează ordinea în funcție de rezultate. |
| Chatbot WhatsApp cu răspunsuri fixe | Elementul #2 — acces la unelte | Nu poate face nimic în lume. Răspunde doar cu text pre-definit, fără acțiuni reale. |
Evoluția în 4 trepte: de la Chatbot la Ecosistem
Maturizarea AI în organizații urmează un parcurs natural. Fiecare treaptă adaugă o capabilitate nouă față de cea anterioară:
[ 1. Chatbot ] → [ 2. Context ] → [ 3. Agent ] → [ 4. Ecosistem ]
răspunde ține minte acționează agenți multipli
la întrebări sesiunea autonom colaboreazăUnde se află ChatGPT / Claude / Gemini în varianta standard?
- ✅ Răspunde la întrebări — excelent, acesta e punctul lor forte.
- ❌ NU acționează în lume — nu trimit email, nu creează fișiere, nu apelează API-uri (fără configurare suplimentară).
- ❌ NU țin minte săptămâna trecută — fiecare conversație nouă pornește fără context anterior.
Cu alte cuvinte: sunt la treapta 1–2. Agentul AI complet este treapta 3.
Definiție operațională
Un agent AI = LLM + Tools + Memory + Objective Loop Primește un obiectiv → planifică → execută acțiuni → observă rezultate → iterează până la finalizare.
Tipuri de agenți
| Tip | Descriere |
|---|---|
| ReAct Agent | Reason → Act → Observe. Cel mai comun pattern. Gândește înainte de fiecare acțiune. Folosit de Claude, GPT-4 cu tools. |
| Plan & Execute | Planifică complet, apoi execută. Mai eficient dar mai rigid. Bun pentru sarcini structurate. |
| Multi-Agent | Echipă de agenți specializați. Un orchestrator distribuie sarcini. Scalabil pentru proiecte mari. |
| Autonomous Agent | Rulează continuu, fără trigger uman. Monitorizează, acționează, raportează singur. (Risc mai mare) |
Quick check: Un script PHP care apelează Claude API și trimite email dacă primește răspuns pozitiv — este agent AI? Răspuns: Nu — îi lipsește elementul #3. Pașii sunt hardcodați, nu planifică autonom. A apela un LLM nu înseamnă că ești agent.
Modul 2 · Cum funcționează un agent AI?
Inima oricărui agent este bucla ReAct (Reasoning + Acting). La fiecare pas, agentul raționează ce trebuie să facă și alege o acțiune.
Bucla ReAct pas cu pas
- Receive Objective — Agentul primește un obiectiv de la utilizator sau de la alt agent. Ex: „Cercetează ultimele noutăți despre ANAF și trimite un raport pe email”
- Think / Reason — LLM-ul generează un plan intern (chain-of-thought). Decide ce unealtă să folosească. „Trebuie să caut web mai întâi…”
- Act (Tool Call) — Execută acțiunea: apelează un API, caută în DB, rulează cod. Acesta este momentul în care agentul interacționează cu lumea reală.
- Observe — Primește rezultatul acțiunii și îl adaugă în context. Dacă a obținut eroare → planifică altfel.
- Repeat sau Final Answer — Dacă obiectivul nu e atins → reia de la pasul 2. Dacă da → generează răspunsul final și se oprește.
Componentele arhitecturale
| Componentă | Rol |
|---|---|
| 🧠 Creierul: LLM | Claude, GPT-4, Gemini etc. Primește tot contextul și decide acțiunea următoare. Calitatea LLM = calitatea agentului. |
| 🔧 Uneltele (Tools) | Funcții pe care agentul le poate apela: web, email, SQL, webhooks, API-uri externe. |
| 💾 Memoria | Short-term (context window) + Long-term (vector DB, fișiere). |
| 🎯 Planificatorul | Descompune obiective mari în sub-sarcini, detectează blocaje, gestionează erorile. |
⚠️ Limita de context: Agentul poate procesa doar cât „intră” în context window (ex: 200k tokens la Claude). Bucla lungă = context umplut = performanță scade. Gestionarea memoriei este critică.
Prompt-ul de sistem al unui agent
Ești un agent AI specializat în compliance fiscal românesc.
OBIECTIV: Ajuți utilizatorii cu întrebări despre eFactura, SPV, ANAF.
TOOLS DISPONIBILE:
- search_web(query): caută pe internet
- query_database(sql): interogare baza de date
- send_email(to, subject, body): trimite email
- create_invoice_xml(data): generează XML eFactura
REGULI:
1. Gândește pas cu pas înainte de orice acțiune
2. Dacă nu ești sigur, întreabă utilizatorul
3. Nu executa acțiuni ireversibile fără confirmare
4. Raportează erori clar și propune alternativeModul 3 · Tool Calling
Tool Calling (sau Function Calling) este mecanismul prin care LLM-ul „iese din cutie” și interacționează cu lumea reală. Fără tools, un agent nu poate face nimic concret.
Cum funcționează tehnic
- Definești tools — Fiecare unealtă are un nume, descriere și parametri. LLM-ul „vede” lista și știe ce poate apela.
- LLM decide să apeleze o unealtă — În loc să genereze un răspuns text, returnează un JSON structurat cu numele uneltei și parametrii.
- Platforma execută unealta — Make.com, LangChain, codul tău PHP — oricine primește JSON-ul și apelează funcția reală.
- Rezultatul se întoarce la LLM — Tool result se adaugă în context → LLM continuă raționamentul cu informația nouă.
Exemplu concret: Claude API
// Definiție tool în API call
{
"tools": [{
"name": "get_anaf_status",
"description": "Verifică statusul unei facturi în sistemul ANAF eFactura",
"input_schema": {
"type": "object",
"properties": {
"invoice_id": {"type": "string", "description": "ID-ul facturii UBL"},
"cui": {"type": "string", "description": "CUI-ul companiei"}
},
"required": ["invoice_id", "cui"]
}
}]
}
// Ce returnează LLM când vrea să apeleze:
{
"type": "tool_use",
"name": "get_anaf_status",
"input": {"invoice_id": "RO12345", "cui": "12345678"}
}Categorii de tools
| Categorie | Exemple | Caracteristică |
|---|---|---|
| Read tools | search_web, query_db, read_file, fetch_api | Fără efecte secundare. Sigure de apelat de N ori. |
| Write tools | send_email, create_record, update_db | Modifică starea lumii. Necesită confirmare sau guard-uri. |
| Compute tools | run_code, calculate, convert_currency, parse_xml | Execută calcule și transformări. |
| Agent tools | spawn_subagent, delegate_task | Pornește alți agenți. Pilonul sistemelor multi-agent. |
🎯 Best practice: Descrie fiecare tool clar și precis. LLM-ul decide CÂND să apeleze o unealtă bazat exclusiv pe descriere. O descriere vagă = tool folosit greșit.
Quick check: Un agent trebuie să trimită un email de confirmare după ce a creat o factură. Care este ordinea corectă? Răspuns: Creează factura → Verifică rezultatul → Trimite email. Dacă factura eșuează, emailul nu trebuie trimis.
Modul 4 · Memoria agenților
Memoria este ceea ce separă un agent performant de unul frustrant. Fără memorie, agentul „uită” totul la fiecare conversație.
Cele 4 tipuri de memorie
| Tip | Ce este | Tehnologii | Folosire |
|---|---|---|---|
| 📋 In-Context (Working Memory) | Tot ce se află în context window-ul curent. Limitat la 200k tokens (Claude), resetat la fiecare sesiune. | — | Conversația curentă, rezultatele tools. |
| 🗂️ External (Long-term Memory) | Baze de date, fișiere, vector stores — persistă între sesiuni. | PostgreSQL, Redis, Pinecone, Airtable | Profil utilizator, preferințe, istoric. |
| 🔍 Semantic Memory (RAG) | Documente indexate semantic — agentul caută informații relevante la cerere. | Vector embeddings, similarity search | Documentație, regulamente, knowledge base. |
| ⚙️ Procedural Memory | Cunoașterea „cum să” — în weights-urile modelului sau ca instrucțiuni salvate. | System prompt, fine-tuning | Skills fixe, proceduri standard, templates. |
Strategii de management al contextului
- A. Summarization — Când contextul se umple, rezumă automat conversațiile vechi. Păstrezi esența fără să pierzi spațiu.
- B. Memory Extraction — Extrage și salvează fapte importante din conversație în long-term memory. „Clientul preferă facturi în EUR” → salvat permanent.
- C. RAG (Retrieve-Augment-Generate) — Nu bagi totul în context — cauți doar informațiile relevante la momentul potrivit. Scalabil pentru knowledge bases mari.
Exemplu: SimpluSPV WhatsApp Bot
Cum ar gestiona memoria un agent pentru chatbot-ul tău:
- In-context: Conversația curentă cu lead-ul (ultimele 10 mesaje)
- Long-term (Airtable): CUI companie, contacte, stadiu lead, preferințe
- Semantic (FAQ): Documentație SimpluSPV, ghiduri ANAF indexate
- Procedural: Fluxul de calificare HOT/WARM/COOL/COLD în system prompt
Modul 5 · Sisteme Multi-Agent
Când sarcinile devin prea complexe pentru un singur agent, folosim sisteme multi-agent: echipe de agenți specializați care colaborează.
Paradigme de orchestrare
| Pattern | Descriere | Exemplu |
|---|---|---|
| 👑 Orchestrator → Workers | Un agent central descompune obiectivul și delegă sub-sarcini agenților specializați. | Manager AI care coordonează agent de cercetare + redactare + validare. |
| 🔗 Pipeline (Sequential) | Output-ul unui agent = input-ul următorului. Simplu, predictibil, ușor de debugat. | Agent extragere → transformare → validare → trimitere ANAF. |
| 🗳️ Peer-to-Peer (Debate) | Agenți multipli analizează aceeași problemă independent, apoi ajung la consens. | 3 agenți evaluează o decizie de conformitate fiscală. |
| ⚡ Parallel (Map-Reduce) | Aceeași sarcină, date diferite — agenți paraleli, apoi agregare. | Procesare 1000 facturi simultan, fiecare pe un agent separat. |
Avantaje și provocări
| Avantaje | Provocări |
|---|---|
| ✅ Specializare — fiecare agent excelează în domeniu | ⚠️ Complexitate ridicată de implementare |
| ✅ Scalabilitate — procesare paralelă | ⚠️ Comunicarea între agenți poate introduce erori |
| ✅ Redundanță — un agent eșuat ≠ sistem eșuat | ⚠️ Cost mai mare (apeluri API multiple) |
| ✅ Auditabilitate — fiecare agent loghează separat | ⚠️ Latență mai mare pentru pipeline-uri lungi |
💡 Regula de aur: Începe cu un singur agent bine configurat. Treci la multi-agent doar când ai o limitare clară (context prea mare, specializare necesară, paralelism cerut).
Quick check: Vrei să procesezi 500 de facturi XML simultan și să generezi un raport consolidat. Ce pattern folosești? Răspuns: Map-Reduce (Parallel) — agenți paraleli + agregare. Map = procesare paralelă (500 agenți sau batch-uri), Reduce = agregare finală.
Modul 6 · MCP — Model Context Protocol
MCP este protocolul open-source creat de Anthropic care standardizează cum agenții AI se conectează la surse de date și unelte externe. Gândește-l ca USB-C pentru AI — un conector universal.
Problema pe care o rezolvă MCP
Înainte de MCP: fiecare agent, fiecare LLM, fiecare platformă avea integrări custom incompatibile. N modele × M unelte = N×M integrări de construit.
Cu MCP: orice client MCP se conectează la orice server MCP. N + M în loc de N×M.
Arhitectura MCP
[ MCP Client ] ⟷ [ MCP Protocol ] ⟷ [ MCP Server ]
Claude, Google Drive,
Make.com, GitHub, Airtable
IDE-uriCe oferă un MCP Server?
| Capacitate | Descriere |
|---|---|
| 📦 Resources | Fișiere, înregistrări din DB, date structurate — pe care agentul le poate citi ca context. |
| 🔧 Tools | Funcții pe care agentul le poate apela (create, read, update, delete în sistemul extern). |
| 📝 Prompts | Template-uri de prompt predefinite pentru interacțiuni comune cu serviciul. |
MCP în Make.com — două roluri
Make ca MCP Client Make.com se conectează la servere MCP externe (GitHub, Slack, Google Workspace). Agentul din scenariul Make poate accesa aceste resurse direct. Cum: Modulul „Claude AI Agent” → configurezi MCP servers → agentul le folosește automat.
Make ca MCP Server Scenariile tale Make devin unelte pe care alți clienți MCP le pot apela. Orice webhook Make = tool disponibil pentru Claude Desktop, Cursor, etc. Utilitate: Expui automatizările existente ca tools pentru agenți externi.
Servere MCP populare în 2026
GitHub MCP · Google Drive MCP · Slack MCP · Airtable MCP · PostgreSQL MCP · Notion MCP · Browser MCP · Filesystem MCP · Gmail MCP
Exemplu: SimpluSPV cu MCP
// Scenariu: Agent care verifică facturile neplătite
// și trimite remindere automate
MCP Servers conectate:
├── Airtable MCP → citește/scrie clienți și facturi
├── Gmail MCP → trimite email-uri de reminder
├── Make.com MCP Server → apelează scenariile existente
│ ├── generate_xml_invoice()
│ ├── submit_to_anaf()
│ └── log_to_simpluspv()
Agent obiectiv: "Verifică facturile scadente din Airtable
și trimite reminder celor cu peste 30 zile întârziere"Modul 7 · Practică Make.com
Make.com oferă un modul nativ de AI Agent care implementează tot ce am discutat.
Structura unui scenariu Make cu Agent AI
- Trigger — Webhook, Scheduler, WhatsApp message, Email. Agentul pornește la un eveniment.
- Modulul „Claude AI Agent” — Configurezi: system prompt, tools disponibile, memoria (thread ID pentru conversații continue), model.
- Tool Handlers (sub-scenarii) — Fiecare tool pe care agentul îl poate apela e un router în Make. Agentul returnează
tool_use→ Make rutează la modulele corespunzătoare. - Răspuns final — Agentul returnează răspunsul text → Make îl trimite înapoi pe canalul de origine (WhatsApp, email etc.).
Pattern-uri de referință pentru SimpluSPV
🤖 WhatsApp Lead Qualification Agent
- Trigger: Whapi.cloud webhook
- Tools: search_airtable, update_lead_score, book_calendar, send_whatsapp
- Memory: Thread ID per număr de telefon
- Output: Lead calificat HOT/WARM/COLD în Airtable
📄 eFactura Processing Agent
- Trigger: Nou fișier XML în folder
- Tools: parse_xml, validate_ubl, submit_anaf, update_db
- Memory: Stateless (fiecare factură independent)
- Output: Factură validată și trimisă la ANAF
📊 INTRASTAT Report Agent
- Trigger: Scheduler (lunar)
- Tools: query_invoices, get_bnr_rate, generate_xml, validate, submit
- Memory: Context cu regulile de calcul
- Output: Declarație INTRASTAT completă
📧 Email Response Agent
- Trigger: Email nou de la client
- Tools: search_knowledge_base, query_client_data, draft_response, send_email
- Memory: Istoricul emailurilor pe CUI
- Output: Răspuns automat personalizat
Configurare System Prompt agent Make.com
Ești asistentul AI al SimpluSPV, platforma de compliance
fiscal românesc. Ajuți clienții și procesezi documente.
REGULI DE BAZĂ:
- Răspunde MEREU în română
- Verifică mereu datele în sistem înainte de a răspunde
- Nu inventa informații despre ANAF sau legislație
- Dacă nu știi ceva, caută în knowledge base
TOOLS PE CARE LE POȚI FOLOSI:
1. search_client(cui) - caută client în Airtable
2. get_invoice_status(invoice_id) - status factură
3. search_anaf_docs(query) - caută în docs ANAF
4. create_ticket(client_id, issue) - deschide ticket suport
5. schedule_call(client_id, datetime) - programează apel
SCORING LEAD (doar pt. conversații noi):
- HOT: întreabă de prețuri + volum > 100 facturi/lună
- WARM: interesat, volum necunoscut
- COLD: doar curiozitate, fără urgență
