Objavljena lista najboljih gradova za zapošljavanje diplomiranih studenata!

Institut MyCOS je prošle nedelje objavio „Izveštaj o zapošljavanju kineskih diplomiranih studenata“, koji obuhvata 195 hiljada uzoraka diplomiranih iz 2025. godine.

Prvih 10 su: Peking, Šangaj, Šenžen, Hangžou, Nanking, Suzou, Guangdžou, Ningbo, Dongguan, Fošan.

Peking, Šangaj, Šenžen i Hangžau su i dalje prva četiri, a preostalih šest su svi gradovi novog prvog ranga.

Ranije ste morali ići u gradove prvog ranga da biste dobili visoku platu, ali sada se logika promenila — gde je industrija, tamo je i visoka plata.

Još jedan podatak je vredan pažnje. Šenžen, Guangdžou, Hangžau, Dongguan i Fošan, ovih pet gradova se istovremeno nalaze na listi prvih deset po rastu broja stalnih stanovnika.

To znači da diplomci mogu izabrati ove gradove.

Proveo sam pola dana sređujući podatke deset najboljih gradova, a onda sam uzeo Suzou, u kom sam ranije radio, kao uzorak i pretražio JD-ove za AI Agent pozicije, da vidim kakve ljude preduzeća sada traže i kako mi treba da se pripremimo.

Vežite sigurnosne pojaseve, polazimo~

01. AI Agent u Suzou

Stari čitaoci verovatno znaju da je moj prvi posao bio u Suzou.

Zato se ovajput naš istraživački fokus preusmerio na Suzou, i direktno smo na platformi Laoban Zhipian pretražili [AI Agent].

JD se uglavnom fokusira na sledeće informacije:

1. Diploma iz računarstva, veštačke inteligencije ili srodnih oblasti, osnovne ili više studije, iskustvo u razvoju Agent sistema
2. Poznavanje Transformer arhitekture i mainstream LLM tehnološkog steka, poznavanje LLM finog podešavanja, optimizacije izvođenja i metodologije evaluacije
3. Iskustvo u razvoju LLM aplikacija, razumevanje Prompt Engineering-a, RAG-a, Tool Calling-a i sličnih tehnologija
4. Poznavanje barem jednog Agent okvira, kao što su OpenClaw, LangChain, Dify
5. Iskustvo u razvoju višeagentnih sistema, poznavanje ReAct, CoT i drugih okvira zaključivanja

Na osnovu ovih ključnih informacija, pričajmo o zahtevima radnih mesta u eri AI-ja.

02. Zahtevi za radna mesta u eri AI-ja

Govoreći o Agent proizvodima.

Trenutno najbolji u inostranstvu su Claude Code i Codex, a u zemlji su to Ali-jev Qoder serija i Tencent-ova WorkBuddy serija.

Jezgro ovih Agent-a je ReAct petlja: prijem instrukcija → razmišljanje (Reasoning) → izbor alata → izvršenje (Acting) → posmatranje rezultata (Observation) → odluka o sledećem koraku.

Razvoj AI Agent sistema znači inženjerizovanje ove petlje.

Omogućiti joj da stabilno radi, da se posle greške automatski oporavi i da proces izvršenja bude vidljiv i pratljiv.

Tool Use / Function Calling

Kao DeepSeek V4 i GLM-5.2, to su modeli teksta.

Da bismo ih naterali da pretražuju web, pokrenuli kod, čitaju fajlove i pretražuju baze podataka, potreban je Tool Use. Function Calling je trenutno glavni pristup implementacije.

Kada implementiramo Agent sistem/aplikaciju, potrebno je da modelu registrujemo opis funkcionalnosti alata i format parametara, tako da model tokom zaključivanja procenjuje da li da pozove, kog da pozove i koje parametre da prosledi.

Što se tiče projektnog iskustva, ono što treba da istaknemo je mehanizam registracije i otkrivanja alata, parsiranje i validacija rezultata, te obrada grešaka i tajm-auta tokom izvršenja alata.

Workflow / automatizovani proces

Workflow znači orkestriranje više Agent koraka u jedan tok koji se može ponovo koristiti.

Za razliku od tradicionalnih pogona tokova rada, čvor Workflow-a u eri AI-ja može biti jedno izvođenje velikog modela, pa je sadržaj izlaza neizvestan, vreme izvršenja nije fiksno, a usput se mogu aktivirati i grananja odluka.

Proizvodi kao što su Dify i Coze su vizuelne AI Workflow platforme sa prevuci-i-pusti orkestracijom. Ako se bavite razvojem bekenda, modul za orkestraciju tokova rada u LangGraph-u je tehnički fokus ovog pravca.

Multi-Agent

Jedan Agent može da se nosi sa svakodnevnim zadacima, ali za složene projekte potrebna je podela rada između više Agent-a.

Jedan Agent analizira zahteve, jedan generiše kod, jedan pokreće testove, jedan radi pregled koda, pri čemu svaki ima nezavisne promptove, skup alata i kontekst.

Mehanizam Sub-agent unutar Claude Code-a je tipična implementacija saradnje više Agent-a. Glavni Agent distribuira podzadatke Sub-agent-u, a Sub-agent po završetku vraća rezultat.

U ovom modelu, tri ključna pitanja koja arhitektura saradnje mora da reši su: kako podeliti i dodeliti zadatke, kako prenositi kontekst između Agent-a i kako sažeti rezultate više Agent-a i rešavati sukobe.

Arhitektura dugoročnog i kratkoročnog pamćenja

Kada Agent izvršava zadatak, prozor konteksta ima fizičko ograničenje. Na primer, prozor GPT-5.5 je 256K tokena.

Kratkoročno pamćenje se odnosi na kontekst tekuće sesije, dok dugoročno pamćenje označava trajno skladište informacija koje prelazi sesije, uključujući preferencije korisnika, metapodatke projekta, istorijske zapise odluka itd.

CLAUDE.md u Claude Code-u je jedna inženjerska implementacija dugoročnog pamćenja koja se automatski učitava u kontekst pri svakom novom otvaranju sesije. Složenija rešenja zahtevaju uvođenje vektorske baze podataka, tako da se kroz RAG preuzme deo istorije pamćenja relevantan za tekući zadatak i ubaci u kontekst.

Ključna kompromisa u dizajnu arhitekture pamćenja su šta čuvati, koliko dugo čuvati, kada izvaditi i koliko izvaditi.

Previše pamćenja troši tokene, premalo pamćenja čini da Agent zaboravi.

Inženjerizacija LLM aplikacija

Između pokretanja demo-a i puštanja u rad upotrebljivog proizvoda stoji čitav jedan sloj Harness-a. Na primer, kašnjenje izvođenja mora biti u granicama koje korisnik može da prihvati, istovremeni zahtevi moraju da se izdrže, potrošnja tokena mora biti pod kontrolom, a za izuzetne situacije mora postojati plan degradacije.

Konkretnije tehničke tačke obuhvataju keširanje prefiksa (prefix caching, kada se pogodi cena tokena je samo jedna desetina originalne), striming izlaz, grupnu obradu izvođenja, rutiranje modela (dinamički izbor modela različitih klasa na osnovu složenosti zadatka radi smanjenja troškova) i tako dalje. Sve ovo su tipični problemski zadaci bekend inženjerstva, samo što se umesto tradicionalnih zahteva uslužuju izvođenjem velikih modela.

03. Mapa puta za traženje posla u oblasti AI Agent

Osnove računarstva, strukture podataka, algoritmi, operativni sistemi i računarske mreže se pojavljuju u JD-u svake tehničke pozicije, i AI to nije promenio.

Prompt Engineering, RAG i Tool Calling su tri osnovne sposobnosti za razvoj LLM aplikacija.

Najbrži put da ih savladate je da integrišete DeepSeek API (ili API nekog drugog velikog modela) i iz nule podignete jedan Agent bekend servis koji podržava Function Calling i provedete kroz čitav proces — zahtev, striming odgovor i poziv alata.

Još konkretnije, povežite tri alata ovom Agent-u: alat za pretragu, sandbox za izvršavanje koda i alat za čitanje i pisanje fajlova.

Zatim ga pustite da završi jedan zadatak od kraja do kraja, na primer „analiziraj podatke o prodaji u ovom CSV fajlu i generiši vizuelni grafikon“. Počevši od pisanja sistemskog prompta za Agent, preko obrade rezultata poziva alata, upravljanja kontekstom višekružnog razgovora, do obrade prekida izuzetka — prođite kroz čitav proces i razumećete 80% jezgra mehanizama Agent sistema.

Na osnovu aplikativnog sloja izaberite jedan Agent okvir za duboku praksu.

Izgradite kompletnog Agent-a koji ima pamćenje (kratkoročno + dugoročno), skup alata i sposobnost višekružnog razgovora.

Napredni pravci su dva.

Prvi je saradnja više Agent-a: dizajnirajte sistem više Agent-a u kome različiti Agent-i preuzimaju uloge planiranja, izvršenja i verifikacije i koordiniraju rad kroz razmenu poruka.

Drugi je inženjering konteksta, jedna od najpopularnijih praktičnih oblasti AI inženjerstva u 2026. godini. Osnovna ideja nije pisanje boljeg pojedinačnog prompta, već sistemsko upravljanje svim informacijama koje model vidi pri svakoj rundi donošenja odluka — sistemski prompt, istorija razgovora, rezultati poziva alata, dokumenti koje je RAD preuzeo i preferencije korisnika — kako se ove informacije ređaju, kompresuju i filtriraju direktno određuje gornju granicu performansi Agent-a.

04. Kako upisati PaiCLI u biografiju

Dajem vam jedan stvarni primer razvoja Agent aplikacije — to je verzija Claude Code-a u Python-u koju sam za vreme pisanja članka razvio koristeći Codex.

Trenutno PaiCLI već ima Java, TypeScript i Python verziju, a sledeći korak je da napravimo Go verziju.

Iskreno, u eri AI-ja, programski jezik zaista više nije naša jezgro konkurentnost, jer to može da reši Agent — bilo koji jezik mu je dobro poznat. Naš zadatak je prompt inženjering i inženjering konteksta.

Ako pogledamo nazad na sadržaj posla iz onog JD-a, PaiCLI ga u potpunosti pokriva.

• Razvoj Agent sistema → PaiCLI je sam po sebi kompletni terminal Agent
• Tool Use / Function Calling → 15+ ugrađenih alata + MCP protokol za pristup spoljnom ekosistemu alata
• AI Workflow → ReAct petlja zaključivanja + planiranje i orkestracija zadataka
• Saradnja više Agent-a → podela uloga na planiranje, izvršenje i pregled, maksimalno 4 paralelne niti
• Dugoročno i kratkoročno pamćenje → troslojni sistem pamćenja: kontekst razgovora + SQLite trajnost + kompresija konteksta
• LLM inženjerizacija → striming izlaz, dinamički Token budžet, automatsko okidanje kompresije konteksta

Razvoj zapravo nije oduzeo mnogo vremena, evo i adrese GitHub repozitorijuma, zainteresovani mogu pogledati:

https://github.com/itwanger/PaiCLI-Python

Možete je prepisati, možete je menjati — svejedno je, open-source je.

Naziv projekta: PaiCLI Agent razvoj AI aplikacije (2026.05 - 2026.07)

Opis projekta: Terminalni Agent CLI sličan Claude Code-u, podržava ReAct, Multi-Agent, MCP, troslojno pamćenje, RAG pretragu kodne baze i omogućava pokretanje i otklanjanje grešaka u razvoju koda iz terminala pomoću prirodnog jezika.

Tehnološki stek (Python verzija): Python 3.11+, httpx, MCP SDK, prompt-toolkit, Rich, Typer, SQLite

Ključne odgovornosti:

• Precizna pretraga koda zasnovana na kombinaciji ripgrep i Glob-a, kašnjenje jednog pretraživanja unutar 200 ms, sa RAG semantičkom pretragom kao rezervom
• Implementacija ReAct-a sa podrškom za paralelno izvršavanje alata i dinamičko upravljanje Token budžetom; kada kontekst dostigne 90%, automatski se aktivira kompresija sažetka
• Dizajn trajnosti za duge zadatke: skladištenje stanja zadataka u SQLite-u, asinhrono izvršavanje u pozadinskom bazenu niti, podrška za automatski oporavak nezavršenih zadataka nakon restartovanja procesa
• Implementacija troslojnog pamćenja: kratkoročno pamćenje upravlja kontekstom tekućeg razgovora, dugoročno pamćenje koje prelazi sesije trajno se čuva u SQLite-u, modul za kompresiju radi kompresiju konteksta sa granicnom svesti, podržava BM25 plus kosinusnu sličnost hibridnu pretragu
• Integracija MCP protokola za pristup spoljnom ekosistemu alata, podržava stdio i HTTP dvostruke protokole prenosa i kroz mehanizam odobrenja od strane čoveka obezbeđuje sigurno upravljanje pozivima alata visokog rizika
• Izgradnja saradnje više Agent-a: modul za planiranje razlaže složene zadatke u usmereni aciklički graf, modul za izvršenje paralelno obrađuje podzadatke, modul za pregled proverava kvalitet i podržava automatsko ponavljanje, sa maksimalno 4 paralelne niti