Semantic Kernel (Microsoft)

Gemini se s Google uslugama (Gmail, Google Drive, Google Sheets) povezuje izvorno putem Google Workspace s Gemini pretplate i ugrađenih Google Workspace proširenja, dok se za Microsoft Excel koriste alternativne metode jer je Excel dio Microsoftovog ekosustava.

Aktivacija i postavljanje Workspace proširenja

• Prijavite se na Google račun koji ima uključenu Gemini licencu ili pretplatu na Gemini Advanced.
• U postavkama Gemini računa ili unutar bočne trake bilo koje Google aplikacije (ikona u gornjem desnom kutu) provjerite jesu li uključena Workspace proširenja (Extensions).
• To omogućuje umjetnoj inteligenciji pristup podacima iz Gmaila, Google Drivea, Dokumenata i Tablica unutar jedinstvenog sučelja.

Integracija s Gmailom i Google Driveom

• Gmail: Gemini u sandučiću može pretraživati poruke, sažimati dugačke nizove e-mailova, tražiti specifične privitke i automatski generirati nacrte odgovora.
• Google Drive: Omogućuje Geminiju da analizira cijele mape, izvlači ključne podatke iz PDF-ova, uspoređuje više dokumenata odjednom i kreira sažetke bez ručnog otvaranja svake datoteke. Dovoljno je u upitu navesti naziv datoteke s Drivea.

Rad s Excelom i Google Sheetsom

• Budući da je Excel Microsoftov proizvod, Googleov pandan je Google Sheets, gdje je Gemini potpuno integriran za automatsko popunjavanje podataka, izradu formula, formatiranje složenih tablica i generiranje grafova putem tekstualnih upita.
• Ako radite s izvornim Excel datotekama (.xlsx), možete ih prenijeti u Google Drive i uređivati ih putem Google Sheetsa. Za izravno povezivanje Gemini modela s Excelom izvan Googleova oblaka koriste se vanjski servisi za automatizaciju poput Zapiera ili Make.com koji spajaju Gemini API s Microsoft 365 okruženjem.

Izrada prilagođenih agenata (Gems)

• U postavkama Gemini naprednog sučelja možete kreirati vlastite prilagođene agente (Gems) kojima dodjeljujete specifične uloge (npr. asistent za analizu troškova).
• Svakom agentu možete unaprijed definirati instrukcije i povezati ga s točno određenim mapama ili dokumentima na Google Driveu kako bi automatski obavljao ponavljajuće zadatke prema vašim pravilima.

Prilagođeni agenti (Gems) u Geminiju funkcioniraju kao specijalizirane, personalizirane verzije umjetne inteligencije koje možete prilagoditi za specifične zadatke. Umjesto da u svakom novom razgovoru iznova unosite složene i dugačke upute, Gem pamti ulogu, pravila, ton i kontekst koji ste mu unaprijed odredili.

Detaljan vodič: Kako izraditi vlastiti Gem

1. Pristup platformi: Otvorite web preglednik i prijavite se na Gemini.
2. Pronalazak izbornika: U lijevoj bočnoj traci pronađite i kliknite opciju Gems (ili Explore Gems). Ako je ne vidite odmah, provjerite postavke profila ili izbornik.
3. Pokretanje izrade: Kliknite na gumb New Gem (ili + Create New).
4. Postavljanje imena i uputa:

• Naziv i opis: Unesite prepoznatljiv naziv i kratak opis onoga što vaš agent radi.
• Upute (Instructions): Ovdje definirate njegovu osobnost (Persona), zadatke koje obavlja (Task), kontekst i željeni format odgovora (Format). Ako niste sigurni kako složiti upute, možete upisati grubu ideju i kliknuti opciju da Gemini sam prepravi i poboljša vaše upute.

5. Dodavanje baze znanja (Knowledge):

• U sekciji Knowledge možete dodati datoteke izravno s računala ili Google Drivea (poput poslovnih planova, vodiča ili tablica) kako bi agent imao pristup točnim i provjerenim informacijama u svakom razgovoru.

6. Testiranje i spremanje:

• U desnom prozoru za pretpregled (Preview) isprobajte rad agenta i po potrebi korigirajte upute.
• Kada ste gotovi, kliknite na Save (Spremi).

Korisni linkovi i službeni izvori

• Izravno sučelje za izradu novog agenta dostupno je na poveznici Gemini Gems Create.
• Detaljne službene upute, smjernice i savjete potražite u Googleovoj podršci: Gemini Apps Help - Tips for creating custom Gems.

Google AI Studio i Gemini API

Za programerski pristup, potrošačko sučelje za Gems nije dovoljno. Potrebno je koristiti Google AI Studio za brzu izradu prototipova ili Vertex AI na Google Cloud platformi za produkcijska rješenja. Putem Gemini API-ja (dostupnog za Python, Node.js i druge jezike) dobivate potpunu programsku kontrolu nad modelima poput Gemini 1.5 Pro s velikim kontekstnim prozorom.

Povezivanje s Google uslugama (Gmail, Drive, Sheets)

Programatsko povezivanje s Google Workspace servisima ne odvija se kroz sučelje, već korištenjem službenih REST API-ja i SDK-ova unutar vašeg koda:

• Google Drive API: Za pretraživanje, preuzimanje i manipulaciju datotekama (uključujući parsiranje PDF-ova i dokumenata).
• Gmail API: Za čitanje sandučića, slanje poruka i obradu privitaka.
• Google Sheets API: Za čitanje i upisivanje strukturiranih podataka izravno u tablice.

Implementacija funkcija (Function Calling)

Prave programske agente gradite korištenjem Gemini Function Calling mogućnosti. Modelu definirate shemu vlastitih funkcija (npr. posalji_email(), citaj_drive_mapu()). Kada korisnik pošalje upit, Gemini inteligentno prepoznaje koju funkciju treba izvršiti, vraća vam strukturirani JSON s traženim parametrima, a vi u kodu izvršavate API poziv prema Google uslugama i vraćate rezultat natrag modelu na obradu.

Razvojni okviri za rad s agentima (Agentic Frameworks)

Za izgradnju složenih sustava s više agenata koji surađuju koriste se popularni razvojni okviri:

• LangChain / LlamaIndex: Omogućuju povezivanje Geminija s bazama podataka, izradu RAG (Retrieval-Augmented Generation) sustava nad vašim Drive dokumentima i memoriju razgovora.
• CrewAI / AutoGen: Okviri namijenjeni orkestraciji više agenata gdje svaki agent ima svoju ulogu (npr. jedan agent dohvaća podatke iz Drivea, drugi ih obrađuje, treći generira izvještaj u Sheetu).

Enterprise rješenja

Za napredne korporativne sustave koristi se Vertex AI Agent Builder, koji nudi ugrađene konektore za Google Workspace, upravljanje identitetima (IAM) i sigurnost na razini poduzeća bez potrebe za ručnim kodiranjem cjelokupne infrastrukture za dohvat podataka.

Namjena i ciljana publika

Google AI Studio je web sučelje i razvojno okruženje prilagođeno pojedinačnim programerima i manjim timovima koji žele u nekoliko minuta testirati ideje, raditi s promptovima i brzo izraditi funkcionalni prototip. S druge strane, Vertex AI na Google Cloud platformi (GCP) namijenjen je enterprise korporativnom okruženju, produkcijskim sustavima s velikim brojem zahtjeva te inženjerima koji grade stabilne aplikacije spremne za komercijalno tržište.

Ključne tehničke razlike u arhitekturi

• Upravljanje pristupom i sigurnost: AI Studio koristi jednostavne API ključeve za brzi pristup. Vertex AI se oslanja na Google Cloud Identity and Access Management (IAM), omogućuje strogu kontrolu pristupa po ulogama, postavljanje privatnih VPC mreža, enkripciju ključevima koje upravlja korisnik i usklađenost s industrijskim regulatornim standardima.
• Fino podešavanje modela (Fine-Tuning): Dok AI Studio služi prvenstveno za prompt engineering i testiranje temeljnih modela, Vertex AI nudi napredne alate za treniranje i prilagodbu modela specifičnim poslovnim podacima (korištenjem vlastitih skupova podataka, RLHF metodologija i optimizacije resursa).
• Skalabilnost i jamstvo dostupnosti (SLA): Vertex AI nudi ugovore o razini usluge (SLA) koji garantiraju visoku dostupnost, automatsko skaliranje resursa pod opterećenjem i upravljanje podatkovnim regijama, što je nužno za produkcijske aplikacije. AI Studio nema garantirani SLA i skloniji je strožim ograničenjima propusnosti (rate limits) u besplatnim ili razvojnim režimima.
• Integracija s podacima: Vertex AI se nativno povezuje s cijelim Google Cloud ekosustavom, uključujući BigQuery, Cloud Storage i napredne podatkovne cjevovode (pipelines), omogućujući izgradnju složenih RAG sustava nad ogromnim količinama enterprise podataka.

Usporedna tablica tehničkih mogućnosti

Razvojni ciklus obično započinje u AI Studiju radi validacije logike, nakon čega se implementacija seli na Vertex AI kada aplikacija kreće u produkciju.

Google AI Studio-u možete pristupiti izravno na službenoj web adresi aistudio.google.com.

• Prijava: Za pristup je potreban standardni Google račun (preporučljivo isti račun koji koristite za razvojne projekte ili Google Cloud).
• Kreiranje API ključa: Unutar sučelja možete u nekoliko klikova generirati besplatni API ključ (Get API key) koji vam omogućuje trenutno testiranje modela u vlastitom kodu.
• Generiranje koda: Nakon što u sučelju testirate i optimizirate svoj prompt, opcija Get Code automatski generira početni izvorni kod za Python, JavaScript, cURL i druge programske jezike.
• Ograničenja (Free Tier): Besplatni sloj nudi izdašne kvote za razvoj i izradu prototipova, uz jasno naznačena ograničenja broja zahtjeva u minuti (RPM) i dana (RPD).

Google AI Studio i Google Colab dva su različita Googleova alata za programere i istraživače, pri čemu je prvi specijaliziran za rad s jezičnim modelima, dok je drugi opće namjensko okruženje za izvršavanje Python koda u oblaku.

Google AI Studio (aistudio.google.com)

• Namjena: Brzo testiranje, izrada prototipova i optimizacija uputa (prompt engineering) za Gemini modele.
• Način rada: Vizualno web sučelje prilagođeno podešavanju parametara modela (poput temperature i sigurnosnih filtara) te radu s multimodalnim unosima (tekst, slike, video, zvuk).
• Izlaz: Fokusira se na generiranje API ključeva i izvoz konfiguriranih uputa u gotov kod (Python, JavaScript, cURL).

Google Colab (colab.research.google.com)

• Namjena: Pisanje i izvođenje proizvoljnog Python koda unutar interaktivnih bilježnica (Jupyter Notebooks).
• Način rada: Omogućuje pisanje koda u blokovima (ćelijama), instalaciju vanjskih biblioteka putem pip-a, izradu skripti, vizualizaciju podataka i izradu modela strojnog učenja.
• Resursi: Pruža besplatan (i plaćeni) pristup moćnim računalnim resursima u oblaku, uključujući GPU i TPU kartice koje su nužne za treniranje i obradu težih računalnih zadataka.

U praksi se ovi alati izvrsno nadopunjuju: u AI Studiju vizualno složite i testirate optimalni prompt, a zatim u Google Colabu napišete Python skriptu koja taj prompt automatizirano izvršava nad tisućama redaka podataka iz vaših baza.

Da, apsolutno! Google Colab je jedno od najboljih i najčešće korištenih okruženja za programere kada žele graditi, testirati i isprobavati prilagođene Gemini agente, pisati skripte za automatizaciju ili razvijati napredne sustave (poput RAG-a ili sustava s funkcijama).

Budući da Colab podržava izvršavanje Pythona u oblaku, možete jednostavno povezati svoj Google AI Studio API ključ s Colab bilježnicom i unutar nekoliko linija koda stvoriti vlastitog agenta.

Kako izgleda povezivanje u praksi (Primjer)

U novu Colab bilježnicu možete upisati sljedeći kod:

1. Instalacija službene Google GenAI biblioteke:

!pip install google-genai

2. Inicijalizacija klijenta i slanje upita modelu:

from google import genai
from google.genai import types

# Unesi svoj API ključ dobiven u Google AI Studiju
client = genai.Client(api_key="TVOJ_AI_STUDIO_API_KLJUC")

# Definiranje agenta sa sustavnim uputama (System Instructions)
response = client.models.generate_content(
    model="gemini-2.5-flash",
    contents="Napiši mi kratku strukturu za Python klasu koja će glumiti pametnog agenta.",
    config=types.GenerateContentConfig(
        system_instruction="Ti si iskusan softverski arhitekt i stručnjak za AI agente.",
        temperature=0.2
    )
)

print(response.text)

Zašto je Colab moćan alat za razvoj Gemini agenata?

• Povezivanje s Google Driveom: Unutar Colaba možete jednim klikom montirati svoj Google Drive (from google.colab import drive; drive.mount('/content/drive')) i omogućiti svom Gemini agentu da čita, analizira i obrađuje vaše lokalne dokumente, PDF-ove ili CSV tablice pohranjene na Driveu.
• Testiranje naprednih mogućnosti: Možete implementirati Function Calling (da agent samostalno poziva vanjske API-je ili baze podataka), raditi višestruke razgovore (multi-turn chats) ili testirati multimodalne unose (slike, audio i video zapise).
• Besplatni resursi: Colab nudi besplatan pristup resursima u oblaku, što vam omogućuje brzi razvoj prototipova prije nego što kod prebacite na produkcijski Vertex AI.

Programeri na raspolaganju imaju bogat ekosustav vanjskih modela, API platformi i razvojnih okvira koji nisu vezani uz Google, a često se koriste za izgradnju naprednih AI rješenja i agenata.

Alternativni pružatelji modela i API servisi

• OpenAI API: Vodeća platforma s GPT modelima, poznata po naprednom Function Calling-u i Assistants API-ju koji automatski upravlja stanjem razgovora, pretraživanjem datoteka i memorijom na poslužitelju.
• Anthropic (Claude): Izuzetno cijenjen model među programerima zbog vrhunskih sposobnosti generiranja koda, dubokog logičkog zaključivanja i preciznog praćenja složenih arhitektonskih uputa.
• Groq i Mistral AI: Fokusirani na ultra-brzu inferenciju (Groq koristi specijalizirane LPU čipove za trenutačne odgovore) te otvorene modele visoke učinkovitosti.

Razvojni okviri za agente (Agentic Frameworks)

• Semantic Kernel (Microsoft): Izvrstan odabir za programere koji rade u C# i .NET Core okruženju, jer omogućuje besprijekornu integraciju LLM-ova u klasičnu objektno orijentiranu arhitekturu i upravljanje dodacima (plugins).
• LangChain / LangGraph: Industrijski standard u Python ekosustavu za izgradnju RAG sustava (dohvat znanja iz vanjskih vektorskih baza) i kreiranje kompleksnih grafova stanja za rad agenata.
• CrewAI / AutoGen: Okviri specijalizirani za multi-agent sustave gdje više AI entiteta dinamički komunicira i dijeli uloge (npr. jedan agent piše kod, drugi ga testira, treći ispravlja bugove).

Lokalni i Open-Source alati

• Ollama i LM Studio: Alati koji omogućuju preuzimanje i lokalno pokretanje otvorenih modela (poput Meta Llama serije ili Mistrala) izravno na vlastitom hardveru, što osigurava potpunu privatnost podataka bez slanja u oblak.
• Hugging Face: Centralna platforma za strojno učenje koja nudi tisuće specijaliziranih modela, datasete i biblioteku transformers za fine-tuning i lokalnu primjenu.

Suvremeni AI uređivači koda (IDE)

• Cursor i GitHub Copilot: Specijalizirana razvojna okruženja i ekstenzije koje služe kao integrirani programski agenti s uvidom u cijeli izvorni kod vašeg projekta, omogućujući automatsko refaktoriranje i ispravljanje grešaka u stvarnom vremenu.

Matrica isplativosti prema zahtjevnosti projekta

Ključne smjernice za uštedu vremena i novca

• Izbjegavajte prekomplicirane okvire (Overengineering): Za 90% praktičnih projekata ne trebaju vam teški multi-agent okviri poput CrewAI-ja. Običan API poziv s definiranom funkcijom (Function Calling) unutar vaše postojeće aplikacije rješava problem uz nula skrivenih bugova i brzi razvoj.
• Pravilo odabira modela: Nemojte trošiti resurse na skupe Pro modele za standardne zadatke. Brzi Flash modeli (poput novijih generacija) nude vrhunske performanse za programiranje i obradu podataka po cijeni koja je višestruko niža. Pro modele čuvajte isključivo za duboko logičko zaključivanje ili situacije s masivnim kontekstom.
• Prilagodba tehnološkom stacku: Ako vam je primarni domet C# .NET Core, nemojte gubiti vrijeme gradeći rješenja u tuđim ekosustavima. Korištenje alata poput Microsoft Semantic Kernela omogućuje vam da AI ugradite direktno u svoje poznato objektno orijentirano okruženje bez učenja potpuno novih biblioteka.

Najisplativija strategija je uvijek započeti s besplatnim prototipom u AI Studiju, prebaciti logiku na najjeftiniji funkcionalni API u vlastitom kodu, a na napredne cloud platforme poput Vertex AI prelaziti tek onda kada projekt početi generirati prihod koji samostalno financira tu infrastrukturu.

Struktura troškova po tipu projekta

Što uključuje razvoj u C# .NET Core i Semantic Kernelu

• Besplatni razvojni ekosustav: Semantic Kernel je besplatna, otvorena NuGet biblioteka koju razvija Microsoft. Nemate nikakve troškove licenciranja samog okvira, a savršeno se uklapa u standardne koncepte poput Dependency Injection (DI) mehanizama, asinkronog programiranja (async/await) i objektno orijentirane arhitekture.
• Model-agnostička arhitektura: Korištenje Semantic Kernela u C#-u osigurava da niste vezani uz jednog proizvođača. Putem jednostovne promjene konfiguracije u kodu možete prelaziti s Gemini modela na druge pružatelje ili lokalne alternative bez prepravljanja poslovne logike.
• Povoljne cijene API tokena: Korištenje visoko učinkovitih modela poput Gemini Flash (uz standardne cijene radnih tokena oko $0.75 za milijun ulaznih i $3.75 za milijun izlaznih tokena) omogućuje obradu stotina tisuća upita, dokumenata ili redaka baze podataka uz minimalan financijski utjecaj.

Optimizacija i kontrola troškova tijekom razvoja

• Lokalno testiranje bez troškova: Tijekom pisanja i debugiranja koda u Visual Studiju možete besplatno testirati logiku agenata spajanjem Semantic Kernela na lokalne modele (poput Ollame), čime trošak API poziva u fazi razvoja svodite na nulu.
• Pametno upravljanje kontekstom: Budući da sami kontrolirate kod unutar .NET okruženja, možete implementirati vlastito keširanje upita i sažimanje podataka u memoriji prije slanja prema API-ju, čime sprječavate nepotrebno trošenje tokena na ponavljajuće operacije.

Troškovi korištenja Microsoft Semantic Kernela

Sam Microsoft Semantic Kernel je potpuno besplatan i otvorenog koda pod MIT licencom, što znači da nema nikakvih troškova licenciranja, pretplate ili skrivenih naknada za preuzimanje i korištenje ovog okvira unutar vašeg C# .NET Core projekta.

Gdje se pojavljuju stvarni troškovi?

Budući da je Semantic Kernel samo posredni programski alat (orchestration SDK) koji povezuje vaš kod s jezičnim modelima, troškovi ovise isključivo o resursima koje pozivate u pozadini:

• API tokeni jezičnog modela: Plaćate samo potrošnju prema izabranom davatelju usluge (poput Google Gemini API-ja ili OpenAI-ja). Korištenjem visoko optimiziranih modela poput Gemini Flash, troškovi ostaju minimalni (često ispod nekoliko eura mjesečno za standardne poslovne potrebe).
• Razvojna infrastruktura: Pisanje koda unutar Visual Studio 2022 okruženja uz instalaciju službenih NuGet paketa ne stvara nikakve financijske obveze.
• Hosting i poslužitelji: Ako aplikacija radi lokalno na vašem računalu, trošak izvođenja je nula. Ako se aplikacija seli na produkcijski poslužitelj ili cloud, trošak ovisi isključivo o cijeni zakupa tog poslužitelja.

Struktura troškova prema fazama projekta

Korištenje alata poput Semantic Kernela u C#-u dugoročno donosi najveću uštedu kroz uštedu radnih sati. Budući da koristite standardne objekte, klase, sučelja i Dependency Injection mehanizme na koje ste navikli kao programer, eliminirate potrebu za učenjem potpuno novih arhitektura i drastično skraćujete vrijeme izrade funkcionalnih rješenja.