AI Atlasz

1Az AI használatának négy tengelye

Az „AI-t használunk” túl tág állítás. Egy rendszer leírásához négy, egymástól független kérdésre válaszolj. Ez a kézikönyv gyakorlati csoportosítása, nem hivatalos iparági osztályozás.

Példa: „Minden hétfőn készíts összefoglalót a nyitott hibajegyekről.” A feladat elemzés és szövegalkotás. Az adatkapcsolat lehet connector vagy saját API. Az irányítás rögzített workflow. A futtatás lehet felhős, belső vagy hibrid. Ettől még nincs szükség önálló agentre.

Másik példa: „Derítsd ki, miért nőtt meg a késve teljesített rendelések száma.” Itt a szükséges lépések előre kevésbé ismertek. Egy agent több lekérdezést indíthat, összehasonlításokat készíthet és további bizonyítékot kereshet. A tényleges okot azonban csak a rendelkezésre álló adatok és szakmai ellenőrzés alapján lehet megállapítani.

A rendszer öt összetevője

Modell: szöveget értelmez, javasol, osztályoz vagy művelethívást állít elő. Kontextus: az aktuális feladathoz megkapott információ. Eszközök: keresés, számítás, olvasás, írás. Vezérlés: a lépések sorrendje, ismétlése és leállítása. Ellenőrzés: jogosultságok, eredményvizsgálat, naplózás.

Egy jobb modell nem javítja ki automatikusan az elavult adatot, a hibás integrációt vagy a túl tág jogosultságot. Fejlesztéskor először azt keresd, melyik összetevő korlátozza a feladat teljesítését.

2A fő használati módok

Az utolsó sor azért fontos, mert nem minden AI-feladat nyelvi feladat. Egy idősoros előrejelző, képfeldolgozó modell vagy optimalizáló algoritmus lehet a megoldás számítási része; az LLM pedig elmagyarázhatja az eredményt és kezelheti a felhasználói kérést.

A „copilot” elsősorban használati szerep vagy termékelnevezés. Önmagában nem árulja el, hogy a háttérben egyetlen modell, RAG, MCP vagy agent működik. Ugyanez igaz az „AI-asszisztens” megnevezésre.

Egyetlen termék egyszerre több sorba is tartozhat. Érdemes konkrét műveletekkel vizsgálni: tud-e keresni, valóban megnyitja-e a forrást, tud-e írni, mi indítja el, és mit ellenőriz a végén?

3A gyakran összekevert fogalmak

A connector, az app és a plugin elnevezése szolgáltatónként változik. Nincs minden felületen ugyanaz a jelentésük. Az egyik nagy irodai platform egyedi connectora például API-t csomagol be; az Agent Skills külön specifikáció; az MCP pedig külön protokoll. [1, 2, 7]

Egy összetett kérés mögött: a felhasználó a chatfelületen kér jelentést; a skill megadja annak szerkezetét; az agent kiválasztja a lekérdezéseket; MCP-n keresztül meghív egy toolt; az a vállalati API-t használja; végül egy program elkészíti a fájlt.

Ebben a példában egyik fogalom sem helyettesíti a másikat. A connector akár MCP-vel is megvalósulhat, az MCP-szerver mögött pedig több API lehet. Egy agent MCP nélkül is használhat eszközöket. [2, 8, 10]

4Connectorok a gyakorlatban

A connector leveszi a felhasználó vagy fejlesztő válláról egy adott szolgáltatás elérésének részleteit. Kezelheti a hitelesítést, a keresést, az API-paramétereket és a válaszok átalakítását. A tényleges képességet mindig a konkrét integráció határozza meg. [1]

Három eltérő működés

Élő lekérdezés: a kérés pillanatában keres vagy olvas a forrásrendszerben. Friss adatot adhat, de az elérhető végpontok, a válaszidő és a szolgáltatási korlátok meghatározók.

Szinkronizált vagy indexelt hozzáférés: előre feldolgozott tartalomban keres. Nagy dokumentumtárnál hasznos, de a legutóbbi szinkronizálás óta történt változás hiányozhat. Az egyik nagy irodai platform dokumentált megközelítése például az, hogy a connector az adatokat a platform saját központi adatrétegébe juttatja. [3]

Műveletvégző integráció: létrehoz, szerkeszt, küld vagy töröl. Az olvasási lehetőségből nem következik automatikusan írási jogosultság.

Bekötési munkamenet

1. Írd le a konkrét igényt: például keresés egy kijelölt mappában és a találatok megnyitása.

2. Nézd meg, hogy az integráció pontosan ezeket a műveleteket támogatja-e.

3. A megfelelő felhasználói vagy szolgáltatásfiókkal csatlakozz; csak szükséges hozzáférést adj.

4. Tesztelj egy biztosan létező dokumentumot, egy friss módosítást és egy nem elérhető fájlt.

5. Ellenőrizd, hogy teljes dokumentumot, kivonatot vagy csak találati listát kapott-e az AI.

6. Írásnál először próbarekorddal ellenőrizd a műveletet és a visszaadott azonosítót.

Mintakérés: „A kijelölt projektmappában keresd meg a legutóbb módosított három státuszjelentést. Nyisd meg őket, jelöld a dátumokat, és csak ezek alapján foglald össze az eltéréseket.”

Tipikus hiba: a felhasználó csatlakoztatott egy tárhelyet, ezért azt feltételezi, hogy az AI minden fájlt már elolvasott. A kapcsolat hozzáférési lehetőség; a feladat közbeni keresés és olvasás ettől külön lépés.

5Mit ad az MCP

A Model Context Protocol szabványosítja, hogyan kínál egy külső program képességeket egy AI-alkalmazás számára. Nem modell, nem adatbázis és nem saját jogosultságot adó varázskapcsolat. [2]

A három alapvető szerveroldali elem

Tools: végrehajtható műveletek. Például keresés a hibajegyekben vagy egy számítás elvégzése. A művelet lehet csak olvasó is; a tool nem feltétlenül módosít. [4]

Resources: kontextusként átadható tartalom, például dokumentum vagy adatbázisséma. A kliens dönti el, mit hogyan használ fel. A resource nem feltétlenül egy merevlemezen lévő fájl. [5]

Prompts: újrahasználható interakciós sablonok. Segíthetnek egy feladat következetes indításában, de nem azonosak a rendszer egészének szabályaival vagy egy teljes skillcsomaggal. [2]

Saját példa: egy ügyfélszolgálati MCP-szerver három toolt kínál: ügyféljegy-keresés, rendelésadatok lekérése, válaszlevél-tervezet mentése. Resource-ként megadja a mezők jelentését. Egy prompt sablon segíti a napi átadás-összefoglaló összeállítását.

MCP akkor különösen hasznos, ha ugyanazt a képességet több kompatibilis AI-alkalmazásból szeretnéd elérni. Egyetlen alkalmazás egyetlen API-hívásához a közvetlen integráció gyakran egyszerűbb.

A hordozhatóság határa: a protokoll támogatása nem jelenti minden funkció teljes támogatását. A kliens által ismert elemeket, a hitelesítést és a verziót külön ellenőrizni kell.

6MCP technikai használati útmutató

Helyi és távoli szerver

Stdio: a kliens helyi folyamatot indíthat, és annak szabványos bemenetén és kimenetén kommunikál. Hasznos helyi fájlokhoz vagy fejlesztői eszközökhöz. A program telepítése egyben kódfuttatás is a gépen. Streamable HTTP: HTTP-alapú kapcsolat, amely távoli vagy helyi szolgáltatásként is működhet. Szervezeti megosztásnál a szerver üzemeltetése és az elérési jogosultság is feladat. [6]

Milyen lépések történnek

1. A host megkapja az indítandó program vagy a szerver címének beállítását.

2. A kliens ellenőrzi a kompatibilitást és megismeri a képességeket.

3. Lekéri az eszközök nevét, leírását és bemeneti sémáját.

4. A modell kiválaszthat egy műveletet és megadhatja az argumentumokat.

5. A futtatórendszer ellenőrzi és továbbítja a hívást.

6. A szerver elvégzi a műveletet, majd visszaadja az eredményt vagy a hibát.

A műveletek felsorolására a tools/list, meghívására a tools/call szolgál. A konkrét üzenetformátum és metaadatok verziófüggők. [4]

Verzió és jogosultság

A 2026-07-28 kiadás állapotmentes kéréskezelést vezetett be: a szükséges protokolladatokat a kérések hordozzák. Régebbi, inicializálási munkamenetre építő példákat ezért ne másolj át verzióellenőrzés nélkül. A sampling ebben a kiadásban elavultnak jelölt funkció. Ez nem jelenti azt, hogy az alkalmazás nem tarthat feladatállapotot. [21]

Távoli elérésnél az OAuth-alapú engedélyezés a felhasználó felhatalmazását kezeli. Az MCP-szerver elérésének engedélye és a mögöttes vállalati rendszer joga külön ellenőrzési pont. A tokeneket ne a modellnek átadott promptban tárold. [11]

Beüzemelési próba: listázás → egy ismert adat lekérése → tiltott adat megtagadása → hibás paraméter elutasítása → napló ellenőrzése. Csak ezután adj író műveletet. A „read only” leírás mellé ténylegesen csak olvasásra jogosult háttérfiók kell.

7API és tool calling

Az API önmagában hagyományos programozási felület. Tool calling esetén a modell a rendelkezésére bocsátott műveletek közül strukturált hívást állít elő. Az alkalmazás hajtja végre a saját eszközét, vagy szolgáltatói eszköznél a szolgáltató futtatja azt. A modell szöveges „elküldtem” válasza nem végrehajtási bizonyíték. [8]

Egy jól körülhatárolt eszköz

Az alábbi JSON egy szemléltető eszközleírás-részlet, nem teljes API-kérés és nem kész MCP-szerver.

{
  "name": "get_ticket",
  "description": "Egy hibajegy olvasása azonosító alapján.",
  "inputSchema": {
    "type": "object",
    "properties": {
      "ticket_id": {"type": "string"}
    },
    "required": ["ticket_id"],
    "additionalProperties": false
  }
}

Egy lehetséges argumentum: {"ticket_id":"H-1042"}. A szerver ellenőrzi, hogy a felhasználó olvashatja-e ezt a jegyet. Az azonosítónak megfelelő rekordot adja vissza, forrással és időbélyeggel. Ha nem létezik, ezt jelzi; nem gyárt helyettesítő adatot.

Tervezési javaslat: a search_tickets, get_ticket és create_ticket_draft műveletek könnyebben ellenőrizhetők, mint egy mindent elfogadó run_arbitrary_command. A jó eszközleírás megadja, mikor használható, mit vár bemenetként, és mit jelent az eredménye. [18]

Strukturált kimenet

Egy automatizáció gyakran mezőket vár: kategória, sürgősség, hiányzó adatok. A sémához kötött kimenet segít géppel feldolgozható választ kapni. Ettől a tartalom még lehet téves: a helyes JSON-ban is szerepelhet hibás rendelésszám. Külön üzleti ellenőrzés szükséges. [9]

Írásnál célszerű külön tervezési és véglegesítési műveletet használni. A jóváhagyás egy konkrét tartalomra és célrekordra vonatkozzon; az időközben módosult adatot verzióellenőrzés fogja meg.

8RAG, keresés, kontextus és memória

A retrieval augmented generation olyan minta, amelyben a rendszer előkeresi a kérdéshez releváns tartalmat, és azt átadja a modellnek a válaszhoz. A tartalom lehet vállalati dokumentum vagy más kereshető adat. A RAG nem feltétlenül vektoradatbázis: kulcsszavas, vektoros és hibrid keresés is része lehet. [12]

A feldolgozás két oldala

Előkészítés: dokumentumok beolvasása, szükség esetén OCR, darabolás, metaadatok, jogosultságok és keresési index létrehozása. Válaszadás: kérdés alapján keresés, találatok kiválasztása, forrásrészletek átadása, válasz és hivatkozás. A keresés minősége közvetlenül befolyásolja a választ. [12]

Saját példa: egy eljárásban arra kérdezel rá, milyen melléklet kell egy visszatérítési kérelemhez. Dokumentumkeresés indokolt. Ha a ma nyitott ügyféljegyek számát kéred, célszerű élő adatbázis-lekérdezés. Ha az adatbázis számot ad, azt a program számolja; az LLM értelmezze és mutassa be.

Mit tesztelj

Van-e válasz a forrásokban? Megtalálja-e a megfelelő verziót? Meg tudja-e különböztetni az ellentmondó dokumentumokat? Visszamutat-e a valóban felhasznált részletre? Megtagadja-e a nem hozzáférhető tartalmat? Tud-e „nem áll rendelkezésre elég adat” választ adni?

Kérésminta: „A válaszhoz add meg a dokumentum címét, verzióját és releváns fejezetét. Különítsd el a forrás állítását a saját következtetéstől. Hiány esetén nevezd meg a hiányzó adatot.”

9Skillek, projektek és bővítmények

A skill újrahasználható szakmai vagy technikai munkamódszert csomagol. Az Agent Skills formátumban a SKILL.md írja le a képességet; mellé kerülhetnek szkriptek, referenciák és sablonok. A rendszer fokozatosan töltheti be a szükséges tartalmat, így nem kell minden útmutatót minden feladatnál a kontextusba tenni. [7]

Mit érdemes skillbe tenni

Saját példa: egy heti jelentés készítésének módja. Legyen benne az alkalmazási helyzet, a kötelező bemenet, a számítások szabálya, a fejezetsorrend, az ellenőrzés és a kimeneti fájl elvárt formája. Az aktuális heti tényadat külön bemenet legyen.

Egy rövid tartalmi váz:

Feladat: heti státuszjelentés készítése.
Bemenet: dátumtartomány és ellenőrzött rekordlista.
Lépések: hiányvizsgálat, összesítés, eltérések, tervezet.
Ellenőrzés: minden összeg egyezzen a rekordokkal.
Kimenet: szerkeszthető dokumentum forráshivatkozásokkal.

Ez szemléltetés, nem a teljes Agent Skills fájlformátum. A telepíthető változatnak a választott rendszer specifikációját kell követnie.

Melyik réteg mit ad

Prompt vagy sablon: hogyan fogalmazod meg az egyedi kérést. Projekt vagy workspace: egy adott termékben összetartozó fájlok, beszélgetések és utasítások munkatere. Skill: egy feladattípus végrehajtási módszere. Plugin: terméktől függően több bővítmény összecsomagolása. Connector vagy MCP: hozzáférés a szükséges külső képességekhez.

Ha egy skill azt írja, hogy „olvasd ki az adatokat az ERP-ből”, attól ERP-hozzáférés még nem keletkezik. Ha a szükséges tool hiányzik, a rendszernek ezt fel kell ismernie.

Mikor éri meg: ugyanazt a feladatot rendszeresen végzed, sok apró formai vagy szakmai szabály számít, és az eredményt következetesen szeretnéd megkapni. Egyszeri rövid átfogalmazáshoz felesleges külön képességcsomagot fenntartani.

Verziózd a skillt, és módosításkor néhány korábbi mintafeladaton ellenőrizd, nem romlott-e az eredmény. A mellékelt kódot ugyanúgy vizsgáld meg, mint bármely telepített programot.

10Agentek és többagentes rendszerek

A workflow előre kijelölt utat jár be; az agent futás közben választja meg, milyen lépéssel haladjon tovább. A fogalom használata nem teljesen egységes, ezért a terméknév helyett a tényleges döntési szabadságot érdemes vizsgálni. [13]

Agentciklus: a rendszer értékeli az aktuális helyzetet, műveletet választ, megkapja az eredményt, majd eldönti, kell-e további lépés. A ciklust a futtatókörnyezet kezeli; a modell nem önmagában végtelenül dolgozó program.

A szükséges korlátok

• Cél: pontosan milyen kimenet számít késznek?
• Eszközkör: mely forrásokat és műveleteket használhatja?
• Keret: legfeljebb hány lépést, mennyi időt és költséget használhat?
• Megállás: milyen hiánynál vagy hibánál adja át embernek?
• Ellenőrzés: mi igazolja az eredményét és a végrehajtott műveleteket?

Saját példa: „Vizsgáld meg három dokumentum eltérő határidejét. Keresd meg a legutóbbi jóváhagyott verziót, készíts eltéréslistát, és jelöld a feloldatlan ellentmondásokat.” Itt a lépéssor függhet a közben talált adatoktól.

Mikor kell több agent

Párhuzamosítható, jól elválasztható részfeladatoknál: például három külön szakterület forrásfeltárása, majd közös összevetés. A koordináció, a köztes eredmények és az ismétlődő keresések további költséget jelentenek. A több szereplő nem jelent automatikusan független ellenőrzést; ugyanazt a hibás forrást is átvehetik. [19]

A2A: agentek közötti feladatátadást és együttműködést szolgáló protokoll. Az MCP eszközöket és kontextust tesz elérhetővé; az A2A egy másik agenttel való együttműködésre fókuszál. A kettő kiegészítheti egymást, de több agent építéséhez nem kötelező A2A-t használni. [10]

Első megoldásként egyetlen, szűk eszközkörrel dolgozó agentet tervezz. Csak akkor bontsd több szereplőre, ha mérhetően javul a feladat teljesítése vagy a futási idő.

11Automatizációk és eseményvezérelt folyamatok

Az automatizáció attól automatizáció, hogy a folyamat emberi újraindítás nélkül is elindul és lefut. Ehhez nem kötelező agent, sőt sokszor AI sem kell minden lépésben.

Időzített indítás: meghatározott időpontban vagy periódusonként. Eseményindítás: például új rekord vagy beérkező fájl hatására. Webhook: egy külső rendszer HTTP-kéréssel jelez egy eseményt. Polling: a rendszer időnként lekérdezi, történt-e változás. [14, 15]

Egy jól körülhatárolt minta

Új hibabejelentés érkezik. A program ellenőrzi az alapadatokat. Az AI kategóriát és rövid összefoglalót javasol. Szabályok ellenőrzik a megengedett értékeket. Bizonytalan vagy hiányos eset emberhez kerül. A megfelelő eredményből tervezet jön létre, majd a rendszer naplózza a rekordazonosítót.

Az LLM itt egyetlen lépés a folyamaton belül. A határidő-számítás, az összegzés, az azonosító-ellenőrzés és a duplikációszűrés programkód lehet.

Ami az üzembiztos működéshez kell

Idempotencia: ugyanannak az eseménynek az ismételt feldolgozása ne hozzon létre újabb azonos jegyet. Retry: átmeneti hibánál szabályozott újrapróbálkozás. Timeout: a művelet ne várjon végtelenül. Hibacsatorna: a sikertelen tételek legyenek visszakereshetők. Állapotmentés: hosszú feladat folytatható legyen.

Ha egy írási kérésnél megszakad a kapcsolat, nem biztos, hogy az írás meghiúsult. Újrapróbálás előtt azonosító vagy idempotenciakulcs alapján ellenőrizni kell az eredményt.

Egy nyílt forráskódú workflow-eszköz dokumentációja például leírja az időzített és a webhookos indítást, valamint az emberi ellenőrzést AI-eszközhívások előtt. Ez megvalósítási lehetőség, nem indok arra, hogy minden lépésbe modellt tegyünk. [14–16]

Fontos működési különbség: a chatben leírt „holnaptól figyelem” mondat nem bizonyítja időzített feladat létrejöttét. Ellenőrizhető ütemezés, aktív futtatókörnyezet és látható futási állapot szükséges.

12Kódfuttatás, böngészőhasználat és multimodalitás

Kódot használó AI

A modell programot írhat, amely táblázatot tisztít, számol, diagramot rajzol vagy fájlt készít. A tényleges számítást a futtatókörnyezet végzi. Ez hasznos, ha az eredmény reprodukálható kód alapján ellenőrizhető. A sandbox korlátozott végrehajtási környezet; nem feltétlenül a felhasználó saját számítógépe. [22]

Browser use és computer use

Browser use esetén az AI weboldalakkal lép kapcsolatba; computer use esetén teljes asztali környezetben használhat képernyőképet, egeret és billentyűzetet. A végrehajtó program biztosítja ezeket a műveleteket. Ez akkor hasznos, ha a kívánt feladathoz nincs megfelelő API vagy connector. [17]

Tervezési javaslat: ha egy jól definiált API lefedi a műveletet, azon könnyebb azonosítót, hibát és jogosultságot ellenőrizni. Felületkezelésnél minden lényeges lépés után vizsgáld meg a tényleges állapotot.

Hang képek és valós idejű használat

A multimodalitás a bemenet és a kimenet fajtája: szöveg mellett hang, kép vagy videó. Ettől a rendszer még ugyanúgy használhat connectorokat, toolokat és workflow-t.

Saját példa: a felhasználó szóban bediktál egy panaszt, és fényképet csatol egy sérülten érkezett csomagról. A rendszer átiratot és mezőjavaslatokat készít, ellenőrzi a rendelésszámot, majd megmutatja az ügyféljegy-tervezetet. A beszédfelismerés eredményét külön ellenőrizni kell, mert egy elhallott szám a teljes további folyamatot félreviheti.

Valós idejű rendszerben a megszakítás, a késleltetés és az aktuális állapot kijelzése is termékfunkció: hallgat, feldolgoz, várakozik vagy visszajelzést játszik le.

13Felhős, helyi és hibrid futtatás

A „helyi AI” kifejezésnél mindig tisztázni kell, mi fut helyben: a felület, a modell, az MCP-szerver, a keresőindex vagy mindegyik. Egy helyi connector felhőben futó modellhez is továbbíthat tartalmat.

Egy népszerű, helyi modellfuttató eszköz dokumentációja például leírja a helyi működést és a felhős funkciók kikapcsolását. Ettől egy ráépített teljes alkalmazás adatútját még külön kell ellenőrizni: lehet benne külső keresés, embedding-szolgáltatás, naplózás vagy felhős tartalékmodell. [20]

Modellfüggetlenség

Saját modellkapcsolati réteg egységesítheti a hívások egy részét. Az alkalmazás például ugyanazon belső generate vagy extract művelet mögött különböző szolgáltatókat választhat. Ez tervezési minta, nem garancia az azonos eredményre.

A modellek kontextuskezelése, eszközhívása, strukturált kimenete és hibaviselkedése eltérhet. A szolgáltatóváltást ugyanazon tesztfeladatokon kell ellenőrizni. Az MCP az eszközkapcsolatokat segít egységesíteni; a modellek összes képességét nem teszi azonossá.

A teljes költség

Számolj a modellhasználattal, kereséssel, tárhellyel, külső szolgáltatások díjával, futtatással, karbantartással és emberi ellenőrzéssel. Egy olcsó hívásból álló, sokat ismétlődő agentciklus drágább lehet egy célzottabb megoldásnál.

Hasznos mutató: teljes költség / ellenőrzötten sikeres feladatok száma. Mellé mérd az átfutási időt és az emberi javítás igényét. A tokenár önmagában nem mondja meg, melyik rendszer gazdaságosabb.

Chatelőfizetésből ne következtess automatikusan programozott API-hozzáférésre vagy külön szolgáltatások díjának fedezetére; ezt a konkrét csomagban kell ellenőrizni.

14Három rendszerterv eltérő igényre

Az alábbiak saját architektúraminták. A szükséges összetevőket mutatják, nem konkrét telepítési csomagok.

A Tudástárban kereső asszisztens

Cél: kérdések megválaszolása jóváhagyott dokumentumokból. A felhasználói azonosítás meghatározza az elérhető forrásokat. A kereső megkeresi a releváns részleteket. A modell ezekből fogalmaz választ, hivatkozással. A rendszer megőrzi, melyik dokumentumverziót használta.

Minimum: dokumentumtár, jogosultságot tiszteletben tartó keresés, modell, forrásmegjelenítés. Induló határ: csak olvasás. Sikermérés: helyes válasz, megfelelő forrás, hiány felismerése. Az MCP választható kapcsolati réteg; önmagában nem építi meg a keresőrendszert.

B Jóváhagyható ügyféljegy készítése

Cél: szabad szövegből tervezet. Az AI mezőket javasol. A program megkeresi és ellenőrzi a rendelésszámot, a kötelező mezőket és a megengedett értékeket. A felhasználó látja a célrekordot és a végleges tartalmat. Jóváhagyás után a rendszer ment, majd visszaolvassa az eredményt.

Minimum: strukturált kimenet, törzsadat-lekérdezés, tervezetképernyő, író API, naplózás. Induló határ: küldés vagy élesítés csak konkrét jóváhagyással. Sikermérés: helyes mezők, javítási idő, duplikációmentes mentés.

C Önállóan futó heti összesítés

Cél: ismétlődő riport kézi újraindítás nélkül. Az ütemező időablakot számol. A lekérdezés adatot hoz. A program összesít és összehasonlít. A modell szöveges magyarázatot ír. Ellenőrzés után létrejön a jelentés, és rögzül a futás állapota.

Minimum: ütemező, tárolt futási állapot, adatkapcsolat, számítás, dokumentumkészítés, hibakezelés. Induló határ: belső tervezet, automatikus külső továbbítás nélkül. Sikermérés: pontosság, időbeni elkészülés, észlelt adatkimaradás.

Mi közös bennük: az AI csak a neki megfelelő részt végzi. A jogosultságot, a dátumkezelést, a pontos számítást és az írás megbízhatóságát a környező szoftver biztosítja.

15Konkrét feladatok és választási javaslatok

Egy feladat fokozatos fejlesztése

Tegyük fel, hogy a napi ügyfélszolgálati átadás előkészítését szeretnéd segíteni. Először néhány anonimizált mintarekordból készíttess tervezetet. Rögzítsd, mely mezők kötelezők, és milyen összesítések számítanak helyesnek.

Ha a kimenet hasznos, kösd be a forrást olvasási jogosultsággal. Ezután tedd újrahasználhatóvá a jelentés módszerét egy skillben vagy programban. Következő lépésként időzítheted a tervezet elkészítését. Agent csak akkor szükséges, ha a rendszernek az eredmények alapján változó keresési lépéseket kell választania.

Más területen ugyanez: egy értékesítési asszisztens lekéri a nyitott ajánlatokat, számítja a lejáratokat, megírja a kapcsolatfelvételi tervezeteket. A küldés külön művelet. Egy kutatási segéd viszont új forrásokat kereshet a talált ellentmondások alapján, ezért nagyobb haszna lehet az agentciklusnak.

Ne azzal kezdd, hogy „kell egy MCP-s multi-agent rendszer”. A kiinduló mondat inkább: „Ezt a konkrét eredményt szeretném, ezekből az adatokból, ennyi önállósággal.”

16Jogosultság, adatút és megbízhatóság

Az eszközhasználó AI hozzáférést kap a külvilághoz. A védelem ezért nem pusztán egy prompt, hanem a rendszer végrehajtási szabályainak része.

Prompt injection: egy dokumentum vagy weboldal olyan utasítást tartalmazhat, amely megpróbálja eltéríteni a feladatot. A külső tartalmat adatként kell kezelni, nem jogosultságot adó utasításként. A felületkezelés dokumentációja is kiemeli ezt a kockázatot. [17]

MCP-specifikus ellenőrzés: megbízható szerver, helyes tokenkezelés, megfelelő célközönségre kiadott hitelesítő adat, kis jogosultságú futtatás. A protokoll használata önmagában nem tesz biztonságossá egy integrációt. [23]

Tervezési ellenőrzőlista

• Hozzáférés: a háttérrendszer is ellenőrzi, hogy az adott felhasználó mit olvashat vagy módosíthat.
• Adatút: látható, mi kerül a modellhez, a keresőindexbe, a naplókba és külső szolgáltatásba.
• Írás: a változtatás célja és tartalma ellenőrizhető; indokolt helyen jóváhagyás szükséges.
• Titkok: jelszó és token titokkezelőben vagy megfelelő futtatási konfigurációban van.
• Visszaállítás: verzió, mentés vagy kompenzáló művelet segít egy hibás változtatás javításában.
• Leállítás: a folyamatnak van idő-, költség- és lépésszámkorlátja.

A jóváhagyás tárgya

Az ember azt hagyja jóvá, ami végre fog hajtódni: címzett, célrekord, tartalom, összeg vagy módosítás. A „folytathatom?” önmagában kevés. A jóváhagyott tartalom megváltozása vagy a célrekord frissülése új ellenőrzést indokolhat. Workflow-eszközök ilyen emberi ellenőrzési pontokat is támogatnak eszközhívás előtt. [16]

Tervezési határ: egy LLM-alapú levéltervezet és egy pénzt vagy fizikai eszközt közvetlenül mozgató rendszer egészen eltérő követelményű feladat. A minták itt információkezelésre és ellenőrzött adminisztratív műveletekre vonatkoznak. Pénzügyi tranzakciónál vagy eszközvezérlésnél külön validált vezérlési és védelmi rétegeket kell tervezni.

17Hogyan mérd, és hogyan keresd a hibát?

Egy látványos bemutató egyetlen sikeres feladatot bizonyít. A használhatóságot reprezentatív eseteken kell mérni. Indulásként készíts például 20–30 mintafeladatot: egyszerű, hiányos, kétértelmű, tiltott és hibás bemeneteket is. Ez gyakorlati kezdőjavaslat, nem általános megfelelőségi küszöb.

Gyakori hibák nyomában

Nem látja a fájlt: ellenőrizd a fiókot, jogosultságot, mappát, indexfrissességet és fájltípust. Látja, de rosszul válaszol: nézd meg, valóban megnyitotta-e, és mely részleteket kapta meg.

Nem hív eszközt: lehet, hogy az nincs a modellnek elérhetővé téve, félreérthető a leírása, vagy a kérésből nem derül ki, hogy élő adat szükséges. Rossz argumentumot ad: tisztázd a sémát, a mértékegységet és az azonosító feloldását.

Kétszer ír: vizsgáld a retry és az idempotencia kapcsolatát. Végtelenül kutat: hiányzik a kész állapot definíciója vagy a korlát. Frissítés után romlik: futtasd újra a korábbi teszthalmazt, és hasonlítsd össze a modell, tool, skill és index verzióját.

Az eszközök értékelése és leírásuk javítása külön fejlesztési feladat; nem csak a modellválasztás számít. [18]

Naplózz célszerűen: feladatazonosító, felhasznált verziók, meghívott művelet, futási idő, állapot és eredményazonosító. A teljes érzékeny tartalom naplózása helyett a hibakereséshez szükséges minimumot őrizd meg.

18Indulási terv és gyors döntési szabályok

Négy lépésben az első működő megoldásig

1. Válassz egy körülhatárolt feladatot. Legyen ismétlődő, legyen hozzá elérhető adat, és tudd megmondani, mi számít jó eredménynek. Például egy jelentéstervezet, nem „az egész adminisztráció automatizálása”.

2. Készíts kézzel indított próbát. Néhány tesztadattal vizsgáld meg a kimenetet. A számítást és az adatkinyerést külön ellenőrizd. Itt még ne a teljes integrációs infrastruktúrát építsd.

3. Kösd be az adatot és rögzítsd a módszert. Válassz kész connectort vagy közvetlen API-t. MCP akkor indokolt, ha a képességet kompatibilis AI-kliensek számára egységesen akarod kitenni. Az ismétlődő módszer kerülhet skillbe; a biztos szabály programkódba.

4. Csak igazolt eredmény után adj önállóságot. Előbb olvasás, aztán tervezet, majd szabályozott írás. Időzítéshez workflow és üzemeltetés kell. Agentet ott adj hozzá, ahol valóban változó lépéssor szükséges.

Gyors döntési szabályok

• Ha minden információ a kérésben van, kezdd egyszerű modellhívással.
• Ha a saját dokumentumaidból kell válasz, keresés vagy RAG szükséges.
• Ha élő állapot kell, lekérdezhető rendszerkapcsolatot használj.
• Ha külső adat változik, ellenőrzött tool és író jogosultság kell.
• Ha a lépések előre ismertek, workflow-val kezdd.
• Ha a következő lépés a találatoktól függ, agent lehet indokolt.
• Ha ugyanaz a módszer ismétlődik, csomagold újrahasználható eljárásba.
• Ha több rendszerben kell ugyanaz az eszköz, vizsgáld meg az MCP-t.

Egy használható feladatleírás

„A kijelölt forrásokból készíts heti összefoglaló-tervezetet a megadott dátumtartományra. Csak olvasási műveleteket használj. A darabszámokat program számolja. Jelöld a forrást és a hiányzó adatokat. A feladat akkor kész, ha a jelentés elkészült, a számok egyeznek a rekordokkal, és az eltérések visszakereshetők.”

Ebből már levezethető a szükséges hozzáférés, eszközkör, munkafolyamat és elfogadási feltétel. A technológia kiválasztása ezután következik.