Menu

agents

openclaw_lightsail_featured

OpenClaw már Lightsail-en: autonóm AI agent percek alatt

, , , , , , , , , ,

| Olvasási idő: 5 perc |

2025-ben látványosan megváltozott az AI rendszerek iránya. A fókusz egyre inkább az úgynevezett Agentic AI felé fordult. Ebben a folyamatban nagy szerepe volt az MCP (Model Context Protocol) megjelenésének is, amely jelentősen megkönnyítette az AI rendszerek és különböző eszközök közötti integrációt.

Korábban főleg chat alapú AI rendszereket használtunk. A működés egyszerű volt: kérdeztünk valamit, az AI válaszolt. Ez sok esetben hasznos, de nem mindenre alkalmas nekünk.

Azóta az AI agentek rengeteget fejlődtek. Egyre ügyesebbek lettek, és sokkal könnyebben integrálhatók különböző rendszerekkel. Ennek köszönhetően egy új szintre léptek: megjelentek az autonóm AI agentek.

Ezek már nem csak válaszolnak egy kérdésre. Folyamatosan futnak a háttérben, figyelnek, reagálnak, feladatokat hajtanak végre, és különböző rendszerekkel kommunikálnak.

Ha belegondolunk, ez valójában nem egy teljesen új koncepció. Inkább egy természetes következő lépés. Az eddig különálló technológiák – AI modellek, automatizációk, integrációk – most kezdenek igazán összeérni.

Pont ezt a hullámot lovagolja meg az OpenClaw is. Valójában semmi újat nem hoz, hanem okosan összerakja azokat az elemeket, amelyek eddig is léteztek. A különbség inkább az, hogy nagyon alacsonyra teszi a belépési küszöböt ebbe a világba.

És most már az Amazon Lightsail segítségével ezt még könnyebb kipróbálni az AWS-ben.

Mi az az OpenClaw?

Az OpenClaw egy nyílt forráskódú autonóm AI agent.

Korábban Clawdbot vagy Moltbot néven is ismert volt, de a projekt most már OpenClaw néven fut tovább.

A működési modellje eltér attól, amit a klasszikus chat AI rendszereknél megszoktunk.

Az OpenClaw:

  • folyamatosan fut a háttérben
  • üzenetküldő platformokon keresztül kommunikál
  • képes feladatokat végrehajtani
  • kódot futtatni
  • fájlokat kezelni
  • weboldalakat böngészni
  • automatizált munkafolyamatokat kezelni

Alapvető kommunikációs csatornái például:

  • Slack (én ezt használom)
  • Telegram
  • WhatsApp
  • Discord

Ez azt jelenti, hogy a felhasználó egy üzenetküldő alkalmazáson keresztül kommunikál az agent-el, miközben az a háttérben egy szerveren fut.

Miért érdekes a Lightsail integráció?

Az OpenClaw eddig is telepíthető volt saját infrastruktúrára.

Például:

Viszont ezek sok esetben túl bonyolultak lehetnek egy gyors kipróbáláshoz.

Ahogy arról már írtam az Amazon Lightsail pont ilyen a problémákra ad egyszerű megoldást: A Lightsail egy leegyszerűsített AWS szolgáltatás, amely előre konfigurált szolgáltatásokat kínál fix havi áron.

Most már az OpenClaw egy előre elkészített megoldásként is elérhető ezen a platformon.

A 90 napos ingyenes lehetőség

Ahogy megszoktuk az egyes szoplgáltatásokhoz több csomagot is igénybe vehetünk. Így van ez most is, viszont a Lightsail egyik csomagja különösen érdekes.

A konfiguráció:

  • 2 vCPU
  • 2 GB RAM
  • 60 GB SSD
  • 3 TB adatforgalom

Normál esetben ez 12 USD / hó.

Most azonban az AWS 90 napos ingyenes időszakot kínál erre a csomagra.

Ez gyakorlatilag azt jelenti, hogy három hónapig teljesen inygenesen lehet kipróbálni egy saját AI agent futtatását.

Hogyan illeszkedik ez a modern AI agent trendbe?

Az AI világában most egyre többet beszélünk az úgynevezett agentic AI rendszerekről.

A különbség egyszerűen megfogalmazva:

  • Chat AI: A felhasználó kérdez, a modell válaszol.
  • AI agent: A rendszer folyamatosan fut és feladatokat hajt végre.

Az agentek általában képesek:

  • több eszközt használni
  • API-kat hívni
  • fájlokat feldolgozni
  • automatizált workflow-kat futtatni

Az OpenClaw ebbe a kategóriába tartozik. Ezért sok érdeklődő, fejlesztő és AI mérnök számára érdekes projekt.

Mire lehet használni egy ilyen AI agentet?

Az OpenClaw mögött az az elképzelés áll, hogy az AI ne csak „beszéljen”, hanem dolgozzon is.

Néhány egyszerű példa:

  • Automatizált Slack asszisztens: Egy csatornában figyeli a kérdéseket és segít dokumentációk alapján válaszolni.
  • Fejlesztői workflow támogatás: Feladatokat gyűjt, fájlokat generál, scriptet futtat.
  • Monitoring jelzések feldolgozása: Alert esetén információkat gyűjt és jelentést készít.
  • Kisebb automatizációk: Weboldalak ellenőrzése, adatgyűjtés, riportok generálása.

Nyilván ezekhez további konfiguráció és integráció szükséges, de az alap koncepció már működőképes.

Mire figyelj az AI agenteknél!

Az AI agent rendszerek körül most nagyon nagy a hype.

Úgy látom, hogy túl gyorsan próbálnak valami nagyon komplex rendszert építeni. És ebben sokszor elvesznek.

Pedig az ilyen technológiáknál sokkal fontosabb: először kísérletezni. (valami egyszerűvel)

Ezért jó a Lightsail alapú megközelítés.

Egy kis VM-en el lehet kezdeni:

  • tesztelni
  • integrációkat kipróbálni
  • promptokat finomítani
  • agent workflow-kat építeni

Ha pedig megvan a tapasztalat, és komolyabb, kreatívabb megoldás kell, akkor lehet tovább lépni.

Én is ki fogom próbálni

Az OpenClaw bizonyos szempontból számomra is érdekes projekt, ezért a következő hetekben ki fogom próbálni a Lightsail alapú megoldást, és össze fogom hasonlítani azzal a környezettel, amit jelenleg itthon futtatok a saját mikro szerveremen.

Kíváncsi vagyok például:

  • ugyanolyan stabil
  • milyen teljesítményre képes
  • mennyire egyszerű integrálni különböző rendszerekkel
  • ugyanannyi hiba van-e benne mint a helyi szerveren futó verzióban

Ha lesznek érdekes tapasztalataim, arról külön cikkben is fogok írni.

Fontos: ezekkel az agentekkel óvatosan kell bánni

Szeretném azonban mindenki figyelmét felhívni, hogy felelősséggel használja.

Az autonóm AI agentek nem csak válaszolnak, hanem aktívan cselekszenek. Kódot futtathatnak, fájlokat kezelhetnek, API-kat hívhatnak, vagy akár külső rendszerekkel is kommunikálhatnak.

Ez hatalmas lehetőség, de egyben kockázat is.

Ha egy agent túl széles jogosultságot kap, vagy rosszul konfiguráljuk, akkor könnyen okozhat problémát – akár saját rendszereinkben, akár más szolgáltatásokban.

Ezért az ilyen rendszereket mindig:

  • korlátozott jogosultságokkal érdemes futtatni
  • izolált környezetben tesztelni
  • és tudatosan felügyelni

Az AI agentek nagyon erős eszközök lehetnek, ezért felelősséggel kell használni őket.

Pont ezért érdemes először kísérletezni velük, mielőtt komolyabb rendszerekbe integrálnánk őket.

Összegzés

Az OpenClaw sokak szerint egy izgalmas új irányt képvisel az AI rendszerek világában. Ezzel kapcsolatban én kicsit szkeptikus vagyok. Az azonban tény, hogy felkavarta az állóvizet.

Akik eddig nem merték kipróbálni az autonóm AI agenteket, azoknak most jó lehetőség nyílik rá. Az Amazon Lightsail integráció jelentősen leegyszerűsíti az indulást.

A 90 napos ingyenes csomag kifejezetten jó lehet arra, hogy valaki elkezdjen kísérletezni ezekkel a rendszerekkel, és saját tapasztalatot szerezzen.

És egy dolgot érdemes mindig szem előtt tartani: az ilyen rendszereket mindig csak felelősséggel használjuk.

Ha érdekelnek a hasonló Cloud és AI tartalmak:

Iratkozz fel az InfoPack hírlevélre
Kövess LinkedIn-en
Iratkozz fel a YouTube csatornámra
Keress meg TikTok-on is

Rendszeresen jelentkezem új, szakmai tartalmakkal, hogy ismerd a Cloud izgalmas világát.

ai-models-2026-hero

Újdonságok: 2026 elején megjelent AI modellek és agentek

, , , , , ,

| Olvasási idő: 6 perc |

A mesterséges intelligencia világában folyamatos a pörgés és a változás. Rendszeresen jelennek meg az egyes nagy nyelvi modellek (LLM) újabb, frissített — de nem feltétlenül jobb — verziói. Most, hogy túl vagyunk januáron, érdemes egy pillanatra megállni, és megnézni: milyen AI modellek és agent-ek érkeztek meg 2026 elején, illetve mi az, ami már most körvonalazódik. És ami legalább ilyen fontos: vajon ezek a változások tényleg előre visznek minket, vagy csak tovább növelik a zajt?

A 2026 eleji kép egyértelműen azt mutatja, hogy a fókusz eltolódott. Nem „okosabb chatbotokat” építenek, hanem hosszabb ideig dolgozni képes, kontextust tartó, feladatokat elejétől a végéig elvégző modelleket és ügynököket. Ez nem látványos, de nagyon is hasznos irány, amikor egy komplex feladatot szeretnék az AI segítségével elvégezni.

GPT-5.3-Codex – amikor a kódolás már folyamat

A GPT-5.3-Codex február elején jelent meg, és egyértelműen hangsúlyozzák, hogy nem egyszeri promptokra optimalizálták. Az OpenAI itt már kifejezetten agentic codingról beszél: olyan fejlesztési munkáról, amely nem percekig, hanem órákig vagy akár napokig tart.

Ez a modell nem ott erős, hogy „írj egy függvényt”, hanem ott, hogy:

  • képes egy komplex kódbázison belül következetesen dolgozni,
  • visszatér korábbi döntésekhez,
  • és saját hibáit felismerve javítja azokat.

A sebességnövekedés önmagában nem izgalmas. Ami igazán számít: kevesebb beavatkozást igényel. Fejlesztői és DevOps szemmel ez azt jelenti, hogy egyre inkább partnerként viselkedik, nem pedig eszközként.

Ugyanakkor fontos korlát: ez sem váltja ki az architektúrát, a code review-t vagy a felelősségi köröket. Ahol ezt próbálják megspórolni, ott az AI nem segít, hanem megnöveli a hibák számát is.

Claude Opus 4.6 – gondolkodás nagy léptékben

A Claude Opus 4.6 szintén február elején jelent meg, de teljesen más problémára ad választ. Itt a hangsúly nem a kódoláson, hanem a tervezésen, elemzésen és hosszú kontextusok kezelésén van.

Ez a modell ott erős, ahol:

  • nagy dokumentumhalmazokat kell átlátni,
  • összetett üzleti, jogi vagy pénzügyi helyzeteket kell értelmezni,
  • vagy több, egymásra épülő döntést kell következetesen végiggondolni.

A hosszú kontextusablak nem öncélú technikai adat. A gyakorlatban azt jelenti, hogy nem kell feldarabolni a problémát csak azért, mert a modell „elfelejt” dolgokat. Ez enterprise környezetben óriási előny.

Cserébe ez nem egy „gyors” modell. Nem ideális real-time interakciókra vagy pipeline-ba illesztett automatikus futtatásra. Inkább döntéstámogató, elemző szerepben erős.

Ennek megfelelően használata drága, amire fel is hívja a figyelmet, amikor ezt a modellt használjuk.

Screenshot

Claude Cowork – amikor az AI tényleg dolgozik

A Claude Cowork nem új modell, hanem egy desktop agent, és emiatt sokkal érdekesebb, mint elsőre tűnik. Ez már nem csak válaszol, hanem:

  • fájlokat olvas és szerkeszt,
  • mappákban dolgozik,
  • böngészőt használ.

Ez az a pont, ahol az AI elkezd beleolvadni a napi munkavégzésbe. Nem külön eszköz, hanem „ott ül melletted”.

Itt viszont nagyon gyorsan előkerülnek a nem technikai kérdések: adatkezelés, jogosultságok, kontroll. Egy ilyen agent hatalmas hatékonyságnövelő lehet, de csak akkor, ha pontosan tudjuk, mit láthat és mit nem. Ez már governance kérdés, nem modellképesség.

A Cowork-nek vannak egyéb különlegességei is, erről majd egy későbbi videóban beszélek nektek.

Kimi K2.5 – nyílt AI modell, komoly ambícióval

A Moonshot AI Kimi K2.5 modellje sok benchmarkon jól szerepel, de a lényeg nem ez. Hanem az, hogy nyílt modellként próbál versenyezni a zárt rendszerekkel. Ez már önmagában is izgalmas és ígéretes. Kíváncsi leszek hová jutnak. Én drukkolok nekik.

Multimodális, és az agent-alapú működésre épít: több feladatot képes párhuzamosan kezelni, több „gondolkodási szálon”. Ez különösen érdekes ott, ahol:

  • szuverén AI-megoldásokban gondolkodnak,
  • on-prem vagy kontrollált környezetben kell futtatni a modellt.

Fontos viszont látni: a nyílt nem jelenti azt, hogy egyszerű. Az üzemeltetés, integráció és finomhangolás továbbra is komoly szakértelmet igényel. Cserébe viszont nagyobb kontrollt ad ,ami sokaknak fontosabb.

Gemma 3 – stabil alap, nem reflektorfényben

A Gemma 3 nem friss februári megjelenés, de 2026 elején is releváns. Ez a modellcsalád nem „mindent megoldó AI”, hanem megbízható építőkocka.

A Gemma ott jó választás, ahol:

  • célzott AI-funkciókra van szükség,
  • fontos a kiszámíthatóság,
  • és nem akarunk egy túl nagy, túl komplex modellt használni.

Sok projektben ez pont elég. Sőt, gyakran jobb, mint egy flagship modell, amit csak részben használunk ki.

Gemini Flash 3 – amikor a sebesség számít

A Gemini Flash 3 2025 decemberében jelent meg, de még bőven frissnek számít. A pozíciója nagyon egyértelmű: gyors, fürge, költséghatékony.

Ez nem a „legmélyebben gondolkodó” modell, hanem az, amelyik:

  • jól működik chat-alapú felületeken,
  • nagy forgalmat képes kiszolgálni,
  • és gyors válaszidőt ad.

A Gemma 3-hoz képest fontos különbség, hogy a Flash 3 inkább kész szolgáltatás, nem építőkocka. Kevesebb döntést igényel, gyorsabban lehet vele funkciót szállítani.

Cserébe nem erre bíznám komplex üzleti logikát vagy mély elemzést. Ott nem ez az erőssége.

Meta: Mango és Avocado – ami még csak irány

A Meta esetében a Mango és Avocado egyelőre belső kódnevek. Amit látni lehet: erős fókusz a multimodalitáson és a skálázhatóságon. Konkrét termékről még nem beszélhetünk, de irányról igen.

Ez tipikusan az a kategória, amit érdemes figyelni, de nem tervezni rá. A Meta eddigi tempóját ismerve lesz folytatás, csak még nem most.

Függetlenül az AI modellektől

A 2026 eleji helyzetkép a szokásos: nem egy „legjobb modell” van, hanem egyre több, jól körülhatárolt szerepre optimalizált megoldás. Ez jó hír, ha tudatosan választunk.

A rossz döntések nem abból születnek, hogy „rossz modellt választunk”, hanem abból, hogy nem tudjuk, mire szeretnénk használni. Ha ezt sikerül kiküszöbölnünk, akkor ezek a modellek és agent-ek valóban előre tudják mozdítani a munkát — technológiailag és üzletileg is.

Ha pedig érdekelnek a hasonló Azure és AI tartalmak:

ClaudeInExcelBeta2026-blog

Claude in Excel – az AI asszisztens – mit tud a béta?

, , , , , , ,

| Olvasási idő: 2 perc |

Ebben a videóban a Claude in Excel (Beta) megoldást mutatom be, amely képes elemezni, javítani és kezelni az Excel munkafüzetekben lévő adatokat. Ez egy beépített AI asszisztens, aki segít felgyorsítani és tökéletesíteni az Excel tudásod.

A Claude in Excel képletek magyarázatában, hibakeresésben, pivot táblák létrehozásában, adattisztításban, táblázatok és diagrammok elkészítésében. Ingyenesen tudod telepíteni ezt az Excel kiegészítőt a Microsoft Markeplace-ről. Habár a kiegészítő ingyenes, a Claude esetén szükséged van egy minimum Pro előfizetésre, hogy használni tudd.

A videó kitér a jelenlegi korlátokra is, így reális képet kapsz arról, mire számíthatsz a Claude in Excel (Beta) használata során.

Egy bemutatón keresztül megmutatom, hogy hogyan használható adattisztításra is.

A videó célja, hogy rövid, érthető képet adjon arról, mikor lehet hasznos a Claude in Excel használata, és milyen korlátai vannak jelenleg a béta verziónak.

Miről lesz szó a videóban?

  • Claude in Excel (Beta) működése Excelen belül
  • Képletek magyarázata és hibajavítás
  • Pivot táblák és diagramok létrehozása
  • Adattisztítás gyakorlati példával
  • Naplózás és visszakövethetőség
  • Modellválasztás (Sonnet vs Opus)
  • Mi az, amit még nem tud a béta verzió
  • Prompt-olás szerepe a hatékonyságban

Kinek ajánlott ez a videó?

  • Excelben rendszeresen dolgozóknak
  • Adatokkal foglalkozó szakembereknek
  • AI eszközök iránt érdeklődőknek
  • Tanulóknak, akik hatékonyabb munkamódszereket keresnek

Claude in Excel videó

Ne feledd, ez nem egy teljes Excel képzés és nem is AI tutorial. Nem makró automatizálási útmutató és nem termék összehasonlító teszt.

Ha szeretnél ebben az irányban tisztábban látni, érdemes követned a további cikkeimet és feliratkozni az InfoPack hírlevélre vagy a Youtube csatornámra.

azure-logic-apps-hero

Az Azure Logic Apps csendben felnőtt – és AI-kompatibilis is

, , , , , , , , , ,

| Olvasási idő: 5 perc |

Amikor az elmúlt években Azure Logic Apps-ről beszélgettünk, gyakran ugyanoda jutottunk: jó eszköz, rengeteg integrációs lehetőséggel, mégis maradt bennem egy állandó hiányérzet. Én magam is sokszor éreztem azt, hogy működik, de nem igazán élvezetes vele dolgozni. Mondhatni, kicsit merev és nem túl vonzó a grafikus felülete.

Ez az érzés 2025 nyarán is nagyon erősen visszajött, amikor készítettem a „NoCode és LowCode megoldások Azure-ban és AWS-ben” videós képzési anyagot. Akkor is pontosan ezt láttam: az Azure Logic Apps elképesztően sok lehetőséget rejt, mégsem olyan kényelmes használni, mint amennyit valójában tud. Nem a funkcionalitás hiányzott, hanem a használhatóság nem nőtt fel a képességekhez.

2025-ben viszont ez a helyzet látványosan megváltozott. Nem egy hangos marketingkampánnyal, hanem több, egymásra épülő, tudatos fejlesztéssel. Ráadásul ezek a változások már nem csak az integrációról szólnak, hanem arról is, hogyan illeszkedik a Logic Apps az AI-ügynökökkel dolgozó architektúrákba.

Azure Logic Apps Designer újratervezése

2025 novemberében a Microsoft bejelentette az Azure Logic Apps Designer teljes újratervezését, amely jelenleg Public Preview státuszban érhető el a Standard workflow-khoz.

Ez nem egyszerű UI-frissítés. Inkább egy felismerés eredménye. A Logic Apps-et ma már nem csak kisebb automatizmusokra használják, hanem üzletileg kritikus folyamatokra is.

A korábbi designer elsősorban kisebb workflow-kra volt optimalizálva. Nagyobb folyamatoknál gyorsan átláthatatlanná vált, és hosszabb távon mentálisan is fárasztó volt vele dolgozni.

Az új szerkesztő ezzel szemben sokkal jobban kezeli a nagy és összetett workflow-kat. Logikusabb lépésszervezést ad, és végre nem büntetés egy több tucat lépésből álló folyamat karbantartása.

Tehát az új funkció jelenleg csupán a Standard verzióknál elérhető.

Azure Logic Apps new designer availability

Erre figyelni kell, ha szeretnék kipróbálni az új felületet. Itt sem alapértelmezetten kapjunk, hanem be kell azt kapcsolnunk. Ezt könnyű megtenni a portálon.

Azure Logic Apps new designer on

Ha pedig nem tetszik, bármikor vissza is válthatunk a korábbi megoldásra.

Azure Logic Apps new designer off

Az XML kezelése végre élhetőbb

Kevésbé látványos, de szakmailag nagyon fontos változás az XML-kezelés javítása.

Aki dolgozott már SOAP-alapú integrációkkal, legacy rendszerekkel vagy vállalati adatcsere-folyamatokkal, pontosan tudja, mennyire nehézkes volt korábban az XML feldolgozása Logic Apps-ben.

2025-ben ezen érezhetően javítottak. Az XML struktúrák kezelése átláthatóbb lett, a kifejezések logikusabban épülnek fel, és az egész élmény már közelít a JSON feldolgozás egyszerűségéhez. Nem lett tökéletes, de végre nem érzem azt, hogy tudatosan kerülni kellene.

Azure Logic Apps mint MCP szerver

A Microsoft Build 2025 egyik stratégiailag legfontosabb bejelentése az volt, hogy az Azure Logic Apps Standard képes MCP, vagyis Model Context Protocol szerverként működni.

Ez elsőre technikai részletnek tűnhet, valójában azonban szemléletváltást jelent. Az MCP célja az, hogy az AI-ügynökök strukturált módon érjenek el műveleteket. Nem ad-hoc API-hívásokkal, hanem egy egységes, szabványosított protokollon keresztül.

Ebben a modellben a Logic Apps egy vizuálisan definiált, enterprise szintű végrehajtási réteggé válik. Több száz connector, kiforrott security és governance modell, valamint most már MCP-kompatibilis működés áll rendelkezésre. Ez ideális alapot ad AI-agentek számára is.

Egy Azure Logic Apps példa

Képzelj el egy AI-ügynököt, amely beérkező e-maileket elemez, majd eldönti, hogy incidensről, számlázási kérdésről vagy support megkeresésről van szó. A döntés után elindítja a megfelelő üzleti folyamatot.

Ebben a felállásban az AI-ügynök hozza meg a döntést, a Logic Apps pedig megbízhatóan végrehajtja azt, ahogy eddig is tette azt. Jegy létrehozás, adatlekérdezés, értesítés, auditálás mind jól definiált workflow-kban történik, MCP-n keresztül.

Itt válik igazán érdekessé a Logic Apps szerepe. Nem okosabb lesz, hanem stabilabb és kiszámíthatóbb végrehajtó réteggé válik.

Mit jelent ez ha most kezded?

Ha most ismerkedsz a felhővel vagy a NoCode és LowCode világgal, akkor a Logic Apps továbbra is könnyen tanulható maradt. Nem kell azonnal AI-agentekben vagy AI-ügynökökben gondolkodnod. Az alap automatizmusok ugyanúgy működnek, mint eddig.

A különbség az, hogy amit most tanulsz, az nem zsákutca. Később természetes módon bővíthető AI-alapú megoldások irányába is.

Haladóknak és karrierváltóknak

A 2025-ös változások egyértelmű irányt mutatnak. Az integráció, az automatizálás és az AI egyre inkább összenő.

Az Azure Logic Apps ma már nem csak összeköt, hanem orchestration rétegként és végrehajtási motorként működik. AI-ügynökök stabil háttérrendszere lehet, nagyvállalati környezetben is.

Ez hosszú távon értelmezhető, jövőálló tudás. Ráadásul most már mindezt egyben elérheted az Azure-on belül.

Öszefoglalva

2025-ben az Azure Logic Apps csendben, de határozottan szintet lépett. Az új designer használhatóbbá tette, az XML-kezelés élhetőbb lett, az MCP-szerver képesség pedig teljesen új szerepbe helyezte a szolgáltatást.

Számomra ez azt jelenti, hogy a Logic Apps újra komolyan vehető eszköz lett. Nem csak integrációra, hanem AI-ügynökökkel együttműködő architektúrákban is.

Ami fontos: Az új designer sem váltja ki az átgondolt tervezést.

Ígérem, nem állunk meg az elméletnél. Hamarosan hozok egy részletes, végigkövethető példát is, amelyet már az új Logic Apps designerrel valósítok meg, valós problémára, valós döntési pontokkal. Megmutatom, hol erős az új megközelítés, és azt is, hol vannak még kompromisszumok.

Ha követsz, elsőként látod majd ezt a gyakorlati anyagot, és nem csak azt fogod érteni, mi változott, hanem azt is, mikor és miért érdemes használni.

Ha szeretnél ebben az irányban tisztábban látni, érdemes követned a további cikkeimet és feliratkozni az InfoPack hírlevélre.

featured_image

A Microsoft AI platform evolúciója: OpenAI és Foundry

, , , , , , , , , , , ,

| Olvasási idő: 4 perc |

Nem rég fejeztem be egy videós képzési anyagot a Mentor Klub részére, ahol a résztvevők megismerhették az Azure-on belül elérhető OpenAI megoldásokat. Ennek részeként bemutattam az Azure OpenAI Studio felületét is, ami valójában az Azure AI Foundry egyik funkcionális eleme. Mindkettőt elég gyakran használom, különböző projektekben és különböző célokra. Hogy éppen melyik a jobb egy adott feladathoz, azt többnyire az aktuális projekt igényei döntik el.

A Microsoft azonban az elmúlt hónapokban egy olyan változtatást indított el, amely alapjaiban alakítja át azt, ahogyan eddig AI-megoldásokat építettünk Azure-ban. A Foundry platform fokozatosan átveszi az Azure OpenAI Studio szerepét, kiszélesítve annak lehetőségeit és egységesítve az AI-fejlesztés teljes ökoszisztémáját.

Mi volt az Azure OpenAI Studio szerepe

A Microsoft az Azure OpenAI Studio felületet arra hozta létre, hogy egyszerű legyen kipróbálni és tesztelni az Azure által kínált OpenAI modelleket. A felület segítségével lehetett:

  • modelleket kipróbálni egy játszótérben
  • finomhangolt modelleket kezelni
  • API-végpontokat és kulcsokat elérni
  • kötegelt feldolgozást és tárolt befejezéseket használni
  • értékeléseket futtatni
  • és még sok hasznos AI programozást segítő funkciót.

Az Azure OpenAI Studio azonban alapvetően egy modelltípusra, az Azure által értékesített OpenAI modellekre épült. Ez a projektjeim során is érezhető volt: ha más modellgyártó megoldását szerettem volna használni, akkor azt külön kellett integrálni vagy külső szolgáltatásból kellett elérni.

Ez az a pont, ahol a Foundry teljesen más szemléletet hoz.

Mit kínál a Microsoft Foundry?

A Microsoft Foundry egy egységes AI-platform, amely több modellszolgáltatót, több szolgáltatást és teljes életciklus-kezelést egy felületre hoz. A Microsoft Learn dokumentum így fogalmaz: a Foundry egy nagyvállalati szintű platform, amely ügynököket, modelleket és fejlesztői eszközöket egy helyen kezel, kiegészítve beépített felügyeleti, monitorozási és értékelési képességekkel .

A legfontosabb különbségek a következők.

Széles modellkínálat

Az Azure OpenAI-val szemben a Foundry nem korlátozódik egyetlen gyártóra. Elérhetők többek között:

  • Azure OpenAI modellek
  • DeepSeek
  • Meta
  • Mistral
  • xAI
  • Black Forest Labs
  • Stability, Cohere és más közösségi modellek

És ez még csak a jéghegy csúcsa.

Ügynökszolgáltatás és többügynökös alkalmazások (AgenticAI)

A Foundry API kifejezetten ügynökalapú fejlesztéshez készült, ahol több modell és komponens együttműködésére van szükség.

Egységes API különböző modellekhez

A Foundry egységes API-t biztosít, így a fejlesztőnek nem kell minden gyártó logikáját külön megtanulnia.

Vállalati funkciók beépítve

A Foundry felületén eleve jelen vannak:

  • nyomkövetés
  • monitorozás
  • értékelések
  • integrált RBAC és szabályzatok
  • hálózati és biztonsági beállítások

Gyakorlatilag, minden ami a nagyvállalati és biztonságos működéshez elengedhetetlen.

Projektalapú működés

A Foundry projektek olyan elkülönített munkaterületek, amelyekhez külön hozzáférés, külön adatkészletek és külön tároló tartozik. Így egy projektben lehet modelleket, ügynököket, fájlokat és indexeket is kezelni anélkül, hogy más projektekhez keverednének.

Hogyan kapcsolódik össze a két világ

A Microsoft nem megszünteti az Azure OpenAI-t, hanem lehetővé teszi, hogy az adott erőforrás Foundry-erőforrássá alakuljon. A frissítési folyamat lényege:

  • a meglévő végpontok és kulcsok megmaradnak
  • a finomhangolt modellek és állapotok megmaradnak
  • a Foundry funkciói azonnal elérhetővé válnak
  • a fejlesztő továbbra is használhatja az Azure OpenAI API-t

Mindezt lépésről lépésre írja le a frissítési útmutató.

Egy példán keresztül…

Amikor még csak Azure OpenAI-val dolgoztam, előfordult, hogy egy ügyfél Meta vagy Mistral modellt szeretett volna kipróbálni összehasonlításként. Ezt külön rendszerben kellett megoldani.
A Foundry megjelenésével ugyanabban a projektben elérhetővé vált:

  • GPT-típusú modell
  • Mistral
  • Meta
  • DeepSeek
  • és még sok más

Egy projekten belül egyszerre lehet kísérletezni, mérni és értékelni különböző modellek viselkedését.

Mit jelent ez a felhőben dolgozó szakembereknek

A Foundry nem egyszerűen egy új kezelőfelület. A gyakorlati előnyei:

  • Egységes platform, kevesebb különálló eszköz
  • Könnyebb modellválasztás és modellváltás
  • Átláthatóbb üzemeltetés, biztonság és hálózatkezelés
  • Bővíthető modellkínálat
  • Konszolidált fejlesztői élmény és API

A dokumentáció többször hangsúlyozza, hogy a Foundry nemcsak kísérletezésre, hanem üzleti szintű, gyártásra kész alkalmazásokra is alkalmas. Ez a mindennapi munkában is érezhető.

Miért előnyös ez a vállalatoknak

A vállalatok számára a Foundry több szempontból stratégiai előrelépés:

  • Egységes biztonsági és megfelelőségi keretrendszer
  • Több modellgyártó támogatása egy platformon
  • Könnyebb üzemeltetési kontroll
  • Gyorsabb AI-bevezetési ciklus
  • Rugalmasabb fejlesztési irányok

A Foundry megjelenésével a cégek már nem csak egyetlen modellre vagy ökoszisztémára építenek, hanem több szolgáltató képességét is bevonhatják anélkül, hogy töredezett lenne a rendszer.

TulajdonságAzure OpenAIFoundry
Közvetlenül az Azure által értékesített modellekCsak Azure OpenAIAzure OpenAI, Black Forest Labs, DeepSeek, Meta, xAI, Mistral, Microsoft
Partner és Közösség modellek a Marketplace-en keresztül – Stability, Cohere stb.✅
Azure OpenAI API (köteg, tárolt befejezések, finomhangolás, értékelés stb.)✅✅
Ügynökszolgáltatás✅
Azure Foundry API✅
AI-szolgáltatások (beszéd, látás, nyelv, tartalomértés)✅

Összegzés

Az Azure OpenAI Studio jó kiindulási pont volt az Azure AI-képességeinek megismerésére és modellek kipróbálására.

A Microsoft Foundry azonban túlnő ezen a szerepen:
egységes platformot biztosít a teljes AI-fejlesztési életciklushoz, több modellgyártóval és kiterjesztett vállalati funkciókkal.

A Microsoft nem leváltja az Azure OpenAI-t, hanem beépíti egy nagyobb, átfogóbb rendszerbe. Ez a lépés hosszú távon kiszámíthatóbb, hatékonyabb és sokkal rugalmasabb AI-fejlesztést tesz lehetővé.

atlas-03

ChatGPT Atlas: az internetes böngészés új dimenziója

, , , , , , , , ,

| Olvasási idő: 4 perc |

Amikor az OpenAI bejelentette a ChatGPT Atlas-t, azonnal letöltöttem és feltelepítettem a gépemre, hogy kipróbáljam. Első gondolatom az volt, hogy a ChatGPT vastagkliensét használom. Majd ahogy elmélyedtem benne, rájöttem, hogy ez egy teljesen más megközelítése az internetezésnek.

Az AI alapvetően a kérdéseinkre válaszol és az utasításainkat követi, de közben teljesen kihasználja azt, hogy ez egy böngésző. Amikor egy linkre kattintok a megszokott kinézetű chat-ablakban, osztott képernyőn megnyílik a weboldal. Itt lehetőségem van arra, hogy a megnyitott weboldal tartalmaival kiegészítve beszélgessek tovább az AI-val. Ez olyan érzés, mintha a GitHub CoPilot-ot használnám a Visual Studio Code-ban – csak éppen a teljes interneten.

Szerintem ez mindenképpen egy új dimenzióba helyezi az online böngészést. Talán ahhoz tudnám hasonlítani, amikor Elon Musk előrukkolt a Tesla-val, vagy Steve Jobs bemutatta az első iPhone-t. És ezen hasonlatokban nem arra gondolok, hogy valami forradalmian újat mutattak be, hanem arra, hogy újragondolták azt, amit addig ismertünk. A ChatGPT Atlas is ilyen – az internetes élményt formálja újra, alapjaiban.

Amit viszont nem értek: miért nem a Google-nak jutott ez eszébe? Megöregedtek? Elfáradtak? A Google mesterséges intelligencia-kiegészítése a keresőben amúgy is inkább vicces, mint hasznos. Nem ezt vártam. Bár tudom, ha a keresőóriás meglépte volna azt, amit most az OpenAI az Atlas-szal, akkor elesett volna sok milliárdnyi reklámbevételtől.

Nem véletlen, hogy az elmúlt egy évben már nem használom a Google keresőjét – egyszerűen elavult és szinte használhatatlan. A ChatGPT Atlas viszont megmutatta, hogyan nézhet ki a böngészés a jövőben, ha a mesterséges intelligencia nem csak válaszol, hanem valóban együtt gondolkodik velem.

Amikor a böngésző és az AI összeér, megszűnik a határ az információ és a megértés között. Nem kell külön keresnem, olvasnom, értelmeznem, majd kérdeznem – a rendszer ezt mind egyben teszi. Az Atlas nem egyszerűen egy böngésző: ez az első olyan felület, ahol az internet és az AI világa egyesül. És ahogy most látom, ez csak a kezdet.

Mitől különleges ez a böngésző?

A ChatGPT Atlas nem egyszerűen egy új termék, hanem az internethasználat újragondolása. Az OpenAI szerint ez a böngésző „a ChatGPT-vel a középpontban” készült, és célja, hogy a felhasználó munkáját, kontextusát és eszközeit egyetlen, intelligens felületen egyesítse.

A tavalyi évben a ChatGPT-ben megjelent a keresés funkció, amely azonnal az egyik legnépszerűbbé vált. Most azonban az OpenAI ezt a funkcionalitást egy teljes böngészőbe emelte át. Az Atlas lehetővé teszi, hogy a ChatGPT mindenhol ott legyen – megértse, mit csinálok, és segítsen anélkül, hogy másik oldalt vagy alkalmazást kellene megnyitnom.

A böngésző emlékezete („Browser memories”) teljesen opcionális, és a felhasználó kezében marad az irányítás – az adatok bármikor törölhetők, archiválhatók, vagy kikapcsolható a funkció.


Agent mód: Ez az egyik legizgalmasabb rész – bizonyos előfizetési szinteken (Plus, Pro, Business) elérhető. Az Agent (ügynők) mód segítségével az AI nem csak beszélget, hanem „kattint, navigál, feladatokat végez” a böngészőn belül. Például: „Keresd meg ezt az éttermet, rendeld meg az alapanyagokat”, „Készíts piackutatást a versenytársakról, majd írj belőle összefoglalót” – mindez anélkül, hogy külön programban kellene dolgoznom.


Az OpenAI hangsúlyozza, hogy a biztonság és adatvédelem kiemelt: az AI nem fér hozzá automatikusan a fájlrendszerhez, nem futtat kódot, és minden érzékeny műveletnél megerősítést kér a felhasználótól.
Az Atlas jelenleg macOS-re áll rendelkezésre, más platformokra (Windows, iOS, Android) hamarosan érkezik.

Hol tart most és mit érdemes tudni?

Az Atlas most indul – egy ígéretes, de még fejlődő termék. A korai felhasználói élmények szerint bár az integráció izgalmas, néhány funkció még finomításra szorul. Például a keresési eredmények listája korlátozott, és a folyamatok még nem mindig zökkenőmentesek.
Biztonsági szakértők figyelmeztettek, hogy az AI-alapú böngészők érzékenyek lehetnek a „prompt-injection” típusú támadásokra – vagyis olyan webes instrukciókra, amelyek képesek befolyásolni az AI viselkedését. Az OpenAI szerint dolgoznak a védelem erősítésén.

Miért érdekes ez nekünk?

Ha kezdő vagy az AI és az internetes böngészés ilyen modern formái felé, akkor az Atlas számunkra több okból is izgalmas:

  • Egyszerűbbé tesszük az internetezést: nem kell külön alkalmazást megnyitni, nem kell másolgatni-beilleszteni a tartalmakat a ChatGPT-be – mindent egy helyen tehetek.
  • Azonnali segítséget kapok: ha találok egy weboldalt, és nem vagyok biztos a tartalmában, az AI-val azonnal beszélhetek róla: „Mi a lényege?”, „Mi az, amit kiemelnél?”, „Hol van erre alternatív forrás?” – így nem csak passzívan olvasok, hanem aktívan gondolkodom.
  • Több időm marad a tényleges feladatra: mivel az AI képes részmunkákat átvenni (pl. Agent mód), nekem nem kell annyit kattintgatnom – az értelmezésre, döntéshozatalra koncentrálhatok.
  • Ha vállalati környezetben dolgozom, akkor ez komoly lehetőség: gyorsabban készíthetek elemzést, összegzést, mert a böngészőm és az AI egyben van.

Összegzés

Én úgy látom, hogy a ChatGPT Atlas nem csupán egy új böngésző. Ez egy lépés afelé, hogy a webes szokásunk egyre inkább „agentikus” legyen – vagyis a rutinmunkákat átruházhassuk egy intelligens asszisztensre, miközben mi a lényegre koncentrálhatunk.

Ez egy hatalmas erejű eszköz, amelytől nem magát az AI-tól kell tartanunk, hanem attól, hogy mi emberek talán még nem nőttünk fel a felelősségteljes használatához.

Azért, mint minden AI alapú megoldást, ezt is kezeljük a helyén.
Ne hagyatkozzunk rá mindig!

chatgpt-codex-highlight

Programozás újragondolva: ChatGPT Codex lépésről lépésre

, , , , , ,

| Olvasási idő: 5 perc |

Mióta megjelent az AI és berobbant a köztudatba, folyamatosan ezt hallani: „Elveszi a munkánkat! Jajj, mi lesz velünk? Nem kellenek programozók!”. Mivel én folyamatosan figyelemmel követem ezt a területet, úgy gondoltam, bármennyire is fejlődik az AI, ettől még nagyon messzire vagyunk.

Erre 2025. májusában bejelentette az OpenAI legújabb eszközét a ChatGPT Codex-et. Ekkor még csak külön hozzáféréssel tudtam tesztelni, azonban júniustól, már bárki számára elérhető.

Tehát az elmúlt időszakban volt alkalmam testközelből megszemlélni ezt a megoldást és azt kell mondjam, hogy hatalmas segítséget kaptak a kezdő programozók és DevOps szakemberek.

Ebben a cikkben megpróbálom átadni a ChatGPT Codex hozadékát és azt, hogy miért mérföldkő ez a programozás területén.

A programozás világába való belépés vagy új nyelvek felfedezése gyakran tűnhet bonyolultnak. Az OpenAI ChatGPT Codex megoldása ezt a belépési küszöböt csökkenti. A Codex egy olyan fejlesztés, amely lehetővé teszi, hogy természetes nyelvű utasításokból programkódot generáljunk, közvetlenül a böngészőben, telepítés nélkül.

Mostantól nem kell telepíteni semmilyen fejlesztőkörnyezetet ahhoz, hogy kipróbálj vagy létrehozz egy egyszerű szkriptet vagy progrmokat. Csak nyisd meg a chatgpt.com/codex oldalt, és kezdj el írni – a Codex pedig kódra fordítja az elképzelésedet.

Miért hasznos?

  • Természetes nyelv alapján is tud kódot írni.
  • Nem szükséges előzetes fejlesztői környezet vagy telepítés.
  • Egyetlen felület a kódolásra, futtatásra és hibakeresésre.
  • Ideális tanuláshoz, prototípusokhoz, kódvázlatokhoz.

Előnyei

  • Egyszerű elérés: csak egy böngésző és internetkapcsolat kell.
  • Multinyelvi támogatás: Python, JavaScript, HTML, CSS, SQL és sok más nyelv is működik.
  • Azonnali visszajelzés: a kódgenerálás és futtatás ugyanazon a felületen történik.
  • Magyarázatra is képes: nemcsak kódot ír, de el is tudja magyarázni, mit csinál az adott kódrészlet.

Hol használható?

A chatgpt.com/codex oldalon belül:

  • Tanulási célokra (pl. „Írj egy Python kódot, amely beolvas egy fáljt”)
  • Webes sablonok vagy HTML/CSS oldalak gyors összeállítására
  • Egyszerű adatbázis-lekérdezések vagy API-hívások kipróbálására
  • Kísérletezésre, új ötletek gyors ellenőrzésére

Miért nagy mérföldkő?

A Codex lehetővé teszi, hogy ne kelljen fejlesztői háttérrel rendelkezned ahhoz, hogy működőképes kódot hozz létre. A korábbi eszközökkel ellentétben itt egy interaktív, kétirányú felületen kommunikálhatsz a modellel: írsz egy szöveget, ő kódot ad – vagy elmagyarázza a meglévőt.

Ez különösen fontos kezdők számára, akik gyakran küzdenek a fejlesztői eszközök bonyolultságával.

Hogyan lehet beállítani?

Nem kell semmit telepítened.

  1. Látogasd meg: https://chatgpt.com/codex
  2. Jelentkezz be OpenAI fiókoddal (ingyenesen is használható).
  3. Válaszd ki a kívánt nyelvet vagy kérd meg, hogy javasoljon.
  4. Írj egy természetes nyelvű utasítást, pl. „Írj egy Python függvényt, ami megmondja, hogy egy szám prímszám-e.”
  5. A Codex automatikusan kódot javasol, amit módosíthatsz, lefuttathatsz, és kérhetsz magyarázatot is hozzá.

Mennyibe kerül?

  • Az alapfunkciók elérhetők a ChatGPT Plus előfizetés keretében.
  • A Codex jelenleg a GPT-4 modellek részeként működik.
  • A ChatGPT Plus előfizetés ára: 8900 Ft/hó
  • Nincs külön díj a Codex funkcióért – ha GPT-4-et használsz, automatikusan elérhető.

Mire alkalmas már most is, és mire nem?

Mire alkalmas:

  • Kód írása természetes nyelvű utasításból
  • Egyszerű szkriptek, algoritmusok generálása
  • Oktatás, példák kipróbálása, tanulás támogatása
  • HTML, CSS, SQL minták készítése

Mire nem ajánlott:

  • Nagy, komplex projektek önálló generálása
  • Biztonságkritikus, validált kód írása emberi átnézés nélkül
  • Teljes alkalmazások generálása tesztelés és kontroll nélkül

GitHub-integráció: automatikus kódmentés Pull Request formájában

És most jön a legjobb rész! A ChatGPT Codex nemcsak arra képes, hogy egy természetes nyelvű utasításból működő kódot hozzon létre – hanem a megírt kódot automatikusan el is tudja küldeni egy GitHub repóba. Ez különösen hasznos azoknak, akik már valamilyen projektet vezetnek, csapatban dolgoznak, vagy szeretnék elmenteni és verziókövetni saját kódgenerálásaikat. Sőt, kezdőknek kimondottan hasznos, hiszen nem csupán a programozást sajátíthatjék el könnyedén, hanem megérthetik, a modern szoftverfejlesztés folyamatait is.

Ehhez a funkcióhoz csak a következőkre van szükséged:

  1. Legyen egy GitHub-fiókod, és hozz létre egy repository-t (vagy használd a meglévőt).
  2. A chatgpt.com/codex felületen a beállításoknál engedélyezd a GitHub-integrációt.
  3. Válaszd ki a célrepo-t és a branchet.
  4. Írj egy természetes nyelvű, szöveges utasítást, például:
    „Készíts egy Python-függvényt, ami eldönti egy számról, hogy prímszám-e, és add hozzá a repository-hoz”
  5. A Codex megírja a kódot, commitol-ja, majd Pull Request-et (kód összefűzési kérést) hoz létre a megadott repository-ban.

Nézd meg a példát itt: https://github.com/cloudsteak/chatgpt-codex

GitHub-integrációs példa lépésekben

Látogasd meg a chatgpt.com/codex oldalt, és válaszd ki az Új környezet létrehozása lehetőséget, majd válaszd ki a repository-dat a listából.

Majd adjuk ki a chat mezőbe az utasítást: „Írj egy Python függvényt, ami megmondja, hogy egy szám prímszám-e.”
Ekkor elkezdődik a kód generálása és amikor kész, el is magyarázza mit csinl a kód.

A kódunk kész és akár ki is próbálhatjuk, vagy módosíthatjuk, kedvünk szerint.

Ha pedig elégedettek vagyunk a végeredménnyel, akkor jöhet a verziókezelt tárolás a GitHub repository-ban. Hogyan? Egyszerűen megkérjük a modelt, hogy: „Add hozzá a repository-hoz a fájlt”

Ugye, hogy semmi külön prompt engineering tudás nem kellett? Mégis ami következik, az szuper. Létrehoz egy új branch-et a módosításokkal, majd létrehoz hozzá egy Pull Request-et is, amit azonnal ellenőrizhetünk a GitHub-on.

Miután ellenőriztük a módosítások helyességét, máris elvégezhetjük a kódbázis összefűzését.

És még a dokumentációt is írathatunk erről a kódról, vagy tetszőlegesen módosíthatjuk a meglévő kódjainkat.

Ez persze csak egy nagyon egyszerű példa volt. A lehetőségeink elég széles spektrumon mozognak. Javaslom, hogy próbáld ki Te is.

Összefoglalás

A ChatGPT Codex új szintre emeli a programozást: szöveges utasításból kódot generál, lefuttatja, megmagyarázza, és ha szeretnéd, automatikusan GitHub repóba menti Pull Request formájában.

Kezdőknek és haladóknak egyaránt hasznos eszköz, akár tanulásra, akár gyors prototípusokra.

Ha még nem próbáltad, itt az ideje kipróbálni!

Látogasd meg a chatgpt.com/codex oldalt, és próbálj ki egy saját példát – vagy
keress meg engem, és szívesen megmutatom, hogyan működik ez a gyakorlatban is.

agentic-generative-ai-connection

Mi az Agentic AI, és miben más, mint a generatív AI?

, , , , , , , ,

| Olvasási idő: 4 perc |

Legutóbb az MCP-ről írtam egy cikket, majd hamar rájöttem, hogy lehet kicsit lőre szaladtunk. Ezért ma egy kicsit visszalépünk és összehasonlítom nektek a 2025-re beharangozott Agentic AI-t és a már jól ismert genratív AI-t.

A generatív AI már sokak számára ismerős: képes szöveget írni, képet alkotni vagy kódot generálni egy adott utasítás alapján. Azonban a legújabb irányzat az úgynevezett Agentic AI, amely nemcsak válaszol, hanem keres, dönt és cselekszik.

Most jöjjön, hogy mit is jelent az Agentic AI, hogyan viszonyul a generatív AI-hoz, mik az előnyei és korlátai, és milyen szerepet játszik ebben az új protokoll, az MCP.

Mit jelent az Agentic AI?

Az Agentic AI olyan mesterséges intelligencia-rendszer, amely képes autonóm (önálló, független) módon döntéseket hozni és hosszabb távú célokat követni. Ez nem csupán egy „okos chatbot”, hanem egy mesterséges ügynök (agent), amely képes:

  • feladatokat önállóan lépésekre lebontani és megtervezni
  • több lépésen keresztül végrehajtani folyamatokat
  • külső eszközökkel vagy rendszerekkel interakcióba lépni (az illesztett külső alkalmazásokon keresztül)
  • alkalmazkodni a változó feltételekhez vagy felhasználói visszajelzésekhez

Az Agentic AI tehát nemcsak választ ad, hanem proaktívan cselekszik is. Működését legegyszerűbben úgy képzelhetjük el, mint egy digitális asszisztenst, amely nem várja meg, hogy minden utasítást megadjunk neki, hanem felismeri a célunkat, és ennek megfelelően saját maga tervezi meg a szükséges lépéseket.

Például ha azt mondjuk neki, hogy „segíts egy bulit megszervezni”, akkor nem csak naptárbejegyzést hoz létre, hanem utánanéz a szabad időpontoknak, összehangolja a résztvevőkkel, lefoglal helyszínt, és elküldi a meghívókat – mindezt úgy, hogy közben kérdéseket tesz fel, amelyek alapján döntéseket hoz, és ha változás történik (pl. valaki lemondja, vagy esős idő várható), képes újratervezni az egészet.

Ez a működésmód alapjaiban különbözik a klasszikus AI megközelítéstől, ahol minden lépést nekünk kellett megadnunk. Az Agentic AI lényege tehát a „kezdeményezőképesség” és az alkalmazkodóképesség: nemcsak végrehajt, hanem „gondolkodik” is a cél érdekében.

Ez különösen hasznos ott, ahol a feladat nem egyértelműen definiált, vagy ahol sok apró döntés és külső tényező befolyásolja a végeredményt – például projektmenedzsment, személyi asszisztencia, IT-automatizálás vagy ügyfélszolgálati folyamatok terén.

Ezen automatikus működés, természetesen nem önállóan jön létre, hanem a fejlesztőknek a megfelelő ügynököket rendszerbe kell szerveznie, hogy az AI azokat képes legyen használni, mint egy szakember a szerszámait.

Generative AI vs. Agentic AI: miben mások?

JellemzőGenerative AIAgentic AI
Fő célTartalom létrehozása utasítás alapjánÖnálló cselekvés és döntéshozatal
PéldaSzöveg, kép, kód generálásaFeladatlista kezelése, automatizált kampányindítás
Válasz típusaEgylépéses, azonnaliTöbblépcsős, folyamat alapú
KontrollFelhasználó irányítja minden lépésbenRészben vagy teljesen önálló működés

Felhasználási esetek

Generative AI például hasznos lehet:

  • Hirdetés vagy marketing szöveg írásához
  • Képgeneráláshoz egy termékötlethez
  • Segítséghez programozás vagy hibaelhárítás közben

Agentic AI ott hasznos, ahol:

  • Automatizálni kell egy komplex feladatot (pl. heti riportok lekérése, elemzése és továbbítása)
  • Egy AI-nak döntéseket kell hoznia (pl. melyik ügyfélnek küldjön follow-up üzenetet)
  • Több rendszer együttműködésére van szükség (pl. CRM + e-mail + naptár integrációja)

Milyen lehetőségeket kínál az Agentic AI?

  • Skálázhatóság: Egyszerre több folyamatot képes kezelni emberi beavatkozás nélkül.
  • Rugalmasság: Képes reagálni a váratlan helyzetekre és tanulni a visszajelzésekből.
  • Produktivitás: Feladatokat vesz le a vállunkról, amiket eddig manuálisan végeztünk.

Milyen korlátai vannak?

  • Megbízhatóság: Ha rossz adatból tanul, rossz döntéseket hozhat.
  • Átláthatóság: Nehéz lehet követni, mi alapján dönt egy komplex rendszer.
  • Etikai kérdések: Ki a felelős, ha az AI hibás döntést hoz?

Mi az MCP, és hogyan kapcsolódik az Agentic AI-hoz?

Az MCP (Model Context Protocol) egy újfajta szabványosított kommunikációs forma, amely lehetővé teszi, hogy különböző AI modellek és rendszerek hatékonyan együttműködjenek. Az Agentic AI gyakran több különálló képességet és modellt kombinál (pl. adatlekérdezés, döntéshozatal, visszacsatolás). Az MCP biztosítja, hogy ezek a részek egységes módon beszéljenek egymással – hasonlóan, mint az USB-C szabvány a különböző eszközök világában.

Ez különösen fontos, mert az Agentic AI rendszer gyakran több specializált modellt használ (pl. egy nyelvi modellt, egy naptárkezelőt, egy keresőt), és ezek koordinációjához elengedhetetlen a szabványos protokoll, amit az MCP kínál.

Összefoglalás

A Generative AI és az Agentic AI nem versenytársai egymásnak, hanem eltérő igényekre adnak választ. Míg a generatív AI akkor hasznos, ha tartalmat szeretnénk gyorsan előállítani, az agentic AI akkor segít, ha automatizálni akarunk összetett, több lépésből álló munkafolyamatokat. Ahogy én látom, a jövőben a két megközelítés egyre gyakrabban dolgozik majd együtt, szabványosított keretek között – épp ebben segít az MCP.

Ha megérted ezt a különbséget, könnyebben dönthetsz arról, mikor melyik technológiát érdemes alkalmazni a saját projektjeidhez.

Ezután pedig megérkezel az AI egy magasabb szintjére. 🎯

mcp03

MCP: Hogyan lesz az AI-ból intelligens csapatjátékos?

, , , , , , ,

| Olvasási idő: 6 perc |

A mesterséges intelligencia (AI) rendszerek akkor válnak igazán hasznossá, ha képesek külső adatokkal, szolgáltatásokkal és eszközökkel együttműködni. Eddig ezt jellemzően API-k (Application Programming Interface) segítségével oldottuk meg. Ezekhez pedig ügynökökön keresztül csatlakozott az LLM. Ez a multi-agent megközelítés nagyon nagy rugalmasságot adott. Minden specifikus feladatra létrehozhattunk egy-egy dedikált ügynököt (időjárás, EUR árfolyam, forgalmi adatok, stb), majd ezeket közösen használva összetett és lélegzetelállító mutatványokra voltunk képesek.

Azonban, amikor ezek használatát előtérbe helyezzük egy komplex megoldás során, olyan korlátokba ütközünk, amelyek lassítják vagy gátolják a hatékonyságot. Ezen megoldások ugyanis nem túlságosan skálázhatók és egy-egy új ügynök bevezetése időigényes lehet, hiszen egyedileg kell illesztenünk a rendszerbe.

2024 végén azonban az Anthropic bemutatta a Model Context Protocolt (MCP), amely új szabványként forradalmasítja, hogyan adhatunk kontextust a nagy nyelvi modelleknek (LLM-ek).

Mi az MCP koncepciója?

Az MCP egy nyílt szabvány, amely egységesíti az LLM-ekhez érkező kontextus és eszközök integrációját. Úgy kell elképzelni, mint az USB-C portot a laptopodon:

  • Függetlenül attól, hogy monitort, külső merevlemezt vagy töltőt csatlakoztatsz, a csatlakozás módja szabványos.
  • Nem számít, ki gyártotta az eszközt, minden működik ugyanazzal a csatlakozóval.

Az MCP pontosan ezt biztosítja az AI alkalmazások, LLM-ek és külső adatforrások között.

Egyszerű hasonlat:

Képzeld el, hogy különböző szakemberek ülnek egy tárgyalóasztalnál – például egy informatikus, egy mérnök, egy értékesítő és egy jogász. Mindannyian más területen profik, de amikor együtt dolgoznak egy problémán, közösen cserélnek információt, hogy teljes képet kapjanak. Az MCP pontosan ezt teszi az AI modellekkel: összekapcsolja őket egy közös „tárgyalóasztalon” keresztül, így együtt tudnak dolgozni anélkül, hogy előre ismerniük kéne egymást.

Miért jó ez nekem?

Az MCP nem csak a fejlesztőknek, hanem a hétköznapi felhasználóknak is előnyös lehet. A mesterséges intelligencia jelenleg sokszor „dobozolt” megoldásként működik: egy-egy alkalmazás egy konkrét dologra jó (tartalomgyártás, zeneírás, képfeldolgozás, stb.), de ha összetettebb kérdésed van, könnyen elakad vagy összezavarodik.

Az MCP előnyei neked, mint felhasználónak:

  1. Sokkal okosabb asszisztensek
    Olyan AI-t használhatsz majd, ami egyszerre ért a joghoz, egészséghez, utazáshoz, technológiához – mindenhez a saját szakértőjén keresztül, mégis egységes válaszokat ad.
  2. Kevesebb félreértés, pontosabb válaszok
    A modellek megosztják egymással a rólad szóló fontos kontextust (természetesen adatvédelmi szabályok betartásával), így nem kell ugyanazt elmagyaráznod többször.
  3. Testreszabott élmény, valódi személyre szabás
    Nem általános válaszokat kapsz, hanem a te helyzetedre szabott megoldásokat, mivel az AI csapatmunka révén jobban átlátja az összképet.
  4. Gyorsabb, hatékonyabb ügyintézés
    Képzeld el, hogy egy ügyfélszolgálati AI azonnal megérti a kérdésed, és az adott terület szakértő AI-jától szerzi be a választ – emberi várakozás nélkül.

Az MCP azért jó neked, mert a jövő AI rendszerei érthetőbben, gyorsabban és személyre szabottabban segítenek majd, mintha egy profi ügyintéző csapat dolgozna érted a háttérben.

Mire használható az MCP?

  1. Vállalati asszisztensek
    Egy chatbot, ami egyszerre ért a HR-hez, IT-hoz és jogi kérdésekhez, különböző modellek bevonásával, de zökkenőmentesen válaszol.
  2. Egészségügyi diagnosztika
    Különböző AI modellek (pl. képfelismerő, szövegelemző) közösen állítják fel a diagnózist anélkül, hogy bonyolult integrációra lenne szükség.
  3. Kreatív tartalomgyártás
    Író, képszerkesztő és videószerkesztő AI modellek együttesen készítenek multimédiás anyagokat, mintha egy csapat dolgozna rajta.
  4. Ipari automatizálás
    Különböző szenzoradatokat elemző modellek valós időben megosztják egymással az információt, optimalizálva a gyártási folyamatokat.

Hogyan működik az MCP?

Az MCP alapja az a képesség, hogy a modellek metaadatokat és kontextus információkat tudnak egységes formátumban megosztani egymással. Ehhez az alábbi elemek szükségesek:

  1. Context Token-ek: Olyan kis egységek, amelyek tartalmazzák az adott modell által értelmezett kontextust, pl. felhasználói szándék, előzmények, fontos paraméterek.
  2. Protokoll szabványok: Meghatározzák, hogy a modellek hogyan kérnek és adnak vissza kontextust. Ez biztosítja az egységes „nyelvet”.
  3. Memória és állapotkezelés: Lehetővé teszi, hogy a modellek ne csak egyszeri választ adjanak, hanem hosszabb távon is „emlékezzenek” az együttműködésre.
  4. Routing és orchestration: Az MCP irányítja, hogy melyik modell mikor és milyen formában kapcsolódjon be a munkafolyamatba.

Architektúra

  • MCP Host: mint a laptop az USB-C esetében
  • MCP Client: minden kliens JSON-RPC 2.0 kapcsolaton keresztül kommunikál MCP szerverekkel
  • MCP Server: képességeket biztosít (pl. adatbázis elérés, kód repository, e-mail szerver)

Alapelemek (primitívek)

  1. Tools: Eszközök vagy műveletek, amelyeket az AI meghívhat (pl. időjárás lekérdezés, naptár esemény létrehozás).
  2. Resources: Csak olvasható adatok, fájlok, adatbázis rekordok.
  3. Prompt templates: Előre definiált prompt sablonok.

Az MCP kliens felfedezheti a szerver képességeit futásidőben, így az AI alkalmazások automatikusan alkalmazkodnak az elérhető funkciókhoz.

Miért újdonság az MCP?

Korábban a modellek integrálása bonyolult, eseti fejlesztést igénylő feladat volt. Minden új modell beillesztéséhez külön interfészeket, adatstruktúrákat kellett készíteni. Az MCP ezt szabványosítja, így a modellek bármikor „plug and play” módon csatlakoztathatók egy közös kontextushoz.

Olyan, mintha az eddig különböző nyelveken beszélő AI modellek hirtelen megtanulnának egy univerzális tárgyalási nyelvet.

Miért lesz hasznos a jövőben?

  • Gyorsabb fejlesztés: Új modellek integrálása percek alatt megvalósítható lesz, nem hetek vagy hónapok alatt.
  • Skálázható rendszerek: Egyre komplexebb feladatokra állíthatók össze AI csapatok, anélkül, hogy a rendszerek kezelhetetlenné válnának.
  • Költséghatékonyság: Egységes protokoll miatt csökken a fejlesztési és üzemeltetési költség.
  • Valódi AI csapatmunka: Az MCP segítségével nemcsak egy „nagy” modell lesz okos, hanem több kisebb modell együttműködése hoz létre intelligens megoldásokat.

Miben más, mint a Multi-Agent megközelítés?

A Multi-Agent rendszerek is több AI modellt használnak, de általában szoros szabályok és előre definiált interakciók mentén működnek. Ezek gyakran zárt rendszerek, ahol minden ügynök (agent) pontosan tudja, hogy milyen másik ügynökkel és hogyan kell kommunikálnia.

Az MCP ezzel szemben rugalmas és nyitott:

  • Nincs szükség előre meghatározott kapcsolatokra.
  • Bármilyen modell képes csatlakozni, ha érti a protokollt.
  • A kommunikáció dinamikusan, kontextus alapján történik, nem előre programozott folyamatok szerint.

Ez olyan, mintha a Multi-Agent rendszer egy összehangolt kórus lenne, míg az MCP inkább egy improvizációs zenekar, ahol bárki beszállhat a közös játékba, ha ismeri az alapokat.

MCP és API: Hasonlóságok és különbségek

Mindkettő kliens-szerver architektúrára épül, elrejti a háttérrendszer bonyolultságát, és leegyszerűsíti az integrációt.
De az MCP kifejezetten AI ügynökök számára készült.

MCPAPI
AI ügynökökhöz szabvaÁltalános célú interfész
Kontextus adatok és eszközök integrációjára optimalizáltTetszőleges rendszerek közötti kommunikáció
Dinamikus képesség-felfedezés futásidőbenStatikus interfész, kézi frissítés szükséges
Szabványosított formátum, minden szerver azonos módon kommunikálMinden API egyedi (endpontok, paraméterek, autentikáció)

Nem az API-k helyett

Fontos megérteni, hogy az MCP gyakran hagyományos API-kat használ a háttérben. Az MCP szerverek lényegében „burkolják” az API-kat, és egy AI-barát interfészt biztosítanak.
Például egy MCP szerver a GitHub REST API-t használja a háttérben, de az AI ügynökök számára szabványosított, könnyen kezelhető formában érhető el.

Összegzés

Az MCP forradalmasíthatja, hogyan építjük fel a mesterséges intelligencia rendszereket. Egyszerűbbé, gyorsabbá és hatékonyabbá teszi a modellek közti együttműködést, miközben a rugalmasságot is megőrzi. Ez a nyitott, univerzális megközelítés lehet a kulcs ahhoz, hogy az AI valóban intelligens, csapatjátékos módjára segítse a mindennapi életünket.

Az MCP nem váltja le az API-kat, hanem egy intelligens csatlakozási réteget biztosít, amely leegyszerűsíti az AI rendszerek integrációját. Olyan, mint az USB-C az eszközök világában: egységesít, gyorsít és szabványosít.

Nem váltja meg a világot, de pont azt teszi könnyebbé, ami eddig bonyolult volt: a modellek és rendszerek közti szabványos, skálázható kommunikációt. 🚀

github_copilot_agent

GitHub CoPilot Agent: újabb szint az asszisztált kódolásban

, , , , , , , , , ,

| Olvasási idő: 2 perc |

Habár csak néhány napja jelentették be, nekem már volt alkalmam kipróbálni a GitHub CoPilot új Agent funkcióját a Visual Studio Code-ban, és őszintén szólva lenyűgözött, amit tapasztaltam. Korábban is használtam a CoPilotot, de az Agent mód teljesen új szintre emelte az eddig is igen jó fejlesztői élményt.

Bizonyára eddig is sokan kipróbáltátok már a CoPilot-ot, hiszen van belőle ingyenes változat is, így felelőtlenség lenne kihagyni ezt a lehetőséget. Az ingyenes változat kiváló választás azoknak, akik nem folyamatosan használják ezt az eszközt.

Az új funkció lényege, hogy már nem csak sorokat egészít ki, hanem képes folyamatos párbeszédben segíteni a munkámat. Olyan, mintha egy valódi technikai asszisztens ülne mellettem, akivel beszélgetve együtt haladunk előre. Megkérhetem például, hogy magyarázza el egy kódrészlet működését, javítson ki hibákat, vagy írjon nekem egy új funkciót egy meglévő projektbe.

A CoPilot Agent mostantól minden Visual Studio Code felhasználó számára elérhető, külön beállítás nélkül, tehát az ingyenes változatot alapból megkapjuk. A bal oldali menüből egyszerűen elindítható a CoPilot Agent felület, ahol természetes nyelven – akár magyarul is – megfogalmazhatom a kérdéseimet vagy feladataimat. Az élmény sokkal személyesebb, mint a hagyományos kódkiegészítés, mert tényleg beszélgetni tudok a rendszerrel.

Ami különösen izgalmas, hogy megjelent a multi-command plan (MCP) támogatás is, amely lehetővé teszi, hogy a CoPilot több lépéses, komplexebb feladatokat is átlásson és megoldjon. Például ha szeretnék létrehozni egy új REST API-t, akkor először kérdéseket tesz fel az igényeimről, majd ezek alapján generálja a megfelelő fájlokat, „endpoint”-okat és struktúrákat.

Kezdőként ez hatalmas segítséget jelenthet. Emlékszem, korábban én is mennyi időt töltöttem azzal a tanulás elején, hogy rájöjjek, hogyan kezdjek bele egy-egy új projektbe, hogyan építsem fel a fájlstruktúrát vagy írjak teszteket. A CoPilot Agent képes konkrét példákon keresztül megmutatni ezeket, ráadásul valós idejű visszajelzést is ad. Olyan, mintha egy türelmes mentor állna mellettem, akit bármikor kérdezhetek.

Fontos azonban megemlíteni, hogy a CoPilot – még az Agent módban is – nem tévedhetetlen. Az általa generált kódokat minden esetben felelősséggel kell kezelni. Én mindig átnézem, tesztelem, és ahol kell, javítom a javaslatait. Különösen biztonsági, adatkezelési vagy éles környezetbe szánt kódok esetén nem szabad vakon megbízni benne.

Összességében úgy érzem, a GitHub CoPilot Agent módja egy új korszak kezdete lehet a fejlesztésben és a tanulásban. Nemcsak a hatékonyságot növeli, hanem valódi tanulási lehetőséget is kínál – főleg azoknak, akik most vágnának bele a programozás világába. Ha eddig csak próbálgattad a CoPilotot, most érdemes visszatérni hozzá: az Agent mód valóban megváltoztatja, hogyan gondolkodunk a kódolásról.

Van olyan ötlet, aminek a megvalósítását eddig elnapoltad, mert nem volt aki segített volna? Ugye?
Most már nincs több kifogás. 🙂

Load More

Verified by MonsterInsights