AI agentek fejlesztése a gyakorlatban
avagy hogyan integrálunk AI-t alkalmazásainkba
Egy kézzel írt agent looptól egy összetett, többszereplős, éles üzemre kész rendszerig: MCP, memória, observability, evalok, durable execution és multi-agent koordináció. Már az első órán elmerülünk a kódban.
Az AI nem csak a szoftverfejlesztés folyamatát, hanem magát a szoftvert is átalakítja. Hatalmas ütemben terjednek az agentek: olyan szoftverek, amelyek képességeit egy AI-modellel és az általa használható eszközökkel bővíted ki, így bizonyos feladatokat önállóan is képesek végrehajtani.
Egy AI agentet összerakni ma már nem nehéz. A neten ezernyi tutorial mutatja meg, hogyan írj egyet húsz sor kóddal. Egy olyan agentet megépíteni viszont, ami éles környezetben sem száll el a tizedik lépésnél, nem felejt el mindent két üzenet után, és amiről tudod is, hogy miért azt csinálja, amit, az már egészen más műfaj.
Ez a gyakorlatorientált képzés erről szól. Végigvesszük az AI agentek fejlesztésének minden lényeges aspektusát, egy egyszerű, kézzel írt agent looptól indulva, lépésről lépésre eljutva egy összetett, többszereplős, éles üzemre kész rendszerig.
8 modul
Tematika
-
Agent loop és tool-használat az alapoktól
- Mikor „agent” egy rendszer, és mikor csak egy promptolt LLM?
- Az AI agent definíciója: LLM + loop + tool-ok + leállási feltétel
- A Reason → Act → Observe ciklus felépítése kézzel, framework nélkül
- Tool-ok bevezetése: paraméterek, JSON schema, hibakezelés
- Conversation memory a legegyszerűbb formában: a context mint állapot
-
Agent frameworkök
- A kézi loop lecserélése Pydantic AI-ra: ugyanaz az agent, töredék kóddal
- Mikor ad valódi értéket a framework, és mikor csak absztrakciós teher?
- Rövid összevetés a piaci alternatívákkal: LangGraph, CrewAI, smolagents
- Vendor SDK-k
-
MCP szerverek
- Mi az a Model Context Protocol, és miért lett de facto szabvány?
- Host–Client–Server architektúra a gyakorlatban
- Mikor éri meg az MCP, és mikor felesleges réteg?
- Saját MCP szerver építése: tool-ok, resource-ok, prompt-ok kiajánlása
- Külső, harmadik féltől származó MCP szerverek bekötése
-
Memória és tudásbővítés
- Rövid és hosszú távú memória ügynökökben: mire való melyik?
- A context window kezelése futás közben: compaction, summarization, a „context rot” probléma
- Perzisztens memória: mikor van rá szükség, és hogyan tervezed meg?
- A RAG mint a hosszú távú memória rétege
-
Observability
- Miért különösen nehéz egy agentic rendszert debugolni?
- Tracing a gyakorlatban: nested agent hívások, tool-láncok, LLM-hívások követése
- Egy valódi hiba diagnosztizálása élőben: a trace-től a root cause-ig
- Költség és latency: mennyibe kerül a rendszered?
- Production debugging workflow, amit otthon is kipróbálhatsz
-
Evals – mérhetővé tenni a minőséget
- Hogyan lesz a „szerintem jobb lett”-ből mérhető szám?
- Test set építése három forrásból: kézzel írt esetek, production trace-ek, szintetikus generálás
- Programmatic evalok vs. LLM-as-judge: mikor melyik?
- Adversarial esetek: hogyan tesztelsz az ismert hibákra?
- Eval-as-CI: az értékelés integrálása a fejlesztési folyamatba
-
Production deployment és durable agentek
- Mit jelent a „durable” execution: hosszan futó agentek checkpointinggal
- Mi történik, ha az agent a 60. lépésnél hibázik: visszatekerés vs. újraindítás
- Background és headless agent-futtatás
- Költségoptimalizálás: model routing (mikor olcsóbb, mikor drágább modell), prompt caching
- Latency-optimalizálás: párhuzamosítás, korai válasz, speculative execution
-
Multi-agent koordináció
- Miért bontanánk egyáltalán agenteket részekre, és mikor árt többet, mint amennyit használ?
- Subagents-as-tools
- Orchestrator minta: tervező-koordinátor és specialista ügynökök
- Cross-service koordináció
Érdekel a képzés?
Írj nekünk, és megbeszéljük, hogyan szabjuk a képzést a csapatod igényeire.