A könyv témái
A könyv végigvezet azon, hogyan alakítja át a szoftverfejlesztést az AI-ágens szemlélet, mi a különbség chatbot, copilot és valódi ágens között, hogyan működnek a nagy nyelvi modellek fejlesztői szemmel, mit jelent a tokenizáció, a kontextusablak és a rendszerutasítás, miért nem elég a jó prompt, és miért válik kulcskérdéssé a kontextus-tervezés. Bemutatja, hogyan érdemes modellt választani különböző fejlesztési feladatokhoz, hogyan lesz az egyszeri válaszból valódi munkafolyamat, miként működik az ágensi ciklus, hogyan különül el a tervezés és a végrehajtás, mikor kell emberi kontroll, és hogyan lehet több ágenssel, Skill-ekkel, MCP-vel, külső eszközökkel és modern fejlesztői környezetekkel hatékonyan együtt dolgozni. A könyv kitér a Cursor, Claude Code, Codex, OpenCode és más mai eszközök világára, az ágensbarát projekt-előkészítésre, a projektmemóriára, a lokális modellekre, a RAG-re, a fine-tuningra, a CI/CD-be illesztett ágensi működésre, valamint a biztonsági kockázatokra is, a prompt-injekciótól a jogosultságkezelésig. Az eredmény egy gyakorlatias, gondolatébresztő és jövőálló útmutató arról, hogyan válhat a fejlesztő és az AI valódi munkatárssá ugyanabban a rendszerben.
Miért érdemes most elolvasnod ezt a könyvet?
A szoftverfejlesztés világában ritkán jön el olyan pillanat, amikor nem csupán új eszközök jelennek meg, hanem maga a fejlesztői munka logikája kezd átalakulni. Az AI-ágens alapú fejlesztés ilyen fordulópont. A kérdés már nem az, hogy jelen van-e a mesterséges intelligencia a fejlesztésben, hanem az, hogy ki tud vele valóban jól együtt dolgozni. Ez a könyv ehhez ad világos, gyakorlatias és szakmailag megalapozott kapaszkodót.
A Bevezetés az AI ágens alapú szoftverfejlesztésbe nem marketingígéreteket és felszínes eszközbemutatókat kínál, hanem érthető gondolkodási keretet. Megmutatja, mi a különbség chatbot, copilot és ágens között, hogyan működnek a nagy nyelvi modellek a háttérben, miért fontosabb sokszor a kontextus, mint maga a prompt, és hogyan lesz az egyszeri válaszból valódi, több lépéses munkafolyamat. Közben végig a gyakorlati használatra koncentrál: projekt-előkészítésre, eszközválasztásra, workflow-kra, biztonságra, kontrollra és a fejlesztői döntések minőségére.
Ez a könyv azoknak szól, akik nem szeretnének kívül maradni ezen a változáson, de nem is akarnak kritikátlanul sodródni vele. Azoknak, akik érteni akarják, mi történik, amikor az AI már nem csak válaszol, hanem dolgozni kezd a kód, a projekt és a fejlesztési folyamat körül. És azoknak, akik szeretnének a gyorsan változó eszközvilág mögött tartós, jövőálló tudást építeni.
Mert a jövő fejlesztője nem attól lesz értékesebb, hogy minden kódsort saját kézzel ír meg, hanem attól, hogy jól érti a problémát, jól szervezi a munkát, és képes az AI-t valódi szakmai előnnyé formálni. Ez a könyv ehhez nyújt biztos alapot.
Tartalomjegyzék
Bevezetés
Miért most? Mi változik a szoftverfejlesztésben?
2.1 A fejlesztői munka átalakulása 8
2.2 Az AI szerepe a modern fejlesztési workflow-ban 9
2.3 Webfejlesztés és az ágens szemlélet találkozása 9
2.4 Miért nem múló trendről van szó? 10
2.5 Mire számíthat az olvasó ebben a könyvben? 10
Chatbot, copilot, ágens: a három szint?
3.1 Mit nevezünk chatbotnak? 12
3.2 Mit tud egy copilot típusú rendszer? 13
3.3 Mi tesz egy rendszert valódi ágensé? 13
3.4 Cél, állapot, eszközhasználat és autonómia 14
3.5 Ember és ágens együttműködése a fejlesztésben 15
Hogyan „olvassa” a világot egy nyelvi modell?
4.1 Mi történik valójában, amikor kérdezünk egy modelltől? 17
4.2 A szöveg feldarabolása és annak következményei 18
4.3 Mennyi minden fér bele egyszerre egy modell figyelmébe? 18
4.4 Látható és láthatatlan utasítások 19
4.5 Mikor tűnik okosnak a modell, és mikor vezet félre? 20
4.6 Ugyanaz a feladat több modellen: első megfigyelések 20
4.7 A modell nem tud „mindent”, csak nagyon sok mindent képes jól összerakni 21
4.8 Mi következik ebből a gyakorlati használatra nézve? 21
4.9 Mit érdemes megjegyezni ebből a fejezetből? 22
Nem csak az számít, mit teszel a kérésbe, az is számít, mit teszel a kérés köré
5.1 A jó kérés és a jó előkészítés közötti különbség 23
5.2 Háttéranyagok, példák, szabályok és szerepek 24
5.3 Mikor lesz túl kevés, és mikor túl sok a kontextus? 25
5.4 Jel és zaj a modell számára 25
5.5 Hogyan készíts elő egy feladatot úgy, hogy a modell valóban tudjon dolgozni vele? 26
5.6 Gyakori kezdő hibák a modellhasználatban 27
5.7 Miért ez az egyik legfontosabb szemléleti váltás? 28
Milyen modellek között választ ma egy fejlesztő?
6.1 Gyors modellek, alapos modellek, specializált modellek 29
6.2 Mire való egy általános modell, és mire egy erősebb következtető modell? 30
6.3 Sebesség, minőség, megbízhatóság és költség 31
6.4 Miért számít a tokenfogyasztás a gyakorlatban? 31
6.5 Mikor nem a legerősebb modell a legjobb választás? 32
6.6 Gyakorlati szempontrendszer modellválasztáshoz 32
6.7 Mit érdemes magunkkal vinni ebből a fejezetből? 33
Hogyan lesz a válaszból munkafolyamat?
7.1 A több lépésben dolgozó rendszerek logikája 34
7.2 A célértelmezéstől a következő lépésig 35
7.3 Miért fontos külön kezelni a gondolkodást és a végrehajtást? 35
7.4 Visszacsatolás, újratervezés és korrekció 36
7.5 Mikor kell megállítani az automatizmust? 37
7.6 Emberi kontroll a megfelelő pontokon 37
7.7 Miért ez a fejezet a fordulópont? 38
Az ágenssel való munka alapmintái
8.1 Feladatdarabolás emberi szemmel 39
8.2 Részlépések, ellenőrzőpontok és újrapróbálkozás 40
8.3 Hibakezelés nem csak kódban, hanem workflow-ban is 41
8.4 Hogyan kérjünk tervet végrehajtás előtt? 42
8.5 Mikor jó a szoros vezetés, és mikor engedhető több szabadság? 42
8.6 Gyakorlat: human-in-the-loop fejlesztési minta 43
8.7 Mit érdemes továbbvinni ebből a fejezetből? 44
Hol dolgozik velünk az AI? Szerkesztőben, terminálban vagy a háttérben
9.1 A beépülő fejlesztői segítők világa 45
9.2 Terminálközeli munkavégzés és annak előnyei 46
9.3 Távol futó, feladatot vállaló rendszerek 46
9.4 Mikor kényelmesebb az editor, és mikor tisztább a parancssor? 47
9.5 Láthatóság, kontroll és sebesség különböző munkastílusokban 47
9.6 A fejlesztői környezet mint döntési tényező 48
Eszközök, amelyek ma formálják ezt a világot
10.1 Claude Code, Codex és OpenCode eltérő karaktere 49
10.2 Cursor, Antigravity, Zed és a szerkesztőbe épülő megoldások 50
10.3 VS Code-os kiegészítések és a bővítményalapú út 51
10.4 Tervezésminőség és kontextuskezelés eszközönként 51
10.5 Milyen projekthez milyen típusú rendszer illik? 52
10.6 Gyakorlat: ugyanaz a repository több rendszer szemével 53
Hogyan készítsünk elő egy projektet AI-val való együttműködésre?
11.1 A kódbázis mint értelmezhető munkaterület 54
11.2 Projektmemória és irányadó fájlok szerepe 55
11.3 Többrétegű szabályozás egyetlen kódbázison belül 55
11.4 Hogyan sűrítsük a lényeget a modell számára? 56
11.5 Kiszámíthatóbb viselkedés kaotikus modellből 57
11.6 Gyakorlat: egy meglévő projekt előkészítése ágensi munkára 57
Képességek, viselkedések és kapcsolatok: három külön világ
12.1 Mit jelent az, hogy egy rendszer „képes megtenni valamit”? 59
12.2 Miért nem ugyanaz egy művelet és egy munkaminta? 60
12.3 Mikor beszélünk Skill-ről, és mikor egyszerű eszközről? 61
12.4 Külső kapcsolódások és rendszerszintű együttműködés 61
12.5 Aktiválási feltételek, korlátok és viselkedési szabályok 62
12.6 Hogyan csökkentsük a fölösleges kontextusterhelést? 62
Amikor a modell kilép önmagából: kapcsolódás külső rendszerekhez
13.1 Miért fontosak a szabványos összekötő rétegek? 64
13.2 A host, a kliens és a kiszolgáló szerepei 65
13.3 Repositoryk, adatforrások és kommunikációs csatornák összekapcsolása 65
13.4 Jogosultságok, határok és biztonságos hozzáférés 66
13.5 Gyakorlat: adatból kód, kódból változás, változásból jelzés 67
Amikor nem egyetlen ágens dolgozik
14.1 Delegálás és alfeladatok külön szereplők között 68
14.2 Tervező, kivitelező, ellenőrző: elkülönített szerepek 69
14.3 Mikor érdemes több kisebb rendszert használni egy nagy helyett? 69
14.4 Minőségi kapuk és automatikus visszajelző pontok 70
14.5 Javító körök és ismételt ellenőrzés 71
14.6 Gyakorlat: összetett feladat felépítése több szereplővel 71
Az ágens mint a fejlesztési folyamat része
15.1 Nem interaktív futtatás és háttérműködés 73
15.2 Illesztés a build, test, release láncba 74
15.3 GitHub Actions és hasonló automatizált környezetek 74
15.4 Folyamatosan ismétlődő ágensi működések 75
15.5 Egy teljes út a hibajegytől a pull requestig 75
A kényelem ára: kockázatok és védelmi elvek
16.1 Amikor a bemenet manipulálja a rendszert 77
16.2 Téves vagy túl széles eszközhasználat 78
16.3 Több jogosultság, mint amennyi indokolt 78
16.4 Elszigetelés, korlátozás és ellenőrizhetőség 79
16.5 Miért nem szabad az AI-t vakon végrehajtóként kezelni? 79
16.6 Biztonságtudatos gondolkodás a mindennapi használatban 80
Saját működési minták kialakítása
17.1 Ugyanaz a kérés különböző modelleken 81
17.2 Egy ember által felügyelt fejlesztési folyamat megtervezése 82
17.3 Saját Skill megalkotása valós fejlesztői problémára 82
17.4 Ágensi együttműködés egy meglévő kódbázissal 83
17.5 Többlépéses fejlesztési lánc felépítése 84
17.6 Az első saját, használható ágensi workflow 84
17.7 Mit érdemes magunkkal vinni ebből a fejezetből? 85
Merre tovább?
18.1 Hogyan fejlődj tovább ezen a területen? 86
18.2 Mely képességek maradnak hosszú távon is értékesek? 87
18.3 Az AI-ágens alapú fejlesztés jövőképe 87
Zárszó
Mellékletek
20.1 A könyv leglényegesebb pontjainak összefoglalása 90
20.2 Mikor melyik AI eszközt érdemes használni jelenleg? 93
20.3 Az OpenClaw-ról röviden 95
20.4 Rövid piaci pillanatkép (2026Q2) 96
20.5 Kitekintés a lokális modellekről és azok alkalmazhatóságáról 97
20.6 Az LLM-ek technikai háttere (áttekintés) 100
20.7 Az LLM-ek technikai háttere (részletek) 107
20.8 A könyvben található fogalmak fordítása és magyarázata 113
Csatlakozz a klubhoz!
Turbózd fel a karriered valódi, piacképes digitális tudással!
Az IT és az AI 2026-ban is hatalmas lehetőség. Ma az jut előnyhöz, aki nemcsak eszközöket használ,
hanem érti is, mit hoz létre. Mi ezt a szakmát nap mint nap gyakoroljuk, és erre tanítunk meg téged is.
