AI Workshop Marosvásárhelyen, 2026. augusztus 11.: promptok, kontextus és tudás

A Dalbe-n keresztül rendszeresen szervezek AI workshopokat marosvásárhelyi vállalkozóknak, a Metamorfozum Conceptben, a Matei Corvin tér 3. szám alatt, a városközpontban. 2026. augusztus 11-én elindítottam egy újat, amelyet szándékosan két napra osztottunk. Kezdettől fogva tudtam, hogy a második nap haladóbb dolgok, skillek (skills), ügynökök (agents) és automatizálások felé fog haladni. Azt akartam, hogy az első nap mindezek előtt rendbe tegye az alapokat.

Az egyik résztvevő, Adorjáni Noémi, az OnLike Agency partnere egy adott ponton egyetlen ötletet jegyzett le: prompt + knowledge files. Ennyi. De ott látszott a legvilágosabban, hogy mit próbáltunk felépíteni az egész nap folyamán.

Mert nagyon könnyű megnyitni a ChatGPT-t, a Geminit vagy a Claude-ot, kapni egy jó választ, és az a benyomásod támadhat, hogy már érted, hogyan működik az AI. A problémák később jelentkeznek. Amikor olyan információkat adsz neki, amiket talán nem kellene. Amikor nagyon magabiztosan, de hibásan válaszol. Amikor ugyanazt a promptot használod két modellnél, és teljesen más eredményeket kapsz. Vagy amikor van tíz beszélgetésed, három GPT-d, két Projected, és már nem tudod, hová tetted a szükséges információt.

Az egész első nap valójában az az út volt, amely elvezetett ahhoz a gondolathoz, amit Noémi lejegyzetelt.

Miért az alapokkal kezdtük

Kicsit a történelemmel kezdtük. A DeepMind 2010 óta létezik, jóval azelőtt, hogy a nagyközönség napi szinten beszélt volna a generatív AI-ról. Időközben megjelent az OpenAI, az Anthropic és sok más laboratórium és vállalat, amelyek különböző irányokba tolták el a területet. Nem akartam azonban a workshopot az AI kronológiájáról szóló leckévé változtatni, hanem meg akartam mutatni, mennyit változtak a modellek viszonylag rövid idő alatt.

Az első GPT generációk sokkal korlátozottabbak voltak, mint amit ma használunk. A fejlődés nem abból fakadt, hogy valaki egyszerűen hozzáadott egy „logikai modult” vagy egy „matematikai modult”, hanem a nagyobb modellekből, jobb adatokból, jobb betanítási módszerekből, az instruction tuningból, az emberi visszajelzésekből, a tool use-ból és más technikákból, amelyek sokkal hasznosabbá tették a rendszereket a gyakorlatban. Túl a termékek és generációk közötti különbségeken, a workshop szempontjából fontos gondolat egyszerűbb volt: a modellek nagyon jók a nyelvben, és rendkívül meggyőzően tudnak megfogalmazni még valami helytelent is.

Ez az egyik olyan gondolat, amit minden workshopon megpróbálok ismételni: egy nagyon jól megfogalmazott válasz nem automatikusan helyes válasz is egyben.

Összehasonlítottuk a ChatGPT-t, a Geminit, a Claude-ot, a DeepSeek-et, a Perplexity-t, a Manus-t és a Grok-ot is, de nem azzal a céllal, hogy „győztest” találjunk. Mindegyiknek megvannak a saját erősségei, saját korlátai és egy eltérő módja bizonyos feladatok megközelítésére. Számomra a gyakorlati következtetés az, hogy nincs értelme egyetlen olyan AI-t keresni, amely mindent tökéletesen csinál. Hasznosabb megérteni, hogy melyik eszköznek van értelme az előtted álló problémához.

Beszéltünk az Anthropic nagyon kifejezett megközelítéséről is Claude szabályai, biztonsága és viselkedése kapcsán. A Gemini előnye az egyre szorosabb integráció a Google ökoszisztémával, a Perplexity akkor érdekes, ha a keresésből és a forrásokból akarsz kiindulni, a ChatGPT pedig saját Projects, GPT-k és eszközök ökoszisztémájával érkezik. Nem akartunk márkaháborúkba bocsátkozni, hanem meg akartuk érteni, hogy ugyanaz a prompt nagyon eltérő eredményeket hozhat a modelltől, a kontextustól és a rendelkezésre álló eszközöktől függően.

A kontextus segít, de nem minden kontextust kell megadni az AI-nak

Közösen ellenőriztük a ChatGPT beállításait, és innen eljutottunk az adatvédelemig (privacy) és a GDPR-ig. Ha munkára használod az AI-t, előbb-utóbb felmerül a kísértés, hogy bemásolj egy szerződést, egy ügyféllistát, egy exportot, egy belső dokumentumot, egy e-mailt vagy egy CRM-ből származó adatokat.

Itt a kérdés már nem csak az, hogy az AI tud-e segíteni. Fontosabb, hogy milyen információt adsz neki, hogy segítsen, és hogy azt az információt valóban el kell-e küldeni egy külső szolgáltatásnak. Megbeszéltük a nyilvános információ és a belső adatok közötti különbséget, hogy milyen adatokra van igazán szükség a feladathoz, és hogy bizonyos információk anonimizálhatók-e vagy törölhetők-e a feltöltés előtt.

A kontextus segít az AI-nak abban, hogy jobban dolgozzon. De ez nem jelenti azt, hogy minden kontextusnak el kell jutnia az AI-hoz.

Túl az összes új funkción, továbbra is egy olyan területen maradunk, ahol a modellnek információra van szüksége ahhoz, hogy jó eredményt hozzon létre. Az eszköz lehet nagyon jó. Ez nem jelenti azt, hogy mindenhez hozzáférést kell adnunk neki.

Sima chat, Project vagy GPT?

Csak ezen alapok után jutottunk el konkrétan a ChatGPT-hez és a sima chat, a Project és a személyre szabott GPT közötti különbséghez. Ez három olyan dolog, amit sok felhasználó még mindig összekever.

Egy chat jó egy egyszeri beszélgetéshez vagy egy egyértelmű feladathoz. Egy Project akkor kezd értelmet nyerni, ha folyamatosan ugyanazon a témán dolgozol, és az utasításokat, fájlokat és releváns beszélgetéseket egy helyen akarod tartani. Egy személyre szabott GPT akkor ésszerű, ha van egy ismételhető felhasználási eset, és meg akarsz határozni neki egy utasításkészletet, egy viselkedést és olyan információforrásokat, amelyeket folyamatosan használhat.

Ellenőriztük a képgenerálást is, majd áttértünk a GPT-kre. Megmutattam az enyémet, elmagyaráztam, hogyan épül fel egy a nulláról, és ellenőriztük az egyik résztvevő által készített író GPT-t.

És akkor Noémi ezt írta: prompt + knowledge files.

Számomra pontosan innen kezdődik az átmenet egy általános chatbottól egy valós tevékenységhez igazított eszközig.

A prompt csak egy része az eredménynek

Lehet egy nagyon jó promptod. De ha a modell semmit sem tud a cégedről, a termékeidről, az ügyfeleidről vagy a kommunikációs módodról, akkor meglehetősen egyértelmű korlátja van annak az eredménynek, amelyet produkálni tud.

Ha azt mondod egy AI-nak, hogy „írj egy Facebook posztot”, kapni fogsz valamit. Talán még valami tisztességeset is. De a modell nem tudja automatikusan, hogy ki a közönség, mi a márka hangvétele, mit mondtunk korábban, milyen kifejezéseket kerülünk, vagy milyen ígéreteket nem akarunk tenni.

Amint adsz neki egy brand guide-ot, kommunikációs példákat, információkat a közönségről és néhány egyértelmű szabályt, ugyanaz a modell valami teljesen mást tud produkálni. Nem feltétlenül azért, mert a prompt radikálisan megváltozott, hanem mert megváltozott a kontextus.

És itt kezdődik az érdekes rész. Egy jó prompt számít, de a prompt nem létezik önmagában. Az is számít, hogy milyen információ áll a modell rendelkezésére abban a pillanatban, amikor elkezd dolgozni.

Ugyanez az ötlet, mindenhol

Az ötlet aztán szinte minden eszközben megismétlődött, amin végigmentünk. Megmutattuk a Google Geminit, a Nano Bananát és a NotebookLM-et, ahol a saját forrásaidból, dokumentációdból, PDF-eidből és belső anyagaidból indulhatsz ki, ahelyett, hogy hagynád, hogy a modell csak a már meglévő információira támaszkodjon.

Itt érintettük a RAG-ot is, anélkül, hogy a workshopot technikai tanfolyammá változtattuk volna. Nem volt értelme belemenni az embeddingsbe, a vector databasesbe vagy az architektúrába. A koncepció többet számított, mint a megvalósítás: ahelyett, hogy az AI csak arra támaszkodna, amit korábban tanult, pontosan akkor adjuk meg neki a releváns információt, amikor szüksége van rá.

Gyakorlatilag ez ugyanaz a gondolat, amit Noémi is lejegyzetelt, csak egy technikaibb formában: prompt + knowledge files.

Teszteltük a deep research-t is, és a különbséget aközött, hogy megkérdezzük, mit tud az AI egy témáról, és aközött, hogy hagyjuk keresni, forrásokat összehasonlítani és egy dokumentált választ felépíteni. Az üzleti életben a különbség nagy lehet. Egy dolog ötleteket kérni. Más dolog egy piacot, egy versenytársat, árakat, jogszabályokat vagy trendeket elemezni, ahol az információ idővel változik.

És itt ragaszkodtam egy dologhoz: az a tény, hogy az AI képes kutatást végezni (research), nem jelenti azt, hogy a forrásokat már nem kell ellenőrizni. Az automatizálás csökkenti a munka egy részét, de nem szünteti meg a kritikus gondolkodást.

A prezentációktól egy rock dalig

Végigmentünk a Google Vids, a HeyGen és a Gamma eszközökön is a prezentációkhoz és vizuális tartalomhoz, mindegyiknél konkrét példákkal, és azzal, hogyan használhatók egy cégben.

A legszórakoztatóbb pillanat a Suno volt. Írtunk egy dalszöveget a ChatGPT-vel, majd átvittük a Sunoba, és egy egész dal lett belőle. Az 5.5-ös motorjuk meglepően jó epikus rockban.

De a folyamat még itt is ugyanaz volt: mit kérek tőle, milyen információt adok neki, milyen stílust akarok, milyen példákat mutatok, és mit módosítok az első eredmény után. Az AI nem szünteti meg a kreatív folyamatot. Megváltoztatja azt.

Miért érhet többet egy brand guide, mint további 20 prompt

Ugyanez az ötlet visszaköszönt a content creationnél is. Ha rendszeresen használod az AI-t ugyanahhoz a céghez, kezd abszurddá válni, hogy minden beszélgetésben ugyanazokat a dolgokat magyarázd el: kik vagyunk, kihez szólunk, hogyan kommunikálunk, milyen kifejezéseket kerülünk, hogyan néz ki egy cikk, hogyan fogalmazunk meg egy CTA-t, és milyen szolgáltatásaink vannak.

Mindezek újrahasználható kontextusok.

Ezért beszéltünk a brand guide kontextusként és knowledge-ként való használatáról. Amikor az AI hozzáfér a stabil szabályokhoz és a releváns információkhoz, már nem kell minden alkalommal újra felépítenünk ugyanazt az alapot.

Itt már anélkül készítettük elő a második nap egyik fő gondolatát, hogy nagyon mélyre mentünk volna: ha tízszer ismétled el ugyanazt a szabályt, valószínűleg nem kellene minden alkalommal manuálisan leírnod. El kellene kezdened utasítássá, dokumentummá, skillé vagy más újrahasználható komponenssé alakítani.

Az első nap nem az eszközökről szólt

A vége felé újra végigmentünk a Projectseken, és elkezdtünk többet beszélni a Claude-ról, annak funkcióiról, és csak érintőlegesen beszéltünk a skillekről és a Coworkről, anélkül, hogy még mélyebben belementünk volna. Szándékosan, mert ott fog kezdődni a második nap.

Az első nap végére már volt egy elég hosszú listánk az eszközökről és koncepciókról. De a következtetésem nem az volt, hogy több eszközre van szükségünk. Már így is túl sok van.

A probléma az, hogy tudjuk, milyen információra van szüksége az AI-nak ahhoz, hogy egy általános válaszból egy olyanra váltson, amelyet valóban használni is tudsz. Egy jó prompt számít, de a prompt nem létezik önmagában. Számítanak az utasítások, a példák, a dokumentumok, a források, a projekt története, a márka szabályai (brand guide) és a korlátok, amiket felállítunk neki.

Pontosan ezt ragadta meg Noémi abban a három szóban a jegyzeteiben: prompt + knowledge files.

És innen indul a második nap. Mert a következő lépés már nem az, hogy megtanulunk még egy eszközt. Az volt, hogy megnézzük, hogyan alakítjuk át a kontextust, a szabályokat és az ismétlődő feladatokat valami újrahasználhatóvá, és hogyan kezdjük el összekapcsolni az összes darabot Projectsek, skillek, Cowork, ügynökök és automatizálások révén.