Az AI workshop 2. napja: két reakció, egyetlen kis csoport

Augusztus 12-én tartottuk AI workshopunk második napját, ezúttal az OnLike Agency irodájában.

A workshopon részt vett a gyergyószentmiklósi Pál Alpár, akit Adorjáni Noémi, az OnLike Agency munkatársa és együttműködő partnerünk hívott meg.

Szándékosan kis csoportot akartam. Egy ilyen formátumban jobban látom, hol merülnek fel kérdések, mi kelti fel az érdeklődést, és hol kell ritmust váltanom. Nem kell mechanikusan követnem egy diasort, hanem a teremben történtekhez igazíthatom a workshopot.

A második napot a haladóbb résznek szántuk.

Míg az első nap az alapokat építettük fel, most a prompting framework-ök, a skills, a Cowork, az ügynökök (agents), az MCP, az automatizálások, a lokális AI és néhány gyakorlati példa felé haladtunk, ahol megpróbáltuk mindezeket a koncepciókat a valós munkához kötni.

Egyszerűen kezdtük: hogyan csökkentsük azokat a dolgokat, amiket az AI-nak ki kell találnia

A promptinggal indítottunk.

Végigmentünk néhány ismert frameworkön, mint például a CO-STAR, SMART, role-based prompting, one-shot és few-shot prompting.

De nem akartam, hogy a résztvevők egy újabb memorizálandó mozaikszó-listával menjenek haza.

Számomra ezek mind lényegében ugyanazt a problémát próbálják megoldani:

hogyan adjunk az AI-nak elegendő kontextust ahhoz, hogy a lehető legkevesebb dolgot kelljen kitalálnia.

Egy nagyon egyszerű példát használtam.

Ahelyett, hogy csak ennyit kérnék:

Give me the quote of the day.

megadtam neki azt a formát is, ahogyan az eredményt szeretném:

Quote of the day: "Simplicity is the ultimate sophistication." — Leonardo da Vinci

Egyetlen példa.

A modell azonnal megérti a kívánt struktúrát.

Ez a one-shot prompting a legegyszerűbb formájában.

Innen megbeszéltük azokat a helyzeteket, amikor egy példa elegendő, és azokat, amikor több példa, azaz a few-shot prompting segít az AI-nak jobban megérteni a mintát.

Eljutottunk egy sokkal banálisabb, de nagyon is gyakorlatias részlethez is: a copy-paste-hez.

Amikor szövegeket mozgatunk a ChatGPT, a Claude, a Word, egy CMS vagy egy hírlevélszerkesztő között, magunkkal vihetünk felesleges formázásokat és HTML-t.

A szöveg a felszínen jól nézhet ki, de a kódban szemét (junk) maradhat.

Ez egy apró részlet, de pontosan az a fajta dolog, ami akkor kezd el számítani, amikor az AI már nem csak egy kísérlet, hanem egy valós munkafolyamat részévé válik.

A prompttól valami újrahasználhatóig

Innen a skillekre tértünk át.

Közösen felépítettünk egy marketing audit skillt.

Úgy gondolom, itt jelenik meg az egyik fontos változás abban, ahogyan az AI-t használjuk.

Ha tízszer magyarázzuk el ugyanazt a módszertant, valószínűleg már nincs értelme tízszer leírni ugyanazt a promptot.

Ezt a folyamatot átalakíthatjuk egy újrahasználható skillé.

Meghatározzuk, mit kell elemezni.

Megadjuk a kritériumokat.

Meghatározzuk az eredmény struktúráját.

Teszteljük.

Fejlesztjük.

És legközelebb már nem a nulláról indulunk.

Ugyanez az elv használható marketing, SEO, sales, projektmenedzsment auditokhoz vagy egy vállalat specifikus belső folyamataihoz is.

Abban a pillanatban már nem csak „egy jó promptról" beszélünk.

Elkezdünk felépíteni egy munkamódszert.

Aztán jött a Cowork, és a ritmus megváltozott

A nap egy jelentős részét a Claude Cowork-nek szenteltük.

Megbeszéltük, hogyan tud együttműködni skillekkel, fájlokkal, connectorokkal, MCP-vel és több lépésből álló feladatokkal.

Számomra a Coworkben nem az az érdekes, hogy van még egy felületünk, ahol beszélgethetünk egy AI-val.

Hanem az a tény, hogy kezdünk átállni erről:

„Felteszek egy kérdést, és te válaszolsz."

erre:

„Itt a cél, a kontextus, a fájlok és az eszközök. Dolgozz a problémán."

És itt a workshop sokkal érdekesebbé vált, mint bármilyen általam előkészített demó.

Noémi elkezdte tesztelni a skilleket és a Coworkot egy valós eseten, és még a workshop alatt létrehozott egy dokumentumot lead generation lehetőségekkel a Dalbe számára.

Ez jobban tetszett, mint bármilyen fiktív példa, amit én előkészíthettem volna.

Mert abban a pillanatban már nem egy eszközt tesztelt.

Már elkezdett gondolkodni:

„Hol tudom ezt használni a munkámban?"

Pál Alpárnak pontosan az ellenkezője volt a reakciója.

Összekapcsolta az e-mailjét és a naptárát, és azonnal elkezdett tesztelni mindent, amit csak tudott.

E-mail piszkozatokat.

Információk elemzését.

Naptár alapú terveket.

Kérdéseket azokkal az adatokkal kapcsolatban, amelyekhez a Cowork hozzáféréssel rendelkezett.

Minden válasz azonnal egy újabb kérdést generált.

„Ezt is tudja?"

„És ha ide csatlakoztatom?"

„Tudja ezt elemezni?"

„Tud tervet készíteni a naptár alapján?"

Egy adott ponton őszintén szólva olyan volt, mint egy gyerek az édességboltban.

És ez egy nagyon jó pillanat volt számomra, mert megmutatta ugyanannak a technológiának a felfedezésére szolgáló két teljesen eltérő módot.

Hol ér véget az automatizálás és hol kezdődik az AI?

A Coworktől természetesen jutottunk el az automatizáláshoz.

Beszéltünk a Make és n8n platformokról, valamint a kiszámítható workflow és az információkat értelmezni hivatott rendszer közötti különbségről.

Az n8n-ben például meghatározhatjuk:

kitöltött űrlap → kapcsolat létrehozása → adatok átalakítása → értesítés küldése → eredmény mentése

Van egy trigger.

Van egy logika.

Vannak lépések.

A folyamat minden alkalommal ugyanúgy, magától le tud futni.

Nincs szükségünk egy AI-ra, amely „gondolkodik" minden egyes két csomópont (node) között.

Az AI ott válik hasznossá, ahol az értelmezés megjelenik.

Például:

új lead → AI elemzi a céget → besorolja a lehetőséget → ír egy összefoglalót → a workflow elmenti a CRM-be

Számomra a kérdés nem ez:

„AI vagy automatizálás?"

Hanem:

„Hol van szükségünk mérlegelésre, és hol akarjuk csak, hogy a dolgok kiszámíthatóan működjenek?"

Sok folyamatban a helyes válasz a kettő kombinációja lesz.

Itt beszéltünk a Hermesről, az ügynökökről (agents), a connectorokról és az MCP-ről is, nem azért, hogy nagyon mélyen belemenjünk az architektúrába, hanem hogy megértsük az irányt.

A prompt megmondja, mit akarunk.

A skill meghatározhatja, hogyan dolgozunk.

A connector hozzáférést biztosít egy másik rendszerhez.

Az MCP szabványosíthatja azt a módot, ahogyan az AI különböző eszközöket használ.

Egy ügynök (agent) pedig ezek közül többet is kombinálhat az eredmény elérése érdekében.

Építettünk egy weboldalt is, de ez nem jelenti azt, hogy a weboldal kész van

Csináltunk egy weboldal-készítési gyakorlatot is.

Párhuzamosan dolgoztunk a Claude-dal és a Lovable-vel az MCP-n keresztül, felépítve egy landing page-t.

Nem feltétlenül az érdekelt, hogy melyik eszköz generál először valami látványosat.

Érdekesebb volt összehasonlítani, hogyan értelmezik ugyanazt a követelményt, és mi történik az első verzió után.

Mert ma már nagyon gyorsan tudunk weboldalt generálni.

Ez nem jelenti azt, hogy a weboldal jó is.

Továbbra is fel kell tennünk a kérdéseket:

Mi a cél?

Kinek építjük?

Világos az üzenet?

Van értelme a struktúrának?

Reszponzív?

Hozzáférhető (accessible)?

SEO szempontból helyes?

Karbantartható?

Mi történik a demó után?

Az AI hatalmas mértékben felgyorsíthatja a kivitelezést.

De ha a probléma rosszul van meghatározva, akkor csak gyorsabban jutunk el a rossz megoldáshoz.

Az AI-nak nem kötelező a felhőben futnia

Egy kicsit technikaibb területet is meg akartam mutatni: a lokális AI-t.

Feltelepítettük és futtattuk a Gemmát az Ollamán keresztül, beleértve ezt a változatot is:

ollama run gemma3:12b

Végigmentünk a telepítési lépéseken mind macOS, mind Windows esetében.

Nem azért, mert mindenkinek le kellene mondania a ChatGPT-ről vagy a Claude-ról.

Hanem azért, mert szerettem volna egyértelművé tenni, hogy egy AI modell lokálisan, a saját számítógépen is futhat.

Bizonyos projektek esetében ez relevánssá válhat adatvédelmi (privacy) okokból, offline munkavégzés miatt, kísérletezés vagy a környezet feletti nagyobb kontroll céljából.

Természetesen az a tény, hogy a modell lokálisan fut, nem jelenti automatikusan azt, hogy a teljes rendszer biztonságos.

De fontos tudni, hogy a lehetőség adott.

Egy étterem nagyon jól megmutatta nekünk, mit jelent a kontextus

Egy adott ponton felmerült egy kérdés a Leadomatorról, és arról, hogy az AI mennyit tud már segíteni bizonyos cégek és potenciális ügyfelek kutatásában.

Ahelyett, hogy egyből egy sales esetet próbáltunk volna ki, valami sokkal egyszerűbbet választottunk.

Éttermeket.

Az első kérés nagyjából így hangzott:

Ellenőrizd az összes éttermet a marosvásárhelyi Retezatului utca 12. közelében, maximum 1 km-es körzetben, és ajánlj egy éttermet.

Az eredmény rendben volt.

De általános.

Ezután megváltoztattuk a kérést.

Azt mondtam, hogy olyan ember vagyok, aki nem szereti a gyorséttermeket (fast food), hogy az étlapokat akarom elemeztetni, és minden éttermet ebből a szempontból kell értékelni. Kértem, hogy az eredményeket egy táblázatban kapjam meg, a Google vagy Tripadvisor értékelésekkel együtt, ahol ezek léteznek.

A válasz hirtelen olyasmivé vált, amit ténylegesen fel lehetett használni egy döntés meghozatalához.

A modell ugyanaz volt.

Technikailag semmi sem változott.

A kérdés és a megadott kontextus változott meg.

És pontosan ugyanez az elv érvényes a sales területén is.

A "Keress nekem potenciális ügyfeleket" majdnem haszontalan.

Sokkal hasznosabb meghatározni:

milyen típusú céget keresünk;

milyen területen;

milyen méretűt;

milyen technológiát használ;

milyen jelek mutatnak az igényre;

mit akarunk kizárni;

és milyen kritériumok alapján értékeljük a lehetőséget.

A végén két ember két különböző irányba indult el

A nap végén Noémi valami nagyon őszintét mondott:

Ez nagyon sok információ volt, és szüksége van egy kis időre, hogy leülepedjen.

Egyetértettem vele.

Amikor az egyszerű chatbotként használt ChatGPT-ről átállsz a skillekre, a Coworkre, az ügynökökre (agents), az MCP-re, az automatizálásra és a lokális modellekre, nagyon gyorsan több tucat irány jelenik meg, amerre elindulhatnál.

Megbeszéltük, hogy folytatja a felépített skillek tesztelését, és ha kérdések merülnek fel, egyeztetünk.

De már látszott, hogy elkezdett gondolkodni a lehetőségeken.

Azon, hogy mit építhetne.

Hol használhatná a skilleket.

Milyen folyamatokat változtathatna meg.

Pál Alpárnak viszont úgy tűnt, nincs szüksége arra a feldolgozási időre.

Ő már csatlakoztatott e-maillel, csatlakoztatott naptárral volt jelen, és még mindig tesztelt.

Az egyikük hagyni akarta, hogy az információ leülepedjen.

A másikuk a polcon lévő összes dobozt ki akarta nyitni.

És azt hiszem, mindkét reakció helyes.

Néhány embernek először meg kell értenie a rendszert, és csak utána tudja bevezetni a munkájába.

Mások úgy tanulnak, hogy összekapcsolják a dolgokat, és azonnal megnézik, mit tudnak velük csinálni.

Számomra ez volt a nap legjobb része.

Nem az a tény, hogy végigmentünk a CO-STAR-on, a skilleken, a Coworkön, az MCP-n, az n8n-en, a Gemmán vagy a Lovable-ön.

Hanem az a pillanat, amikor a résztvevők elkezdtek maguktól rájönni, hol használhatnák mindezt.

Ezt próbálom elérni a workshopjainkkal.

Nem azt, hogy egy újabb AI eszközökből álló listával menj haza.

Hanem azt, hogy néhány nap múlva ránézz a saját tevékenységed egy folyamatára, és eszedbe jusson:

„Várj csak. Azt hiszem, ezt a részt most már máshogy is csinálhatnám."