AI agent-ek és multi-agent rendszerek fejlesztése
RAG-alkalmazásból kiindulva eszközöket használó AI Agent rendszereket építesz LangChain-nel és LangGraph-fal, és Langfuse-zal méred, mennyire megbízható a kimenetük.
Mit nyújt az AI agent-ek és multi-agent rendszerek fejlesztése képzés?
- RAG-alkalmazás az alapoktól: dokumentumokat dolgozol fel (parsing), darabolási stratégiát (chunking) és embedding-modellt választasz, beállítod a visszakeresést (retrieval), és megméred, hogyan hatnak ezek a döntések a válaszok minőségére.
- Promptok kezelése és verziózása: system és input promptokat írsz és verziózol, és adott modelleken vizsgálod, hogyan változik a kimenet, ha a megfogalmazáson vagy a bemeneten módosítasz.
- Önellenőrzés és visszacsatolás: megtanulod, mikor javít és mikor nem az ismételt átnézés (reflexió), mennyibe kerül egy újabb iteráció, hogyan kap a rendszer kritikus szerepet és külső visszajelzést, és hogyan méred mindennek a hatását, például egy diagram vagy egy SQL-lekérdezés utólagos ellenőrzésénél.
- Eszközhasználat LangChain-nel: eszközöket definiálsz az AI Agent-nek (tool calling), a paramétereket séma-validációval ellenőrzöd, védelmet építesz a végtelen ciklus ellen, a hibákat visszajelzed az AI Agent-nek, és megismered a kódvégrehajtás, a külső szolgáltatásokat bekötő MCP és a biztonság kérdéseit.
- Tervezés és multi-agent rendszerek LangGraph-fal: a feladatot lépésekre bontod, és terv szerint hajtatod végre, szerepeket osztasz ki, megtervezed a felügyelő és az alárendelt AI Agent-ek munkamegosztását és kommunikációját, kezeled a kontextus felhalmozódását, és költség és teljesítmény alapján választasz a tervezési minták közül.
- Mérés és megfigyelhetőség Langfuse-zal: golden dataset-tel (ellenőrzött referencia-adathalmazzal) és LLM-as-judge módszerrel (automatikus bírálattal) értékeled az alkalmazást rendszer- és komponensszinten, nyomon követed a futásokat (tracing), elemzed és rangsorolod a hibákat, és optimalizálod a költséget és a válaszidőt.
- Saját projekt, saját környezetben: egy bemutatott RAG- és AI Agent-alapú alapalkalmazást fejlesztesz tovább a saját fejlesztői környezetedben, Pythonban, helyben futtatott vagy API-n elérhető nyelvi modellel, és az eredményt írásos dokumentációban mutatod be. A 6. hét a projektfeladaté, a 7. a záróvizsgáé.
Miért érdemes belevágnod?
Az elmúlt években egyre több vállalat készített nyelvi modellre épülő alkalmazást, de a többségük nem jutott el éles üzemig, vagy nem hozta a várt eredményt.
A nehézség többnyire az alkalmazás körül jelentkezik: a kimenet nem determinisztikus, ugyanarra a kérdésre is érkezhet eltérő válasz, a minőséget nehéz egyértelműen mérni, és a cégeknél sokszor még hiányzik az ehhez szükséges szaktudás.
Egy AI-alkalmazás viselkedését rengeteg paraméter befolyásolja: hogyan dolgozod fel és darabolod a dokumentumokat, milyen embedding-modellt és system promptot használsz, milyen eszközöket kap az AI Agent, és hogyan osztják meg a munkát egy multi-agent rendszer szereplői. Ezen a képzésen minden lépésnél megnézed, mit változtat egy-egy paraméter a kimeneten, és megtanulod mérni is az eredményt: építés, mérés, beavatkozás.
Ez a tudás a gyorsan változó modellek és keretrendszerek mellett is érvényes marad, és iparágtól függetlenül hasznos: bárhol előkerül, ahol nyelvi modellre épülő alkalmazást fejlesztenek vagy üzemeltetnek.
- Munka mellett végezheted, heti 8-12 órában
- Négy gyakorlat és saját projekt, oktatói mentorálással
- LinkedIn profilodba beágyazható tanúsítvány
Kinek ajánlott?
- Szoftverfejlesztőknek, akik MI-integrációval bővítenék a szakmai profiljukat
- Python-fejlesztőknek, akik RAG-alkalmazást, eszközöket használó AI Agent-et vagy multi-agent rendszert építenének
- Fejlesztőknek, akik már készítettek LLM-alapú prototípust, és megtanulnák mérni és javítani a kimenetét
Kinek nem ajánlott?
- Üzleti felhasználóknak, akik no-code eszközt keresnek: nekik az n8n képzésünk való
- Akiknek még nincs programozási előismeretük: nekik a Python programozás alapok képzéssel érdemes kezdeniük
Mik a képzés előkövetelményei?
A képzés fejlesztőknek szól, ezért magabiztos Python-tudással érdemes indulnod. Ha ez még hiányzik, a Bevezetés a Python programozásba, a Python programozás alapok és a Python fejlesztés középhaladó szinten képzésünk felkészít rá, a nyelvi modellek használatához pedig a Generatív AI és Prompt Engineering képzés ad alapot.
Technikai feltételek: Python 3.12 vagy újabb verzió, fejlesztői környezet (például VS Code vagy PyCharm), valamint egy modellszolgáltató (például Hugging Face, OpenAI vagy Anthropic) API-kulcsa, vagy helyi modell futtatására alkalmas asztali gép vagy laptop. A munkához a LangChain, a LangGraph és a Langfuse könyvtárakat használod.
Hogyan fogsz tanulni?
Gyakorlatorientált oktatás
A képzés négy gyakorlatra és egy saját projektre épül: RAG-alkalmazást, eszközöket használó AI Agent-et és multi-agent alkalmazást építesz, majd Langfuse-zal megfigyeled és kiértékeled a működésüket.
Interaktív digitális tananyag
A gyakorlati feladatok elvégzéséhez és a tanfolyam sikeres teljesítéséhez szükséges tudást digitális tananyagok és vezetett kódolások formájában adjuk át.
Rugalmas időbeosztás
A tanfolyamot munka mellett is végezheted, hiszen a tananyag elsajátítása heti 8-12 óra elfoglaltságot igényel összesen, melyet saját időbeosztás szerint dolgozhatsz fel.
Oktatói mentoring
A képzés ideje alatt az oktató folyamatosan a rendelkezésedre áll, bármikor kérdezhetsz tőle, ha elakadtál, és rendszeresen visszajelzést ad a feladataidra, fejlődésedet végigkíséri.
Konzultációk
Valamennyi tanegység végén egy-egy élő konzultációs alkalmat is szervezünk este 18:00 órától, amikor élőben is felteheted kérdéseidet, közösen kiértékelitek és átbeszélitek a gyakorlás során elkészített projekteket, és tanulhattok egymás elakadásaiból is.
Visszanézhető LIVE alkalmak
Akkor sincs semmi baj, ha egy élő konzultációs alkalmon nem tudsz részt venni, hiszen a kérdéseid előre is elküldheted írásban, a válaszokat és az egész LIVE-ot pedig visszanézheted másnap 16:00 órától.
Limitált férőhely
A fent említett interakciók miatt képzéseinket korlátozott létszámmal indítjuk csak el, hogy biztosan jusson mindenkire ideje az oktatóknak.
Minőségbiztosított képzések
Képzéseink szakmai minőségbiztosítását iparági vezető technológiai vállalatok végzik. Szakmai partnerünk a Budapesti Műszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kara.
- Tanúsítványt kapsz, amelyet önéletrajzodhoz és LinkedIn profilodhoz csatolhatsz
- Bizonyítja, hogy elsajátítottad az adott ismereteket
- Segíti a szakmai előmeneteledet és karriered fejlődését
Jó társaságban leszel!
Már több mint 150 hazai és nemzetközi cég munkatársa képezte magát tovább nálunk.
Tudtad?
A munkáltatók 83%-a finanszírozza a munkatársak képzését, ne felejtsd el megkérdezni a tiédet!
Következő indulási dátumok
2026.10.05.
Élő konzultációk a mentorral hétfő esténként
245 000 Ft
Jelentkezési határidő: 2026.10.02.
2027.02.08.
Élő konzultációk a mentorral hétfő esténként
245 000 Ft
Jelentkezési határidő: 2027.02.05.
Más időpont érdekel?
Add meg az e-mail címed, és szólunk, ha új időpontot hirdetünk meg.
Fizetési lehetőségek
Biztosak vagyunk a képzés tartalmát és minőségét illetően, ezért a képzés indulásától 8 napig 100%-os pénzvisszafizetési garanciát vállalunk, melyhez többféle fizetési lehetőséget is biztosítunk, hogy a számodra legmegfelelőbb opciót választhasd.
Online fizetés bankkártyával
A Stripe az egyik legelterjedtebb online fizetési megoldás nemzetközileg, gyors és biztonságos fizetési folyamatáról ismert.
Fizetés banki átutalással, egy összegben
Ha online kártyás fizetés helyett banki átutalással szeretnél fizetni, az sem probléma, lent található jelentkezési űrlapunkon ezt is választhatod.
Kamatmentes részletfizetés
Nem szeretnénk, ha a fizetési nehézségek akadályoznák a szakmai fejlődésedet, ezért a részvételi díjat több részletben, teljesen kamatmentesen is kifizetheted.
Kapcsolódó képzések
Az AI agent-ek mellé az AI-asszisztensek fejlesztése, az AI-üzemeltetés, a saját infrastruktúrán futó nyelvi modellek és az AI-projektek üzleti oldala is kapcsolódik. Bármelyik hozzáadható a jelentkezésedhez.
Készen állsz a jelentkezésre?
Könnyítendő magánszemélyként résztvevő hallgatóink helyzetét, a feltüntetett ár számukra a ténylegesen fizetendő végösszeg. Céges megrendelés esetén az adott összeg tekintendő a nettó árnak.
Mit fogsz tanulni?
7 hét alatt a RAG-alkalmazás adatelőkészítésétől az eszközöket használó AI Agent-eken és a multi-agent rendszereken át a kimenet méréséig és megfigyeléséig.
1 Fogalmi alapok és adatellátás Az AI Agent-alapú működés alapjai és a RAG: adatelőkészítés (parsing, chunking, embedding), visszakeresés és a promptok hatása a kimenetre.
- Egyszeri válasz és folyamatszerű működés, autonómia-fokozatok
- Előnyök, kockázatok, alkalmazási területek, feladatdekompozíció
- Tervezési minták és kiértékelés (evals): első áttekintés
- A RAG alapjai: parsing, chunking, embedding, visszakeresés
- System prompt, prompt-verziózás, a bemenet hatása a kimenetre
- 1. gyakorlat: RAG-alkalmazás kialakítása és adatelőkészítése
2 Önellenőrzés és visszacsatolás Mikor és mennyivel javít az ismételt átnézés: reflexió, kritikus szerep, külső visszajelzés és a hatás mérése.
- Többszöri átnézés az egyszeri válasz helyett, az iteráció ára
- A kritikus szerep és a külső visszajelzések (felhasználó, szabályok)
- Mikor javít az iteráció, és mikor nem: a reflexió hatásának mérése
- Esetek: diagramkészítés és SQL-lekérdezés utóellenőrzése
3 Eszközhasználat LangChain-nel Eszközöket használó AI Agent építése: eszközdefiníció, séma-validáció, ciklusvédelem, hiba-visszacsatolás, kódvégrehajtás és MCP.
- Az eszköz fogalma: létrehozás, szintaxis, séma-validáció
- Végtelen ciklus elleni védelem, hiba-visszacsatolás az AI Agent-nek
- Kódvégrehajtás, MCP, biztonsági szempontok
- 2. gyakorlat: AI Agent kialakítása eszközökkel (tool calling) LangChain-ben
4 Tervezés és multi-agent rendszerek LangGraph-fal Tervkészítés és terv szerinti végrehajtás, szerepek és koordináció több AI Agent között, a kontextus felhalmozódásának kezelése.
- Tervkészítés és terv szerinti végrehajtás, tervezés kódvégrehajtással
- Szerepek, koordináció, felügyelő és alárendelt AI Agent-ek, kommunikációs formák
- A kontextus felhalmozódásának kezelése, ciklusvédelem, hiba-visszacsatolás
- Tervezési minta választása költség és teljesítmény alapján
- 3. gyakorlat: multi-agent alkalmazás kialakítása LangGraph-ban
5 Mérés, megfigyelhetőség, üzemeltetés Langfuse-zal Az alkalmazás kiértékelése és megfigyelése: evals, golden dataset, LLM-as-judge, tracing, költség- és válaszidő-optimalizálás.
- Kiértékelés: evals, golden dataset, LLM-as-judge
- Rendszer- és komponensszintű értékelés, hibaelemzés és prioritálás
- Nyomkövetés (tracing), költség- és válaszidő-optimalizálás
- Fejlesztési ciklus: építés, mérés, beavatkozás
- 4. gyakorlat: alkalmazás megfigyelése Langfuse-ban (tracing, golden dataset, LLM-as-judge)
6 Projektfeladat A képzés során bemutatott RAG- és AI Agent-alapú alapalkalmazás továbbfejlesztése a saját fejlesztői környezetedben, írásos dokumentációval.
7 Záróvizsga A képzés lezárása záróvizsgával, sikeres teljesítés után tanúsítvánnyal.
Gyakran Ismételt Kérdések
Szükséges-e előzetes AI/ML tapasztalat?
Nem. Középhaladó Python-tudásra, API-kezelési gyakorlatra, alapszintű Git-ismeretre és angol nyelvtudásra van szükséged. A RAG és az AI Agent-ek működését a képzés a fogalmi alapoktól mutatja be.
Munkavégzés mellett végezhető-e?
Igen, heti 8-12 óra saját időbeosztás szerinti tanulást igényel.
Mi van, ha nem tudok részt venni az élő konzultáción?
Előre elküldheted kérdéseidet írásban, az egész LIVE-ot pedig visszanézheted másnap 16:00-tól.
Mennyire foglalkozik a képzés a RAG-gal?
Az első hét a RAG-é: adatelőkészítés (parsing, chunking, embedding), visszakeresés és a system prompt hatása a kimenetre, az első gyakorlat pedig egy RAG-alkalmazás. A további hetek erre építve az önellenőrzéssel, az AI Agent-ek eszközhasználatával, a tervezéssel, a multi-agent rendszerekkel és a kiértékeléssel foglalkoznak.
Milyen eszközökkel dolgozunk?
Pythonban dolgozol, a nyílt forráskódú LangChain, LangGraph és Langfuse könyvtárakkal, a saját fejlesztői környezetedben (például VS Code vagy PyCharm). A nyelvi modellt helyben is futtathatod, vagy API-n keresztül érheted el.
Szükségem van API-kulcsra?
Nem feltétlenül: egy modellszolgáltató (például Hugging Face, OpenAI vagy Anthropic) API-kulcsa helyett helyben futtatott nyelvi modellel is dolgozhatsz a saját asztali gépeden vagy laptopodon.
Mit készítek el a képzés végére?
A képzés során bemutatott RAG- és AI Agent-alapú alapalkalmazást fejleszted tovább projektfeladatként a saját fejlesztői környezetedben, és az eredményt írásos dokumentációban mutatod be. A 6. hét a projektfeladaté, a 7. hét a záróvizsgáé, sikeres teljesítés után pedig tanúsítványt kapsz.
Nem avul el gyorsan ez a tudás?
A képzés olyan alapokra épít, amelyek a gyorsan változó modellek és keretrendszerek mellett is érvényesek maradnak: az adatok előkészítése (parsing, chunking), a system prompt megfogalmazása és verziózása, az eszközhívás (tool calling) és a hozzá szükséges paraméterek kinyerése. Minden lépésnél azt vizsgálod, hogyan befolyásolja egy paraméter megváltoztatása az alkalmazás kimenetét, és ez a szemlélet bármely iparágban és felhasználási esetben alkalmazható.
Mi történik azután, hogy jelentkeztem?
A jelentkezésedet e-mailben visszaigazoljuk, és megküldjük az első számlát. Ha átutalással fizetsz, a közleménybe kizárólag a számla sorszáma kerüljön, mert így tudjuk beazonosítani a befizetésedet. Ezen túl nincs más teendőd: az indulás előtt hozzárendeljük a kurzust a tanulói fiókodhoz, a kezdés előtti napon pedig küldünk egy összefoglaló, eligazító levelet. Részletfizetésnél a további számlákat mindig az esedékességük előtt küldjük ki.
Mi van, ha egyik meghirdetett indulás sem jó nekem?
A meghirdetett csoportokat az adatlapon, a „Következő indulási dátumok” szekcióban találod. Ha egyik időpont sem fér bele az időbeosztásodba, add meg az e-mail címed ugyanott, a „Más időpont érdekel?” résznél, és szólunk, amint új időpontot hirdetünk. Ha a jelentkezésed után derül ki, hogy mégis egy másik csoport lenne jobb, írj az info@cubixedu.com címre, és átvezetünk. Ha már kaptál számlát, azt ilyenkor sztornózzuk, így nem marad nyitott tételed.
Be tudom íratni a munkatársaimat, vagy fizetheti a munkáltatóm?
Igen, mindkettő megoldható. A jelentkezés „Számlázás” lépésénél válaszd a „Munkatársnak vásárolok” lehetőséget, több fő esetén pedig a „Több munkatársat szeretnél beíratni?” gombot. Ha inkább írnál, vagy a munkáltatódnak hivatalos árajánlatra van szüksége a döntéshez, keress minket az info@cubixedu.com címen, és összeállítjuk. Ha a cégnél elhúzódik a jóváhagyás, az sem gond, a képzéseinket rendszeresen újraindítjuk, így egy későbbi csoportra is tudsz jelentkezni.
Hogyan tudom felhasználni a kedvezménykuponomat?
A kuponkódot a jelentkezési űrlap „Fizetés” lépésénél tudod megadni: írd be a Kuponkód mezőbe, kattints a Beváltás gombra, és a rendelési összegző rögtön a kedvezményes végösszeget mutatja. A kuponok érvényessége kódonként eltér, ezért ha a tiéd nem működne ennél a képzésnél, írj nekünk az info@cubixedu.com címre, és megnézzük.
Kapok kedvezményt, ha mást is beajánlok a képzésre?
Igen, ajánlásért 5% kedvezményt adunk, amit az ajánló és az ajánlott is megkap, és a nálad lévő egyéb kedvezmény mellett is érvényesíthető. Írj nekünk az info@cubixedu.com címre az általad ajánlott jelentkezők nevével, amint biztos a részvételük, és mindenkinek külön kupont küldünk. A kupont a jelentkezési űrlap „Fizetés” lépésénél tudod beváltani.
Össze tudok állítani több képzésből egy csomagot?
Igen, több képzésből kérhetsz csomagot, amit a külön megvásárolt kurzusoknál kedvezőbb csomagáron adunk. Írd meg az info@cubixedu.com címre, mely képzések érdekelnek, és összeállítjuk. Küldünk hozzá egy áttekintést a képzések formátumáról, a tervezett indulásokról és a javasolt tanulási időről, valamint egy naptárnézetet, amiből látod az esetleges átfedéseket. Az összeállítás csak kiindulópont, a csomag bármelyik képzésünkből összerakható, és az ütemezés menet közben is rugalmasan alakítható.
Milyen fizetési lehetőségek vannak?
Kamatmentes részletfizetés, kártyás vagy utalásos fizetés, valamint céges számla igénylése is lehetséges.