MCP szerverek fejlesztése: vállalati adatok skálázható és biztonságos összekapcsolása az LLM-ekkel
Vállalati adatok skálázható és biztonságos összekapcsolása LLM-ekkel MCP szerverek fejlesztésével.
Mit fogsz tanulni?
6 hét alatt az MCP alapjaitól a toolok, resource-ok és promptok fejlesztésén át az API- és adatbázis-integráción, a biztonsági védelmen és a deploymenten keresztül jutsz el a saját MCP szerveredig.
1 MCP alapok és AI-integrációs architektúra Az MCP fogalmi alapjai, a host-client-server kapcsolat és az MCP helye az AI-integrációban.
- MCP szerepe az AI alkalmazásfejlesztésben
- MCP host, client és server fogalma
- MCP vs function calling
- MCP vs hagyományos API-integráció
- Mikor érdemes MCP szervert építeni?
- Enterprise use case-ek
- Local és remote MCP szerverek
- Első egyszerű MCP szerver futtatása
2 Tools, resources és prompts fejlesztése Az MCP három fő komponensének megtervezése és implementálása: toolok, resource-ok és promptok.
- Toolok szerepe MCP-ben
- Input schema és validáció
- Tool response design
- Resource-ok mint kontextusforrások
- Promptok mint újrahasználható workflow sablonok
- Mikor tool, mikor resource, mikor prompt?
- Hibakezelés és strukturált válaszok
- Több képességből álló MCP szerver tervezése
3 MCP integráció saját API-val és adatbázissal Valódi üzleti adatforrások - API-k és adatbázisok - összekapcsolása MCP-n keresztül.
- REST API bekötése MCP szerverbe
- Adatbázis-lekérdezés MCP-n keresztül
- Pagination, filtering és query paraméterek
- Read-only műveletek tervezése
- Write műveletek kockázatai
- Error handling és fallback logika
- Business objectek modellezése
- CRM, ticketing, inventory vagy dokumentumtár use case-ek
4 Auth, jogosultságok és biztonságos tool design Biztonsági vezérlés, jogosultsági modell, felhasználói kontextus kezelése és naplózás.
- API key és OAuth alapok
- Felhasználói kontextus kezelése
- Scopes és jogosultsági határok
- Least privilege elv
- Read-only és write műveletek szétválasztása
- User approval flow
- Audit log és tool invocation naplózás
- Rate limit és abuse protection
- Dangerous toolok kezelése
- Biztonságos output design
5 MCP security, prompt injection és tool poisoning védekezés Biztonsági fenyegetések azonosítása és megelőzése MCP kontextusban.
- Indirect prompt injection
- Tool poisoning
- Malicious tool description kockázatok
- Nem validált input és output
- Context injection és túlzott kontextusmegosztás
- Adatszivárgási kockázatok
- Fájlműveletek és command execution veszélyei
- Allowlist, denylist és sandboxing
- Biztonsági review checklist
- OWASP MCP Top 10 áttekintése
6 Deployment, tesztelés és záróprojekt Az MCP szerverek üzembe helyezése, tesztelése, dokumentálása és a teljes záróprojekt.
- MCP szerver debugolása
- Lokális és remote futtatás
- Transport lehetőségek áttekintése
- Streamable HTTP alapok
- Docker alapú futtatás
- Környezeti változók és secret kezelés
- Integration test alapok
- Logging és observability
- Dokumentáció készítése
- Saját MCP szerver véglegesítése, dokumentálása és bemutatása
Kinek ajánlott?
- Backend fejlesztőknek, akik API-kat, adatbázisokat és üzleti logikát kötnének AI alkalmazásokhoz
- Fullstack fejlesztőknek, akik AI-asszisztenseket vagy ChatGPT/Claude/Copilot-kompatibilis integrációkat építenének
- AI engineereknek, akik eszközhasználatot és agentic workflow-kat is fejlesztenének
- DevOps és platform engineer szakembereknek, akik belső funkciókat tennének elérhetővé AI kliensek számára
- Data engineereknek, akik adatforrásokat tennének kontrolláltan hozzáférhetővé MCP-n keresztül
- Solution architecteknek és tech leadeknek, akik enterprise AI integrációkat terveznek
Kinek nem ajánlott?
- Akiknek nincs programozási (backend) tapasztalatuk
- Akik no-code AI megoldásokat keresnek
- Akik a chatbotok prompt-szintű használatát tanulnák fejlesztés helyett
- Akik még nem találkoztak API-kkal és webes szolgáltatásokkal
Miért érdemes belevágnod?
Az LLM-alapú alkalmazások gyorsan elmozdultak az egyszerű chatbotoktól az eszközhasználatra képes AI-asszisztensek és agentic workflow-k irányába. Ma már nem az a kérdés, hogy egy AI tud-e válaszolni, hanem hogy tud-e biztonságosan kapcsolódni a megfelelő adatokhoz. A Model Context Protocol (MCP) fontos szabvánnyá vált, amelyet az OpenAI, a Microsoft Azure és az Anthropic is támogat – ezzel olyan AI alkalmazásokat fejleszthetsz, amelyek szabványos módon kapcsolódnak API-khoz, adatbázisokhoz és vállalati rendszerekhez.
- Munka mellett végezheted, rugalmas időbeosztással
- Gyakorlati projekteken keresztül, oktatói mentorálással
- LinkedIn profilodba beágyazható tanúsítvány
Mik a képzés előkövetelményei?
Programozási alapismeretek (Python vagy TypeScript), REST API- és JSON-ismeret, valamint LLM és prompt engineering alapok szükségesek; nem igényel mély ML-hátteret.
Hogyan fogsz tanulni?
Amit otthon, távolról, rugalmasan tanulhatsz, miért kellene egy (virtuális) oktatóteremben hallgatnod?
Learn by doing megközelítés
Minden héten gyakorlófeladatokat oldasz meg, hogy a friss tudást azonnal alkalmazd.
Interaktív digitális tananyag
A tudást digitális tananyagok és vezetett kódolások formájában adjuk át egy több mint 300.000 hallgató által használt platformon.
Folyamatos mentorálás
Visszajelzést kapsz az oktatótól a feltöltött projektjeidre, és bármikor kérdezhetsz írásban.
Kiscsoportos Discord közösség
Saját Discord csoport, ahol megoszthatod tapasztalataidat és partnereket találhatsz a gyakorláshoz.
Rugalmas időbeosztás
A tanfolyamot munka mellett is végezheted, saját időbeosztásod szerint.
Visszanézhető LIVE alkalmak
Az élő konzultációk visszanézhetők; kérdéseid előre is elküldheted.
Minőségbiztosított képzések
Képzéseink szakmai minőségbiztosítását az iparági vezető technológiai vállalatok és a Budapesti Műszaki és Gazdaságtudományi Egyetem végzi.
- 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 dátum
Más időpont érdekel?
Add meg az e-mail címed, és szólunk, ha új időpontot hirdetünk meg.
Fizetési lehetőségek
Többféle fizetési lehetőséget biztosítunk, hogy a legmegfelelőbb opciót válaszd.
Online fizetés bankkártyával
Az OTP SimplePay az egyik legelterjedtebb online fizetési megoldás — gyors és biztonságos fizetési folyamatáról ismert.
Kamatmentes részletfizetés
Nem szeretnénk, ha a fizetési nehézségek akadályoznák a szakmai fejlődésedet, ezért a részvételi díjat több részletben, teljesen kamatmentesen is kifizetheted.
Fizetés banki átutalással, egy összegben
Ha online kártyás fizetés helyett banki átutalással szeretnél fizetni, az sem probléma — írj nekünk, és ebben is segítünk.
Készen állsz a jelentkezésre?
Jelentkezz most, és kezdd el a fejlődést!
Gyakran Ismételt Kérdések
Szükséges-e előzetes tudás?
Igen. Programozási alapismeretek (Python vagy TypeScript), REST API- és JSON-ismeret, valamint LLM- és prompt engineering alapok szükségesek. A képzés nem igényel mély AI-kutatói vagy machine learning hátteret, a hangsúly a gyakorlati fejlesztésen van.
Mennyi heti időráfordítást igényel?
A képzés rugalmas időbeosztású, jellemzően heti 8-12 óra elfoglaltságot jelent. A vezetett kódolások egy évig korlátlanul visszanézhetők.
Van lehetőség részletfizetésre?
Igen, kamatmentes részletfizetés és utalásos fizetés is elérhető, valamint céges számla igényelhető. Az indulástól számított 8 napig 100%-os pénzvisszafizetési garanciát biztosítunk.
Kapok tanúsítványt a képzés végén?
Igen, a saját MCP szerver véglegesítése és bemutatása után névre szóló tanúsítványt kapsz.
Vannak élő alkalmak?
Igen, minden tanegység végén élő konzultációs alkalmat tartunk, ahol kérdezhetsz az oktatótól.