Agentic Engineering¶

Ez a terület az AI Foundations alapjaira épít, és olyan rendszereket tárgyal, amelyekben egy LLM újrahasznosítható capabilityket használhat, külső rendszereken cselekedhet, eredményeket figyelhet meg, tartós execution state-et tarthat fenn, és kontrollált több lépéses végrehajtásban vehet részt.

Tanulási területek¶

Agent Skills — újrahasznosítható capability contractok. First-draft kész.
Agentic Loops — iteratív observe/decide/act végrehajtás planninggel, state-tel, budgetekkel, recoveryvel, verificationnel és human gate-ekkel. First-draft kész.
Agent Architecture — production software architecture a model, skills, loops, state, memory, tools, retrieval, policy, reliability, security és observability körül. First-draft kész.

Ajánlott tanulási sorrend¶

Agent Skills ✅
Agentic Loops ✅
Agent Architecture ✅

Capability
   ↓
Agent Skill
   ↓
Agentic Loop
   ↓
Agent Runtime / Software Architecture

Core mental model¶

A teljes workstream erre fut ki:

probabilistic semantic decisions
          inside
explicit deterministic software boundaries

Egy production agentic system így szemlélhető:

User / API / Event
        ↓
Application Use Case
        ↓
Durable Agent Runtime
  ├── canonical state
  ├── context builder
  ├── policy / authorization
  ├── budgets / recovery
  ├── skills
  ├── capabilities
  └── observability
        ↓
Application Ports
        ↓
Infrastructure Adapters
  ├── LLMs
  ├── retrieval/vector/search
  ├── MCP/connectors
  ├── databases
  ├── queues
  ├── sandboxes
  └── external APIs

A modell értelmezhet, tervezhet és következő actiont javasolhat. A runtime/application felel a canonical state-ért, authorizationért, side-effect safetyért, hard completion checkekért, budgetekért, retry/idempotencyért, approvalért és lifecycle-ért.

Software-engineering szemlélet¶

Az agentic applicationökre ugyanúgy érvényesek a normál architecture elvek. Modular boundary, dependency inversion, state ownership, authorization, observability és failure isolation még fontosabbá válik, amikor probabilisztikus komponensek kerülnek a rendszerbe.

Az architecture anyag explicit tárgyalja:

modular monolithokat,
Hexagonal / Ports & Adapters mintát,
Clean Architecture-t,
DDD-style bounded contextokat,
queue-kat és asynchronous/event-driven boundarykat,
service extraction criteriát,
agent runtime/orchestrator responsibilityket,
context/tool/skill/state/memory/retrieval architecture-t,
security és trust boundarykat,
single-agent vs workflow vs multi-agent topológiákat,
production reliability/scalinget,
evaluationt és observabilityt.

Erős default, hogy a rendszert business capabilityk köré szervezzük AI vendor/framework helyett.

Business capability
      ↓
Application port
      ↓
AI / retrieval / MCP / provider adapter

Control-flow szemlélet¶

A legegyszerűbb olyan architecture-t preferáld, amely megoldja a problémát:

Deterministic code
      ↓ if semantic reasoning is useful
Workflow + agentic island
      ↓ if iterative autonomy is useful
Single modular agent
      ↓ only with a concrete separation reason
Multi-agent

A multi-agent trade-off, nem automatikus célállapot.

State és context szemlélet¶

operational/domain truth
        ↓
canonical run state
        ↓
session + intentional memory
        ↓
purpose-specific context
        ↓
model

A context és chat history soha ne váljon csendben rejtett execution-state store-rá.

Kapcsolat más AI-területekkel¶

A RAG, MCP és Memory továbbra is külön deep-dive területek, még akkor is, ha az Architecture workstream már megmutatja, hol kapcsolódnak.

RAG — ingestion, indexing, retrieval, reranking és evaluation mélyebben.
MCP — protocol/runtime/server/client/tool/resource design és operational concernök mélyebben.
Memory — long-term memory modellek, extraction, consolidation, retrieval, privacy és evaluation mélyebben.

Készültségi állapot¶

Az Agentic Engineering first-draft mélységben elkészült. A további változtatások főleg kérdések, code exercise-ok, implementációs tapasztalat és production/evaluation tanulságok alapján finomítsák a fejezeteket.

Következő lépés¶

Tanulás közben review-zd az anyagot, majd tudatosan válaszd ki a következő külön AI workstreamet a RAG, MCP vagy Memory közül.