Legfontosabb AI készségek 2026-ra: RAG-tól az agentekig

Frissítve a November 22, 2025 -en 8 percek olvasása

Az AI a kísérletekből átlépett a produkciós környezetekbe. A csapatok ma már olyan építőket keresnek, akik megbízható funkciókat tudnak élesben szállítani, mérik a minőséget, és biztonságban tartják az adatokat.
Ez az útmutató végigveszi a kulcskompetenciákat, és mindegyikből portfólióprojektet csinál, amit interjún is magabiztosan meg tudsz mutatni.

Mit várnak el most a munkáltatók

A felvételiztető csapatok kiszámíthatóságot, nem meglepetéseket akarnak. A funkcióid adjanak földhözragadt, ellenőrizhető válaszokat, stabil formátumot és kiszámítható késleltetést.
Emellett magyarázható döntéseket várnak: naplókat, egyszerű teszteket és egy világos visszagörgetési tervet arra az esetre, ha valami elromlik.

A portfóliók akkor verik a CV-ket, ha működő kódot, rövid demókat és őszinte metrikákat mutatnak.
Törekedj arra, hogy projektenként legyen egy oldalad: a probléma, a megközelítés, a javított metrika és az, hogy mit csinálnál legközelebb másként.

Alapkészség: alapok, amelyekre még mindig szükség van

Minden erős AI-munka alapja: Python, SQL, Git és gyakorlati statisztika.
Adatot olvasol, alakítasz, és a változásaidat úgy követed, mint egy profi.

Építs be skálázható szokásokat: docstringek, Makefile-ok és egy „hogyan reprodukáld” szekció.
Ezek az apró részletek segítenek abban, hogy a csapatok megbízzanak a folyamatodban, és felgyorsítják a kódfelülvizsgálatokat.

Ezeket a szokásokat egy élő, mentori közösségben is felépítheted a Adattudomány és AI bootcamp során.

1) RAG (Retrieval-Augmented Generation), ami bizalmat épít

A RAG összeköti a modellt a saját tudásbázisoddal, így a válaszok pontosak és naprakészek lesznek.
Ez a leggyorsabb út hasznos asszisztensek, keresők és ügyféltámogatási folyamatok építéséhez.

A titok az adathigiénia: okos darabolás, tiszta metaadatok és frissítési feladatok, amelyek naprakészen tartják az indexet.
Párosíts vektorkeresést rerankinggel, hogy javítsd a pontosságot anélkül, hogy túlságosan terhelnéd a modellt.

Mini projekt: dokumentációs Q&A citációkkal, top-k hangolással és egy kicsi, de valódi értékelő adathalmazzal.
Kövesd a pontosságot, a késleltetést és a költséget, hogy meg tudd védeni a kompromisszumokat.

2) Beágyazások (embeddings) és vektorbázisok – a RAG gerince

Mielőtt a RAG igazán jó lesz, a visszakeresésnek kell csillognia. Tanuld meg, hogyan reprezentálják a beágyazások a jelentést, és hogyan befolyásolják az indextípusok a sebességet és a visszahívási arányt (recall).
Használj metaadat-szűrőket az eredmények szűkítésére, hogy elkerüld a zajos válaszokat.

Alkalmazz hibrid keresést (kulcsszó + vektor) neveknél, kódoknál és pontos egyezéseknél.
Állíts be rendszeres re-embed feladatot, hogy az új tartalom perceken belül kereshető legyen.

Mini projekt: benchmarkolj három chunkolási stratégiát, és tegyél közzé egy rövid jelentést.
Magyarázd el, hogyan hat a chunk mérete, az átfedés és a címek a válaszminőségre.

3) Prompt engineering 2.0: struktúra a tippelgetés helyett

2026-ban a promtok szerződések. Tartsd röviden a system promptokat (rendszerpromptokat), állíts fel szabályokat, és kérj strukturált kimenetet, például JSON-t.
Validáld a válaszokat séma alapján, hogy az utólagos kód soha ne törjön el.

Verziókezeld a promtokat Gitben, és futtass gyors regressziós teszteket minden módosítás után.
Adj hozzá changelogot, hogy a reviewer-ek értsék, miért változott a prompt.

Mini projekt: egy összefoglaló (summarizer), ami szigorú JSON-t ad vissza, séma-validációval a CI-ben.
A build bukjon el, ha bármelyik mező hiányzik vagy hibás.

4) Értékelés és guardrail-ek: mérj kétszer, deployolj egyszer

Amit nem mérsz, azt nem tudod javítani. Építs egy golden datasetet, amely valódi edge case-eket fed le.
Pontozd a válaszokat helyesség, hangnem, toxikusság és forráshasználat alapján.

Futtass offline értékeléseket a gyors iterációhoz és online ellenőrzéseket az éles viselkedéshez.
Adj a felületen egy egyszerű feedback gombot, hogy elkapd azokat az eseteket is, amelyekre nem gondoltál.

Mini projekt: egy értékelési keretrendszer, ami blokkolja a merge-et, ha a pontosság romlik, vagy kockázatos tartalom jelenik meg.
Kezdd visszafogott küszöbértékekkel, majd fokozatosan emeld, ahogy a rendszer érik.

5) Agentek és eszközhívások: folyamatok, amelyek tényleg befejezik a feladatot

Az agentek lépéseket terveznek és eszközöket (toolokat) hívnak, hogy keressenek, kinyerjenek adatot, majd írjanak – guardrail-ek alatt.
Kezdd egy agenttel, két toollal, szigorú timeoutokkal és csak olvasható (read-only) műveletekkel.

Memóriát csak akkor adj hozzá, ha tényleg szükséges, és korlátozd a feladatra.
Logolj minden eszközhívást, bemenetet és kimenetet, hogy a viselkedés auditálható legyen.

Mini projekt: egy „research-to-ticket” agent, ami forrásokkal ellátott összefoglalót készít, és nyit egy ticketet.
Mutass egy audit trailt, hogy a reviewer-ek minden lépést reprodukálni tudjanak.

6) LLMOps és production fegyelem

Kezeld az AI-t úgy, mint egy terméket: konténerek, CI/CD, secretek és visszaállítások (rollbacks).
Használj feature flag-eket a pipeline-ok közötti váltáshoz, és először csak a felhasználók egy kis részére deployolj.

Adj observabilityt hibákra, költségekre és p95 késleltetés-kiugrásokra.
Ha valami elromlik, tudnod kell, melyik prompt verzió és milyen indexállapot okozta.

Mini projekt: konténerizáld a RAG appodat, kösd be egy preview környezetbe, és adj hozzá egy quality gate lépést a CI-hez.
Készíts egy egyoldalas runbookot az ügyeletes (on-call) reakciókhoz.

7) Adatpipeline-ok: tiszta bemenet, tiszta kimenet

A legtöbb AI-hiba adatprobléma. Tervezd meg előre a beolvasást, validációt és a PII-tisztítást, még mielőtt a promtokhoz nyúlnál.
Normalizáld a formátumokat, és adj dokumentumszintű metaadatokat az okosabb szűrésekhez.

Hozz létre egy dokumentum-életciklust: létrehozás, frissítés, archiválás – így az indexed nem fog elcsúszni.
Kis cron jobok sokkal jobbak, mint a nagy, pánikszerű mentések, miután a felhasználók panaszkodnak.

Mini projekt: egy ETL, ami PDF-eket strukturált chunkokra alakít lineage-információval és inkrementális re-embedekkel.
Tegyél rá egy irányítópultot, ami megmutatja, mi és mikor változott.

8) AI biztonság és adatvédelem: alapértelmezésben biztonságos

Védd a rendszert prompt injection, adatexfiltráció és tool-abúzus ellen.
A secreket tartsd a promtokon kívül, és anonimizáld/maszkoljad a PII-t tárolás előtt.

Használj allowlisteket az eszközökhöz, és validáld a bemeneteket és a kimeneteket is.
Kezeld az agentet nem megbízható komponensként, a lehető legkisebb jogosultsággal.

Mini projekt: egy red team „játékkönyv” támadó promtokkal, eredményekkel és mitigációkkal.
Tegyél mellé egy incidens-sablont, ami segít a csapatnak gyorsan tanulni.

A védelem mélyebb rétegeiről többet tanulhatsz a Kiberbiztonsági bootcamp programunkban.

9) Költség- és késleltetés-optimalizálás: teljesítmény, ami megtérül

A vezetőket a költség / kérés és a p95-ös késleltetés érdekli. Kövesd ezeket a minőség mellett.
Az egyszerű feladatokat irányítsd kisebb modellekre, és cache-eld az ismétlődő munkát.

Rövidítsd a promtokat, csonkítsd a kontextust, és batch-eld a biztonságos műveleteket.
Mutasd meg, hogyan csökkentetted a költséget 40–60%-kal anélkül, hogy a pontosság romlott volna.

Mini projekt: „előtte–utána” irányítópult költséggel, késleltetéssel és minőséggel egy oldalon.
Egy ilyen grafikon aranyat ér az interjún.

10) API-k és integráció: funkciók, amelyeket a felhasználók tényleg használnak

Csomagold az AI-logikát egy letisztult FastAPI (vagy hasonló) szolgáltatásba, és streameld az eredményeket a gyorsabb felhasználói élményért.
Tervezd meg a hasznos hibákat, újrapróbálkozásokat (retries) és timeoutokat, hogy a kliensek robusztusnak érezzék a rendszert.

Dokumentáld a bemeneteket, kimeneteket és státuszkódokat, mintha szerződés lenne.
A stabil API-k megkönnyítik az adaptálást a különböző csapatoknak.

Mini projekt: tedd elérhetővé a RAG rendszeredet szolgáltatásként Swagger dokumentációval és három minta klienssel.
Adj hozzá egyszerű authot és rate limitet a biztonság érdekében.

A teljes stacket felépítheted a Webfejlesztési bootcamp keretein belül.

11) AI UX: tisztaság, kontroll és bizalom

A bizalom a felületen épül. Mutasd a forrásokat, a bizalomjelzéseket (confidence cues) és az egyszerű kontrollokat, mint például „szűkítsd a kört” vagy „adj hozzá új forrásokat”.
Tervezd meg a hibás állapotokat is úgy, hogy javasoljanak következő lépést, ne csak egy zsákutcát mutassanak.

Tartsd a szöveget röviden és közérthetően. Kerüld a zsargont, és a korlátokat is magyarázd el egyszerű nyelven.
A felhasználók megbocsátják a hiányosságokat, ha a UI jól vezeti őket.

Mini projekt: tervezz újra egy chatbot panelt látható citációkkal és feedback gombbal, ami frissíti az értékelő adatkészletet.
Ne csak a pontosságot mérd, hanem a válaszig eltelt időt és az elégedettséget is.

Ha a design az utad, nézd meg a UX/UI Design Bootcamp programunkat.

12) Multimodális és hangalapú rendszerek: ott találkozz a felhasználóval, ahol ő van

A munka átnyúlik szövegen, képen és hangon. Még egy kis hangos interfész is felgyorsíthatja a supportot vagy a képzést.
Használj multimodális beágyazásokat, hogy képernyőképek, PDF-ek és logok között is tudj keresni.

Tartsd szem előtt az adatvédelmet: maszkolj PII-t a leiratokban, és kontrolláld a megőrzést (retention).
Adj a felhasználóknak lehetőséget, hogy kilépjenek a tárolásból vagy megosztásból.

Mini projekt: egy voice-to-RAG demó, ami egy mondatos választ mond ki, és kattintható forrásokat mutat.
Mérd a befejezési arányt és az átlagos kezelési időt.

13) Tudásgráfok és GraphRAG: amikor a kapcsolatok számítanak

Bizonyos lekérdezések kapcsolatokról szólnak, nem kulcsszavakról. A gráfok megmutatják, ki mitől függ, és miért számít.
Kombináld a gráf lekérdezéseket vektorkereséssel, hogy kontextust adj – olyat, amit el is tudsz magyarázni.

Kezdd pici sémával: emberek, rendszerek és dokumentumok, majd növeld az igényekkel együtt.
Az összetett gráfok erősek, de karbantartásban drágák.

Mini projekt: egy „kit kérdezzek?” asszisztens, ami összeköti a szakértőket, eszközöket és dokumentumokat.
Mérd, mennyivel gyorsabban találják meg a felhasználók a megfelelő embert.

14) Produktgondolkodás és kommunikáció: a szorzóerőd

A jó építők hétköznapi nyelven magyarázzák el a kompromisszumokat.
Válassz egy siker-metrikát funkciónként, és köteleződj el mellette.

Írj egyoldalas tervdokumentumokat, és tarts rövid demókat Q&A-val.
A tisztaság többet ér, mint a mennyiség, amikor a vezetők elfoglaltak.

Mini projekt: alakíts bármelyik projektedből esettanulmányt: probléma → megközelítés → metrikák → következő lépések.
A történeted messzebbre jut el, mint a puszta kód.

Hét projekt, ami 2026-ban lenyűgöz

• Vállalati GYIK RAG citációkkal, rerankinggel és 20 elemes golden set-tel.
• Triage agent, ami piszkozatot ír, címkéz és ticketet nyit audit traillel.
• Értékelési keretrendszer a CI-ben, ami blokkolja a merge-et, ha a minőség romlik.
• Prompt injection tesztkörnyezet tesztekkel és dokumentált mitigációkkal.
• Dokumentumosztályozó drift-riasztásokkal és visszaállítási (rollback) útvonallal.
• Költség–késleltetés irányítópult, ami megtakarítást mutat minőségromlás nélkül.
• Voice-to-RAG, ami kimondja a választ, és forrásokat ad hozzá.

Mindegyikről vegyél fel egy 60–90 másodperces demót, és tartsd a repókat rendezettnek.
Tűzd ki őket a profilodra, és hivatkozz rájuk a jelentkezésekben.

A te 30–60–90 napos terved (reális és ismételhető)

1–30. nap: Alapok és visszakeresés
Frissítsd fel a Python/SQL és Git tudásodat. Építs egy mini embedding keresőt, és gyakorold a tiszta commitokat.
Írj heti jegyzetet arról, mi javította az eredményeket és mi nem működött.

31–60. nap: RAG vagy agent + értékelés
Szállíts egy RAG v1-et citációkkal, vagy egy egyszerű agentet két toollal.
Adj hozzá strukturált kimeneteket, alapvető értékeléseket és egy quality gate lépést a CI-ben.

61–90. nap: Biztonság, költség és finomhangolás
Adj hozzá red team teszteket, PII-ellenőrzéseket és caching réteget.
Készíts demókat, írj egyoldalas esettanulmányokat, és jelentkezz hetente célzott üzenetekkel.

Szeretnél elszámoltathatóságot a tanulás mellé? Hasonlítsd össze a formátumokat, és csatlakozz egy élő csoporthoz.
Tedd 2026-ot a kilövési éveddé. Csatlakozz egy élő kohorszhoz, tanulj mentorokkal, és zárd a programot olyan portfólióprojektekkel, amelyeket magabiztosan meg tudsz védeni interjún.
Kezdd itt: Fedezd fel a programokat