IT, BI, DWH, DM, AI

Kognitív adósság a kódolásban: Amikor az AI megspórolja a gondolkodást, de később kamatostól fizetünk 2025-ben már senki nem vitatja, hogy a generatív AI (Cursor, GitHub Copilot, Claude, Devin-szerű eszközök) radikálisan felgyorsította a szoftverfejlesztést. Egy közepes senior fejlesztő egy jó prompttal órák helyett percek alatt hoz létre működő kódot. De vajon mi az ára ennek a gyorsulásnak? Egy MIT Media Lab kutatás (EEG-sapkás kísérlet esszéírással) rámutatott egy jelenségre, amit **kognitív adósságnak** (cognitive debt) neveztek el. Azoknál, akik ChatGPT-t használtak, jelentősen gyengébb volt az agyi aktivitás a memória, figyelem és végrehajtó funkciók területén, ráadásul alig emlékeztek vissza arra, amit „ők” írtak.   Ez nem csak diákokra és fogalmazásokra igaz.   Ez ránk, fejlesztőkre, rendszermérnökökre és architektákra is vonatkozik. Mi a kognitív adósság a szoftverfejlesztésben? **Technical debt** már jól ismert fogalom: gyorsan megírt, nehezen karbantarthat...

  MI-ügynökök tervezése: Promptok helyett rétegzett architektúra Az MI-ügynökök fejlesztése szintet lép, ha a monolitikus promptok helyett rétegzett rendszerben gondolkodsz. A Claude Code megközelítése az ügynököket öt különálló funkcionális rétegre bontja. Ez az architekturális minta gyakorlatiasabbá és skálázhatóbbá teszi az ügynökök tervezését és integrációját. I. CLAUDE.md – A memóriaréteg Ez a réteg funkcionál az ügynök operációs kézikönyveként. Itt rögzítendők az architekturális szabályok, a névadási konvenciók, a tesztelési elvárások és a projekt globális kontextusa. A rendszer hierarchikusan kezeli az adatokat: a globális szabályok a felhasználói könyvtárban ( ~/.claude/CLAUDE.md ), a specifikusak a projektkönyvtárban ( .claude/CLAUDE.md ) tárolódnak. A kontextus additív módon épül fel, ahogy az ügynök a könyvtárstruktúrában halad. II. Képességek (Skills) – A tudásréteg Az optimalizált tokenfelhasználás érdekében kerülni kell a kontextusablak folyamatos, felesleges terhel...

  Claude-alapú autonóm Analytics Engineering rendszer Az elmúlt időszakban sokat kísérleteztem azzal, hogyan lehet a Claude képességeit igazán hatékonyan kihasználni komplex, ismétlődő analytics engineering feladatok automatizálására. Az eredmény egy jól strukturált, újrafelhasználható multi-agent rendszer , amely jelentősen növeli a termelékenységet. A rendszer négy alapvető komponensre épül: Context files , Skills , Sub-agents és On-demand References . 1. Context Files – Az agy és a belépési pont AGENTS.md → Ez a rendszer „agya”. Itt található a fő ügynök teljes szerepköre, a projekt kontextusa, a használt technológiai stack, a könyvtárstruktúra, valamint a elérhető skillek menüje. Ez a fájl tartalmazza a legfontosabb szabályokat és irányelveket. CLAUDE.md → A Claude Code (vagy Claude Desktop) belépési pontja. Ez a fájl mutat rá az AGENTS.md -re, és inicializálja a teljes környezetet. 2. Skills – Lépésről lépésre eljárások A skillek jelentik a rendszer „kezeit”. Ezek jól defi...