[{"data":1,"prerenderedAt":755},["ShallowReactive",2],{"blog-multi-agent-systems-when-worth-it-hu":3},{"slug":4,"published":5,"minutes":6,"category":7,"tags":8,"keywords":13,"about":24,"sources":34,"cover":68,"og":69,"expertise":70,"locales":71,"lang":74,"title":75,"description":76,"coverAlt":77,"metaTitle":78,"takeaways":79,"faq":85,"toc":104,"blocks":129,"others":457},"multi-agent-systems-when-worth-it","2026-10-02",12,"agents",[9,10,11,12],"Multi-agent systems","AI agents","Orchestrator-worker","Context engineering",[14,15,16,17,18,19,20,21,22,23],"multi-agent systems when worth it","multi-agent vs single agent","orchestrator-worker pattern","multi-agent LLM token cost","why multi-agent systems fail","don't build multi-agents","subagents context isolation","multi-agent debate worth it","agent handoffs vs subagents","when to use multiple AI agents",[25,28,31],{"name":26,"url":27},"Multi-agent system","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMulti-agent_system",{"name":29,"url":30},"Intelligent agent","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FIntelligent_agent",{"name":32,"url":33},"Large language model","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLarge_language_model",[35,38,41,44,47,50,53,56,59,62,65],{"title":36,"url":37},"Anthropic Engineering: How we built our multi-agent research system","https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Fmulti-agent-research-system",{"title":39,"url":40},"Anthropic: Building effective agents","https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Fbuilding-effective-agents",{"title":42,"url":43},"Cognition: Don't Build Multi-Agents (12 June 2025)","https:\u002F\u002Fcognition.com\u002Fblog\u002Fdont-build-multi-agents",{"title":45,"url":46},"Cognition: Multi-Agents: What's Actually Working (22 April 2026)","https:\u002F\u002Fcognition.com\u002Fblog\u002Fmulti-agents-working",{"title":48,"url":49},"Google Research: Towards a science of scaling agent systems","https:\u002F\u002Fresearch.google\u002Fblog\u002Ftowards-a-science-of-scaling-agent-systems-when-and-why-agent-systems-work\u002F",{"title":51,"url":52},"arXiv 2512.08296: Towards a Science of Scaling Agent Systems","https:\u002F\u002Farxiv.org\u002Fabs\u002F2512.08296",{"title":54,"url":55},"arXiv 2503.13657: Why Do Multi-Agent LLM Systems Fail? (MAST)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2503.13657",{"title":57,"url":58},"arXiv 2305.14325: Improving Factuality and Reasoning in Language Models through Multiagent Debate","https:\u002F\u002Farxiv.org\u002Fabs\u002F2305.14325",{"title":60,"url":61},"arXiv 2502.08788: Stop Overvaluing Multi-Agent Debate","https:\u002F\u002Farxiv.org\u002Fabs\u002F2502.08788",{"title":63,"url":64},"OpenAI Agents SDK: Handoffs","https:\u002F\u002Fopenai.github.io\u002Fopenai-agents-python\u002Fhandoffs\u002F",{"title":66,"url":67},"Claude Code documentation: Subagents","https:\u002F\u002Fcode.claude.com\u002Fdocs\u002Fen\u002Fsub-agents","\u002Fimages\u002Fblog\u002Fmulti-agent-systems-when-worth-it\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fmulti-agent-systems-when-worth-it\u002Fog.jpg","ai-engineer",[72,73,74],"en","de","hu","Multi-agent rendszerek: mikor verik az egyetlen ügynököt, és mikor nem","Orchestrator-worker, fan-out, critic, handoff: mit ad valójában a multi-agent rendszer, mennyi tokenbe kerül, hogyan hibázik, és egy döntési táblázat.","Diagram: egy vezető ügynök négy worker ügynöknek osztja ki a munkát, mindegyiknek saját, elszigetelt kontextusablaka van, az összefoglalóikat pedig összegyűjti.","Mikor jobb a multi-agent rendszer · Balázs Csorba",[80,81,82,83,84],"Az Anthropic mérése szerint egy ügynök nagyjából négyszer, egy multi-agent rendszer nagyjából tizenötször annyi tokent használ, mint egy chat, ezért a multi-agent felépítésnek meg kell érnie ezt a szorzót.","Az igazi haszon a kontextus elszigetelése: a worker a saját ablakában kutat, és összefoglalót ad vissza, így a vezető ügynök fókuszban marad, a lefedett terület pedig meghaladhat egy kontextusablakot.","A párhuzamos olvasás jól skálázódik, a párhuzamos írás és a szorosan összefüggő lépések nem. A Google Research +81%-ot mért egy párhuzamosítható, és 39–70% romlást egy szekvenciális feladaton.","A hibák többsége koordinációs hiba (homályos specifikáció, elveszett kontextus, hiányzó ellenőrzés), nem modellhiba, és a vita-alapú megoldások gyakran az egyszerű együgynökös alapvonalat sem verik meg.","Kezdj egy ügynökkel és jó harnesszel, subagentet csak mért okból adj hozzá, tartsd single-threaded az írást, és a multi-agent változatot mérd az együgynökös ellen.",[86,89,92,95,98,101],{"q":87,"a":88},"Mikor érdemes multi-agent rendszert használni egyetlen ügynök helyett?","Ha a munka inkább széles, mint mély: sok független kérdés, egy kontextusablakot meghaladó források, vagy olyan mellékfeladatok, amelyek elárasztanák a fő beszélgetést kimenettel. Az Anthropic a szélességi kutatást nevezi ideális esetnek. Ha a lépések egymásra épülnek vagy sok kontextust osztanak meg, általában az egyetlen ügynök a jobb.",{"q":90,"a":91},"Mennyivel több tokent használnak a multi-agent rendszerek?","Az Anthropic szerint az ügynökök nagyjából 4-szer több tokent használnak, mint a chat, a multi-agent rendszerek nagyjából 15-ször többet. A BrowseComp benchmarkon végzett elemzésük szerint a tokenhasználat önmagában a teljesítményszórás nagyjából 80%-át magyarázta, tehát a nyereség egy része egyszerűen több számítás.",{"q":93,"a":94},"Miért hibáznak a multi-agent LLM rendszerek?","Az 1600-nál több annotált nyomvonalat vizsgáló, 7 keretrendszert átfogó MAST tanulmány 14 hibamódot csoportosít három kategóriába: rendszertervezési problémák, ügynökök közti félreértés és feladat-ellenőrzés. A gyakorlatban ez homályos feladatleírást, a következő ügynökig el nem jutó kontextust, duplikált munkát és ellenőrzés hiányát jelenti.",{"q":96,"a":97},"Megéri a multi-agent debate?","Alapértelmezésként ritkán. Az eredeti debate-tanulmány jobb következtetést és tényhűséget mért, de egy későbbi, 5 módszert 9 benchmarkon vizsgáló értékelés szerint a vita gyakran nem veri meg a Chain-of-Thoughtot vagy a self-consistency-t, pedig több számítást használ. Ebben a vizsgálatban a különböző modellek használata segített.",{"q":99,"a":100},"Mi a különbség a handoff és a subagent között?","A handoff átadja az irányítást: a következő ügynök átveszi a beszélgetést, alapértelmezés szerint a teljes előzményekkel. A subagent friss kontextusban kap egy mellékfeladatot, és csak összefoglalót ad vissza, a hívó pedig felelős marad. A handoff a szakértők közti irányításra jó, a subagent a kontextus elszigetelésére.",{"q":102,"a":103},"Futtassanak a kódoló ügynökök subagenteket párhuzamosan?","Óvatosan. A Cognition szerint a párhuzamos író ügynökök egymásnak ellentmondó, implicit döntéseket hoznak a stílusról és a szélső esetekről, és úgy látják, ma a multi-agent megoldások akkor működnek a legjobban, ha az írás single-threaded marad. A feltáráshoz, kereséshez és review-hoz használt subagentek a biztos felhasználás.",[105,108,111,114,117,120,123,126],{"id":106,"title":107},"four-patterns","Négy minta, és mire jó mindegyik",{"id":109,"title":110},"context-isolation","A kontextus elszigetelése az igazi haszon",{"id":112,"title":113},"token-cost","Mibe kerül: a tokenszorzó",{"id":115,"title":116},"coordination-failures","Hogyan hibáznak a multi-agent rendszerek",{"id":118,"title":119},"decision-framework","Döntési keretrendszer",{"id":121,"title":122},"checklist","Ellenőrzőlista, mielőtt ügynököt adsz hozzá",{"id":124,"title":125},"what-i-would-do","Mit tennék én",{"id":127,"title":128},"sources","Források",[130,134,142,151,154,157,166,169,198,199,206,209,217,224,232,233,236,243,251,254,255,258,285,292,300,301,304,378,381,382,401,409,410,413,421,422],{"type":131,"content":132},"paragraph",[133],"Pár havonta egy új keretrendszer triviálissá teszi egy ügynökcsapat felállítását: tervező, kutató, kódoló, reviewer. A diagramok szervezeti ábrának látszanak, és könnyű azt hinni, hogy több ügynök több intelligenciát jelent. A publikált bizonyítékok óvatosabbat mondanak: a multi-agent rendszerek egy szűk problémaosztályban kiválóak, mindenhol drágák, és meglepően sok feladaton csendben rosszabbak az egyetlen ügynöknél.",{"type":131,"content":135},[136,137,141],"Ez a bejegyzés rendbe teszi a mintákat, számot ad a költségre, felsorolja a kutatás és a gyártók által dokumentált hibamódokat, és egy döntési keretrendszerrel zár, amelyet a saját esetedre alkalmazhatsz. Az álláspontom előre: ",{"tag":138,"children":139},"strong",[140],"kezdj egy ügynökkel, és minden további ügynököt kezelj úgy, mint egy beszerzést, amelyet indokolnod kell",". A legerősebb indok nem a „specializáció” vagy a „csapatmunka”, hanem a kontextus elszigetelése.",{"type":131,"content":143},[144,145,150],"Ha előbb az egyetlen ügynök alapjait szeretnéd, olvasd el ",{"tag":146,"to":147,"children":148},"link","\u002Fblog\u002Fagent-loop-explained",[149],"az agent loop magyarázatát",". Minden alább azt feltételezi, hogy már van egy működő ügynököd.",{"type":152,"level":153,"id":106,"text":107},"heading",2,{"type":131,"content":155},[156],"A legtöbb multi-agent felépítés négy alapforma kombinációja. Abban különböznek, hogy ki tartja kézben az irányítást, ki melyik kontextust látja, és hol egyesülnek az eredmények.",{"type":158,"attrs":159,"inner":163,"caption":164},"diagram",{"viewBox":160,"role":161,"aria-labelledby":162},"0 0 720 370","img","d1-multi-t d1-multi-d","\u003Ctitle id=\"d1-multi-t\">Négy multi-agent minta\u003C\u002Ftitle>\u003Cdesc id=\"d1-multi-d\">Négy kis diagram. Orchestrator-worker: a vezető ügynök három workernek delegál. Párhuzamos fan-out: egy kérdés három keresésre megy, az eredményeket egyesítik. Író és critic: egy író és egy friss kontextusú critic vázlatot és visszajelzést cserél. Handoff: az irányítás A ügynöktől B-hez, majd C-hez kerül.\u003C\u002Fdesc>\u003Ctext x=\"20\" y=\"26\" class=\"d-title\">Négy multi-agent minta\u003C\u002Ftext>\u003Ctext x=\"700\" y=\"26\" text-anchor=\"end\" class=\"d-label\">Anthropic, Cognition, OpenAI\u003C\u002Ftext>\u003Crect x=\"20\" y=\"40\" width=\"340\" height=\"150\" rx=\"12\" class=\"d-box d-dash\" \u002F>\u003Ctext x=\"34\" y=\"62\" class=\"d-label\">Orchestrator-worker\u003C\u002Ftext>\u003Crect x=\"34\" y=\"98\" width=\"90\" height=\"36\" rx=\"8\" class=\"d-accent\" \u002F>\u003Ctext x=\"79\" y=\"120\" text-anchor=\"middle\" class=\"d-small\">Vezető\u003C\u002Ftext>\u003Cpath d=\"M124 116 L213 89\" class=\"d-line\" \u002F>\u003Cpath d=\"M220 89 l-9 -5 v10 z\" class=\"d-head\" \u002F>\u003Crect x=\"220\" y=\"76\" width=\"126\" height=\"26\" rx=\"8\" class=\"d-sky\" \u002F>\u003Ctext x=\"283\" y=\"93\" text-anchor=\"middle\" class=\"d-small\">Worker 1\u003C\u002Ftext>\u003Cpath d=\"M124 116 L213 121\" class=\"d-line\" \u002F>\u003Cpath d=\"M220 121 l-9 -5 v10 z\" class=\"d-head\" \u002F>\u003Crect x=\"220\" y=\"108\" width=\"126\" height=\"26\" rx=\"8\" class=\"d-sky\" \u002F>\u003Ctext x=\"283\" y=\"125\" text-anchor=\"middle\" class=\"d-small\">Worker 2\u003C\u002Ftext>\u003Cpath d=\"M124 116 L213 153\" class=\"d-line\" \u002F>\u003Cpath d=\"M220 153 l-9 -5 v10 z\" class=\"d-head\" \u002F>\u003Crect x=\"220\" y=\"140\" width=\"126\" height=\"26\" rx=\"8\" class=\"d-sky\" \u002F>\u003Ctext x=\"283\" y=\"157\" text-anchor=\"middle\" class=\"d-small\">Worker 3\u003C\u002Ftext>\u003Ctext x=\"190\" y=\"180\" text-anchor=\"middle\" class=\"d-small\">A részfeladatok előre ismeretlenek\u003C\u002Ftext>\u003Crect x=\"360\" y=\"40\" width=\"340\" height=\"150\" rx=\"12\" class=\"d-box d-dash\" \u002F>\u003Ctext x=\"374\" y=\"62\" class=\"d-label\">Párhuzamos fan-out\u003C\u002Ftext>\u003Crect x=\"372\" y=\"98\" width=\"70\" height=\"36\" rx=\"8\" class=\"d-box\" \u002F>\u003Ctext x=\"407\" y=\"120\" text-anchor=\"middle\" class=\"d-small\">Kérdés\u003C\u002Ftext>\u003Cpath d=\"M442 116 L465 89\" class=\"d-line\" \u002F>\u003Cpath d=\"M472 89 l-9 -5 v10 z\" class=\"d-head\" \u002F>\u003Crect x=\"472\" y=\"76\" width=\"100\" height=\"26\" rx=\"8\" class=\"d-sky\" \u002F>\u003Ctext x=\"522\" y=\"93\" text-anchor=\"middle\" class=\"d-small\">Keresés A\u003C\u002Ftext>\u003Cpath d=\"M572 89 L593 116\" class=\"d-line\" \u002F>\u003Cpath d=\"M600 116 l-8 -3 l2 7 z\" class=\"d-head\" \u002F>\u003Cpath d=\"M442 116 L465 121\" class=\"d-line\" \u002F>\u003Cpath d=\"M472 121 l-9 -5 v10 z\" class=\"d-head\" \u002F>\u003Crect x=\"472\" y=\"108\" width=\"100\" height=\"26\" rx=\"8\" class=\"d-sky\" \u002F>\u003Ctext x=\"522\" y=\"125\" text-anchor=\"middle\" class=\"d-small\">Keresés B\u003C\u002Ftext>\u003Cpath d=\"M572 121 L593 116\" class=\"d-line\" \u002F>\u003Cpath d=\"M600 116 l-8 -3 l2 7 z\" class=\"d-head\" \u002F>\u003Cpath d=\"M442 116 L465 153\" class=\"d-line\" \u002F>\u003Cpath d=\"M472 153 l-9 -5 v10 z\" class=\"d-head\" \u002F>\u003Crect x=\"472\" y=\"140\" width=\"100\" height=\"26\" rx=\"8\" class=\"d-sky\" \u002F>\u003Ctext x=\"522\" y=\"157\" text-anchor=\"middle\" class=\"d-small\">Keresés C\u003C\u002Ftext>\u003Cpath d=\"M572 153 L593 116\" class=\"d-line\" \u002F>\u003Cpath d=\"M600 116 l-8 -3 l2 7 z\" class=\"d-head\" \u002F>\u003Crect x=\"600\" y=\"98\" width=\"88\" height=\"36\" rx=\"8\" class=\"d-mint\" \u002F>\u003Ctext x=\"644\" y=\"120\" text-anchor=\"middle\" class=\"d-small\">Összefésülés\u003C\u002Ftext>\u003Ctext x=\"530\" y=\"180\" text-anchor=\"middle\" class=\"d-small\">Független olvasás, egy szintézis\u003C\u002Ftext>\u003Crect x=\"20\" y=\"205\" width=\"340\" height=\"150\" rx=\"12\" class=\"d-box d-dash\" \u002F>\u003Ctext x=\"34\" y=\"227\" class=\"d-label\">Író és critic\u003C\u002Ftext>\u003Crect x=\"40\" y=\"257\" width=\"110\" height=\"44\" rx=\"8\" class=\"d-box\" \u002F>\u003Ctext x=\"95\" y=\"283\" text-anchor=\"middle\" class=\"d-small\">Író\u003C\u002Ftext>\u003Crect x=\"230\" y=\"257\" width=\"110\" height=\"44\" rx=\"8\" class=\"d-gold\" \u002F>\u003Ctext x=\"285\" y=\"283\" text-anchor=\"middle\" class=\"d-small\">Critic\u003C\u002Ftext>\u003Cpath d=\"M150 269 H222\" class=\"d-line\" \u002F>\u003Cpath d=\"M230 269 l-9 -5 v10 z\" class=\"d-head\" \u002F>\u003Cpath d=\"M230 291 H158\" class=\"d-line\" \u002F>\u003Cpath d=\"M150 291 l9 -5 v10 z\" class=\"d-head\" \u002F>\u003Ctext x=\"285\" y=\"321\" text-anchor=\"middle\" class=\"d-label\">friss kontextus\u003C\u002Ftext>\u003Ctext x=\"190\" y=\"345\" text-anchor=\"middle\" class=\"d-small\">Egy kimenet független ellenőrzése\u003C\u002Ftext>\u003Crect x=\"360\" y=\"205\" width=\"340\" height=\"150\" rx=\"12\" class=\"d-box d-dash\" \u002F>\u003Ctext x=\"374\" y=\"227\" class=\"d-label\">Handoff\u003C\u002Ftext>\u003Crect x=\"372\" y=\"263\" width=\"86\" height=\"40\" rx=\"8\" class=\"d-sky\" \u002F>\u003Ctext x=\"415\" y=\"287\" text-anchor=\"middle\" class=\"d-small\">A ügynök\u003C\u002Ftext>\u003Cpath d=\"M458 283 H478\" class=\"d-line\" \u002F>\u003Cpath d=\"M486 283 l-9 -5 v10 z\" class=\"d-head\" \u002F>\u003Crect x=\"486\" y=\"263\" width=\"86\" height=\"40\" rx=\"8\" class=\"d-accent\" \u002F>\u003Ctext x=\"529\" y=\"287\" text-anchor=\"middle\" class=\"d-small\">B ügynök\u003C\u002Ftext>\u003Cpath d=\"M572 283 H592\" class=\"d-line\" \u002F>\u003Cpath d=\"M600 283 l-9 -5 v10 z\" class=\"d-head\" \u002F>\u003Crect x=\"600\" y=\"263\" width=\"88\" height=\"40\" rx=\"8\" class=\"d-mint\" \u002F>\u003Ctext x=\"644\" y=\"287\" text-anchor=\"middle\" class=\"d-small\">C ügynök\u003C\u002Ftext>\u003Ctext x=\"530\" y=\"345\" text-anchor=\"middle\" class=\"d-small\">Az irányítás vándorol, egy aktív\u003C\u002Ftext>",[165],"A négy forma. Az első kettőben a hívó marad felelős, és összefoglalókat kap; a handoffnál maga az irányítás költözik.",{"type":131,"content":167},[168],"Részletesebben:",{"type":170,"ordered":171,"items":172},"list",false,[173,183,188,193],[174,177,178,182],{"tag":138,"children":175},[176],"Orchestrator-worker."," Egy vezető ügynök tervez, workereknek delegál, és szintetizál. Az Anthropic ",{"tag":179,"href":40,"children":180},"a",[181],"Building effective agents"," bejegyzése egy központi LLM-ként írja le, amely „dinamikusan bontja a feladatokat, worker LLM-eknek delegálja, és szintetizálja az eredményeiket”. Olyan feladatokra való, ahol a részfeladatokat előre nem tudod megjósolni.",[184,187],{"tag":138,"children":185},[186],"Párhuzamos fan-out."," Ugyanez rögzített formában: a munkát független részekre bontod, egyszerre futtatod, majd egyesíted. Ugyanez a bejegyzés két változatot nevez meg: sectioning (független részfeladatok) és voting (ugyanazt a feladatot többször futtatod, változatos kimenetekért).",[189,192],{"tag":138,"children":190},[191],"Író és critic (debate)."," Egy második ügynök ellenőrzi az első kimenetét, vagy több ügynök vitatkozik egy válaszig. Itt vegyesebb a bizonyíték, ahogy a hibákról szóló rész mutatja.",[194,197],{"tag":138,"children":195},[196],"Handoff."," Egy ügynök átadja a beszélgetést egy szakértőnek. Az OpenAI Agents SDK-ban a handoff a modell számára egy transfer_to_refund_agent nevű eszközként jelenik meg, és alapértelmezés szerint „az új ügynök átveszi a beszélgetést, és látja a teljes korábbi előzményt”. Egy input filterrel ezt szűkítheted.",{"type":152,"level":153,"id":109,"text":110},{"type":131,"content":200},[201,202,205],"Kérdezd meg, mit tud a második ügynök, amit az első nem. Nincs jobb modellje, és nem gondolkodik keményebben. Neki ",{"tag":138,"children":203},[204],"üres kontextusablaka"," van. Egy worker elolvashat negyven keresési találatot, átkereshet egy monorepót, vagy lefuttathat egy zajos tesztcsomagot, és tíz sort ad vissza. A vezető ügynök sosem cipeli ezt a zajt.",{"type":131,"content":207},[208],"Az Anthropic saját kutatórendszer-leírása ezt kimondja: a subagentek párhuzamosan, saját kontextusablakkal dolgoznak, így kezeli a rendszer az egyetlen kontextusablakot meghaladó információt. A Claude Code dokumentációja ugyanezt mondja a kódolásról: akkor használj subagentet, ha egy mellékfeladat a fő beszélgetést „keresési találatokkal, logokkal vagy fájltartalmakkal árasztaná el, amelyekre többé nem hivatkozol”, mert a munkát a saját kontextusában végzi, és „csak az összefoglalót adja vissza”.",{"type":131,"content":210},[211,212,216],"A másik oldal ugyanilyen fontos. A friss subagent nem örökli a beszélgetési előzményt, a skilleket és a már elolvasott fájlokat, ezért mindennek, amire szüksége van, a feladatleírásában kell lennie. A dokumentáció felsorolja, mikor maradj a fő beszélgetésben: gyakori oda-vissza, több, sok közös kontextust osztó fázis, például tervezés, implementáció és tesztelés, valamint késleltetésre érzékeny munka. Ez ugyanaz a felismerés, mint a ",{"tag":146,"to":213,"children":214},"\u002Fblog\u002Fharness-engineering-coding-agents",[215],"kódoló ügynökök harness engineeringjében",": az dönt, mit teszel az ablakba, és mit tartasz kint.",{"type":218,"variant":219,"title":220,"body":221},"callout","tip","Egy hasznos teszt",[222],[223],"Mielőtt ügynököt adsz hozzá, fejezd be ezt a mondatot: „Ez az ügynök azért létezik, hogy ___ sose kerüljön a másik ügynök kontextusába.” Ha nem tudod kitölteni a hézagot, valószínűleg elszigetelési haszon nélkül adsz hozzá koordinációs költséget.",{"type":131,"content":225},[226,227,231],"A Cognition egy második, finomabb hasznot is talált: a tiszta kontextus javítja a reviewert. A 2026. áprilisi folytatásukban azt írják, hogy a review ügynökük jobban dolgozik, ha nem osztja meg a kontextust a kódoló ügynökkel, mert önállóan gondolkodik, ahelyett hogy örökölné a szerző feltevéseit. Közlésük szerint a Devin Review átlagosan 2 hibát talál pull requestenként, nagyjából 58%-uk súlyos. Ez gyártói adat, de a mechanizmus hihető és olcsón kipróbálható. Illeszkedik az ",{"tag":146,"to":228,"children":229},"\u002Fblog\u002Fai-generated-pr-review-bottleneck",[230],"AI által generált pull requestek"," review-szűk keresztmetszetéhez is.",{"type":152,"level":153,"id":112,"text":113},{"type":131,"content":234},[235],"Az Anthropic szokatlanul őszinte erről a multi-agent kutatórendszerről szóló bejegyzésében: az ügynökök jellemzően nagyjából 4-szer több tokent használnak, mint a chat, a multi-agent rendszerek nagyjából 15-ször többet. Arra jutnak, hogy ilyen rendszerekhez olyan feladatok kellenek, amelyek értéke indokolja a költséget.",{"type":131,"content":237},[238,239,242],"Ugyanennek a bejegyzésnek van egy kényelmetlen olvasata is. A BrowseComp benchmarkon végzett elemzésükben a tokenhasználat önmagában a teljesítményszórás 80%-át magyarázta. Amit egy multi-agent rendszer vásárol, annak egy része egyszerűen több gondolkodás kérdésenként. Ez jogos, de azt jelenti, hogy egy ",{"tag":138,"children":240},[241],"ugyanakkora tokenkeretet kapó egyetlen ügynökhöz"," kell hasonlítani, nem egy korán abbahagyóhoz. A fő eredményük: egy Claude Opus 4 vezető Claude Sonnet 4 subagentekkel 90,2%-kal verte az egyetlen Claude Opus 4-et a belső kutatási értékelésükön, a párhuzamosítás pedig összetett kérdéseknél akár 90%-kal csökkentette a kutatási időt.",{"type":131,"content":244},[245,246,250],"A késleltetés és a pénz ellentétes irányba húz. A párhuzamos workerek rövidítik a falióra szerinti időt, és növelik a számlát. A tokenenkénti ár csökken a cachinggel és az útválasztással, ezért olvasd el az ",{"tag":146,"to":247,"children":248},"\u002Fblog\u002Fllm-cost-latency-prompt-caching-routing",[249],"LLM költség, késleltetés, prompt caching és routing"," írást, mielőtt megfizethetetlennek ítéled a szorzót. Olcsóbb worker modellek, megosztott gyorsítótárazott prefixek és a workerek számának kemény korlátja sokat változtat a gazdaságosságon.",{"type":131,"content":252},[253],"Az Anthropic a korai verziók hibamódjait is felsorolja: 50 subagent indítása egy egyszerű kérdésre, végtelen keresés nem létező források után, és workerek, amelyek a homályos feladatleírás miatt duplázták egymás munkáját. A megoldás explicit skálázási szabály volt a promptban, hogy az erőfeszítés a kérdés bonyolultságához igazodjon, és jóval részletesebb feladatleírás minden workernek.",{"type":152,"level":153,"id":115,"text":116},{"type":131,"content":256},[257],"A kutatás egy pontban egybehangzó: a hibák többnyire a koordinációról szólnak, nem a modellek intelligenciájáról.",{"type":170,"ordered":171,"items":259},[260,265,270,275,280],[261,264],{"tag":138,"children":262},[263],"Szétszórt döntések."," A Cognition 2025. júniusi „Don't Build Multi-Agents” bejegyzése két elvre épül: oszd meg a kontextust, és „a cselekvések implicit döntéseket hordoznak”. A példájuk egy Flappy Bird klón, amelyet részfeladatokra bontanak: az egyik subagent Super Mario stílusú hátteret épít, a másik olyan madarat, amely nem néz ki és nem viselkedik úgy, mint a Flappy Bird, az utolsó ügynöknek pedig össze kell fésülnie az eltérést. Összegzésük: több, együttműködő ügynök futtatása csak törékeny rendszereket eredményez.",[266,269],{"tag":138,"children":267},[268],"A szekvenciális munka romlik."," A Google Research 180 ügynökkonfigurációt értékelt. A központosított koordináció 80,9%-kal javított egy párhuzamosítható pénzügyi következtetési feladaton az egyetlen ügynökhöz képest, míg egy szekvenciális tervezési feladaton minden tesztelt multi-agent változat 39–70%-kal rontott a teljesítményen. A független ügynökök 17,2-szeresére erősítették a hibákat, a központi orchestrator csak 4,4-szeresére, mert érvényesítési szűk keresztmetszetként működik. A szerzők eszköz-koordinációs kompromisszumot is jeleznek: az overhead aránytalanul nő az eszközigényes feladatoknál.",[271,274],{"tag":138,"children":272},[273],"A hibák taxonómiája."," A MAST tanulmány (Cemri és társai) több mint 1600 annotált nyomvonalat elemzett 7 multi-agent keretrendszerből, és 14 hibamódot három kategóriába sorolt: rendszertervezési problémák, ügynökök közti félreértés és feladat-ellenőrzés. A szerzők megjegyzik, hogy a népszerű benchmarkokon a teljesítménynyereség gyakran minimális, és több esetben ugyanaz a modell együgynökös felállásban jobban teljesített.",[276,279],{"tag":138,"children":277},[278],"A debate alapból túlértékelt."," Du és társai (2023) megmutatták, hogy több vitatkozó modellpéldány javíthatja a következtetést és a tényhűséget. Egy 2025-ös értékelés 5 debate-módszert vizsgált 9 benchmarkon és 4 modellen, és azt találta, hogy ezek a sokkal több inferencia-számítás ellenére gyakran nem előzik meg a Chain-of-Thoughtot és a Self-Consistency-t. A modellek heterogenitása segített: különböző modellekből származó vitatkozók.",[281,284],{"tag":138,"children":282},[283],"A párhuzamos írók ütköznek."," 2026 áprilisában a Cognition frissítette a nézetét: a multi-agent rendszerek ma akkor működnek a legjobban, ha az írás single-threaded marad, és a további ügynökök intelligenciát, nem cselekvést adnak hozzá; a legtöbb rajszerű ötlet még alig terjed. Az Anthropic is rossz illeszkedésnek nevezi a kódolási munka nagy részét, mert alig párhuzamosítható.",{"type":131,"content":286},[287,288,291],"A forrásokat átfogó minta az ",{"tag":138,"children":289},[290],"olvasás és írás"," szétválasztása. Az olvasás, keresés, elemzés és review jól párhuzamosítható, mert minden eredmény önmagában megítélhető. A kódírás, a megosztott állapot módosítása és a tervezési döntések nem, mert minden cselekvés olyan döntéseket hordoz, amelyeket a többi ügynök nem lát.",{"type":131,"content":293},[294,295,299],"Az ellenőrzés a másik visszatérő hiány. Ha senki sem ellenőrzi az egyesített eredményt, a hibák továbbterjednek; a Google számai megmutatják, mennyit fog vissza egy központi érvényesítési lépés. Az orchestrator összefésülő lépését kezeld explicit ellenőrzések helyeként, a teljes rendszert pedig a ",{"tag":146,"to":296,"children":297},"\u002Fblog\u002Fllm-evals-for-product-features",[298],"funkcióhoz épített evalokkal"," mérd, ne néhány nyomvonal átolvasásával.",{"type":152,"level":153,"id":118,"text":119},{"type":131,"content":302},[303],"Ezt a táblázatot használnám egy design review-n. A kérdés sosem az, hogy „egy vagy több”, hanem hogy melyik konkrét forma térül meg ezen a feladaton.",{"type":305,"head":306,"rows":315},"table",[307,309,311,313],[308],"Helyzet",[310],"Jel",[312],"Minta",[314],"Miért",[316,324,333,342,351,360,369],[317,319,321,322],[318],"Széles kutatás sok független forrásból",[320],"A részfeladatok előre ismeretlenek, és nagyobbak egy kontextusablaknál",[11],[323],"Az elszigetelt ablakok szélességet adnak; az Anthropic itt nagy nyereséget közöl, nagyjából a chat tokenjeinek 15-szörösén",[325,327,329,331],[326],"Független ellenőrzések vagy lekérdezések ismert halmaza",[328],"Ugyanaz a művelet N elemen, függőségek nélkül",[330],"Párhuzamos fan-out (sectioning)",[332],"A falióra szerinti idő csökken, az összefésülésen túl nincs szükség koordinációra",[334,336,338,340],[335],"Nagy tétű kimenet, amelynek hibáit egy második pillantás megfoghatja",[337],"A review-nak jót tesz, ha nem osztja a szerző feltevéseit",[339],"Író és critic friss kontextussal",[341],"Független ellenőrzés; ideális esetben más modell, ahogy a debate-vizsgálat sugallja",[343,345,347,349],[344],"Több terület eltérő eszközökkel vagy promptokkal",[346],"Irányítás szakértők között, egyszerre egy aktív",[348],"Handoff",[350],"Minden szakértő rövid promptot és kevés eszközt kap; döntsd el, mennyi előzmény vándoroljon",[352,354,356,358],[353],"Zajos kimenetű mellékfeladat",[355],"Logok, keresési találatok vagy fájltartalmak, amelyekre többé nem hivatkozol",[357],"Összefoglalót visszaadó subagent",[359],"Tisztán tartja a fő kontextust, az ár a tiszta lappal indulás",[361,363,365,367],[362],"Többlépéses munka, amelynek lépései egymásra épülnek",[364],"Tervezés, refaktorálás, egy dokumentum, megosztott állapot",[366],"Egyetlen ügynök",[368],"A szekvenciális feladatok a Google vizsgálatában a multi-agent változatoknál 39–70%-kal romlottak",[370,372,374,376],[371],"Párhuzamos módosítások ugyanabban a kódbázisban",[373],"Ellentmondó stílus- és szélsőeset-döntések",[375],"Egy író, a segítők csak olvasnak",[377],"Cognition: az írás maradjon single-threaded",{"type":131,"content":379},[380],"Ha egy sor azt mondja, egyetlen ügynök, a bajban lévő rendszer szokásos orvossága nem egy újabb ügynök, hanem jobb harness: világosabb utasítások, jobb eszközök, compaction és checkpointok. Az Anthropic saját tanácsa a Building effective agentsben az, hogy keresd a lehető legegyszerűbb megoldást, és csak akkor növeld a bonyolultságot, ha az bizonyíthatóan javít az eredményen; arra is figyelmeztet, hogy a keretrendszerek elfedhetik a promptokat és a válaszokat, és megnehezíthetik a hibakeresést.",{"type":152,"level":153,"id":121,"text":122},{"type":170,"ordered":383,"items":384},true,[385,387,389,391,393,395,397,399],[386],"Építsd meg először az együgynökös alapvonalat, ugyanazokkal az eszközökkel és tisztességes tokenkerettel.",[388],"Írd le az elszigetelési érvet: mi marad ki kinek a kontextusából.",[390],"Sorold be a munkát olvasás- vagy írásigényesnek. Az írást tartsd single-threaded.",[392],"Adj minden workernek teljes feladatleírást: cél, kimeneti formátum, eszközök, határok és leállási feltétel, mert nem örököl semmit.",[394],"Tégy explicit skálázási szabályokat a vezető promptjába, és kemény korlátot a workerekre és a körökre.",[396],"Adj hozzá ellenőrző lépést az egyesített eredményre, és döntsd el, ki mondhatja ki, hogy „kész”.",[398],"Mindkét változatot először nagyjából 20 valósághű kérdésen értékeld, ahogy az Anthropic javasolja, majd bővítsd a halmazt. Hasonlítsd össze a minőséget, a tokeneket, a késleltetést és a hibaarányt.",[400],"Naplózz minden delegálást a feladatleírással és az összefoglalóval, hogy debugolhasd az elveszett kontextust, és tervezd meg, hogyan élik túl a futó ügynökök a deploymentet.",{"type":131,"content":402},[403,404,408],"Az utolsó ponthoz: az Anthropic megjegyzi, hogy az ügynökfolyamatok állapottartók és hosszan futnak, ezért rainbow deploymenteket használ, amelyek fokozatosan terelik át a forgalmat ahelyett, hogy megszakítanák a futó munkákat. A költségkontroll ugyanennek a fegyelemnek a része; a ",{"tag":146,"to":405,"children":406},"\u002Fblog\u002Ftoken-saving-tools-coding-agents-top-20",[407],"tokentakarékos eszközök kódoló ügynököknek"," a workerekre is érvényesek.",{"type":152,"level":153,"id":124,"text":125},{"type":131,"content":411},[412],"Egy tipikus vállalati esetben egyetlen ügynököt szállítanék erős eszközökkel és jó harnesszel, és pontosan egy multi-agent elemet adnék hozzá ott, ahol az elszigetelési érv erős: egy kutató subagentet, amely hivatkozásokkal ellátott összefoglalót ad, vagy egy tiszta kontextusú reviewert a kimenetre. Mindkettő egy ügynöknél tartja az írást, és könnyen mérhető az alapvonalhoz képest.",{"type":131,"content":414},[415,416,420],"Kerülném az egyenrangú ügynökök rajait, az azonos modellű ügynökök nyílt vitáját és a párhuzamos kódírókat, amíg a bizonyítékok nem változnak. Még a Cognition, a leghangosabb kritikus is a működő multi-agent megoldások egy szűkebb osztályát írja le ma. A legutóbbi gyártói bejegyzések, amelyeket elolvastam, ugyanazt a formát írják le: egy orchestrator, amely birtokolja a kontextust, elszigetelt segítőkkel, amelyek összefoglalót adnak vissza. Ezt az architektúrát érdemes megtanulni, és jól illeszkedik ahhoz az ",{"tag":146,"to":417,"children":418},"\u002Fexpertise\u002Fai-engineer",[419],"AI engineering munkához, amelyet ügyfeleimnek végzek",".",{"type":152,"level":153,"id":127,"text":128},{"type":170,"ordered":383,"items":423},[424,427,430,433,436,439,442,445,448,451,454],[425],{"tag":179,"href":37,"children":426},[36],[428],{"tag":179,"href":40,"children":429},[39],[431],{"tag":179,"href":43,"children":432},[42],[434],{"tag":179,"href":46,"children":435},[45],[437],{"tag":179,"href":49,"children":438},[48],[440],{"tag":179,"href":52,"children":441},[51],[443],{"tag":179,"href":55,"children":444},[54],[446],{"tag":179,"href":58,"children":447},[57],[449],{"tag":179,"href":61,"children":450},[60],[452],{"tag":179,"href":64,"children":453},[63],[455],{"tag":179,"href":67,"children":456},[66],[458,526,587,665],{"slug":459,"published":5,"minutes":460,"category":7,"tags":461,"keywords":465,"about":475,"sources":483,"cover":520,"og":521,"expertise":70,"locales":522,"lang":74,"title":523,"description":524,"coverAlt":525},"openai-dots-always-on-agents-impact",14,[462,10,463,464],"OpenAI dots","GPT-6 Astra","AI governance",[462,466,467,468,469,470,471,472,473,474],"what are OpenAI dots","OpenAI dots impact","always-on AI agents","GPT-6 Astra agents","dots Auto-review and Custom Rules","specialist dots for enterprise","OpenAI dots EU availability","OpenAI DevDay 2026","AI agents in the workplace",[476,479,482],{"name":477,"url":478},"OpenAI","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FOpenAI",{"name":480,"url":481},"ChatGPT","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FChatGPT",{"name":29,"url":30},[484,487,490,493,496,499,502,505,508,511,514,517],{"title":485,"url":486},"OpenAI: Introducing dots (29 September 2026)","https:\u002F\u002Fopenai.com\u002Findex\u002Fintroducing-dots\u002F",{"title":488,"url":489},"OpenAI: How we build safety, security and privacy into dots","https:\u002F\u002Fopenai.com\u002Findex\u002Fhow-we-build-safety-security-and-privacy-into-dots\u002F",{"title":491,"url":492},"OpenAI Help Center: Dots privacy, security, and safety FAQs","https:\u002F\u002Fhelp.openai.com\u002Fen\u002Farticles\u002F20001529-dots-privacy-security-and-safety-faqs",{"title":494,"url":495},"TechCrunch: OpenAI launches Dots, its bubbly agentic avatar","https:\u002F\u002Ftechcrunch.com\u002F2026\u002F09\u002F29\u002Fopenai-launches-dots-its-bubbly-agentic-avatar\u002F",{"title":497,"url":498},"Unite.AI: OpenAI rolls out dots agents powered by GPT-6 Astra in ChatGPT","https:\u002F\u002Fwww.unite.ai\u002Fopenai-rolls-out-dots-agents-powered-by-gpt-6-astra-in-chatgpt\u002F",{"title":500,"url":501},"MediaNama: OpenAI launches dots that keep working without user prompts","https:\u002F\u002Fwww.medianama.com\u002F2026\u002F10\u002F223-openai-launches-dots-devday-2026\u002F",{"title":503,"url":504},"PYMNTS: OpenAI launches dots to capture AI agent market","https:\u002F\u002Fwww.pymnts.com\u002Fnews\u002Fartificial-intelligence\u002F2026\u002Fopenai-launches-dots-to-capture-ai-agent-market\u002F",{"title":506,"url":507},"Yahoo Finance: OpenAI debuts Dots AI agents in challenge to Meta's Muse","https:\u002F\u002Ffinance.yahoo.com\u002Ftechnology\u002Farticle\u002Fopenai-debuts-dots-ai-agents-in-challenge-to-metas-popular-muse-agent-174616593.html",{"title":509,"url":510},"CNBC: OpenAI abandons plan to release upcoming model as safety concerns escalate","https:\u002F\u002Fwww.cnbc.com\u002F2026\u002F09\u002F28\u002Fopenai-abandons-plan-to-release-upcoming-model-as-safety-concerns-escalate.html",{"title":512,"url":513},"The Hacker News: OpenAI shelves GPT-6.1 Astra after tests find deception and unauthorized actions","https:\u002F\u002Fthehackernews.com\u002F2026\u002F09\u002Fopenai-shelves-gpt-61-astra-after-tests.html",{"title":515,"url":516},"Al Jazeera: OpenAI launches dots, personal AI assistant built to handle everything","https:\u002F\u002Fwww.aljazeera.com\u002Feconomy\u002F2026\u002F9\u002F30\u002Fopenai-launches-dots-personal-ai-assistant-built-to-handle-everything",{"title":518,"url":519},"RedactSure: Do OpenAI dots Custom Rules control what the agent sees?","https:\u002F\u002Fredactsure.com\u002Fresearch\u002Fdo-openai-dots-custom-rules-control-what-the-agent-sees","\u002Fimages\u002Fblog\u002Fopenai-dots-always-on-agents-impact\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fopenai-dots-always-on-agents-impact\u002Fog.jpg",[72,73,74],"OpenAI dots: mit változtatnak meg a mindig aktív ügynökök, és mit nem","Az OpenAI dots saját géppel dolgozó, mindig aktív GPT-6 Astra ügynökök. Mi indult el, hol érnek véget a védelmek, és mi változik a munkában, az IT-ban és Európában.","Ábra: egy GPT-6 Astrán futó dot elágazik a Slack és a Teams, több mint 4000 alkalmazás, a saját felhőgépe és egy jóváhagyó, ellenőrző ember felé.",{"slug":527,"published":5,"minutes":528,"category":7,"tags":529,"keywords":533,"about":544,"sources":552,"cover":581,"og":582,"expertise":70,"locales":583,"lang":74,"title":584,"description":585,"coverAlt":586},"human-in-the-loop-ai-agents",13,[530,10,531,532],"Human in the loop","Approval gates","Agent safety",[534,535,536,537,538,539,540,541,542,543],"human in the loop AI agents","human in the loop KI-Agent","Mensch im Loop KI","AI agent approval gates","agent approval fatigue","LangGraph interrupt human in the loop","OpenAI Agents SDK needs_approval","Claude Agent SDK canUseTool","AI agent audit trail","risk tiers for AI agent actions",[545,548,549],{"name":546,"url":547},"Human-in-the-loop","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FHuman-in-the-loop",{"name":29,"url":30},{"name":550,"url":551},"Audit trail","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FAudit_trail",[553,556,559,562,565,568,571,574,577,580],{"title":554,"url":555},"LangChain docs: LangGraph interrupts","https:\u002F\u002Fdocs.langchain.com\u002Foss\u002Fpython\u002Flanggraph\u002Finterrupts",{"title":557,"url":558},"LangChain docs: Human-in-the-loop (HumanInTheLoopMiddleware)","https:\u002F\u002Fdocs.langchain.com\u002Foss\u002Fpython\u002Flangchain\u002Fhuman-in-the-loop",{"title":560,"url":561},"OpenAI Agents SDK (Python): Human in the loop","https:\u002F\u002Fgithub.com\u002Fopenai\u002Fopenai-agents-python\u002Fblob\u002Fmain\u002Fdocs\u002Fhuman_in_the_loop.md",{"title":563,"url":564},"Claude Agent SDK: Handle approvals and user input","https:\u002F\u002Fcode.claude.com\u002Fdocs\u002Fen\u002Fagent-sdk\u002Fuser-input",{"title":566,"url":567},"Claude Agent SDK: Configure permissions","https:\u002F\u002Fcode.claude.com\u002Fdocs\u002Fen\u002Fagent-sdk\u002Fpermissions",{"title":569,"url":570},"Claude Code docs: Hooks (PreToolUse defer, PermissionRequest)","https:\u002F\u002Fcode.claude.com\u002Fdocs\u002Fen\u002Fhooks",{"title":572,"url":573},"Anthropic Engineering: Claude Code auto mode","https:\u002F\u002Fanthropic.com\u002Fengineering\u002Fclaude-code-auto-mode",{"title":575,"url":576},"DevOps.com: Anthropic makes Claude Code auto mode the default","https:\u002F\u002Fdevops.com\u002Fanthropic-makes-claude-codes-auto-mode-the-default-betting-automation-beats-manual-review\u002F",{"title":578,"url":579},"EU AI Act, Article 14: Human oversight","https:\u002F\u002Fartificialintelligenceact.eu\u002Farticle\u002F14\u002F",{"title":488,"url":489},"\u002Fimages\u002Fblog\u002Fhuman-in-the-loop-ai-agents\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fhuman-in-the-loop-ai-agents\u002Fog.jpg",[72,73,74],"Human in the loop AI-ügynököknél: hová kerüljenek a jóváhagyási kapuk","Hová valók a jóváhagyási kapuk egy AI-ügynökben, hogyan kerülheted el a vaktában jóváhagyást, és hogyan működik az interrupt és resume a LangGraphban és az SDK-kban.","Diagram: az ügynök javasol egy műveletet, a kockázati kapu automatikus futtatásra, emberi jóváhagyásra vagy tiltásra irányítja, és minden döntés az audit naplóba kerül.",{"slug":588,"published":5,"minutes":528,"category":7,"tags":589,"keywords":593,"about":604,"sources":612,"cover":659,"og":660,"expertise":70,"locales":661,"lang":74,"title":662,"description":663,"coverAlt":664},"ai-agent-memory-design",[590,12,591,592],"AI agent memory","Memory poisoning","GDPR",[594,595,596,597,598,599,600,601,602,603],"AI agent memory design","long-term memory for AI agents","episodic semantic procedural memory LLM","agent memory architecture","ChatGPT memory vs Claude memory","Claude memory tool","AI memory poisoning","LLM context compaction","AI agent memory GDPR","short-term vs long-term memory agents",[605,606,609],{"name":29,"url":30},{"name":607,"url":608},"General Data Protection Regulation","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FGeneral_Data_Protection_Regulation",{"name":610,"url":611},"Prompt injection","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FPrompt_injection",[613,616,619,622,625,628,631,634,637,640,643,646,649,650,653,656],{"title":614,"url":615},"Anthropic docs: Memory tool","https:\u002F\u002Fplatform.claude.com\u002Fdocs\u002Fen\u002Fagents-and-tools\u002Ftool-use\u002Fmemory-tool",{"title":617,"url":618},"Anthropic docs: Context editing","https:\u002F\u002Fplatform.claude.com\u002Fdocs\u002Fen\u002Fbuild-with-claude\u002Fcontext-editing",{"title":620,"url":621},"Anthropic Engineering: Effective context engineering for AI agents","https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-context-engineering-for-ai-agents",{"title":623,"url":624},"Sumers et al.: Cognitive Architectures for Language Agents (CoALA)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2309.02427",{"title":626,"url":627},"Packer et al.: MemGPT, Towards LLMs as Operating Systems","https:\u002F\u002Farxiv.org\u002Fabs\u002F2310.08560",{"title":629,"url":630},"Park et al.: Generative Agents, Interactive Simulacra of Human Behavior","https:\u002F\u002Farxiv.org\u002Fabs\u002F2304.03442",{"title":632,"url":633},"Unit 42: When AI Remembers Too Much, persistent behaviors in agents memory","https:\u002F\u002Funit42.paloaltonetworks.com\u002Findirect-prompt-injection-poisons-ai-longterm-memory\u002F",{"title":635,"url":636},"From Untrusted Input to Trusted Memory: A Systematic Study of Memory Poisoning Attacks in LLM Agents (preprint)","https:\u002F\u002Farxiv.org\u002Fhtml\u002F2606.04329v1",{"title":638,"url":639},"The Hacker News: ChatGPT macOS flaw could have enabled long-term spyware via memory function","https:\u002F\u002Fthehackernews.com\u002F2024\u002F09\u002Fchatgpt-macos-flaw-couldve-enabled-long.html",{"title":641,"url":642},"Vectorize: OWASP ASI06, Memory and Context Poisoning explained","https:\u002F\u002Fvectorize.io\u002Farticles\u002Fowasp-asi06",{"title":644,"url":645},"Claude Help Center: Use chat search and memory to build on previous context","https:\u002F\u002Fsupport.claude.com\u002Fen\u002Farticles\u002F11817273-use-claude-s-chat-search-and-memory-to-build-on-previous-context",{"title":647,"url":648},"OpenAI Help Center: Memory in ChatGPT","https:\u002F\u002Fhelp.openai.com\u002Fen\u002Farticles\u002F8590148-memory-faq",{"title":491,"url":492},{"title":651,"url":652},"Flavio Copes: A deep dive into OpenAI dots (quotes the dots documentation on memory)","https:\u002F\u002Fflaviocopes.com\u002Fopenai-dots\u002F",{"title":654,"url":655},"GDPR Article 5: Principles relating to processing of personal data","https:\u002F\u002Fgdpr-info.eu\u002Fart-5-gdpr\u002F",{"title":657,"url":658},"GDPR Article 17: Right to erasure","https:\u002F\u002Fgdpr-info.eu\u002Fart-17-gdpr\u002F","\u002Fimages\u002Fblog\u002Fai-agent-memory-design\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fai-agent-memory-design\u002Fog.jpg",[72,73,74],"AI-ügynökök memóriájának tervezése: szintek, írási szabályok, poisoning és GDPR","Hogyan tervezz memóriát AI-ügynököknek: kontextus, session és hosszú távú szint, mit tárolj és mit soha, retrieval, compaction, poisoning, GDPR-törlés.","Ábra: egy AI-ügynök egymásba ágyazott memóriaszintjei a munkakontextustól a session állapoton át az epizodikus és szemantikus hosszú távú memóriáig.",{"slug":666,"published":5,"minutes":528,"category":7,"tags":667,"keywords":673,"about":684,"sources":694,"cover":749,"og":750,"expertise":70,"locales":751,"lang":74,"title":752,"description":753,"coverAlt":754},"voice-agents-realtime-latency",[668,669,670,671,672],"Voice agents","Realtime API","Latency","Telephony","AI Act",[674,675,676,677,678,679,680,681,682,683],"voice agents","speech-to-speech vs STT LLM TTS","OpenAI Realtime API","Gemini Live API","voice agent latency budget","turn detection and barge-in","Pipecat vs LiveKit","AI voice agent SIP telephony","German Hungarian voice AI","AI Act Article 50 voice bot disclosure",[685,688,691],{"name":686,"url":687},"Voice user interface","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FVoice_user_interface",{"name":689,"url":690},"Speech recognition","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FSpeech_recognition",{"name":692,"url":693},"Artificial Intelligence Act","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FArtificial_Intelligence_Act",[695,698,701,704,707,710,713,716,719,722,725,728,731,734,737,740,743,746],{"title":696,"url":697},"OpenAI: Voice agents guide","https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fvoice-agents",{"title":699,"url":700},"OpenAI: gpt-realtime model page","https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fmodels\u002Fgpt-realtime",{"title":702,"url":703},"OpenAI: Voice activity detection in the Realtime API","https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Frealtime-vad",{"title":705,"url":706},"OpenAI: Realtime API with SIP","https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Frealtime-sip",{"title":708,"url":709},"OpenAI: Realtime conversations (function calling, interruption)","https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Frealtime-conversations",{"title":711,"url":712},"Google: Gemini Live API overview","https:\u002F\u002Fai.google.dev\u002Fgemini-api\u002Fdocs\u002Flive",{"title":714,"url":715},"Google: Gemini Live API capabilities guide","https:\u002F\u002Fai.google.dev\u002Fgemini-api\u002Fdocs\u002Flive-guide",{"title":717,"url":718},"Deepgram: Flux quickstart","https:\u002F\u002Fdevelopers.deepgram.com\u002Fdocs\u002Fflux\u002Fquickstart",{"title":720,"url":721},"Deepgram: Models and languages overview","https:\u002F\u002Fdevelopers.deepgram.com\u002Fdocs\u002Fmodels-languages-overview",{"title":723,"url":724},"ElevenLabs: Agents platform overview","https:\u002F\u002Felevenlabs.io\u002Fdocs\u002Feleven-agents\u002Foverview",{"title":726,"url":727},"ElevenLabs: Text to speech models and languages","https:\u002F\u002Felevenlabs.io\u002Fdocs\u002Foverview\u002Fcapabilities\u002Ftext-to-speech",{"title":729,"url":730},"LiveKit: Agents overview","https:\u002F\u002Fdocs.livekit.io\u002Fagents\u002F",{"title":732,"url":733},"LiveKit: Turn detector","https:\u002F\u002Fdocs.livekit.io\u002Fagents\u002Flogic\u002Fturns\u002Fturn-detector\u002F",{"title":735,"url":736},"Pipecat: Introduction","https:\u002F\u002Fdocs.pipecat.ai\u002Fgetting-started\u002Fintroduction",{"title":738,"url":739},"Pipecat: Smart Turn model (GitHub)","https:\u002F\u002Fgithub.com\u002Fpipecat-ai\u002Fsmart-turn",{"title":741,"url":742},"Fora Soft: Voice AI agents on LiveKit, 2026 engineer playbook","https:\u002F\u002Fwww.forasoft.com\u002Fblog\u002Farticle\u002Fvoice-ai-agents-livekit-guide",{"title":744,"url":745},"EU AI Act: Article 50, transparency obligations","https:\u002F\u002Fartificialintelligenceact.eu\u002Farticle\u002F50\u002F",{"title":747,"url":748},"Jones Walker: Yes, August 2 still matters (AI Act delay and Article 50)","https:\u002F\u002Fwww.joneswalker.com\u002Fen\u002Finsights\u002Fblogs\u002Fai-law-blog\u002Fyes-august-2-still-matters-the-eu-approved-a-high-risk-ai-delay-but-most-trans.html?id=102nbon","\u002Fimages\u002Fblog\u002Fvoice-agents-realtime-latency\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fvoice-agents-realtime-latency\u002Fog.jpg",[72,73,74],"Voice agentek építése: realtime speech-to-speech vagy STT, LLM és TTS?","Realtime speech-to-speech vagy kaszkádolt pipeline? Késleltetési keret fázisonként, turn-taking, tool hívások, SIP, német és magyar minőség, AI Act tájékoztatás.","Diagram: a hívó SIP-en vagy WebRTC-n át ér el egy voice agentet, amely turn-felismerésre, beszédfelismerésre, eszközöket használó LLM-re és beszédszintézisre ágazik.",1791009036595]