Content
# AgentDemo — AI Agent rendszerek a gyakorlatban
[](https://www.markdownguide.org/)
[](#)
[](#tartalom)
[](https://mistral.ai/)
[](#licenc)
[](https://github.com/krisztianlukacs/MachineLearningDemo)
[](https://github.com/krisztianlukacs/NeuralNetworkDemo)
[](https://github.com/krisztianlukacs/TransformerDemo)
[](https://github.com/krisztianlukacs/AILearningPath)
[](https://github.com/krisztianlukacs/RAGDemo)
---
A 4b. specializált tananyag az [AILearningPath](https://github.com/krisztianlukacs/AILearningPath) sorozatból. **Mély, gyakorlati** AI Agent képzés — scratch ReAct implementációval (Mistral default), 10 koncepciós modullal, vizualizációkkal.
## Mit tanulsz meg ebből a repo-ból?
```mermaid
mindmap
root((AgentDemo))
Alapok
Mi az agent?
ReAct paradigma
Tools, function calling
Memory
Short-term
Long-term
Vector memory
Summarization
Planning
Plan-and-Execute
Tree of Thoughts
Reflexion
Self-correcting
Multi-agent
LangGraph supervisor
CrewAI
AutoGen
Role-based teams
Eszközök
MCP (Model Context Protocol)
Function calling APIs
Tool registry
Production
Observability
Eval (success rate)
Security, sandbox
Cost monitoring
```
## Az AI Agent egyetlen mondatban
> **LLM + eszközök + autonóm loop**: a modell kérdésre válaszol, vagy ha nem tud, **eszközöket hív**, megfigyeli az eredményt, és újra gondolkodik, amíg el nem éri a célt.
```mermaid
flowchart LR
subgraph AgentLoop["Agent Loop (ReAct)"]
L[LLM] --> A[Action / Tool]
A --> O[Observation]
O --> L
end
User -->|"goal"| AgentLoop
AgentLoop --> Tools[(Tools<br/>web, calc, file,<br/>code, API)]
Tools --> AgentLoop
AgentLoop -->|"final answer"| User
style AgentLoop fill:#9467bd,color:#fff
```
## Tartalom
### Koncepciós modulok
| # | Modul | Téma |
|---|-------|------|
| 1 | [`01_intro.md`](models/01_intro.md) | Mi az agent? AutoGPT → modern agentek |
| 2 | [`02_react.md`](models/02_react.md) | ReAct paradigma részletesen |
| 3 | [`03_tools.md`](models/03_tools.md) | Tool design, function calling, schema |
| 4 | [`04_memory.md`](models/04_memory.md) | Short-term, long-term, vector memory |
| 5 | [`05_planning.md`](models/05_planning.md) | Plan-and-Execute, ToT, Reflexion |
| 6 | [`06_multi_agent.md`](models/06_multi_agent.md) | LangGraph, CrewAI, AutoGen |
| 7 | [`07_mcp.md`](models/07_mcp.md) | Model Context Protocol részletesen |
| 8 | [`08_observability.md`](models/08_observability.md) | LangSmith, Phoenix, traces, logging |
| 9 | [`09_evaluation.md`](models/09_evaluation.md) | Agent-eval: success, steps, cost |
| 10 | [`10_production.md`](models/10_production.md) | Rate limit, retry, sandboxing, security |
### Scratch implementáció (`agent/`)
| Fájl | Mit tartalmaz |
|------|----------------|
| [`agent/core.py`](agent/core.py) | ReAct loop scratchből, Mistral default |
| [`agent/tools.py`](agent/tools.py) | Calculator, web_search (DDG), file I/O, Python exec |
| [`agent/memory.py`](agent/memory.py) | Short-term + long-term + vector memory |
| [`agent/prompts.py`](agent/prompts.py) | ReAct prompt templates |
### Példák (`examples/`)
| Fájl | Mit demonstrál |
|------|----------------|
| [`examples/basic_react.py`](examples/basic_react.py) | "Mennyi 17%-a a 2024-es magyar GDP-nek?" |
| [`examples/research_agent.py`](examples/research_agent.py) | Téma kutatása + összefoglalás |
| [`examples/multi_agent.py`](examples/multi_agent.py) | Researcher + Writer + Critic team |
| [`examples/tool_chaining.py`](examples/tool_chaining.py) | Eszközök kombinálása több lépésen át |
### Vizualizációk (`images/`)
8 saját PNG (matplotlib) + Mermaid mindenhol.
| # | Kép | Mit mutat |
|---|-----|-----------|
| 1 | [`01_agent_loop.png`](images/01_agent_loop.png) | A ReAct loop: LLM ↔ Action ↔ Observation |
| 2 | [`02_tool_categories.png`](images/02_tool_categories.png) | Tool taxonómia 5 kategóriában |
| 3 | [`03_memory_architecture.png`](images/03_memory_architecture.png) | Short-term + long-term + working memory |
| 4 | [`04_planning_strategies.png`](images/04_planning_strategies.png) | ReAct vs P&E vs ToT vs Reflexion |
| 5 | [`05_multi_agent_topology.png`](images/05_multi_agent_topology.png) | Supervisor / Hierarchical / Peer-to-peer |
| 6 | [`06_eval_radar.png`](images/06_eval_radar.png) | 5 dimenziós eval radar 3 agent-variáns |
| 7 | [`07_cost_iteration.png`](images/07_cost_iteration.png) | Cost-skálázódás iterációnként |
| 8 | [`08_production_stack.png`](images/08_production_stack.png) | Production agent stack 8 réteggel |
## Gyors indítás
```bash
# 1. Klónozás + venv
git clone https://github.com/krisztianlukacs/AgentDemo
cd AgentDemo
python3 -m venv venv
source venv/bin/activate
# 2. Függőségek
pip install -r requirements.txt
# 3. Mistral API kulcs
echo "MISTRAL_API_KEY=sk-..." > .env
# 4. Egyszerű ReAct futtatás
python examples/basic_react.py "Mennyi 17%-a a 2024-es magyar GDP-nek?"
# 5. Vizualizációk regenerálása
for f in scripts/*.py; do python "$f"; done
```
## Hogy kapcsolódik a többi tananyaghoz?
```mermaid
flowchart LR
A[MachineLearningDemo] --> B[NeuralNetworkDemo]
B --> C[TransformerDemo]
C --> D[AILearningPath]
D -.gyakorlati specializáció.-> E[RAGDemo]
D -.gyakorlati specializáció.-> F[AgentDemo]
E -.kombinálható.-> F
style A fill:#1f77b4,color:#fff
style B fill:#ff7f0e,color:#fff
style C fill:#2ca02c,color:#fff
style D fill:#9467bd,color:#fff
style E fill:#d62728,color:#fff
style F fill:#7f7f7f,color:#fff
```
Az agentet az [AILearningPath/11_prompts_agents.md](https://github.com/krisztianlukacs/AILearningPath/blob/main/11_prompts_agents.md) bevezeti **áttekintő szinten** (~13K). Ez a repo a **mély, gyakorlati** verzió.
A RAG és Agent **kombinálható** — egy agent használhat RAG-ot mint tool, és a `bookwriter` projekt (ami a háttérben fut) pont egy multi-agent + RAG hibrid példa.
## Mikor használj AI agentet?
```mermaid
flowchart TD
A[Új AI feladat] --> B{Egyszerű<br/>egylépéses?}
B -->|Igen| C["Egyszerű prompt<br/>(nem agent)"]
B -->|Nem| D{Lépések száma<br/>előre tudható?}
D -->|Igen, fix workflow| E["LangChain Chain<br/>(nem agent)"]
D -->|Nem, dinamikus| F{Eszközhívás kell?}
F -->|Igen| G["✅ AGENT<br/>(ez a repo)"]
F -->|Nem, csak reasoning| H["Chain-of-Thought prompt"]
style C fill:#bbdefb
style E fill:#fff9c4
style G fill:#c8e6c9
style H fill:#bbdefb
```
A részletes döntésfa: [`models/01_intro.md`](models/01_intro.md).
## Default LLM provider: Mistral
A [bookwriter](https://github.com/krisztianlukacs/bookwriter) projektben is használt **provider-abstraction** mintáját követjük. A Mistral az alapértelmezett, de a `.env`-ből bármelyik provider választható: Anthropic, OpenAI, Google, DeepSeek, Ollama.
A scratch agent **közvetlenül** a Mistral SDK-t használja (nem LangChain wrapper) — így átláthatóbb a teljes flow, de a tanultakat triviálisan átültetheted bármilyen agent frameworkbe.
## RAG + Agent kombináció
Egy modern AI rendszer **gyakran kombinálja** a két specializációt:
```mermaid
flowchart LR
Q[User query] --> A[Agent]
A --> T1[web_search tool]
A --> T2[calculator tool]
A --> T3[RAG tool<br/>vector DB]
T3 --> RAG[RAGDemo<br/>knowledge base]
A --> Final[Válasz<br/>+ források]
style A fill:#7f7f7f,color:#fff
style T3 fill:#d62728,color:#fff
style RAG fill:#d62728,color:#fff
```
A `RAGDemo` repo használható az AgentDemo egyik tooljaként — `examples/research_agent.py` ezt mutatja be.
## Licenc
MIT.
---
**Kezdés**: [`models/01_intro.md`](models/01_intro.md) — Mi az agent?
