Fogalomtár

A program összes fogalma, közérthetően.

Új vagy itt? Olvasd el az ingyenes első leckét. Nem kell hozzá fiók.

AI-fogalmak

A következő szó előrejelzése: Legbelül így működik egy LLM: újra és újra előrejelzi a legvalószínűbb következő szót, és ebből áll össze a használható válasz.
Agent: Olyan AI-rendszer, ami magától több lépést tesz meg egy cél felé: toolokat választ, és menet közben alkalmazkodik.
AGI: Általános mesterséges intelligencia: elméleti AI, ami a feladatok többségében ugyanolyan jól teljesít, mint egy ember. Sokat vitatják, még nem tartunk itt.
Beszédmodellek: Beszédet alakítanak szöveggé és vissza. Például a Whisper a leiratozáshoz, az ElevenLabs a hangszintézishez.
Closed model: Gyártói modell, ami csak a szolgáltató API-ján vagy appján keresztül érhető el.
Coding agent: AI-asszisztens, aminek keze is van: fájlokat olvas, szerkeszti őket, parancsokat futtat, és menet közben ellenőrzi az eredményt.
Compaction: A beszélgetés korábbi részeinek összefoglalása, hogy helyet szabadítson fel a context window-ban.
Completion / response: Amit a modell a promptod után visszaküld.
Context: Minden, amit a modell épp lát: a promptod, a beszélgetés, a csatolmányok és a beszúrt jegyzetek.
Context rot: Ciklushiba: az előzmény addig nő, amíg a jel el nem süllyed benne. Javítás: foglald össze a régi fordulókat, és tűzd ki fixen a célt.
Context window: A legtöbb token, amit a modell egyszerre tud fejben tartani: a promptod és mindaz, amit addig elolvasott.
Embedding: A szöveg számokban kifejezett képe, amivel egy rendszer jelentés szerint tud keresni, nem szó szerinti egyezésre.
Embedding models: Modellek, amik számokká alakítják a szöveget, hogy a toolok jelentés szerint kereshessenek benne. A dokumentumaidra kötött asszisztensek motorháztetője alatt dolgoznak.
Fine-tuning: Ráadás, célzott training egy alapmodellre, egy konkrét felhasználási esetre szabva.
Forráskorpusz: Ahol a hiteles adat lakik egy RAG-rendszerben: az oldalak, dokumentumok, szerződések vagy régi ticketek, amikből a retrieval dolgozik.
Frontier model: Egy szolgáltató legnagyobb, legújabb, legtöbbre képes modellje.
Generation: A RAG utolsó lépése: a visszakeresett darabok bekerülnek a promptba, és az AI ebből a contextből válaszol.
Gradient descent: A training folyamata, amiben a modell lassan addig állítgatja a milliárdnyi belső paraméterét, amíg jól elő nem tudja jelezni a következő szót.
Inference: Minden alkalom, amikor tényleg használod a modellt. Elküldesz egy promptot, a modell átfuttatja a befagyasztott paraméterein, és kimenetet ad.
Képmodellek: Szöveges leírásból generálnak képet. Ilyen a DALL·E, a Midjourney és a Stable Diffusion.
LLM: Nagy nyelvi modell: az a technológia, ami a ChatGPT-hez, a Geminihez és a Claude-hoz hasonló chatasszisztensek mögött dolgozik.
Long context: Mennyit tud egy asszisztens egyetlen beszélgetésben fejben tartani. Egy long contextbe egyszerre belefér egy kis könyvtárnyi anyag.
MCP (Model Context Protocol): Szabványos mód arra, hogy AI-alkalmazások külső toolokhoz, adatokhoz és szolgáltatásokhoz kapcsolódjanak. Gondolj az USB-re, csak AI-hoz.
Memory: Funkció, ami elment rólad néhány kiválasztott tényt, és a későbbi beszélgetések elején visszateszi őket a contextbe.
Multimodal: Olyan modellek, amik a szövegen túl mást is kezelnek: képet, néha hangot vagy videót.
Open weights: Olyan modell, aminek a paraméterei letölthetők, és magad futtathatod.
RAG (Retrieval-Augmented Generation): A rendszer először a dokumentumaidban vagy a weben keres, aztán a modell a találtakból válaszol.
Session: Egy folyamatos beszélgetés. Egy új chat üres contexttel indul.
System prompt: Utasítások, amik a beszélgetés elején megszabják az AI szerepét és szabályait.
Token: Azok az apró szövegdarabok, amiket az asszisztens olvas és ír, egyenként körülbelül háromnegyed szó. A hosszt és a költséget tokenben számolják.
Tool: Csatlakozó, amivel az AI a szövegíráson túl is tud valamit: keresni, számolni, vagy elérni egy másik rendszert.
Training: A drága, egyszeri folyamat, amiben a modell hatalmas mennyiségű szövegből tanul mintázatokat. Ezt a szolgáltatók végzik, nem te.
Training cutoff: Az a dátum, ami után a modell a trainingből már semmit nem tud, így a későbbi események kimaradnak neki, amíg te el nem mondod.

Promptolás és technikák

A folyamat szétszedése: Egy több csapatot érintő folyamatot lépésekre bontasz, és eldöntöd, melyik legyen AI, melyik determinisztikus, és melyikhez kell ember.
A válasz előre kitöltése: Elkezded az AI helyett a választ, ezzel fixálod a formát és a hangot, és kevesebb lesz a drift.
AI-lépés: Olyan lépés a folyamatban, amihez a bemenettel változó mérlegelés kell. Ide érdemes költeni az AI-ra szánt keretet.
Állandóan betöltött réteg: Az a kevés dolog, amit a modell minden fordulóban elolvas: a kőbe vésett korlátok, a belső szabályok és az aktuális feladat.
Aranyszabály: Adj az AI-nak annyi contextet, amennyit csak tudsz. Mindig. A jobb bemenet megbízhatóan jobb kimenetet ad.
Átadás (az átadási pont): Az a pillanat, amikor az egyik lépés kimenete a következő bemenete lesz. A chain többnyire itt szakad el, szóval ide tedd az ellenőrzést.
Betöltés kérésre: Sémákat, leírásokat, üzemeltetési útmutatókat és dokumentumokat csak akkor töltesz be, amikor egy feladathoz kellenek, és név szerint kéred őket.
Chain (prompt chaining): Promptok sorozata, ahol az egyik kimenete a következő bemenete lesz. A chaint te kezeled, az AI pedig minden lépést külön futtat le.
Chain of thought: Amikor arra kéred a modellt, hogy válasz előtt lépésenként gondolja végig a dolgot. Több lépéses feladatoknál ez pontosabb választ ad.
Chunking: A korpusz felszabdalása kezelhető darabokra (egyenként 256-512 token, 10-20% átfedéssel), hogy a retrieval meg tudja találni őket.
Determinisztikus lépés: Olyan lépés a folyamatban, amit kötött logika végez: egy képlet, egy adatbázismező vagy egy szkript.
Determinizmus vagy mérlegelés: Determinisztikus az a lépés, ami ugyanarra a bemenetre mindig ugyanazt adja. A mérlegelés az, ami joggal változhat. A tervedben minden lépésnél jelöld meg, melyikről van szó.
Előbb terv, aztán végrehajtás: Megkéred a modellt, hogy először tervezzen és jelezze a hiányokat, és csak utána készítse el az anyagot, így nem tippekkel tömi be a lyukakat.
Few-shot: Mutass a modellnek néhány példát abból a bemenet → kimenet mintázatból, amit szeretnél. Ettől érezhetően megbízhatóbb lesz.
Iteratív csiszolás: Beszélgetésként kezeled az AI-t, és néhány körben javítod a kimenetet, ahelyett hogy az első vázlattól várnád a tökéletest.
Kimeneti formázás: A közbenső kimenetek maradjanak gépbarátok: táblázat, JSON, egységes mezők. A szabadon folyó próza elszakítja a chaint.
Meta-prompting: Megkéred az AI-t, hogy nézze át és írja újra a promptodat, hogy megbízhatóbb kimenetet adjon.
Négyelemű keretrendszer: A megbízható promptszerkezet: szerep, context, feladat, formátum (angolul CRAFT vagy RCTF).
Persona: Szerepet adsz a modellnek, hogy magasabbra tegye a minőségi lécet. Azt alakítja, ahogyan a modell válaszol; azt nem, hogy igaza van-e.
Persona prompts: Minden lépés kap egy szerepet (jogi asszisztens, megfelelőségi felelős). A persona más szókincset, más mélységet és más hangot hoz.
Progressive disclosure: Egy keveset mindig betöltesz, a többit csak akkor, amikor kell. Az állandóan betöltött réteg maradjon kicsi.
Prompt: Amit beírsz az asszisztensnek. A promptolás pedig az a mesterség, hogy jól kérdezz.
Promptnapló: Elmentett gyűjtemény a bevált promptjaidból. Ahogy telik az idő, sablonkönyvtár lesz belőle, pont a te munkádra.
Retrieval: A megfelelő darabok kiválasztása egy adott kérdéshez. Éles üzemben a hibrid retrieval (szemantikus és kulcsszavas) plusz egy újrarendező (reranker) az alapeset.
Structured outputs: Konkrét sémát kérsz, például JSON-t vagy táblázatot, így a kimenet áttekinthető, és más toolok is fel tudják használni.
Szereprétegezés: Az AI sorra több szakértő szemüvegén át elemzi ugyanazt, aztán egyetlen javaslatba fűzi össze.
Tiltó megkötések: Megmondod az AI-nak, mit ne tegyen. Ez az AI alapbeállításait célozza, és gyakran könnyebb, mint leírni, mit szeretnél.
Több lépéses promptolás: Vágd lépésekre a munkát egyetlen nagy prompt helyett. Minden lépés adjon egy tiszta, megnevezett kimenetet, amit a következő használ.
Zero-shot: Példák nélkül kéred meg a modellt egy feladatra. Egyszerű, jól ismert feladatokra bőven elég.

Építés és élesítés

50 bemenet szabálya: Teszteld le az agentet 50 különböző valódi bemeneten, mielőtt felügyelet nélkül futni hagyod. Minden hibát sorolj kategóriába.
A kimenet túlsúlya: A kimeneti token jellemzően 3-5-szer drágább a bemenetinél, így egy bőbeszédű alapértelmezés gyorsan felszorozza a költést.
A modell korlátja: Olyan hiba, ahol az AI egyszerűen nem elég megbízható a feladatban. A javítás egy determinisztikus ellenőrzés vagy egy szorosabb HITL gate.
Agent loop: A futás közbeni kör: elolvassa a contextet, dönt, meghív egy toolt, elolvassa az eredményt, újra dönt, és addig ismétli, amíg a feladat kész.
AGENTS.md: A tool-független, szabványos utasításfájl. Ide kerüljenek a szabályaid, egyetlen igazságforrásként.
Átadási pont: Az a hely, ahol az információ átmegy egy embertől, csapattól vagy rendszertől egy másikhoz. Itt szivárog el az idő és a minőség.
Az átadási pontok térképe: Térkép a folyamat átadásairól: ki ad át, ki veszi át, mi marad el, mennyi időbe kerül, és hol férne bele az AI.
Az építés szabálya: Ha azt veszed észre, hogy ugyanazt a munkát másodszor csinálod, építsd meg agentként, hogy harmadszor magától fusson.
Branch: Párhuzamos munkaszál ugyanabban a repóban. Egy branchen kísérletezhetsz anélkül, hogy a maint megzavarnád.
Célpróba: Megállási feltétel, amit az agent lefuttat, nem csak kijelent: a build átmegy, vagy a végpont 200-at ad vissza.
Changelog: Rövid, folyamatosan vezetett jegyzet a feladatleírás alján arról, mi változott az egyes verziókban, hogy más is lássa, hogyan alakult.
Checkout: Átállítod a munkamappát egy adott branchre vagy commitra. Ugyanaz a repo, más nézet.
CLAUDE.md: A Claude Code utasításfájlja, a projekt gyökerében, globálisan pedig a ~/.claude könyvtárban. Gyakran csak az AGENTS.md-re hivatkozik.
Commit: Egy elmentett változás, jegyzettel arról, mi változott és miért. A repo előzményei commitok láncolata.
Context budget: Úgy kezeled a context window-t, mint egy tudatosan beosztott költségvetést: a legtöbbet arra költöd, ami tényleg változtat a válaszon.
Deferred tools: Csak név szerint sorolod fel a toolokat, a teljes definíciót pedig a modell kérésre húzza be. Így a context sovány marad.
Edge cases: Érvényes, de szokatlan bemenetek. A feladatleírásban legyen ott, mi a dolga a hiányzó mezőkkel, az ellentmondásokkal és az érzékeny adatokkal.
Egy használható kimenet költsége: A teljes költés osztva azzal, ahány kimenetet nem kellett átdolgozni. Ezt a mutatót érdemes fejben tartani.
Éles üzemre kész: Olyan munkafolyamat, amit valódi bemeneteken teszteltek, aminek a hibamintái és HITL gate-jei benne vannak a feladatleírásban, van dokumentációja, van felelőse, és naplózzák, hogy elkapják a driftet.
Érettségi szintek: Címkék a megosztott munkafolyamatokon: saját felelősségre, kiemelt (átnézett) és hivatalos (karbantartott, éles üzemre kész).
Érvényesítő lépés: A chain első lépése, ami megnézi, hogy minden kötelező mező megvan-e és rendben van-e. Ha egy ellenőrzés elhasal, megáll, és szól egy embernek.
Forking: Lemásolod valaki megosztott agentjét vagy asszisztensét, és a magad képére alakítod. A tanulságok, amiket az eredeti szerző megszenvedett, veled maradnak.
Format drift: Az AI kicsit más formában adja vissza a kimenetet, mint amit kértél, és ettől eltörik minden, ami pontosan arra a formára számított.
Frontmatter: Apró YAML-blokk a fájl legelején, ami magáról a fájlról tartalmaz adatokat.
Harness: Minden, amit a modell körül felépítesz: a context, amit adsz neki, a toolok, amiket meghívhat, és a ciklus, amiben fut.
Használható vagy pontos: A használható azt jelenti, hogy a további lépések fel tudják dolgozni a kimenetet. A pontos azt, hogy a tartalom helyes. Mindkettő kell.
Idempotency: Egy agent idempotens, ha biztonságos kétszer lefuttatni ugyanarra a bemenetre: vagy ugyanazt a kimenetet adja, vagy észreveszi, hogy ezzel már végzett, és kihagyja.
Infrastruktúra (szemben a toollal): Olyan megoldás, amire sok ember támaszkodik. Ezen a szinten kell hozzá nevesített felelős, leírt működés, HITL gate-ek és karbantartási terv.
Karbantartási terv: Rövid dokumentum: ki a felelős, ki a helyettese, milyen ritmusban nézik át, mik az ismert hibaminták, és hogyan kell tesztelni egy változtatást.
Költség: Minden token árcédulája: pénz, késleltetés és felhígított figyelem.
Költségplafon: Megállási feltétel, ami kőbe vésett felső határt szab a fordulóknak, a tokeneknek vagy a tool-hívásoknak.
Lefedettség: A harness egyik erővonala: a modell kapjon elég információt ahhoz, hogy jól cselekedjen. Ha kevés, tippel, vagy kitalál egy API-t.
Megbízható bemenetek: Olyan bemenetek, amiket a folyamat egy korábbi pontján már érvényesítettek, például egy adatbázissor, ahol a séma kikényszeríti a kötelező mezőket. Ezek alapján lehet cselekedni.
Merge: Egy branch változásainak visszaolvasztása a main branchbe, amikor készen vannak.
Miből áll egy feladatleírás: Amit egy jó agent-feladatleírásnak tartalmaznia kell: szerep, trigger, bemenetek, lépések, kimeneti formátum és guardrailek.
Output schema: A kimenet mezőinek és típusainak pontos, leírt meghatározása, még a prompt megírása előtt.
Pull request: Átnézésre felajánlott commitcsomag, vagyis „itt a változásom, nézd meg, mielőtt beolvad”.
Recall: Mennyire megbízhatóan érvényesít a modell egy adott szabályt. Egy long context közepére temetett szabály elsikkad.
Referenciafájlok: Állandó dokumentumok (jogszabályok, hangvételi útmutatók, szószedetek), amiket egy saját asszisztenshez csatolsz, hogy mindig ugyanazokkal gondolkodjon.
Rejtett context: A system promptok, a referenciafájlok, a beszélgetés előzménye és a visszakeresett darabok mind tokent költenek, minden egyes futtatásnál.
Repository (repo): Projektmappa memóriával: a fájlok, a tesztek és minden változás naplója, szóval semmi nem veszik el igazán.
Sablonosítás változókkal: Az éles üzemi feladatleírás sablon változókkal. Így átnézhető, verziózható és leforkolható.
Skill: Utasítások és háttéranyagok csomagja, ami megtanítja az asszisztensnek, hogyan végezzen jól egy adott munkát. Minden későbbi beszélgetésben újra használható.
SKILL.md: Egy skill egyetlen kötelező fájlja: fent a YAML-frontmatter (name és description), a törzsben pedig az eljárás.
Symlink: Parancsikonfájl, ami egy másik fájlra mutat, így egyetlen valódi példány több helyen is megjelenhet.
Terminal (shell): Az a szöveges ablak, ahol gombok kattintása helyett parancsokat írsz be. A coding agentek itt élnek.
Tervezési hiba: Olyan hiba, ami a munkafolyamat felépítésében gyökerezik. A javítás az, hogy átrendezed a lépéseket, vagy újratervezed az egészet.
Test suite: A projekt saját ellenőrzései, amiket egyetlen parancs futtat le, és jelzi, átmentek-e.
Triggers: Ahogy egy agent elindul: ütemezve, kérésre, vagy eseményre, például egy új adatbázissorra.
Utasításfájl: Állandó szabályok fájlja, amit az agent elolvas, mielőtt munkához lát. A szokásos neve AGENTS.md.
Vibe coding: Úgy építesz valamit, hogy hétköznapi szavakkal elmondod, mit szeretnél, a kódot az AI írja, te pedig érzésre kormányzol.
Worktree: Ugyanannak a repónak egy második munkamásolata, saját mappában és saját branchen, hogy két munka soha ne akadjon egymásba.
YAML: Beállítások címkézett sorokban, például name: pdf-export. Űrlapként olvasd, ne kódként.

Kockázat és biztonság

A kőbe vésett szabály: Soha ne illessz be bankadatot, belépési adatot, állami azonosítót vagy bármi bizalmasat, ami nem a tiéd, egy általános AI-toolba.
Adathigiénia: Szokások a bizalmas információ kezeléséhez AI mellett. Hagyd az érzékeny adatot ott, ahol eleve van, ne másold be egy toolba, ami nem a te kezedben van.
Adversarial testing: Szándékosan adsz az agentnek nehéz, ellentmondásos, hiányos vagy rosszindulatú bemenetet, hogy még a tesztelés közben kiderüljön, hol törik el.
Adversarial verification: Szétválasztod a készítést az ítélkezéstől. Az egyik kör alkot, a másik támad, azzal a paranccsal, hogy cáfoljon. Csak az megy tovább, ami ezt kiállja.
AI slop: Igénytelen, tömegtermelt AI-szöveg vagy AI-kép. Pontosan az, amit a jó promptolás elkerül.
Audit logs: Minden MCP-tool-hívás feljegyzése időbélyeggel, hívóval, scope-pal és eredménnyel. Ezekben nézed meg, mit tett pontosan az AI.
Automatikus leállítás: Biztosíték, ami megállítja az agentet, ha a mintavételes pontosság a beállított határ alá esik, és addig áll, amíg egy ember újra be nem kapcsolja.
Bizonyossági alsó határ: Az a határ, ami alatt az agent nem cselekszik, hanem megáll és eszkalál.
Blast radius: Meddig terjed a baj, ha valami elromlik: mely rendszereket érheti el az agent. Egy bekötött agenthez szorosabb ellenőrzőpontok kellenek.
Confidence calibration: Megkéred az AI-t, hogy értékelje a saját bizonyosságát (magas, közepes, alacsony), és mondja meg, miért. Így látod, melyik kimenet szorul ellenőrzésre.
Drift: Amikor a modell kimenete lassan romlik, mert elmozdult a bemenet mintázata. Csendes, és csak sok kimeneten együtt látszik.
Drift (loop): Ciklushiba: az agent elfelejti a célt, és egy részfeladat optimalizálásába kezd. Mondd ki újra a célt a context vége felé.
Eszkalációs út: A megjelölt esetek előre kijelölt útja: kit kell értesíteni, hogyan, és milyen háttérinformációval. Minden HITL gate-hez kell egy.
Guardrails: Szabályok és ellenőrzések, amik megakadályozzák, hogy az AI kockázatos dolgot csináljon.
Hallucination: Amikor az asszisztens teljes magabiztossággal állít valamit, ami nem igaz. Mindig megéri utánanézni.
HITL gate: Ellenőrzőpont, ahol egy ember nézi át a dolgot, mielőtt az agent cselekszik. Visszafordíthatatlan vagy bizonytalan műveletnél kötelező.
Human-in-the-loop (HITL): Ember nézi át vagy hagyja jóvá az AI kimenetét, mielőtt bármi történik, főleg a szabályozott, visszafordíthatatlan vagy nagy hatású lépéseknél.
Jailbreak: Olyan prompt, ami az AI biztonsági korlátait próbálja kikerülni. Ne kísérletezz vele: azok a korlátok téged is védenek, meg másokat is.
Magabiztosan téves: Olyan válasz, ami hitelesen hangzik, mégis finoman hibás, és pontosan ugyanazon a hangon szól, mint a helyes válaszok.
Műveletek, amikhez mindig kell HITL: Amihez mindig kell emberi jóváhagyás: pénz, egészség, biztonság, szerződések, jogi feltételek, állami beadványok, jogi státusz.
Nincs haladás: Ciklushiba: az agent újra és újra ugyanazt a bukó műveletet próbálja. Tartsd nyilván, mit próbált már, és korlátozd az újrapróbálkozásokat.
Prompt injection: Rosszindulatú utasítások, elrejtve abban a tartalomban, amit az AI elolvas, azzal a céllal, hogy eltérítsék.
Revocation: Egy MCP-kapcsolat scope-jainak visszavétele, amikor a munkafolyamatot kivezetik, hogy ne gyűljenek fel a szunnyadó kapcsolatok.
Rossz megállás: Ciklushiba: az agent idő előtt kiszáll, vagy soha nem áll meg. Kimondott befejezési próbával javítható.
Scopes: Műveletenkénti engedélyek, amiket egy MCP-kiszolgáló kínál, például a read_employees külön az update_employee-től. Csak a szükséges minimumot adj meg.
Szúrópróba: A munkafolyamat kimeneteinek egy részét (mondjuk 10%-át) kiveszed, és magad nézed át.

Toolok és asszisztensek

A munkahelyi rendszerekbe épített agent: Agent, ami egy toolon belül él, például a Notionban, és annak oldalait és adatbázisait olvassa és írja.
AI agent: Elmentett feladatleírás, ami magától elvégez egy visszatérő munkát: ütemezve, kérésre vagy eseményre.
AI-asszisztens: A saját chat-toolod (ChatGPT, Gemini, Claude vagy Grok). Reaktív: te kérdezel, ő válaszol.
Artifacts: A Claude funkciója, ami kódot, dokumentumot, diákat és interaktív kimenetet állít elő egy szerkeszthető oldalsávban.
Automatizálási platform: Kódolás nélküli tool (Zapier, Make), ami ütemezetten másol adatot az appok között.
Beépített (appon belüli) asszisztens: AI egy olyan appon belül, amit eleve használsz, például a Gmailben, a Notionban vagy a Wordben. A megnyitott oldalon dolgozik.
ChatGPT: Az OpenAI asszisztense, ingyen a chatgpt.com-on. Megbízható mindenes, a legnagyobb felhasználói közösséggel.
Claude: Az Anthropic asszisztense, ingyen a claude.ai-on. Erős hosszabb írott anyagokhoz, nehéz dokumentumelemzéshez és kemény gondolkodáshoz.
Claude Projects: Állandó Claude-munkaterek referenciadokumentumokkal, amikre a Claude minden beszélgetésben emlékszik.
Co-pilot: Olyan AI, ami egy toolon belül melletted dolgozik, és menet közben javasol, miközben végig te irányítasz.
Connectors: Kapcsolatok, amikkel a Claude az engedélyeddel rá tud kötni olyan toolokra, mint a Drive, a Gmail, a Slack, a GitHub és a Linear.
Custom GPTs: A ChatGPT elmentett, újra használható asszisztensei, amiket egyszer beállítasz, és utána újra használsz.
Deep Research: Mód, ami több forrásból, hosszabb ideig dolgozó vizsgálatot futtat, és megírt, hivatkozásokkal ellátott jelentést ad.
Elmentett (újra használható) asszisztens: Egyéni asszisztens, amit egyszer beállítasz, és utána újra használsz: ilyen a Custom GPT, a Gem vagy a Claude Project.
Gemini: A Google asszisztense, ingyen a gemini.google.com-on. Ott a legerősebb, ahol a bemenet nagy, vegyes vagy képi, és a Google Workspace-en belül is fut.
Gems: A Gemini elmentett, újra használható saját asszisztensei, amiket egyszer beállítasz, és utána újra használsz.
Grok: Az xAI asszisztense, ingyen a grok.com-on. Rá van kötve az X-re és az élő webre, a friss események a legerősebb oldala.

Munka AI-val

A 80%-os szabály: Alapból mindent az AI-asszisztensedben kezdj el. Az appba épített tool kényelmes rövidítés, amit ki is hagyhatsz.
A munkának el kell tűnnie: Az a szemlélet, hogy az AI egész munkafajtákat töröljön el, a feladatokat pedig szüntesse meg.
A százszoros szemlélet: Az új tempó: hónapokból napok, napokból órák. Ha a költség a századára esik, új dolgok válnak lehetségessé.
AI-pilled: Akit megnyert magának az AI. Ha egyszer bejön egy feladatra, onnantól mindenhez azt használod. Általában kacsintva mondják.
AI-rutin: Az a képesség, hogy AI-val dolgozol, rá építesz, és mellette gondolkodsz. Az évtized legjobban megtérülő készsége.
Alapból AI-val kezdj: Minden új feladatra szánj fél percet arra, hogy átgondold, hol segíthet az AI, még mielőtt kézzel belevágnál.
Innentől mindenki építő: Aki AI-val épít egy munkafolyamatot, az építő, akármi is a beosztása.
Összevetés: Futtasd le ugyanazt a fontos kérdést két toolban, és hasonlítsd össze. Ha egyeznek, nőhet a bizalmad; ha nem, találtál valamit, aminek érdemes utánanézni.
Tanulj újra tanulni: Az a metakészség, hogy tovább tanulsz, miközben a régi szakértelmedet automatizálják. Ez az új versenyelőny.