Az utóbbi időben egyre inkább az AI kódoló asszisztensek kerültek előtérbe, miközben egyre kevesebb szó esik az AI ügynökök építéséről olyan keretrendszerekkel, mint a Langchain, N8N vagy Pantic AI. A tartalom készítője maga is tapasztalta ezt az eltolódást, és elemzi, miért változott meg a fókusz az önálló AI ügynökökről a kódoló asszisztensekre.
Felmerül a kérdés, hogy vajon tényleg nincs már szükség klasszikus AI ügynöképítő keretrendszerekre, vagy még mindig megvan a helyük bizonyos üzleti felhasználásokban. Részletesen áttekinti, mikor indokolt az új, SDK-alapú megoldásokat használni, és mikor hasznosabb a régebbi, rugalmasabb frameworkök alkalmazása.
Külön hangsúly kerül az agentek építésének evolúciójára: a klasszikus agentek felépítésére, az eszközök és készségek csatolására, valamint a memóriakezelés és tudásbázis-keresés jelentőségére. Megvizsgálja, milyen előnyei és hátrányai vannak az azonnal használható, „batteries included” SDK-knak, szemben a teljesen testre szabható frameworkökkel.
Érdekes témaként kerül előtérbe a RAG (retrieval-augmented generation), illetve annak szerepe napjaink AI rendszereiben és a fájlkeresés, valamint a különféle keresési stratégiák hatékonysága kisebb és nagyobb tudásbázisokon. A videó végigveszi, miért változtak meg a fejlesztői preferenciák, milyen kihívásokkal és kérdésekkel találkoznak a gyakorlati AI agent fejlesztésben, és milyen tényezők döntenek az alkalmazott technológiák között.
