Mitől lehet igazán hatékony egy AI kódasszisztens? A technológia fejlődésével már szinte bármilyen fejlesztői feladatra használhatunk mesterséges intelligenciát, ugyanakkor ezek a rendszerek gyakran nem képesek megfelelően feldolgozni a számunkra fontos keretrendszerek vagy eszközök dokumentációját. A videó középpontjában az áll, hogyan adható hozzá RAG-képesség (Retrieval-Augmented Generation) az AI kódasszisztensekhez, hogy naprakész, strukturált tudásbázissal dolgozhassanak.
A bemutatott példák sorra veszik egy MCP szerver funkcióit, amellyel akár saját, privát tudásbázist is építhetünk, amely csak a minket érdeklő könyvtárak és technológiák dokumentációját tartalmazza – ellentétben a nagy, gyűjtő közösségi adatbázisokkal. Felvetődik a kérdés, hogy az elérhető megoldások (például a Context 7) valóban elég nyitottak-e, lehetővé teszik-e a magánjellegű adattárak használatát, illetve valóban ingyenesek-e vagy rejtett monetizációs terveik vannak.
A szerző saját, teljesen nyílt forráskódú MCP szerverének előnye, hogy tetszőleges weboldalról, dokumentációból képes tudásanyagot kinyerni, és azt privát módon integrálni az AI rendszerbe, beleértve a privát GitHub repókat vagy a saját céges dokumentációkat is. Bemutatásra kerülnek a különböző feldolgozási módszerek, a webes crawling stratégiák, valamint a rendszer működése, felállítása, integrálása népszerű AI fejlesztői eszközökkel (például Windsurf, Cursor).
A videó arra ösztönöz, hogy gondoljuk végig, milyen előnyei és buktatói vannak a privát AI tudásbázisnak szemben a nyílt, centralizált RAG-adatbázisokkal, milyen szerepet tölthet be a jövő fejlesztői munkafolyamataiban egy testre szabott tudásmotor, és hogy meddig automatizálhatók a fejlesztői workflow-k AI segítségével. Szó esik továbbá egy úttörő workflow-automatizáló platformról is, amely új lehetőségeket nyit a hatékonyság terén.
