// AI-native módszertan · tanácsadás · workshop · automatizálás

Mindenki ugyanazt az AI-t használja.
Az eredmény mégsem ugyanaz.

Nem az AI-t árulom — a módszert, amivel az AI valóban szállít. Harminc év szoftverfejlesztés, projektvezetés és cégépítés, agent-flotta-vezénylésre fordítva. A bizonyíték: négy saját termék — párhuzamosan építve, hetek alatt, nem évek alatt.

Nézd meg a szolgáltatásokat Hogyan működik a módszer ↓

VAN FEJLESZTŐCSAPATOM → Az AI-használatunkat tenném módszertanná — tanácsadás, workshop. NEM SZOFTVERCÉG VAGYOK → A cégem folyamatait egyszerűsíteném AI-val — email, admin, riportok. SZOFTVER KELL → Kész, tesztelt terméket építtetnék — MVP-től éles SaaS-ig.

A csapat helyét egy AI-agent-flotta veszi át — a vezénylés logikája marad. Nem promptolgatás: dokumentált, verzionált munkamódszertan, ugyanazokkal a minőségkapukkal, amiket egy jól vezetett fejlesztőcsapattól elvárnál. És nem csak szoftverépítésre igaz: ugyanez a fegyelem viszi a nem szoftveres cégek folyamatautomatizálását is. Ezt a módszert adom át tanácsadásban és workshopon.

Modell-kiosztás feladat szerint

A drága modell oda megy, ahol dönteni kell — tervezés, review, hibakeresés. A rutinmunka az olcsó, gyors sávban fut.

Memória-alapú önjavítás

Minden ismétlődő hiba névvel ellátott, kereshető szabállyá válik — a rendszer nem követi el kétszer ugyanazt.

Spec — mit és miért

Írott dokumentum rögzíti, mit építünk és miért — architektúra, sikerkritériumok, scope. Itt egy félreértés még egy bekezdés átírásába kerül, nem egy hét újrakódolásába.

Fázisolt terv — hogyan

A jóváhagyott specből végrehajtási terv készül: sorrend, függőségek, párhuzamosítás. Ami nem függ egymástól, az egyszerre épül — nagyobb munkánál fázis-fájlokra bontva (F0, F1, F2…).

Párhuzamos agent-implementáció

A terv független ágait egyszerre több agent építi — izoláltan, saját git worktree-ben, ütközés nélkül. Ez adja a sebességet egy hagyományos csapathoz képest.

Önaudit és review-loopok A LEGGYAKRABBAN ELFELEJTETT ELEM

Az AI itt nem csak épít: módszeresen a saját munkájában keresi a hibát. Review-fix körök, CI, vizuális regresszió-kapu — mielőtt a hiba hozzád érne.

Éles

Egyetlen scriptből fut a teljes release: build, csomagolás, deploy. Nem prototípus landol, hanem karbantartható termék — és ahol emberi döntés kell, ott az ember dönt.

8 agent · 15 p

teljes projekt TDD-vel,
400/400 zöld teszt

~3 óra

kész, tesztelt app
egyetlen autonóm sessionben

50 agent · 30 p

teljes alkalmazás önaudit
egyetlen workflow-ban

10+ projekt

párhuzamosan,
egy dokumentált módszertannal

MIÉRT JÓ EZ
NEKED

Gyorsaság

Hetek helyett órák–napok, beépített minőségkapukkal.

Dokumentáltság

Spec, terv, teszt, commit — minden döntés visszakereshető.

Auditálhatóság

A rendszer a saját munkáját is átvizsgálja, mielőtt hozzád érne.

Átadhatóság

A módszer írott és verzionált — nem bennem él, a csapatodban is meggyökerezik.

SZOLGÁLTATÁSOK

Egy módszer, négy forma

Átadom a csapatodnak, beviszem a folyamataidba, megtanítom workshopon — vagy megépítem veled. Mindegyik mögött ugyanaz a módszer és ugyanaz a mérnöki fegyelem.

Tanácsadás / AI-native SDLC

Csapatnak, ahol az AI-használat ad-hoc — módszertan és minőségkapuk nélkül. A kész, iterált munkamódszertant adom át és illesztem a csapatba.

agent-orchestration spec / terv kettéválasztás minőségkapu-rendszer memória-alapú önjavítás

10+ párhuzamos projekt · írott, verzionált szabályrendszer

Retainer vagy időszakos tanácsadás

AI-folyamatautomatizálás

Nem szoftveres cégnek, ahol a napi működés tele van ismétlődő manuális munkával: email-áradat, adminisztráció, riportok, ajánlatok, tartalom. Fejlesztőcsapat nem kell hozzá.

1 · folyamat-felmérés / AI-audit 2 · teljes automatizálás 3 · betanítás

éles Gmail-pipeline · 78+ ellenőrzéses Ads audit-motor

A három lépcső külön-külön is kérhető

Oktatás / workshop

Csapatnak, amely fókuszált, gyakorlati blokkokban tanulná az agent-vezénylést. Négy önállóan is felvehető modul, a meglévő stackhez illesztve.

flotta-vezénylés skill-engineering AI-önaudit optimistic UI döntési keret

30+ saját skill · 50 agentes mért workflow

Workshop — egy vagy több modul

Fejlesztés / terméképítés

KKV-nak és startupnak, akiknek kész, működő szoftver kell — ügynökségi ár és lassúság, felvételi kockázat nélkül. Ötlettől éles, tesztelt termékig: tesztek, CI, automatizált deploy.

Next.js / Supabase SaaS Python ML-pipeline React Native mobilapp MCP-szerver

4 saját termék · 140+ tesztfájl · 400 teszt az audit-motoron

Projekt-alapú vagy retainer

★ AMI MINDEGYIKBEN BENNE VAN

AI-vezérelt önaudit — a legfontosabb tudás

A legtöbben csak generálásra használják az AI-t. Én arra is bevetem, hogy könyörtelenül auditálja a saját munkánkat — mielőtt a felhasználó találná meg a hibát.

→

50-agentes adversariális önaudit — „no-go” verdikt saját rendszeren, 16 igazolt üzleti és fundamentális hibával. Nem elrejtve: erősségként kezelve.

→

Iteratív review-fix loopok kódra, tervre és issue-ra — egy issue 3 kör alatt: 1 piros → 0 piros.

→

Vizuális regresszió-kapu — headless screenshot-verifikáció minden UI-változás után.

TUDÁSTÁR

Hat terület, saját gyakorlatból

Amit tanácsadásban és workshopon átadok — hat terület, a saját termékeim mindennapi munkájából.

Egy agent-flotta átvizsgálja, amit a másik épített — mielőtt a hiba a felhasználóhoz érne. Szisztematikus önkritika, nem csak generálás.

50-agentes adversariális önaudit: „no-go” verdikt, 16 igazolt hiba — erősségként kezelve.
Review-fix loopok kódra, tervre, issue-ra (3 kör: 1 piros → 0).
CI + vizuális regresszió-kapu minden UI-változás után.

KÉSZÜLŐ CIKKEK

Miért erősség, ha egy agent „no-go”-t mond a saját rendszerünkre
Review-fix loop: bevizsgáló + javító agent elválasztva
A pytest tail-csapda: amikor a minőségkapu hazudik
Vizuális regresszió-kapu headless böngészővel

Egyetlen fejlesztő egy csapatnyi agentet pörget fel — párhuzamosan, egymást nem zavarva. Ez adja a sebességet.

50 subagent egy workflow-ban: 3,55M token, 487 tool-use, ~30 perc.
Teljes projekt TDD-vel: 8 agent, ~15 perc, 400/400 zöld teszt.
Git worktree-izoláció + modell-kiosztás feladattípus szerint.

KÉSZÜLŐ CIKKEK

50 agent egy workflow-ban, káosz nélkül
Modell-kiosztás: mikor éri meg a drága modell
Git worktree-izoláció: több agent egy repón
Mikor NE burst-elj agenteket

Egy ember, 10+ párhuzamos projekt — egyetlen írott, verzionált módszertannal, önjavító szabálykészlettel.

Érett AI-native SDLC: modellválasztás, tesztkapuk, git-fegyelem kodifikálva.
Memória-index projektenként: konkrét hiba→szabály párok.
Spec/terv kettéválasztás F0–F9 fázis-fájlokkal.

KÉSZÜLŐ CIKKEK

Egy ember, 10+ projekt: hogyan lesz ebből szoftvercég
Memory-driven fejlesztés: hibából kereshető szabály
Spec vs. terv: miért nem keverjük egy fájlba
Grounding-elsőbbség nagy kódbázisokban

A skill nem prompt-sablon, hanem az AI-nak írt, token-hatékony rendszerprogram — 30+ saját skill karbantartva.

616 soros skill: GitHub issue → implementáció → review → fix loop, két modellel.
Célfüggvény-vezérelt autonóm hangoló, hard gate-tel korlátozva.
Erőforrás-adaptív skill: futásidőben dönt szekvenciális vs. párhuzamos feldolgozásról.

KÉSZÜLŐ CIKKEK

Skill vs. prompt-sablon: mikor éri meg rendszerprogram
A 616 soros skill anatómiája: issue-tól lezárt PR-ig
Költség-tudatos modellválasztás beégetve a skillbe
Progressive disclosure: olcsó skill, amíg nem kell a részlet

Ötlettől éles termékig: spec, implementáció, review-fix loop, automatizált deploy — tesztekkel és CI-vel, nem prototípus-szinten.

Éles SaaS production domainnel, GDPR-jogi oldalakkal (hetifokusz.hu).
Kész, tesztelt app egyetlen ~3 órás autonóm sessionben (Swipick).
A négy termék összesen 1300+ commit — mért, ismételhető gyakorlat.

KÉSZÜLŐ CIKKEK

3 óra, egy session, egy kész app: az „ultracode” build
Éles SaaS egy emberrel: domaintől a GDPR-oldalakig
Miért érték a különböző érettségi fázis
Valós fiókon validálni, aztán SaaS-szá skálázni

A teljes modern stack: webes SaaS, mobil, ML-pipeline, saját MCP-infrastruktúra — a megfelelő eszköz a problémához.

Web: Next.js / React / Supabase / Stripe / Inngest; mobil: React Native / Expo.
Saját OAuth 2.1 authorization server + MCP-szerver — építem, nem csak használom.
Python ML (pandas, duckdb, xgboost); AES-256 titkosítás-terv, 3-rétegű PII-prefilter.

KÉSZÜLŐ CIKKEK

MCP-szervert építeni, nem csak használni
Éles AI-pipeline Inngest-tel, production terhelés alatt
Determinisztikus motor + auditálható AI-magyarázó réteg
Node vs. Python egy AI-termékben

PROJEKTEK

Négy saját projekt

Mind a négyet teljes egészében AI-agentek fejlesztették — én vezényeltem, spectől éles termékig.

SaaS · produktivitás Bétatesztelés

Heti Fókusz

SaaS termék bétatesztelésben — egy ember és egy agent-flotta munkájából.

500+ commit · 140+ tesztfájl · 10 release-tag · ~8 hét

hetifokusz.hu ↗

EdTech · mobil Zárt körű tesztelés

imádokmatekozni.hu

AI-alapú matekgyakorló mobilapp általános iskolásoknak — az AI itt maga a termék magja.

500+ commit · 4 repo · ~6 hét · éles Google Ads kampány

imádokmatekozni.hu ↗

SaaS · Google Ads Bevezetés előtt · MVP

Ads Clinic

Google Ads audit- és optimalizáló rendszer kisvállalkozásoknak, akiknek van kampányuk, de nincs PPC-szakemberük.

3 alprojekt · 78+ audit-check · ~340 teszt · 300+ commit

Nyílt MCP-szerver · MIT licenc

Desktop · web app Éles · open source · publikus

Swipick

Böngészőben futó, billentyűvezérelt fotó- és videórendező app — egyetlen ~3 órás session alatt épült.

46 commit · v1.1.0 · ~3 órás session · 21 tesztfájl

Élő demó ↗ Forráskód ↗

RÓLAM

Harminc év rutin, új lehetőségek

Képes Péter
30 év szoftverfejlesztés, projektvezetés és cégépítés
· LinkedIn ↗

Nem az AI tett fejlesztővé — az AI adott új tőkeáttételt annak, amit három évtized alatt megtanultam.

AMIT A 30 ÉV ADOTT

A szoftverprojekteken nem a kódolás a nehéz, hanem az, hogy időben és jó minőségben szállítson: sorrend, párhuzamosítás, minőségkapuk, számonkérés. Ehhez jön a cégépítés: alapító-ügyvezetőként építettem fel a Tárhelyparkot, az ország egyik legnagyobb tárhelyszolgáltatóját, majd sikeres exittel értékesítettem. Az a cég nem a technológiáján nyert, hanem a fegyelmezetten működtetett folyamatain.

MIÉRT ETTŐL MŰKÖDIK

Egy agent pontosan olyan jó, amilyen jól irányítják: elég éles-e a spec, jó feladatra megy-e a megfelelő modell, van-e review, ami elkapja a hibát. Ezek nem AI-kérdések — projektvezetési kérdések. Ugyanazt csinálom, mint eddig: spec-et írok, delegálok, számonkérem a minőséget — csak most agentekkel, töredék idő alatt.

A CÉG

A munkát az Unwork Solutions Kft.-n keresztül végzem. A módszertan írott, verzionált, önjavító — nem a fejemben él, hanem átadható rendszerként. A bizonyíték nem ígéret: négy saját termék, pontosan ezzel a módszerrel. Ugyanezt kapod a tanácsadásban is.

KAPCSOLAT

Beszéljünk

Közvetlenül velem beszélsz, nem egy account managerrel: aki felméri a feladatot, ugyanaz építi meg. Elmondod, mit szeretnél vagy hol akadtál el — én megmondom, hogyan bontanám fázisokra, és azt is, ha valamit nem érdemes így csinálni.

E-mail hello@unwork.hu

Időpont cal.com/kpsptr — foglalj közvetlenül egy 30 perces hívást.

E-mailre néhány munkanapon belül válaszolok. Egyszemélyes cég lévén nincs 0–24 ügyfélszolgálat — cserébe minden választ az ad, aki a munkát is végzi.