Hangvezérelt AI asszisztens készítése - az MCP és az AWS környezet

Proof of Concept - Mit tud a példa alkalmazás?

A cél: beszéddel vezérelhető foglalási AI asszisztens létrehozása.

Fő funkciók:

• Speech-to-text: A felhasználó hangját szöveggé alakítani.

• AI értelmezés: Az AI ismerje fel a szöveges parancs szándékát, és ha kell hívjon meg függvényeket.

• Text-to-speech: Az AI szöveges válasz kerüljön vissza hangformában a felhasználóhoz.

Az applikációban használt függvények:

Ezeket a függvényeket az AI felismeri, ha mellé kerülnek tools nevű definiciók:

Így néz ki a hagyományos függvény formátuma:

function checkRoomAvailability({
checkin_date,
checkout_date,
room_type = 'standard' }) {
  # ide jön a függvény logikája
}

A fent megjelölt hagyományos módon elkészült függvények még local szerver környezetben futnak le. Ezekhez a függvényekhez készítettem tool definiciót is, ebből bemutatok egyet, a checkRoomAvailability-t.

const tools = [
  {
    type: "function",
    function: {
      name: "checkRoomAvailability",
      description: "Check room availability for specific dates and room types",
      parameters: {
        type: "object",
        properties: {
          checkin_date: {
            type: "string",
            description: "Check-in date (YYYY-MM-DD)",
          },
          checkout_date: {
            type: "string",
            description: "Check-out date (YYYY-MM-DD)",
          },
          room_type: {
            type: "string",
            description: "Type of room (standard, deluxe, suite)",
          },
          guests: { type: "number", description: "Number of guests" },
        },
        required: ["checkin_date", "checkout_date"],
      },
    },
  },
  ...
]

Bármilyen függvény a hozzá tartozó tool definicióval felhasználó AI-hoz előkészített kéréshez. A kérdés már csak az mire szeretnénk használni ezeket. Tovább haladva bemutatom, hogyan néz ki az applikáció szerkezeti felépítése.

A technológiai háttér

A funkciók most már ismertek. Így nézne ki a megvalósítás a monolitikus megközelítéssel:

1. Frontend – React + Web Speech API

Készítettünk egy letisztult, React alapú UI-t, ami lehetővé teszi a hangfelvételt és a visszajátszást. A böngészőben fut egy Web Speech API, ami elvégzi a hangrögzítést és a szintetizálást.

2. Backend – Express

Az Express egy gyors és rugalmas Node.js keretrendszer, ami ideális REST API-k vagy webszerverek készítésére. Ez a választás ideális volt a parancsok fogadására, az AI-hoz való csatlakozáshoz, valamint az eszközök kezeléséhez és integrálásához.

3. AI - OpenAI API - (Chat Completions API)

Az AI kommunikációhoz az OpenAI Chat Completions API-t használtuk, ami egy programozási interfész, ezzel a fejlesztők chat-alapú interakciókat küldhetnek a kijelölt modellnek. Az alábbi paramétereket használtam:

1. model: pld. gpt-4.1-nano (lásd egyéb elérhető OpenAI modellek)
2. tools: pld. függvények (lásd egyéb elérhető OpenAI tool-ok)
3. kontextus: pld. “Ön egy professzionális szállodai recepciós mesterséges intelligencia asszisztens a budapesti XYZ Hotelben”
4. szerepkörök: pld. felhasználó és rendszer.
5. input: “Van szabad szállás 2025 Június 17-n, két személyre deluxe csomagra?”

Így néz ki az összeállított OpenAI chat completions API-hívás:

const completion = await openai.chat.completions.create({
  model: 'gpt-4.1-nano',
  messages,
  tools,
  tool_choice: 'auto',
  temperature: 0.7,
  max_tokens: 100,
});

A fent összeállított kérés elküldésre került és válaszolt az AI. Az OpenAI API log-ban közben ez olvasható ki:

A képen látható, hogy az AI felismerte a checkRoomAvailability függvényt.

Az AI visszaküldi a választ paramétereket is megjelölve (arguments), majd várja a visszacsatolást a megjelölt függvénytől.

A local backend szerveren lefut a checkRoomAvailability függvény, levéve a terhet az OpenAI API-ról, majd a válasz visszaküldére kerül az AI-nak. Lásd alábbi kódrészlet ahol az AI által küldött függvény neve társul a local függvénnyel és megvárja a választ:

switch (functionName) {
  case "checkRoomAvailability":
    functionResult = checkRoomAvailability(args);
    break;
  ...
 }

  toolMessages.push({
    role: "tool",
    tool_call_id: toolCall.id,
    content: JSON.stringify(functionResult),
  });

A local függvény az alábbiakat válaszolta (ez Tool néven jelenik meg a log-ban):

Az AI a függvény válaszát átalakította szöveggé és válaszul megküldte a kérésünkre. Így néz ki a végeredmény a UI felületen! Tádám.. :)

A bemutatott példán keresztül láthatjuk, hogy miként lehet hangalapú kérdéseket és feladatokat adni AI-nak, függvényeket használva.

Nézzük meg, hogyan nézne ki ez AWS-ben.

Architektúra – AWS alapú megvalósítás (MCP nélkül)

Az AWS felépítéshez a korábbi állapothoz képest még hozzáadtam az autentikáció-t és a session kezelés-t is:

1. Frontend: S3 + Cloudfront
2. Autentikáció (+validáció) és session kezelés: Cognito + DynamoDB (Session Store)
3. Később bővíthető API: Rest API Gateway
4. Backend:
   • egy Router Lambda + egy DynamoDB (Session Store)
   • több tool Lambda + egy DynamoDB (Database)
5. AI: a router lambda meghívja az OpenAI API-t.

Itt a lambdák bevezetésével a válasz idő megnőtt, viszont már skálázható lett a rendszer! Az OpenAI alternatívájaként lehetne használni az AWS Bedrock API-t is, viszont a magyar nyelv támogatása jelenleg elég korlátos. A Bedrock modell listáján az OpenAI modellek nem szerepelnek, viszont számos más modell megtalálható. Az alábbi képen látható, milyen AWS szolgáltatásokkal lehetne a meglévő funkciókat kiváltani:

A példa foglalási AI asszisztens teljesen kiépíthető kizárólag csak AWS szolgáltatásokkal, amennyiben csak angolul akarjuk használni az eszközöket.

És akkor jöjjön a várva várt MCP!

Ha szeretnél egy rövid gyorstalpalót azzal kapcsolatosan, hogy mit jelent az LLM, FM, LM, DL, vagy mik azok a modelltípusok? javaslom olvasd el ezt először: AI alapfogalmak

Mi az MCP?

Az MCP (Model Context Protocol) egy új ipari szabvány 2025-ben, amely lehetővé teszi, hogy a különböző LLM-ek és alkalmazások környezetfüggő információkat (pl. felhasználói kontextus, rendszerparaméterek, jogosultságok) szabványos módon kapjanak meg. Íme egy kép mi mindent foglal magába:

Az MCP előtt ..

Az MCP bevezetése előtt, ha egy szolgáltató eszközeihez, adataihoz szerettünk volna csatlakozni (pld: Google, Slack, Gmail, WeatherAPI etc..), akkor külön kapcsolodási mintázatokat kellett nekünk implementálni. Ez kihívás volt az érintett szereplőknek, mert minden kapcsolatot külön-külön ismerni és követni kellett!

Az MCP megjelenése után ..

Egységessé vált a kommunikációs mintázat, így mostmár a rendszerek egy nyelvet tudnak beszélni. Az MCP itt egy új rétegként jelenik meg, mint egy egységes fordító. Az MCP például segíteni tud abban, hogy a modell tudja: éppen egy naptáralkalmazással beszél, vagy egy emailt kell megírnia – ez jelentősen javítja a válaszok relevanciáját és pontosságát.

Jelenleg csak egy AI alapú szolgáltatás van a példa alkalmazásunkban, így az MCP-nek nincs nagy jelentősége, viszont már most megéri bevezetni, mert így lehetőséget biztosít, hogy később könnyedén bővíteni lehessen a kiépült architektúránkat!

Jelenlegi problémák (fájdalom pontok) MCP nélkül:

1. Monolitikus Router Lambda: Minden AI kérés egy központi lambdán keresztül megy.
2. Közvetlen OpenAI API hívás: Nincs egységes interfész különböző AI szolgáltatásokhoz.
3. Korlátozott eszközhozzáférés: A Tool Lambda-k izoláltan működnek.
4. Nehézkes bővíthetőség: Új funkciók hozzáadása komplex.

Megvizsgálva a MCP előnyeit, a jelenlegi AWS architektúrámat több helyen is át tudtam alakítani!

Architektúra – MCP-vel, AWS környezetben

1. Probléma: OpenAI lambda function calling kaotikus és nem biztonságos, új funkciók, más szolgáltatások bevezetése időigényes.
2. Megoldás: Bevezetni a Model Context Protocol-t
3. Eredmény:
   • 3 külön Lambda: 1 MCP Client + 2 MCP Server
   • JSON-RPC kommunikáció közöttük
   • Biztonságos tool isolation
   • Skálázható architektúra

Sima Function Calling vs. MCP:

Előnyök az MCP bevezetése után

1. Egységes interfész: Minden tool ugyanazon protokollon keresztül müködik
2. Validáció: Automatikus argument ellenőrzés bevezetése került
3. Error handling: Strukturált hibakezelés bevezetésre került
4. Extensibility: Új tools egyszerűen hozzáadható
5. Monitoring: Centralizált tool hívás naplózható

A fenti előnyöket megismerve, kipróbáltam valóban ennyire jó ez az új protokoll? A válaszom IGEN! Sikerült pár apró modosítással egy teljesen különálló harmadik WeatherAPI MCP szervert hozzáadnom a meglévő architektúrához! Nézd csak:

Mostmár foglaláskor még az időjárásra is rákérdezhetünk (a használt API csak Amerika területére vonatkozóan tud adatokat szolgálni), nyilván ezt csak a példa kedvéért tettem be:

Question: What is the current weather at Hampton Beach?
App Answer: The current temperature at Hampton Beach is 22°C.

Itt megtalálható az AWS hivatalos MCP szerver listája: link.

Az MCP integrációja hol tart?

1. Claude jelenleg is a legjobb MCP-támogatást nyújtja.
2. A ChatGPT is már hozzáadta az MCP-csatlakozókat, ez működik a csevegés közbeni keresés vagy a mélyreható kutatási mód során (Plus csomaggal). Most már képes a ChatGPT is olvasni és elemezni az eszközeid adatait, de nem tud semmit létrehozni, szerkeszteni vagy elküldeni még.
3. Ami a Geminit illeti, a jelenlegi MCP-támogatás csak a Google Gemini API használatán keresztül érhető el, a saját SDK-jukon belül.
4. A Windsurf és a Cursor esetében, hasonló módon mint a Claude-nál az eszközök folyamatosan elérhetővé válnak.

Várhatóan az AI-cégek egyre több támogatást fognak kiadni az MCP-hez, ez csak idő kérdése! Érdemes követni őket!

Mivel érdemes számolni, ha hasonló projeknek fognál neki?

1. ASR nehézségek: Amikor egy számot és betűt tartalmazó azonosítót kell bediktálni nem mindig sikerült ez zökkenő mentesen, ez a kérés elküldésekor félreértésekhez vezetett.

2. Autentikáció: session és jogosultság integrációja Cognitóval nem triviális.

3. AI improvizál: ha nem mondasz pontos dátumot, improvizál – alapértelmezett dátum ajánlott.

4. Optimalizálás: minden file újraolvasása elkerülhető cache-sel, ami többlet költség de még mindig olcsóbb mint állandóan újra betölteni az adatokat a kontextusba.

5. TTS korlát: magyar nyelvű hangfelolvasás csak fizetős opcióval érhető el.

6. Limitációk: bár a megjelölt architektúra működik lambdával, viszont ha az MCP cliens vagy a szerver mérete megnő számolni szükséges EC2 példányok bevezetésével is.

   Kategóriák	Lambda limitációk
   Runtime	Max 15 perc
   Memory	10 GB-t ig
   CPU	egészen 6 vCPU-ig
   Storage	512 MB ephemeral /tmp
   Concurrency	Jól skálázódik, de van hideg indulás

7. Lambda-Cold-Start: az első kérés megválaszolása több mint 3 másodpercet is igénybe vehet. Itt még van lehetőség fejlődésre!

Összegzés

A bemutatott foglalási AI asszisztens példája jól szemlélteti, hogyan lehet ma egy hang-vezérelt, valós funkciókat ellátó mesterséges intelligencia rendszert építeni – akár már pár napos fejlesztéssel is. Az egyszerű monolit architektúrától eljutottunk egy jól skálázható, AWS-alapú, MCP-kompatibilis rendszerig, amely már nemcsak beszédet ért és generál, hanem valódi üzleti logikát is képes kiszolgálni és bővíthető!

A legfontosabb tanulságok:

• Az AI megfelelő kontextussal és jól definiált funkciókkal (tools) már nemcsak válaszol, de aktívan részt vesz a munkavégzésben.

• Az AWS és OpenAI integrációja lehetővé teszi az éles környezetbe való átültetést, de a rendszer skálázása és biztonságos működtetése komoly tervezést igényel.

• Az MCP egy új szintre emeli a többmodulos AI alkalmazásokat, és megnyitja az utat az interoperábilis, moduláris jövő felé.

Ez csak a kezdet. A jövőben olyan AI-asszisztensek jöhetnek létre, amelyek nem csupán egy szállodában dolgoznak, hanem egész ökoszisztémákat szolgálnak ki – kontextusban gondolkodnak, tanulnak, reagálnak és együttműködnek más rendszerekkel.

Ha ma elkezded építeni, holnap már ott lehet a saját iparágadban is.

A bemutatott példán túl számos más formában is kialakítható az MCP Cliens és az MCP szerver. Ha kíváncsi vagy milyen további lehetőségek vannak, javaslom kezd itt.

Kíváncsi vagy mire használható még a MCP? Ugrás az Ötletekhez

Alapfogalmak az AI modellekkel kapcsolatosan

1. Milyen halmazok vannak AI (Mesterséges Intelligencia)-n belül?

Az AI-on belül érdemes három meghatározó halmazt megnevezni: a gépi tanulás, a mély-tanulás és a generatív AI.

A különbségek röviden:

1. Machine Learning (ML) – Gépi tanulás: A gépi tanulás az a mesterséges intelligencia (AI) területe, amely lehetővé teszi a gépek számára, hogy adatok alapján tanuljanak és döntéseket hozzanak anélkül, hogy kifejezetten programoznánk őket.

2. Deep Learning (DL) – Mély-tanulás: A deep learning a gépi tanulás egyik speciális ága, amely többrétegű (ún. neurális hálózatokon alapuló) modelleket használ, hogy komplex mintákat ismerjen fel nagy mennyiségű adatban.

3. Generative AI – Generatív mesterséges intelligencia: A generatív AI olyan modelleket takar, amelyek új tartalmat képesek előállítani (szöveg, kép, zene, videó stb.) a meglévő tanulási minták alapján. A hétköznapokban legelterjedtebb ez a típus. Példák:

   • ChatGPT – Új szövegeket generál kérdések vagy parancsok alapján.

   • DALL·E – Képek generálása szöveges leírásból.

2. Mik a Foundation Modellek (Alapmodellek) ?

Olyan nagyméretű gépi tanulási modellek, amelyeket hatalmas mennyiségű adaton képeztek ki, és általános célra használhatók. Ezek az alapok lehetnek alapjai sokféle feladatnak – például szövegalkotás, beszédfelismerés vagy képelemzés –, és utólag finomhangolhatók specifikus feladatokra.

3. Mik a finomhangolt vagy specializált modellek?

Azok, amiket egy alapmodellből kiindulva egy speciális feladatra szabtak (pl. Codex a kód generálásra, GPT-4 multimodális funkciókkal).

4. Mik a kísérleti modellek vagy új generációk?

pl. Sora, ami egy multimodális videó generáló AI, de még nem annyira általános vagy széles körben elterjedt.

5. Mit jelent az Large Language Modell (LLM)?

A Large Language Modell egy mesterséges intelligencia-alapú modell, amelyet nagy mennyiségű szöveges adat alapján tanítanak meg a természetes nyelv megértésére és generálására, statisztikai mintázatok felismerésével. Mi ezt fogjuk használni a cikkben bemutatott példában!

6. Milyen modelltípusok vannak és melyik alapmodellhez tartoznak?

7. Mik azok a Datasetek?

Az AI modellek tanításához használt adathalmazok. Ezek lehetnek nyílt szöveges korpuszok, hangfelvételek, képek vagy bármilyen strukturált adat. A modellek pontossága, rugalmassága és megbízhatósága nagymértékben függ a datasetek méretétől és minőségétől. Ugrás az MCP részhez

Ime néhány ötlet, hogy az MCP hol hasznosítható!

A szálláshelyfoglaláson és az ügyfélszolgálati lehetőségeken túl, számtalan területen alkalmazhatóak még ezek az új funkciók:

1. Ügyfélkezelés és CRM: “Hozd fel Kovács János ügyfél adatait, az utolsó megbeszélésünk jegyzeteit, és emlékeztetőt állíts be a jövő heti követésre.” Az app a CRM rendszerből lekéri az információkat és automatikusan frissíti az ügyfél státuszát.
2. Projektmenedzsment: “Milyen feladatok vannak késésben a marketing projektnél, és küldd el a státusz jelentést a csapatnak.” Integrálódik a Trello/Asana-val, elemzi a határidőket és automatikusan generál jelentéseket.
3. Számlalogisztika: “Készítsd el a számlát a XY Kft-nek a múlt heti munkáért, és küldd el nekik emailben.” Az app a munkaórák alapján generál számlát, PDF-et készít és elküld az ügyfélnek.
4. Értékesítési folyamat: “Ellenőrizd a mai ajánlatokat, frissítsd az eladási pipeline-t, és emlékeztetőt állíts be a holnapi follow-up hívásokra.” Összeköti a CRM-et a naptárral és automatizálja a sales folyamatokat.
5. Raktárkezelés: “Mennyire áll a készlet, rendeljek-e új alapanyagot, és küldd el a beszállítónak a megrendelést.” Real-time készletadatok alapján automatikusan kezel beszerzési folyamatokat.
6. HR és munkaidő nyilvántartás: “Rögzítsd a mai 8 órát a X projektre, küldd el a heti timesheet-et, és ellenőrizd a csapat szabadságkérelmeit.” Integrálódik az HR rendszerekkel és automatizálja a adminisztrációt.
7. Pénzügyi elemzés: “Mutasd a havi bevételt kategóriánként, hasonlítsd össze a tavalyi adatokkal, és készíts Excel riportot.” Könyvelési szoftverekkel kapcsolódik és dinamikus jelentéseket készít.
8. Ügyfélszolgálat: “Van új support ticket? Kategorizáld fontosság szerint és válaszolj az egyszerű kérdésekre automatikusan.” AI-alapú ticket routing és automatikus válaszgenerálás.
9. Marketing kampányok: “Indítsd el a Facebook hirdetést az új termékre, kövesd a teljesítményt, és állítsd be a költségvetés riasztásokat.” Közösségi média API-kkal dolgozik és optimalizálja a kampányokat.
10. Meetingek és ütemezés: “Foglalj meetinget a befektetőkkel jövő hétre, küldd el az agenda-t, és készítsd elő a pitch deck-et a legfrissebb adatokkal.” Naptár integrációval, dokumentum automatizálással és prezentáció frissítéssel.

Köszönjük, hogy elolvastad ezt a cikket!

Érdekel a téma? Szeretnél saját MCP szervert, vagy kérdés merült fel a cikkel kapcsolatosan? Foglalj egy ingyenes konzultációt és nézzük meg, hogy a Code Factory csapata miben tud segíteni neked / nektek! A szolgáltatásaink listáját itt találod meg!