Hogyan vezess be mesterséges intelligenciát a gyakorlatban — nem elméletben, hanem egy valóban működő, több gépen használt rendszerrel: Elliott, Hermes, Codex, Claude és Gemini közös memóriával, lokális Qwen modellel és ellenőrző guardokkal.
A rendszer lényege, hogy több AI-eszköz ugyanarra a közös tudásra lát rá. A Mac mini a központi OpenClaw/Elliott hub, de a munka iPadről, iPhone-ról, MacBookról és Windows gépről is elérhető.
Telegramon elérhető OpenClaw orchestrátor: figyel, összegez, supervisor szerepben ellenőriz, és a közös memória fő írója.
A fő lokális modell Qwen 27B, 49k körüli contexttel. A cél: érzékeny anyagoknál minél több feldolgozás saját gépen történjen.
Az OpenClaw main memória FTS5 kulcsszavas és vektoros keresést is használ, RRF-szerű összeolvasással.
Friss ellenőrzők készültek a válaszfolytonosságra, a kanban munkamódra, a skill-minőségre és a memória működésére.
A rendszer már nem csak „emlékezik", hanem ellenőrzi is magát: észreveszi, ha egy Telegram válasz nem ment ki rendesen, jelzi az elöregedett aktív kanban-kártyákat, validálja az új skilleket, és bizonyítja, hogy a memória keresése ténylegesen működik.
Az AI nem egy varázsdoboz, hanem egy nagyon gyors, fáradhatatlan asszisztens-csapat. A kérdés nem az, hogy „helyettesít-e", hanem hogy „mennyi rutinmunkát vesz le a válladról, hogy a valódi szakmai döntésekre maradjon időd".
A dokumentum-átolvasás, levelezés és vázlatírás nagy része automatizálható. A felszabaduló idő a tényleges szakmai munkára fordítható.
A rendszer mindig ugyanazokat a lépéseket követi, mindent dokumentál — nincs „elfelejtett" határidő vagy hiányzó feljegyzés.
Minden ügymenet egy közös, verziózott memóriába kerül. Az ismeret nem egy ember fejében van, hanem visszakereshető.
Lokális modellek + ellenőrzött lépések. Az ember mindig a döntéshozó; az AI előkészít, javasol, vázlatot ír.
Egy felszámolási iroda napi munkájának nagy része ismétlődő: iratok átnézése, határidők követése, levelek és beadványok megfogalmazása, nyilvántartás vezetése. Pont ez az a réteg, ahol az AI a legtöbbet segít — miközben a jogi és gazdasági mérlegelés végig emberi kézben marad.
A rendszer egy központi orchestrátor (Elliott) köré szerveződik, amely körül „satellite" agentek dolgoznak. A központ a Mac mini, a hozzáférés viszont több eszközről történik: Telegram, Codex, Claude, Gemini és helyi modellek együtt adják a napi munkafelületet.
Elliott és Hermes lokális modellen is dolgoznak (Qwen 27B), miközben Claude, OpenAI Codex és Google Gemini is bekapcsolható a hosszabb szöveges, kódos vagy dokumentumos feladatokhoz. A lényeg nem az, hogy egyetlen modell legyen „a megoldás", hanem hogy minden feladatra a megfelelő motor fusson.
| Agent | Szerep | Mit csinál a gyakorlatban |
|---|---|---|
| Elliott | Orchestrátor | Koordinálja a többi agentet, supervisor/reviewer szerepben ellenőriz, és ő tartja rendben a közös memóriát. |
| Hermes | Satellite (lokális) | Általános végrehajtó és koordinációs agent lokális modellen — feladatok lebontása, futtatása, Telegramon keresztül is. |
| Codex | Satellite | Kód- és strukturált szövegfeladatok, sablonok, automatizálás; a friss OpenClaw guardokat is Codex készítette. |
| Discovery | Satellite | Feltárás, anyaggyűjtés, információ összegzése. |
| Hunt | Satellite | Célzott keresés, adatok és összefüggések kibányászása. |
| Kronos | Satellite | Ütemezés, időzített feladatok, határidők figyelése. |
| Patch | Satellite | Karbantartás, javítások, a rendszer „egészségének" gondozása. |
Nem kell egyetlen „mindentudó" rendszert venni. Érdemes szerepkörökre bontani: ki/mi gyűjti az iratokat, ki figyeli a határidőket, ki ír vázlatokat. Egy iroda is így működik — az AI ennek a digitális megfelelője, ahol a koordinátor (Elliott) fogja össze a szálakat és vezeti a közös nyilvántartást.
A rendszer nem egyetlen AI-modellre épül. Mindhárom nagy modellt dokumentum-, levél- és szerződésmunkára fogom be — más-más erősségekkel. A lényeg: a feladathoz választom az eszközt.
| Modell | Fő felhasználás | Erőssége |
|---|---|---|
| Claude (Opus / Sonnet) | Fájlok feldolgozása, levelek, szerződések írása | Hosszú dokumentumok átlátása, gondos, árnyalt fogalmazás, megbízható szövegmunka. |
| OpenAI Codex | Fájlok feldolgozása, levelek, szerződések, automatizálás | Strukturált szövegek, sablonok, kódszerű precíz feladatok. |
| Google Gemini | Fájlok feldolgozása, levelek, szerződések írása | Nagy mennyiségű anyag gyors átnézése, többféle formátum kezelése. |
A három modellt ugyanarra a célra — iratfeldolgozás, levelek és szerződéstervezetek — lehet használni, és össze lehet hasonlítani, melyik ad jobb eredményt egy adott feladatnál. Nincs „bezáródás" egyetlen szállítóhoz; a munka mindig ugyanaz marad, csak a motort cserélheted alatta.
A legfontosabb elem: minden agent ugyanarra a közös, verziózott tudásbázisra támaszkodik. Így nem vész el információ, és minden lépés visszakövethető — mint egy gondosan vezetett ügyirat, csak kereshető és több gépről elérhető formában.
A közös memória egy git-verziózott repó (~/.shared-memory), amelyet Elliott tart rendben. A többi agent olvassa, és ha valamit rögzíteni kell, a pending_updates/ mappán keresztül ad át neki rövid, feldolgozható checkpointot. Ez a memória Nextcloudon keresztül több gépen is elérhető, és napi szinkronnal Google Drive-ba is bekerül — így Mac mini, iPad, iPhone, MacBook és Windows gép között ugyanarra a tudásra lehet támaszkodni.
| Tier | Mit tárol | Hozzáférés | Jelenlegi méret |
|---|---|---|---|
| HOT | Aktív, napi szinten használt információ — folyamatban lévő ügyek, friss döntések. | Azonnali, mindig betöltve | 0,6 KB · 1 jegyzet |
| WARM | Közelmúlt, gyakran hivatkozott, de nem napi anyag. | Igény szerint betöltve | 20 KB · 11 fájl |
| COLD | Archív, lezárt ügyek, ritkán előkerülő háttéranyag. | Kereséskor előhúzva | 6,5 KB · 2 fájl |
Memória-tier-ek mérete
A markdown tudásbázis aktuális megoszlása (valós mérés)
Automatikus futások jobonként
Valós napló · összesen 3 481 futás · 12 aktív job (a 0,6 KB léptékért a 5-perces node-monitor ~1 791 futása nincs az ábrán)
| Szempont | Közös memória | Egyedi memória |
|---|---|---|
| Ki használja | Minden agent (olvasás), Elliott (írás) | Az adott agent/eszköz saját maga (pl. Claude/Cowork auto-memória) |
| Tartalom | Közös, szervezeti szintű tudás, ügymenetek | Az eszköz saját kontextusa, helyi beállításai |
| Verziózás | Git, teljes history, visszakövethető | Eszközfüggő, automatikus |
| Cél | Egységes, megosztott „igazságforrás" | Az adott munkamenet gördülékenysége |
Ez a digitális ügyiratkezelés következő szintje: egyetlen, verziózott „igazságforrás", amelyhez mindenki hozzáfér, de amelyet kontrolláltan, nyomon követhetően írnak. A tier-elés azt jelenti, hogy a régi, lezárt ügyek nem terhelik a napi munkát, de bármikor előhúzhatók. A napi mentés és a riasztás pedig adatbiztonsági garancia.
A rendszer ma már nem csak fájlokat olvas. Az OpenClaw main memória egyszerre használ FTS5 kulcsszavas keresést és vektoros szemantikus keresést, majd a találatokat RRF-szerű pontozással olvassa össze. Így a pontos név/ügyszám és a „miről szólt ez?" típusú kérdés is működik.
A hibrid keresés folyamata
Kulcsszavas találat + vektoros hasonlóság → összevont relevancia
A vektoros réteg nem helyettesíti, hanem kiegészíti a git-alapú közös memóriát. A markdown-fájlok maradnak a forrás-igazság (verziózva, visszakövethetően), az OpenClaw index pedig gyorsan visszahozza a releváns darabokat. A friss runtime teszt alapján a main memória 140/140 fájlt és 340 chunkot indexel, 768 dimenziós embeddinggel, működő FTS és vektor táblával.
| Réteg | Mit indexel | Embedding-modell | Visszakeresés |
|---|---|---|---|
| Közös memória shared memory |
Hot/warm/cold jegyzetek, döntések, állapotok és átadások; Nextcloudon több gépről elérve, pending update kapuval. | Emberi olvasás + agent bootstrap | Forrás-igazság: verziózott markdown, auditálható változásokkal. |
| OpenClaw main memória SQLite · FTS5 · vector |
140/140 fájl, 340 chunk; embedding cache bekapcsolva; 768 dimenziós vektorok. | Ollama nomic-embed-text (lokális) | FTS5 kulcsszavas keresés + vektoros hasonlóság + RRF-szerű összeolvasás; a runtime keresés textScore és vectorScore értékeket ad. |
Lényeg: minden embedding helyben, a saját gépen készül (Ollama, localhost) — érzékeny szöveg nem megy ki felhős embedding-szolgáltatáshoz.
Felteszel egy kérdést a saját szavaiddal — például „mi volt a döntés abban az ügyben, ahol a hitelező vitatta a követelést?" —, és a rendszer jelentés alapján megtalálja a releváns korábbi dokumentumokat, döntéseket és levelezést, akkor is, ha nem emlékszel a pontos megfogalmazásra vagy az iktatószámra. A kulcsszavas keresés ezt kiegészíti a pontos egyezésekre (nevek, ügyszámok). Mindez helyben futó modellel, így az érzékeny ügyadat nem hagyja el a gépet.
A 2026. június 28-i fejlesztési körben négy, nem invazív ellenőrző réteg készült. Ezek nem írják át a munkát, hanem mérnek, jeleznek és állapotot írnak — vagyis előbb láthatóvá teszik a problémát.
Figyeli, hogy egy Telegram üzenetre valóban kiment-e a válasz, és jelzi, ha csak a transcriptben látszik, de a kézbesítés nem történt meg.
Read-only módon nézi a Mission Control boardokat: WIP-limit, elöregedett aktív kártyák, hiányzó boardok.
Minőségi kapu az új OpenClaw skillekhez: frontmatter, struktúra, duplikáció, méret és véletlen titokszivárgás ellenőrzése.
Nem a státuszfeliratnak hisz, hanem runtime kereséssel bizonyítja, hogy a hibrid memória tényleg ad FTS és vektor pontszámokat.
Egy AI-rendszernél nem elég, hogy „okos". Kell mellé ellenőrzés: elment-e a válasz, áll-e a feladat, működik-e a keresés, jó minőségű-e az új workflow. Ez ugyanaz a szemlélet, mint az irodai kontrollpontoknál: előbb legyen mérhető, utána legyen automatizált.
A rendszer leglátványosabb haszna a napi munkafolyamatban van: a beérkező levélből feladat lesz, a feladathoz válaszvázlat tartozik, a kanban guard pedig jelzi, ha túl sok munka van egyszerre folyamatban vagy egy aktív kártya túl régóta áll.
Feladatot Pedro is és az AI is létrehozhat. A feladat megoldását az AI végzi — az ember felügyel és jóváhagy. A kártyákon jelölve, hogy emberi vagy AI eredetűek.
A beérkező levelek soha nem „vesznek el": mindből feladat lesz, határidővel és előkészített válasszal. A munkatárs nem üres lappal indul, hanem egy kész vázlatot ellenőriz és pontosít. Ugyanaz a board mutatja, mit csinál az ember és mit az AI — teljes átláthatóság, megosztott felelősség mellett.
Az alábbi értékek illusztratív példák — a nagyságrendet mutatják, nem valós mérést. A bevezetés után a saját adataiddal érdemes felülírni őket.
Időráfordítás egy-egy feladatra — AI előtt vs. után
Perc / feladat, becsült nagyságrend
Nem a létszám csökkentése a cél, hanem a kapacitás felszabadítása. Ha a rutinmunka töredékére zsugorodik, ugyanaz a csapat több ügyet, alaposabban tud kezelni — és a kollégák a valódi szakmai mérlegelésre koncentrálhatnak.
Nem kell egyszerre mindent. A biztonságos út: kicsiben kezdeni, egy jól körülhatárolt feladaton, majd fokozatosan bővíteni — végig emberi kontroll mellett.
Melyik ismétlődő feladat viszi a legtöbb időt? (jellemzően: levelezés, iratátnézés.) Egy konkrét, mérhető folyamatot választunk pilotnak.
Pl. az email → feladat → válaszvázlat lánc bevezetése. Az AI előkészít, az ember mindig jóváhagy. Adatvédelmi keretek tisztázása.
A tudás egységes, verziózott tárolása, a feladatok átlátható kezelése. A csapat megszokja a közös munkafelületet.
További folyamatok bevonása, modellek összemérése, a valós adatok alapján a mérőszámok pontosítása. Rendszeres biztonsági mentés és felügyelet.
| Terület | Befektetés / kockázat | Várható haszon |
|---|---|---|
| Levelezés | Betanulás, sablonok kialakítása | Gyorsabb, következetes válaszok; semmi nem marad megválaszolatlanul |
| Iratfeldolgozás | Adatvédelmi szabályozás, hozzáférés-kezelés | Gyors összegzés, kulcsinformációk kiemelése nagy anyagokból |
| Szerződések / beadványok | Emberi ellenőrzés továbbra is kötelező | Kész vázlatok, kevesebb formai hiba, idő a tartalomra |
| Nyilvántartás | Egyszeri bevezetés, megszokás | Verziózott, visszakereshető közös tudás; átláthatóság |
| Határidők | Ütemező beállítása | Automatikus figyelmeztetés, csökkenő mulasztási kockázat |
| Adatbiztonság | Lokális modellek, mentési rend kialakítása | Érzékeny adat helyben marad; napi mentés + riasztás |
A belépés nem nagy beruházás, hanem szemléletváltás: egyetlen folyamattal kezdeni, mérni az eredményt, és csak utána bővíteni. A legnagyobb kockázat nem a technológia, hanem az adatkezelés — ezt érdemes az első naptól komolyan venni, lokális feldolgozással és tiszta hozzáférési szabályokkal.