Az internet új felhasználói már nem emberek: a magyar GLC MCP-re autonóm AI-agentek is regisztrálhatnak

Erre a jövőre épül a magyar fejlesztésű GLC MCP platform, amely a mcp.glc-rag.hu címen érhető el. A rendszert a GLC-RAG fejlesztési ökoszisztémáján belül a glcMEDIA Kft. készíti. 

A projekt legnagyobb dobása egyetlen mondatban összefoglalható: a rendszerben nemcsak emberek, hanem AI-agentek is regisztrálhatnak.

Ez elsőre technikai részletnek hangzik. Valójában egy új internetes működés alapja lehet.

Az AI eddig válaszolt, most már dolgozni akar

A legtöbb ember ma még úgy találkozik a mesterséges intelligenciával, mint egy különösen okos szövegdobozzal. Beírunk egy kérdést, a modell válaszol. Dokumentumot foglal össze, levelet ír, programkódot készít vagy ötleteket ad.

Az agentek megjelenésével ez a modell gyorsan átalakul.

Egy AI-agent már nem pusztán válaszokat generál. Feladatot kap, megtervezi a szükséges lépéseket, kiválasztja a megfelelő eszközöket, adatokat gyűjt, szolgáltatásokat hív meg, ellenőrzi az eredményt, majd szükség esetén újratervezi a folyamatot.

Ehhez azonban az agentnek kapcsolódnia kell a külvilághoz.

A Model Context Protocol, vagyis az MCP egy nyílt szabvány, amely egységes kapcsolatot teremt az AI-alkalmazások, az adatforrások, az eszközök és a munkafolyamatok között. Egy MCP-szerver adatokat, műveleteket és előre meghatározott interakciós mintákat kínálhat az AI-rendszerek számára. Az MCP hivatalos architektúrája három fontos szolgáltatástípust különböztet meg: az eszközöket, az adatot és kontextust biztosító erőforrásokat, valamint az újrahasznosítható promptokat.

Az MCP jelentősége abban rejlik, hogy egy fejlesztőnek nem kell minden AI-platformhoz külön integrációt készítenie. Egy megfelelően kialakított MCP-szolgáltatást több kompatibilis agent, fejlesztői környezet vagy AI-alkalmazás is használhat.

Az OpenAI fejlesztői platformja támogatja a távoli MCP-szerverek csatlakoztatását, a GitHub Copilot és a Visual Studio Code agent módja pedig szintén képes MCP-eszközöket használni. A GitHub korábbi, saját platformjához kötött Copilot Extensions rendszerét is az MCP javára vezette ki, többek között a platformfüggetlenség és az autonóm eszközhívás lehetősége miatt.

Az MCP tehát már nem kísérleti érdekesség. Az AI-agentek egyik alapvető kapcsolódási szabványává vált.

A GLC MCP több akar lenni egy szerverlistánál

Az interneten már ma is találhatók MCP-katalógusok. Ezek jellemzően felsorolják az elérhető szervereket, megmutatják a telepítési leírást, majd a fejlesztőre bízzák az integráció többi részét.

A GLC MCP ennél nagyobb szerepet céloz meg.

A projekt lényege egy olyan központi szolgáltatási környezet kialakítása, ahol az MCP-k kereshetők, rendszerezhetők és gépi úton is értelmezhetők. A platform emberi felhasználók, fejlesztők, szolgáltatók és AI-agentek számára egyaránt kapcsolódási pontot teremhet.

Az ember böngészhet a szolgáltatások között, kiválaszthatja a megfelelő MCP-t, megismerheti annak funkcióját, majd beillesztheti a saját rendszerébe.

Az agent ugyanezt gépi úton végezheti el.

Ez a különbség egy hagyományos katalógus és egy agentek számára épített szolgáltatási infrastruktúra között.

Egy autonóm rendszer számára kevés egy színes bemutatkozó oldal. Strukturált leírásra, bemeneti és kimeneti sémákra, elérhetőségi információkra, hitelesítésre, jogosultságokra, költségadatokra és géppel feldolgozható szolgáltatási feltételekre van szükség.

Az MCP eleve sémákban gondolkodik. Minden eszköz egyértelmű nevet, leírást és bemeneti struktúrát kaphat, így a nyelvi modell fel tudja mérni, hogy az adott eszköz alkalmas-e a feladat végrehajtására.

A GLC MCP ebből a technikai lehetőségből próbál valódi szolgáltatási környezetet építeni.

A nagy dobás: az agent saját felhasználóvá válik

A GLC MCP legérdekesebb megoldása, hogy a rendszerben AI-agentek is regisztrálhatnak.

Ez azt jelenti, hogy az agentet a platform nem pusztán egy ember mögött meghúzódó névtelen programként kezeli. Az agent saját digitális szereplőként jelenhet meg.

Saját azonosítóval rendelkezhet.

A számára engedélyezett szolgáltatásokat használhatja.

Kéréseket indíthat.

Műveleteket hajthat végre.

Felhasználási előzményeket és auditálható nyomvonalat hozhat létre.

A meghatározott jogosultsági és költségkereten belül akár emberi beavatkozás nélkül is dolgozhat.

Az autonóm működés itt nem azt jelenti, hogy az AI korlátlan hatalmat kap. Az autonómia ebben az értelemben szabályozott önállóság.

Az ember vagy a szervezet meghatározza:

• milyen feladatot végezhet az agent;
• mely szolgáltatásokat használhatja;
• mekkora költséget generálhat;
• milyen adatokat érhet el;
• milyen műveletekhez szükséges külön jóváhagyás;
• mikor kell megszakítania a folyamatot;
• milyen eredményt kell visszaadnia.

Ezen belül az agent saját maga választhatja ki a következő műveletet.

Szerintem ez a GLC MCP valódi jelentősége. Egy MCP-katalógus önmagában hasznos fejlesztői szolgáltatás lenne. Az agentregisztráció azonban egy teljesen más kategóriába emeli a projektet. A rendszer így nemcsak az embereknek mutatja meg az elérhető eszközöket, hanem közvetlenül az AI-rendszerek számára is használható piacot és kapcsolódási felületet épít.

Mit jelenthet ez a gyakorlatban?

Képzeljünk el egy autonóm üzleti agentet, amely azt a feladatot kapja, hogy készítse elő egy vállalkozás új országba történő belépését.

A feladat végrehajtásához több különálló információra lehet szüksége:

• országadatokra;
• településekre;
• régiókra;
• irányítószámokra;
• időzónákra;
• pénznemekre;
• nyelvekre;
• adóazonosítók formátumára;
• bankszámlaszámok ellenőrzésére;
• nemzetközi helyazonosítókra;
• helyi munkaszüneti napokra.

Egy hagyományos chatbot ezek egy részét saját belső tudásából próbálná megválaszolni. Az adatok lehetnek elavultak, pontatlanok vagy hiányosak. Egy fejlesztő minden adatforráshoz külön API-integrációt is készíthet, ez azonban időigényes, nehezen karbantartható és gyakran kiszámíthatatlan költségeket eredményez.

Egy elemi MCP-szolgáltatásokból felépülő rendszerben az agent egymás után megkeresheti és meghívhatja a szükséges eszközöket.

Az agent először lekérheti az ország alapadatait.

Ezután ellenőrizheti a pénznemet és az időzónát.

A következő lépésben validálhatja a címet, az irányítószámot vagy a bankszámlaszám szerkezetét.

Végül egységes eredményt állíthat össze.

Az embernek nem kell minden egyes szolgáltatást kézzel elindítania. A felhasználó a célt határozza meg, az agent pedig a számára engedélyezett keretek között összeállítja a végrehajtási láncot.

Itt kezdődik a valódi agentgazdaság.

Nem minden feladathoz kell újabb nyelvi modell

Az AI-ipar jelenleg hajlamos minden problémára újabb LLM-hívással válaszolni.

Egy mező értelmezéséhez modellhívás történik.

Egy országkód ellenőrzéséhez modellhívás történik.

Egy dátum normalizálásához modellhívás történik.

Egy egyszerű formátumvizsgálathoz ismét modellhívás történik.

Ez látványos, de műszakilag gyakran indokolatlan. A rendszer drágábbá, lassabbá és kevésbé kiszámíthatóvá válik. Ugyanarra a kérdésre eltérő válasz születhet, a hibák forrása nehezebben követhető, a sok egymásra épülő node pedig idővel átláthatatlan hálózattá alakul.

A GLC MCP egyik legerősebb fejlesztési iránya ezért az elemi, jól körülhatárolt szolgáltatások használata lehet.

Egy országkód ellenőrzéséhez nincs szükség kreativitásra.

Egy irányítószám validálásához nincs szükség hosszú következtetési folyamatra.

Egy IBAN szerkezeti ellenőrzéséhez nincs szükség nyelvi modellre.

Ezekhez stabil adat, egyértelmű szabály, dokumentált séma és determinisztikus végrehajtás kell.

Az LLM feladata ebben a rendszerben az összetett cél értelmezése, a tervezés és a megfelelő eszköz kiválasztása. Az elemi, ellenőrizhető műveletet egy erre készült szolgáltatás hajtja végre.

Ez a megközelítés egyszerre lehet olcsóbb, gyorsabb és megbízhatóbb.

A jövő erős agentrendszerei várhatóan nem egyetlen óriási modellből állnak majd. A nyelvi modell lesz a döntéshozó réteg, alatta pedig sok kicsi, jól dokumentált, tesztelhető és cserélhető eszköz dolgozik.

A GLC MCP pontosan ennek az eszközrétegnek építhet közös otthont.

Negyven év fejlesztői tapasztalat az agentkorszak szolgálatában

A projekt mögött álló glcMEDIA Kft. számára az AI nem önálló marketingcímke, hanem egy hosszabb szoftverfejlesztési pálya új szakasza.

A GLC MCP vezető fejlesztője, Pergel Attila negyven év fejlesztési tapasztalatát viszi bele a rendszer tervezésébe. Ez különösen fontos egy olyan időszakban, amikor sok AI-rendszer néhány látványos demóból, gyorsan összekapcsolt node-okból és nehezen követhető modellhívásokból áll.

A több évtizedes vállalati fejlesztői tapasztalat más gondolkodást követel.

A rendszernek nemcsak működnie kell egy bemutatón.

Kezelnie kell a hibákat.

El kell különítenie a felhasználókat és a szervezeteket.

Vissza kell követnie a műveleteket.

Meg kell határoznia a jogosultságokat.

Stabil interfészeket kell biztosítania.

Számolnia kell a verzióváltásokkal.

Meg kell akadályoznia, hogy egyetlen hibás komponens magával rántsa a teljes folyamatot.

A GLC MCP mögött álló GLC-RAG platform nyilvános API-dokumentációja már jelenleg is API-first és headless megközelítést, szabályalapú döntést, LLM-tartalékágat, auditnaplót, trace ID-t, tenantizolációt és rögzített válaszsémákat ír le.

A platform három eltérő hitelesítési módot dokumentál, támogatja a streamelt válaszokat, a használati korlátokat és a hívások nyomon követését. A GLC-RAG moduljai dokumentumalapú RAG-ot, publikus és belső chatet, webshop-asszisztenst, Facebook-kommentkezelést, foglalási rendszert, feladatkezelést és külső API-integrációt is kínálnak.

Ez azért fontos, mert az agentregisztráció önmagában csak látványos funkció lenne. A valódi értékét az adja, ha mögötte hitelesítés, jogosultságkezelés, auditálás, költségkontroll és stabil szolgáltatási szerződések állnak.

A több évtizedes fejlesztői gondolkodás itt válik el a gyors AI-demók világától.

Egy agentnek is kell személyazonosság

Az autonóm agentek terjedésével egyre fontosabb kérdéssé válik, hogy pontosan ki hajtott végre egy műveletet.

Egy ember?

Egy alkalmazás?

Egy vállalati agent?

Egy alagent, amelyet egy másik agent indított el?

Melyik szervezet nevében járt el?

Milyen jogosultságot kapott?

Ki engedélyezte számára az adott szolgáltatás használatát?

Mekkora költséget generált?

Milyen adatot olvasott vagy módosított?

Az agentregisztráció ezekre a kérdésekre adhat technikai keretet.

A regisztrált agent nem névtelen forgalmat generál. Saját azonosítható szereplővé válik, amelyhez jogosultság, kvóta, korlátozás és auditnapló rendelhető.

Ez a vállalati felhasználás szempontjából alapvető követelmény.

Az autonómia csak akkor használható biztonságosan, ha az agent döntési szabadsága pontos határok között működik. A GLC-RAG dokumentációjában megjelenő tenantizoláció, trace ID, auditálás és rate limiting olyan alapelvek, amelyek az agentközpontú rendszerekben még fontosabbá válnak.

Az MCP szabvány maga is különválasztja a modell által meghívható eszközöket, az olvasható erőforrásokat és az interakciós mintákat. Ez lehetővé teszi, hogy az agent pontosan csak azokat a képességeket kapja meg, amelyekre az adott munkához szüksége van.

Az autonóm nem jelent ellenőrizetlent

Az AI-agentekkel kapcsolatban gyakran két szélsőséges elképzelés jelenik meg.

Az egyik szerint az agent csak egy átnevezett chatbot.

A másik szerint az agent korlátlanul, emberi ellenőrzés nélkül működő digitális lény.

A gyakorlatban egyik megközelítés sem pontos.

A használható autonóm agent egy szabályozott szoftveres szereplő. Képes önállóan tervezni és eszközt választani, de a rendelkezésére álló lehetőségeket egy külső rendszer határozza meg.

Egy jól felépített környezetben különbség lehet:

• csak olvasási műveletek;
• adatfeldolgozási műveletek;
• pénzügyi költséget generáló hívások;
• adatot módosító műveletek;
• visszafordítható és visszafordíthatatlan műveletek;
• automatikusan engedélyezett lépések;
• emberi jóváhagyást igénylő lépések között.

Az agent például önállóan lekérhet országadatokat vagy ellenőrizhet egy formátumot. Egy szerződés elküldéséhez, vásárlás elindításához vagy adat törléséhez már külön emberi engedélyre lehet szüksége.

A fejlesztés kulcsa ezért nem a korlátlan autonómia. A cél az ellenőrizhető, mérhető és visszakövethető autonómia.

Az MCP-szolgáltatások új piaca

A GLC MCP hosszabb távú jelentősége túlmutathat a technikai integráción.

Ma egy ember választ alkalmazást vagy online szolgáltatást. Megnézi a weboldalt, elolvassa az árakat, összehasonlítja a lehetőségeket, regisztrál, majd használni kezdi a rendszert.

Az agentek világában ennek jelentős része automatizálható.

Egy agent a feladat alapján megkeresheti a megfelelő szolgáltatást.

Összehasonlíthatja a rendelkezésre álló MCP-k képességeit.

Ellenőrizheti a bemeneti és kimeneti sémákat.

Figyelembe veheti az árat, a sebességet, a megbízhatóságot és a felhasználási korlátokat.

Regisztrálhat.

Hitelesítési adatot kaphat.

Meghívhatja a szolgáltatást.

Ellenőrizheti az eredményt.

Szükség esetén másik szolgáltatást választhat.

Ez már egy gépek által is használható szolgáltatási piac alapja.

A GLC MCP ebben a rendszerben egyszerre lehet katalógus, regisztrációs pont, szolgáltatási kapu és az agentek számára értelmezhető technikai piactér.

A következő lépés az lehet, hogy az agentek nemcsak szolgáltatásokat használnak, hanem saját képességeiket is regisztrálják. Egy specializált kutatóagent, adatellenőrző agent, dokumentumfeldolgozó agent vagy fejlesztőagent maga is szolgáltatóvá válhat.

Ekkor már agentek adnak feladatot agenteknek.

Az egyik megtervezi a folyamatot.

A másik adatot gyűjt.

A harmadik ellenőriz.

A negyedik végrehajt.

Az ötödik auditálja az eredményt.

Mindez egy közös, géppel értelmezhető szolgáltatási rétegen keresztül történhet.

Miért lehet fontos a magyar fejlesztés?

A globális AI-piacot ma néhány óriásvállalat uralja, de az agentek működéséhez szükséges eszközréteg sokkal nyitottabb terület.

Egy MCP-szolgáltatás értékét nem feltétlenül a mögötte álló vállalat mérete határozza meg. Sokkal fontosabb lehet:

• az adat minősége;
• a szolgáltatás stabilitása;
• a pontos dokumentáció;
• a kiszámítható válaszséma;
• a megbízható frissítés;
• az alacsony késleltetés;
• az átlátható költség;
• az auditálhatóság;
• a jól körülhatárolt feladat.

Egy magyar fejlesztés ezen a területen nem feltétlenül a világ legnagyobb modelljét próbálja elkészíteni. Ehelyett olyan infrastruktúrát építhet, amelyet a világ különböző modelljei és agentjei használhatnak.

Ez sokkal reálisabb és üzletileg is érdekesebb irány.

A GLC MCP nem akar újabb általános nyelvi modell lenni. Kapcsolódási és szolgáltatási réteget épít a már létező modellek köré.

Ez olyan, mintha valaki az autógyártás helyett utakat, töltőállomásokat, navigációt és közlekedési szabványokat építene. Az infrastruktúra kevésbé látványos, de nélküle a teljes rendszer használhatatlan marad.

Az MCP már iparági alapréteggé vált

Az MCP-t az Anthropic 2024 novemberében mutatta be nyílt szabványként, majd 2025 decemberében az Agentic AI Foundation keretébe adta át. Az alapítvány a Linux Foundation alatt működik, alapító támogatói között pedig az Anthropic mellett az OpenAI és a Block is megjelent, további támogatást pedig többek között a Google, a Microsoft, az Amazon Web Services, a Cloudflare és a Bloomberg biztosított.

Ez ritka pillanat az AI-iparban.

A legnagyobb szereplők felismerték, hogy az agentek és a külső szolgáltatások közötti kapcsolat nem maradhat egymással versengő, zárt integrációk halmaza.

A GitHub az MCP-t már nemcsak kísérleti funkcióként kezeli. A támogatás általánosan elérhető a Visual Studio Code-ban, valamint több más fejlesztői környezetben is. A GitHub távoli MCP-szervere lehetővé teszi, hogy kompatibilis agentek repozitóriumokat keressenek, issue-kat kezeljenek, pull requesteket vizsgáljanak és fejlesztési feladatokat indítsanak.

Az OpenAI szintén távoli MCP-szerverekkel bővíti a modellek és agentek képességeit.

A kérdés ezért már nem az, hogy szükség lesz-e MCP-szolgáltatásokra.

A valódi kérdés az, hogy ki építi fel a megbízható, kereshető, ellenőrizhető és agentek által közvetlenül használható szolgáltatási réteget.

A GLC MCP erre a kérdésre próbál magyar választ adni.

Több mint technológiai bemutató

A GLC MCP mögötti gondolat merészebb egy hagyományos fejlesztői portálnál.

A rendszer abból indul ki, hogy az internet következő felhasználói között már szoftveres szereplők is lesznek.

Ezek az agentek nem weboldalakat olvasnak úgy, ahogy az ember.

Strukturált képességeket keresnek.

Sémákat értelmeznek.

Jogosultságokat kapnak.

Szolgáltatásokat hívnak meg.

Eredményeket ellenőriznek.

Más agentekkel működnek együtt.

Egy ilyen világban a klasszikus „regisztrálj és kattints a menüben” felület önmagában már kevés. A szolgáltatásoknak egyszerre kell ember és gép számára értelmezhetővé válniuk.

A mcp.glc-rag.hu erre az átmenetre épül.

A glcMEDIA Kft. és Pergel Attila fejlesztése azért érdekes, mert az agentet nem egy távoli jövő elméleti szereplőjeként kezeli. Már most önálló felhasználótípusként számol vele.

Szerintem ez a projekt legnagyobb értéke.

Nem újabb chatbotot próbál eladni.

Nem egy újabb látványos agentdemót készít.

Olyan alapréteget épít, amelyben az AI-agent azonosítható, korlátozható, auditálható és kiszolgálható digitális szereplővé válhat.

Megkezdődött a gépi internet korszaka

Az internet első szakasza dokumentumokat kapcsolt össze.

A második korszak embereket és közösségeket.

A harmadik alkalmazásokat, felhőszolgáltatásokat és API-kat.

A következő korszakban autonóm agentek keresnek majd adatot, szolgáltatást és végrehajtható képességeket.

Ezek az agentek saját feladatokkal, jogosultságokkal, költségkerettel és digitális identitással rendelkeznek.

A GLC MCP erre a világra készül.

A platformot a GLC-RAG fejlesztési rendszerén belül a glcMEDIA Kft. építi, Pergel Attila negyven év szoftverfejlesztési tapasztalatára támaszkodva. A projekt legfontosabb újítása pedig az, hogy a szolgáltatások használói között már nemcsak emberekkel számol.

Az agent is regisztrálhat.

Az agent is kereshet.

Az agent is választhat.

Az agent is használhat szolgáltatásokat.

Megfelelő engedélyek mellett az agent mindezt önállóan is elvégezheti.

Ez nem egyszerű technikai funkció.

Ez annak a felismerése, hogy az internet következő nagy felhasználói hulláma talán már nem hús-vér emberekből áll.

Hanem az általunk létrehozott, feladatokat végrehajtó digitális szereplőkből.