n8n workflow-k, OpenAI és Anthropic Claude API-k integrálva üzleti folyamatokba. Lead asszisztens, dokumentumfeldolgozás, RAG chatbot saját adatokon. A scope a megtakarított idő alapján van árazva, nem ígéretek alapján.
Üzleti kontextus
Néhány tipikus helyzet, amikor érdemes velünk egyeztetni. Ha ezek közül több is ismerős, jó eséllyel tudunk segíteni.
Az asszisztens hetente 8-10 órát tölt email-kategorizálással vagy adatbevitellel. Ezeket a feladatokat n8n workflow-val ki tudjuk váltani: a megtakarított idő mérhető, és a workflow logikája dokumentált.
Az érdeklődők 24 órán belül megkapják az ajánlatot — de gyakran csak 48-72 órával később, mert a request a postafiókban ragad. Lead-triázs asszisztens kategorizálja és prioritizálja a megkereséseket, sürgős esetben SMS-t küld.
PDF-ek (számlák, szerződések, jegyzőkönyvek) feldolgozása másoló-beillesztős módszerrel. OCR + LLM extraction strukturált kimenettel: a kinyert mezők egy Excelbe, CRM-be vagy ERP-be kerülnek validációval.
Ügyfél-feedback, support ticket, sales call jegyzet — sok információ szétszórtan. RAG chatbot a saját dokumentumokra: kérdés → forrás-hivatkozással válasz. A támogató és sales csapat gyorsabban talál meg releváns adatot.
Szállítmány
Konkrét deliverable-ök, nem absztrakt képességek. Minden szállítmányhoz dokumentáció és átadás-átvétel tartozik.
Self-hosted n8n vagy n8n cloud, dokumentált workflow-okkal. Webhook-alapú triggerek, error handling, retry logic, monitoring. A workflow kódot exportáljuk és git-ben tartjuk verziókövetéssel.
Prompt engineering, few-shot példák, output schema (JSON mode vagy tool use), cost-monitoring. Token-felhasználás logolva, havi költség dashboardban. Provider switch logika: ha az OpenAI lefagy, fallback Claude-ra.
pgvector vagy Pinecone vector database, embedding-generálás (OpenAI text-embedding-3 vagy lokális model), chunk-strategia per dokumentum-típus. Forrás-hivatkozással válasz, hogy a felhasználó visszanézhesse az eredeti dokumentumot.
Beérkező űrlapok és emailek osztályozása (hot, warm, cold, spam), automatikus follow-up email vázlat, CRM-be befoglalás (HubSpot, Pipedrive, Notion). A kategória döntést audit log-ban tartjuk, hogy a sales később validálhassa.
Tesseract vagy AWS Textract OCR, majd LLM extraction (JSON output schema-val). Számla-feldolgozás, szerződés-summarize, jegyzőkönyv struktúrálás. Validációs lépés: a kinyert adat egy emberhez kerül jóváhagyásra szokatlan érték esetén.
Output
A go-live nem a vég, hanem egy átadás. Minden alábbi artifactot kézbe kapsz, és a csapatod is dolgozhat vele.
Minden workflow JSON formában exportálva és git-tárolva. A megrendelő bármikor migrálhat saját n8n instance-re, vagy auditálhat.
Verziókövetett prompt-tár (Notion vagy git repo), few-shot példákkal és változás-történettel. A megrendelő LLM-csapata tovább fejlesztheti.
50-200 input-output pár manuálisan címkézve, automata regression teszt minden prompt-változáskor. Pontossági score lekérdezhető.
Token-felhasználás per workflow, napi és havi költség, anomália-jelzés (pl. egy workflow költsége megduplázódik).
RAG projekteknél a pgvector vagy Pinecone index dokumentált schema-val, újraépítési scripttel.
Workflow leírás üzleti oldalnak, chatbot-használati útmutató end usernek, hibajelzési protokoll.
Knowledge transfer call, közös hibajavítás az első tipikus eseteknél, monitoring dashboard átadása.
Folyamat
Hat lépés discoverytől supportig. A területspecifikus tartalmat itt fixre szabtuk a projekttípusra.
Manuális folyamatok feltérképezése, ROI becslés, adatforrások audit, data privacy review.
Workflow diagram (n8n), prompt engineering, RAG architektúra, költségbecslés (tokenek).
n8n workflow buildelés, OpenAI / Anthropic API integráció, webhook végpontok, error handling.
Szintetikus adat tesztek, accuracy mérés, edge case-ek, hallucination ellenőrzés, prompt injection védelem.
Élő pilot 2-4 hétig, hibák monitorozása, fine-tuning, fokozatos rollout.
Cost monitoring (tokenek), accuracy követés, prompt finomítás, új workflow-k hozzáadása.
Architektúra
Tipikus RAG vagy workflow architektúra: a felhasználói input n8n vagy custom orchestratoron át megy, ami eldönti milyen tool-okat hív, és melyik LLM-et használja.
A felhasználó (web chat vagy emailes lead) bemenete az orchestratorba kerül, ami n8n vagy egyedi Node.js / Python kód. Az orchestrator dönt: kell-e retrieval (RAG), kell-e tool-hívás, melyik LLM modell a megfelelő.
A vektor DB (pgvector vagy Pinecone) tartalmazza az indexelt dokumentumokat. A knowledge base lehet PDF-archívum, Notion export, vagy live API. Minden LLM-hívás logolva, hogy a költséget és a pontosságot mérhessük.
Stack
Bevált, dokumentált eszközöket választunk. Ha a projekt indokolja, ettől eltérünk — de mindig megokoljuk.
Integrációk
Tipikus AI-stack és integrációs pontok. A választás use case alapján történik.
Idővonal
Egyszerűbb n8n workflow 4-6 hét. RAG chatbot saját adatokra 8-12 hét. Komplex multi-agent rendszer 12-20 hét.
Use case definíció, ROI becslés, eval szett kezdeti meghatározása.
Proof-of-concept egy minimális prompt-tal és 10-20 példán, hogy lássuk a feasibility-t.
n8n workflow, prompt-finomhangolás, integráció, cost monitoring beüzemelése.
Pontossági mérés, prompt iteráció, edge case-ek lefedése, user feedback loop.
Production deploy, monitoring on, knowledge transfer, 30 napos hyper-care.
Korlátok
Őszintébb, ha előre tisztázzuk. Néhány típusú munkát szándékosan nem csinálunk — vagy mert nem a profilunk, vagy mert nem tudjuk olyan minőségben szállítani, amiért aláírnánk.
Az LLM-ek nem-determinisztikusak. Ha a kimenet 100%-ban kell legyen helyes (számla-összeg, jogi szöveg), nem rakjuk a kritikus útra — emberi review kell.
Foundation modell training (LLM pre-training) infra-igénye és tudás-bázisa nem nálunk van. Fine-tuning OpenAI/Claude API-n keresztül szóba jöhet, de új modell tréningezése nem.
Az LLM-ek természeténél fogva hibázhatnak. Mi az eval-szettet, a forrás-hivatkozást és a human-in-the-loop validációt szállítjuk. 'Garantáltan helyes' ígéret nem szakmai.
Ha a megrendelő nem akar betekintést a prompt-okba és a workflow-ba, mi nem jó partnerek vagyunk. Mindent dokumentáltan, áttekinthetően adunk át.
Az első hét
Az első hét a use case validálásáról és a feasibility prototípusról szól.
Hétfő
Milyen feladatot automatizálnánk, milyen mérhető cél, ki a végfelhasználó.
Kedd
Milyen adatok elérhetők, milyen formátumban, mi a GDPR-státusz.
Szerda
Egy minimális prompt + 5-10 teszt példa, hogy lássuk a baseline pontosságot.
Csütörtök
Token-felhasználás becslés a várt forgalom mellett, monthly cost.
Péntek
PoC → MVP → Production scope, eval-szett megtervezése, döntési pontok.
Árazás
Három együttműködési forma. Mindegyik mellé pontos scope tartozik a discovery után — konkrét számokat akkor mondunk, ha láttuk a projektet.
Discovery után pontos workflow-leírás és fix díj. Eval-szett pontossági cél (pl. ≥90%) megfogalmazva, hand-off pontosan dokumentálva.
Mikor ideális
Pontosan körülírható workflow, lead-osztályozás, dokumentum-extrakció fix sablonokkal.
Sprintekben szállított iteráció. A prompt-finomhangolás, eval-bővítés és új use case bekötése T&M-ben praktikus, mert a scope organikusan nő.
Mikor ideális
RAG chatbot, komplex multi-step workflow, ahol a scope kísérleti.
Havi fix kapacitás workflow-üzemeltetésre, monitoring-figyelésre, prompt-finomhangolásra. SLA-szerű reakció-idő, garantált rendelkezésre állás.
Mikor ideális
Production AI rendszerek karbantartása, pontosság-folyamatos javítás, edge case-ek lefedése.
Esettanulmányok
Anonimizált esetek, amelyek illeszkednek ehhez a pillérhez. A részletes verzió jegyzőkönyveink alapján készül.
GYIK
Következő lépés
Konkrét scope, transzparens árazás, dokumentált szállítás. Az első 30 perces hívás díjmentes, NDA aláírás után konkrét számokat is mondunk.