PAACE: tervtudatos kontextus AI-ügynökökhöz itthon

Egy kórházban (vagy egy nagyobb gazdaságban) nem az a kihívás, hogy kevés adat van. Az a kihívás, hogy túl sok, ráadásul szétszórtan: EESZT-leletek, laborok, képfelvételek összefoglalói, gyógyszerlisták, konzíliumjegyzetek, protokollok, időpontok, logisztikai kérések. Ha egy AI-ügynöknek több lépésben kell döntéstámogatást adnia vagy adminisztratív folyamatot végigvinnie, a „mindent berakunk a promptba” módszer gyorsan szétesik.

A 2025.12.22-én publikált PAACE (Plan-Aware Automated Context Engineering) keretrendszer pont erre a fájó pontra ad választ: hogyan tartsuk kézben egy LLM-ügynök folyamatosan növekvő kontextusát úgy, hogy közben pontosabb legyen, olcsóbban fusson, és ne veszítse el a lényegi információt. Én ezt a témát nem „szép promptolásnak” látom, hanem az egyik leggyakorlatibb hiányzó láncszemnek ahhoz, hogy az ügynök-alapú AI tényleg működjön egészségügyben, és a mezőgazdasági/agrártechnológiai rendszerekben is.

A cikkben bemutatott ötletet ráadásul könnyű átfordítani a mindennapokra: ha a rendszer érti a tervet (mi a következő lépés, mi a cél, milyen eszközöket használ), akkor a kontextust is terv szerint tudja karcsúsítani.

Miért buknak el a több lépéses AI-ügynökök a valóságban?

A rövid válasz: mert a kontextus felhízik, a figyelem szétfolyik, a költség pedig elszáll.

Egy LLM-ügynök tipikus „komplex” munkája több összetevőt tartalmaz:

• tervezés (mit kell először megtenni),
• eszközhasználat (adatbázis lekérdezés, időpontfoglaló, dokumentum-kereső),
• reflexió/ellenőrzés (jó úton vagyunk-e),
• külső tudás (protokollok, irányelvek, belső szabályzatok).

Minden lépés új nyomot hagy: rész-összegzések, logok, tool outputok, „emlékeztetők”. Ha mindez változtatás nélkül bent marad, két dolog történik:

1. Attention dilution: a modell nem ott „néz”, ahol kell. Egészségügyben ez kritikus: egy aktuális gyógyszer-interakciós figyelmeztetés elveszhet egy régi, már irreleváns konzíliumlog között.
2. Inference cost: a tokenek ára és késleltetése összeadódik. Telemedicinában vagy ügyeleti döntéstámogatásban a késés nem csak pénz, hanem kockázat.

Sokan ezt sima összefoglalókkal próbálják kezelni. A gond: a hagyományos összegzés gyakran nem tervfüggő. Márpedig a „most mi a következő lépés?” kérdés határozza meg, mi számít relevánsnak.

Mit csinál másképp a PAACE? (Tervtudatos kontextusmérnökség)

A PAACE lényege: nem általánosan tömörít, hanem a következő feladatlépések (next-k-task) alapján dönt arról, mit kell megőrizni, átalakítani vagy eldobni.

A keretrendszer több, egymást erősítő elemből áll:

Next-k-task relevancia: a „következő 2–5 lépés” diktál

A PAACE a kontextust úgy kezeli, mint egy dinamikus munkamemóriát. Ha a terv szerint most gyógyszerlistát kell egyeztetni, akkor a régi adminisztratív levelezés nem csak „kevésbé fontos”, hanem aktívan zavaró.

Egészségügyi példa:

• Következő lépés: antibiotikum javaslat.
• Kritikus kontextus: allergiák, vesefunkció (eGFR), aktuális gyógyszerek, tenyésztési eredmények, irányelvi kivonat.
• Kevésbé releváns: 6 hónappal ezelőtti nem kapcsolódó panaszciklus részletei.

Tervstruktúra-elemzés: a feladat „térképe” számít

A PAACE nem csak a szöveget nézi, hanem a terv szerkezetét is: alfeladatok, függőségek, eszközhasználati csomópontok. Ez egészségügyben és agráriumban is aranyat ér, mert a folyamatok ritkán lineárisak.

Agrártechnológiai párhuzam (a sorozatunkhoz illesztve):

• Feladat: precíziós kijuttatás tervezése.
• Terv: időjárás → talajnedvesség → drónkép → zónatérkép → gépbeállítás.
• A kontextusnak ezt a láncot kell szolgálnia, nem „mindent egyszerre”.

Instrukciók együtt-finonítása: tisztább utasítás, kevesebb félreértés

A PAACE hangsúlyt tesz az instruction co-refinement-re: az ügynök instrukciói és a kontextus együtt tisztulnak. Gyakorlati nyelvre lefordítva: ne csak az adatot tömörítsük, hanem a feladatleírást is tegyük egyértelművé.

Egy tipikus hiba egészségügyi ügynököknél: az instrukcióban egyszerre szerepel „készíts összefoglalót” és „adj terápiás javaslatot”, a rendszer pedig hol az egyikre, hol a másikra áll rá. A tervtudatos instrukció-rendezés ezt megelőzi.

Funkciómegőrző tömörítés: ne „szép” legyen, hanem használható

A PAACE azt célozza, hogy a tömörített kontextus ugyanazt a feladatfunkciót támogassa, mint az eredeti. Ez különbség aközött, hogy:

• „olvasmányos” összefoglalót kapunk, vagy
• olyan tömörített állapotot, amiből a következő lépés tényleg hibátlanul megoldható.

Snippet-mondat: A jó kontextustömörítés nem rövidebb szöveg, hanem rövidebb út a helyes döntéshez.

PAACE-Syn és PAACE-FT: miért fontos ez a bevezethetőség szempontjából?

A kutatás két nagy építőelemet emel ki:

PAACE-Syn: szintetikus ügynök-munkafolyamatok nagy skálán

A PAACE-Syn egy olyan generátor, amely sokféle ügynök-workflow-t állít elő, és lépésenként annotált „tömörítési felügyeletet” ad hozzá. Magyarul: tananyag a kontextuskarbantartáshoz.

Miért számít? Mert a valós kórházi vagy agrárvállalati logokhoz hozzáférni nehéz (adatvédelem, üzleti titok), viszont az ügynökök tanításához tömegadat kell.

PAACE-FT: lepárlás kisméretű, tervtudatos tömörítő modellekbe

A PAACE-FT „tanár-diák” jelleggel tanul: a sikeres, erős rendszer demonstrációiból egy kompakt tömörítő modellt készít.

A cikkben szereplő, vezetői szemmel is fontos szám: a lepárolt PAACE-FT a tanár teljesítményének 97%-át megtartja, miközben több mint nagyságrenddel csökkenti az inference költséget.

Egészségügyben ez gyakorlati előny: egy on-prem vagy szigorúan kontrollált környezetben futó kisebb modell is képes lehet a kontextust karbantartani, miközben a „nagy” LLM csak a lényegi klinikai döntéstámogatási lépéseknél kerül elő.

Mit jelent ez az egészségügyben? 3 konkrét felhasználási minta

A PAACE nem diagnosztikai modell. Inkább infrastruktúra az ügynökök megbízható működéséhez. Három területet látok, ahol azonnal értelmezhető:

1) Diagnosztikai és terápiás döntéstámogatás több lépésben

Egy jól felépített ügynök nem egyetlen választ ad, hanem végigvisz egy folyamatot:

1. releváns leletek kinyerése,
2. differenciáldiagnózis váz,
3. vizsgálati javaslat,
4. terápiás opciók és kontraindikációk,
5. betegbarát összefoglaló.

A PAACE jellegű tervtudatos tömörítés itt azt adja, hogy minden lépéshez pont az a kontextus marad meg, ami a következő döntéshez kell. Kevesebb hallucináció, kevesebb „eltévedés”.

2) Kórházi működésoptimalizálás és telemedicina logisztika

Ha az ügynök időpontot egyeztet, erőforrást foglal, labort kér, orvost értesít, akkor a relevancia percről percre változik.

PAACE-szerű megközelítéssel:

• az aktuális státusz és következő feladat kerül fókuszba,
• a régi, már lezárt lépések tömörülnek,
• a „később még kellhet” információk strukturáltan, visszakereshetően megmaradnak.

3) Nagy mennyiségű orvosi adat feldolgozása – hibabiztosabban

Radiológiai leletek, patológiai kivonatok, ambuláns lapok: mind külön nyelvet beszél. A tervtudatos kontextuskezelés segít, hogy az ügynök:

• ne keverje össze az időrendeket,
• ne vegyen át régi állapotot aktuálisként,
• és a következő lépéshez szükséges tényeket stabilan vigye tovább.

Hogyan illik mindez az agrár-AI sorozatba? Ugyanaz a probléma, csak más adatokkal

A mezőgazdaságban az AI egyre gyakrabban ügynökként jelenik meg: szenzoradatot néz, időjárást értelmez, gépet állít, munkát ütemez, jelentést ír a támogatásokhoz. A valóság itt is több lépéses.

A precíziós gazdálkodásban a PAACE-szerű tervtudatosság konkrét előnyöket ad:

• terméshozam-előrejelzésnél: a modell ne fulladjon bele a nyers idősorokba, hanem a következő döntési lépéshez (pl. tápanyag utánpótlás) tartsa meg a releváns mintázatokat;
• növénybetegség felismerésnél: a tünetek + időjárási előzmények + kezelési napló legyen a fókusz, ne a teljes szezon összes üzenetváltása;
• erőforrás-optimalizálásnál: gép- és emberkapacitás, üzemanyag, kijuttatási ablak – a terv „kritikus útja” vezesse a kontextust.

Én azt látom, hogy a következő két évben a „jó agrár-AI” nem attól lesz jó, hogy még nagyobb modellt veszünk, hanem attól, hogy jobban kezeljük a munkafolyamat állapotát.

Gyakorlati ellenőrzőlista: mit kérj egy AI-projektnél, ha tervtudatos kontextust akarsz?

Ha egészségügyi vagy agrártechnológiai AI bevezetésen dolgozol, ezeket a kérdéseket érdemes feltenni már a tervezéskor:

1. Van explicit terv-reprezentáció? (lépések, célok, függőségek)
2. Mérjük a csúcskontextust (peak tokens) és a kumulatív terhelést? Nem csak pontosságot.
3. A tömörítés lépésfüggő? Más összegzés kell „adatgyűjtéshez”, és más „döntési javaslathoz”.
4. Megmaradnak a kötelező klinikai/üzemi tények? (allergiák, kontraindikációk, kezelési napló, jogszabályi mezők)
5. Van visszakereshető memória (structured recall), nem csak szöveges összefoglaló?

Ha ezek közül háromra nincs jó válasz, a projekt előbb-utóbb beleütközik a kontextusfalba: drága lesz, lassú lesz, és pont ott hibázik, ahol nem kéne.

Merre tovább: miért most időszerű a PAACE-szemlélet?

2025 végére az ügynök-alapú rendszerek már nem demók, hanem működő pilotok. Ilyenkor derül ki, hogy a legdrágább hiba nem a modell „okossága”, hanem a munkamemória rendetlensége. A PAACE erre ad egy strukturált, mérhető, tanítható választ.

Ha a célod egészségügyi döntéstámogatás, kórházi automatizálás, telemedicina-szervezés vagy agrártechnológiai erőforrás-optimalizálás, akkor a tervtudatos kontextusmérnökség nem extra finomhangolás. Alap.

A következő lépés, amit én javasolnék: válassz ki egy konkrét, több lépéses folyamatot (pl. ambuláns előszűrés + időpont + vizsgálati csomag; vagy drónfelmérés + zónatérkép + kijuttatási terv), és mérd meg, hogy mennyit nő a kontextus lépésenként. Onnan már pontosan látni fogod, hol van értelme PAACE-szerű tömörítést bevezetni.

Te melyik folyamatodnál a legfájdalmasabb ma, hogy „túl sok a kontextus”: a klinikai döntéstámogatásnál, a telemedicina logisztikában, vagy a precíziós gazdálkodás adatfolyamában?