Ez a cikk az AI Ágens Mint Termék whitepaper sorozat 3. része. A sorozat további részei: Üzleti modellek, Pricing és unit economics, Build playbook.
A minimum viable AI SaaS stack
Egy AI SaaS termék 6 rétegből áll. Ha bármelyiket kihagyjuk, a termék nem lesz enterprise-ready.
┌─────────────────────────────────────────────────┐
│ 6. FRONTEND │
│ Chat UI, Dashboard, Beállítások │
├─────────────────────────────────────────────────┤
│ 5. API RÉTEG │
│ REST / WebSocket / SSE (streaming) │
├─────────────────────────────────────────────────┤
│ 4. AI ÁGENS RÉTEG │
│ Prompt builder, Tool executor, RAG pipeline │
│ Provider-agnosztikus adapter │
├─────────────────────────────────────────────────┤
│ 3. ÜZLETI LOGIKA │
│ CRM, Naptár, Pipeline, Feladatok │
├─────────────────────────────────────────────────┤
│ 2. INTEGRÁCIÓ (MCP) │
│ Gmail, Calendar, Számlázó connector-ok │
│ Dinamikus tool discovery │
├─────────────────────────────────────────────────┤
│ 1. ADATRÉTEG │
│ PostgreSQL + pgvector, Knowledge Graph, │
│ Embedding pipeline (BullMQ + Redis) │
└─────────────────────────────────────────────────┘
Az egyes rétegek részletesen
1. Adatréteg — Az alapozás
Ez nem egy hagyományos adatbázis. Az AI SaaS terméknek három típusú adatkezelésre van szüksége:
- Relációs adatok: ügyfelek, foglalások, pipeline (PostgreSQL)
- Vektoros keresés: szemantikus „értelmezés" (pgvector)
- Gráf-adatok: kapcsolatok megértése (Knowledge Graph)
A modern megoldás: PostgreSQL + pgvector. Egyetlen adatbázis, amely a strukturált adatokat (CRM) és a vektoros keresést (embedding-ek, RAG) is kezeli. Nem kell külön Pinecone vagy Weaviate — a PostgreSQL elég.
2. Integrációs réteg — A connector-ok
Az AI ágens értéke a csatlakoztatott adatforrások számával arányos. Minden új connector exponenciálisan növeli az ágens hasznosságát:
A MCP (Model Context Protocol) minta biztosítja, hogy az új connector-ok hozzáadása ne igényeljen AI-szintű módosítást. A connector regisztrálja magát, az AI ágens felismeri és használja.
3. Üzleti logika — Az iparági szaktudás
Ez a réteg különbözteti meg a „csak egy chatbot" terméket a vertikális AI SaaS-tól. Például szépségszalonoknál:
- Ügyfél lifecycle stage-ek: új → visszatérő → VIP → inactive
- Deal pipeline: ajánlat → foglalás → megjelenés → fizetés
- No-show kezelés: automatikus emlékeztetők, újrafoglalás
4. AI ágens réteg — Az intelligencia
Három kritikus komponens:
Provider-agnosztikus adapter — OpenAI, Anthropic, Gemini — konfigurációval váltható. Ha az OpenAI holnap megdrágul, egyetlen konfigváltozásból átváltunk Claude-ra.
RAG pipeline — 5 lépéses keresés:
- Vektoros keresés (pgvector) → top 20 chunk
- Knowledge Graph kiegészítés → kapcsolódó entitások
- Deduplikáció → dupla tartalom eltávolítása
- Kontextus-összeállítás → rangsorolt prompt
- Attribúció → forrás-hivatkozás a válaszban
Tool calling loop — Max 3 iterációs ciklus: az AI eszközöket hív, eredményt kap, továbbgondol, újabb eszközt hív — amíg a válasz kész.
5-6. API és Frontend
Az AI SaaS frontendje jellemzően egy chat-központú interfész dashboarddal. A fontos döntések:
- Streaming válaszok (SSE / WebSocket) — a felhasználó valós időben látja az AI gondolkodását
- Optimista UI — a felhasználói művelet azonnal megjelenik, a backend aszinkron frissít
- Typing indicator — látja, hogy az AI „gondolkodik"
Biztonsági és compliance keretrendszer
A 6 biztonsági pillér
Minden AI SaaS-nak ezt a 6 pillért kell megvalósítania az enterprise-readiness-hez:
1. Tenant-izoláció — Minden ügyfél adatai fizikailag szeparáltak. Minden lekérdezés WHERE providerId = ? szűrővel fut. Nincs cross-tenant adat-szivárgás.
2. API kulcs menedzsment — Központilag, szerver oldalon, secret managerben. A tenant soha nem látja az LLM API kulcsot. Rotáció automatizált.
3. Prompt injection védelem — Többrétegű:
- Prompt-szintű: system prompt védi az instrukciót
- Input sanitization: speciális karakterek szűrése
- Output validation: a válasz struktúra-ellenőrzésen megy át
- Tenant-izolált adatréteg: az AI csak az adott tenant adatait látja
4. Audit trail — Minden AI interakció naplózva: ki, mit kérdezett, melyik modell válaszolt, hány tokent használt, mennyi volt a költsége.
5. GDPR és EU AI Act megfelelés
6. SOC 2 és ISO 27001 felkészülés — Korai fázisban nem szükséges, de enterprise ügyfeleknél elvárás. Ha a fenti 5 pillér megvan, a SOC 2 audit 70%-a már teljesül.
Technológiai döntések összefoglalója
Következtetés
Az architektúra nem csak technikai kérdés — az üzleti modell alapja. A provider-agnosztikus felépítés lehetővé teszi a költségoptimalizációt. A tenant-izoláció az enterprise értékesítés feltétele. A connector rendszer a land-and-expand stratégia motorja.
Ha a fenti 6 réteget és 6 biztonsági pillért megvalósítjuk, a termékünk enterprise-ready lesz — és ez az a szint, ahol az AI SaaS igazán skálázható.
Ez a cikk az AI Ágens Mint Termék whitepaper sorozat 3. része. Folytasd a 4. résszel: Build playbook!