Who I am
I am a software architect with over sixteen years of professional experience in backend development, primarily in C# and .NET. The last eleven of those years I've spent at a single employer — not by accident, but because the problems kept getting more interesting. I was promoted to architect based on what I did, not how long I waited.
My domain is systems that have to keep working while you improve them: existing users, existing data, existing code. Most real-world engineering happens inside those constraints, and I find that more interesting than greenfield projects.
Alongside that, I've spent the past two years developing a second area of focus: AI-augmented development workflows — not as a curiosity, but as a serious design problem. How do you structure a process where the AI is a real participant, not just a fancy autocomplete? That question has been driving most of what I build outside of work hours.
What I focus on
- Designing backend architectures that remain maintainable over years, not just at launch
- Evolving legacy systems safely — without disrupting users or corrupting data
- Human-in-the-loop AI workflow design: how to integrate AI into a delivery process without losing engineering discipline
- Structured output validation and error-driven refinement in AI-assisted pipelines
- Multi-agent system architecture and the question of when to trust the agent and when to intervene
- Observability for AI pipelines — structured tracing, span/trace models, queryable metadata
- Context engineering: keeping the AI's working context small, precise, and deliberately layered
- Containerized development and deployment workflows
- CI/CD pipeline design with Jenkins and GitHub Actions
My core technology stack is C# / .NET and ASP.NET Core, with working knowledge of C++, Python, and PowerShell. On the AI side: Claude API, OpenAI API, Groq, LlamaSharp, and local LLM setups for privacy-first workflows.
How I think about software
Good software is shaped by constraints. The question is never "what would we build from scratch?" — it's "what can we change, safely, given what already exists?" That shift in framing changes almost every design decision that follows.
I hold the same view about AI-assisted development. The question isn't how to get the AI to do more. It's how to keep the human in the right position: setting direction, validating outputs, owning outcomes. The human orchestrates. The AI executes.
That principle runs through everything I build in this space.
On the pipeline side: Scaffold Protocol is a human-in-the-loop AI pipeline with explicit orchestration and revision gates. ChaosForge is a multi-agent Scrum simulator where agent roles and revision gates are first-class design concerns. RagLab is a handbuilt RAG pipeline in .NET — because understanding what retrieval-augmented generation actually does requires building it yourself, not wrapping a library. AiObservability is a cross-project tracing library that instruments all three: every LLM call, retrieval step, and agent action becomes a queryable span.
On the workflow side: I also publish template repositories that capture the collaboration patterns behind these projects — how to structure context for an AI coding assistant, how to close the feedback loop between a reasoning model and an implementation tool, and where the human boundary sits in each case.
I have a formal engineering background (MSc) and I rely on it more than I expected: structured decomposition, validation boundaries, and the discipline to separate "this is certainly wrong" from "this requires judgment" turn out to be exactly the skills that make AI-augmented workflows reliable rather than unpredictable.
About this blog
This blog documents what I'm actually building and thinking — not polished retrospectives, but decisions made in real time, with the reasoning that went into them.
The format is bilingual by design: English for reach, Hungarian because that's the language I think in when the problem is hard.
The blog itself is built on a custom C# static site generator I wrote — which means the infrastructure is also a project, with its own ADRs and its own bugs. That felt more honest than using something off the shelf.
Licenses & certifications
Here you can see the trainings I have completed recently: Licenses & certifications
Ki vagyok
Szoftver architekt vagyok, tizenhat évnyi szakmai tapasztalattal, elsősorban C# és .NET technológiákban. Az utolsó tizenegy évet egyetlen munkahelyen töltöttem — nem véletlenül, hanem mert a problémák egyre érdekesebbé váltak. Képességeim emeltek architektté.
A szakterületem: rendszerek, amelyeknek működniük kell, miközben fejlesztjük őket. Meglévő felhasználók, meglévő adatok, meglévő kód. A valódi mérnöki munka nagy része ezeken a korlátok között zajlik — és ezt érdekesebbnek találom a zöldmezős projekteknél.
Az elmúlt két évben egy második fókuszterületet is kialakítottam: AI-augmented fejlesztési workflow-k — nem kíváncsiságból, hanem komoly tervezési kérdésként kezelve. Hogyan építesz fel egy folyamatot, ahol az AI valódi résztvevő, nem csak egy felturbózott autocomplete? Ez a kérdés hajtja azt, amit munkán kívül építek.
Mire fókuszálok
- Backend architektúrák tervezése, amelyek évek múlva is karbantarthatók maradnak, nem csak az induláskor
- Legacy rendszerek biztonságos fejlesztése — a felhasználók zavarása és az adatok sérülése nélkül
- Human-in-the-loop AI workflow tervezés: hogyan integrálható az AI egy fejlesztési folyamatba anélkül, hogy elveszítenénk a mérnöki fegyelmet
- Strukturált output validáció és error-driven refinement AI-asszisztált pipeline-okban
- Multi-agent rendszer architektúra: mikor bízzunk meg az ágensben, és mikor avatkozzunk be
- Observability AI pipeline-okhoz — strukturált tracing, span/trace modell, lekérdezhető metaadatok
- Context engineering: az AI munkakontextusának szándékosan rétegezett, kis méretű és precíz kezelése
- Konténerizált fejlesztési és deployment workflow-k
- CI/CD pipeline tervezés Jenkins és GitHub Actions környezetben
Elsődleges technológiai stackem a C# / .NET és az ASP.NET Core, kiegészítve C++, Python és PowerShell ismeretekkel. AI oldalon: Claude API, OpenAI API, Groq, LlamaSharp, és lokális LLM konfigurációk privacy-first workflow-khoz.
Hogyan gondolkodom a szoftverekről
A jó szoftvert a korlátok formálják. A kérdés soha nem az, hogy "mit építenénk nulláról?" — hanem az, hogy "mit változtathatunk meg, biztonságosan, a meglévő keretek között?" Ez a szemléletváltás szinte minden rákövetkező tervezési döntést megváltoztat.
Az AI-asszisztált fejlesztésről ugyanígy gondolkodom. Nem az a kérdés, hogyan csináltassunk többet az AI-val. Hanem az, hogyan tartsuk az embert a megfelelő pozícióban: irányítja a folyamatot, validálja az outputot, felel az eredményért. Az ember orchestrál. Az AI végrehajtja.
Ez az elv húzódik végig mindenen, amit ezen a területen építek.
Pipeline oldalon: a Scaffold Protocol egy human-in-the-loop AI pipeline explicit orchestrációval és revision gate-ekkel. A ChaosForge egy multi-agent Scrum szimulátor, ahol az ágensszerepek és a revision gate-ek first-class tervezési szempontok. A RagLab egy saját kezűleg épített RAG pipeline .NET-ben — mert a retrieval-augmented generation megértéséhez fel kell építeni, nem csak becsomagolni egy könyvtárat. Az AiObservability egy cross-project tracing könyvtár, amely mindhárom projektet lefedi: minden LLM hívás, retrieval lépés és agent akció lekérdezhető spanként tárolódik.
Workflow oldalon: publikus template repókat is közzéteszek, amelyek az ezek mögötti együttműködési mintákat rögzítik — hogyan strukturáld az AI kódolási asszisztens kontextusát, hogyan zárd le a visszacsatolási hurkot egy reasoning modell és egy implementációs eszköz között, és hol legyen az emberi határ minden esetben.
Formális mérnöki háttérrel rendelkezem (MSc), és jobban támaszkodok rá, mint vártam: a strukturált dekompozíció, a validációs határok meghúzása, és az a fegyelem, hogy szétválasszuk a "ez biztosan rossz" és a "ez emberi ítéletet igényel" kategóriákat — pontosan ezek azok a képességek, amelyek az AI-augmented workflow-kat kiszámíthatóvá teszik, nem kiszámíthatatlanná.
A blogról
Ez a blog azt dokumentálja, amit ténylegesen építek és amiről gondolkozom — nem csiszolt visszatekintések, hanem valós idejű döntések, a mögöttük álló érveléssel együtt.
A formátum szándékosan kétnyelvű: angol a szélesebb elérés miatt, magyar mert nehéz problémáknál ezen a nyelven gondolkozom.
A blog egy általam írt egyedi C# statikus oldalgenerátoron fut — ami azt jelenti, hogy maga az infrastruktúra is projekt, saját ADR-ekkel és saját bugokkal. Ez őszintébbnek tűnt, mint egy kész megoldás használata.
Képzések és tanusítványok
Itt láthatod a képzéseket miket elvégeztem mostanában: Képzések és tanusítványok