Egy dolgozni képes agentnek adatokat kell keresnie, weboldalakat megnyitnia, dokumentumokat feldolgoznia, hangot átírnia, képet elemeznie, azonosítókat ellenőriznie, fájlokat továbbadnia más szolgáltatásoknak, és közben fel kell ismernie azt is, ha valaki megpróbálja manipulálni.

Ehhez nem feltétlenül még nagyobb nyelvi modell kell. Sokkal inkább pontosan körülhatárolt, tesztelhető és kiszámítható eszközök.

Erre épül a GLC MCP szolgáltatási platform.

Az MCP, vagyis a Model Context Protocol egy nyílt szabvány, amelyen keresztül egy AI-alkalmazás külső adatforrásokhoz, szolgáltatásokhoz és végrehajtható eszközökhöz kapcsolódhat. Olyan, mint egy közös csatlakozó az AI-rendszerek és a külvilág között: ugyanazt a szolgáltatást több MCP-kompatibilis agent vagy fejlesztői környezet is használhatja. Az MCP hivatalos dokumentációja szerint a protokollt többek között AI-alkalmazások, fejlesztői környezetek és automatizált agentrendszerek összekapcsolására tervezték. (MCP-dokumentáció)

A GLC MCP jelenleg négy nagy területen kínál szolgáltatásokat:

• kutatás, web és téradat;

• növény-, hatóanyag-, étrend-kiegészítő- és gyógyszeradatok;

• média-, dokumentum-, kép- és hangfeldolgozás;

• biztonság, validáció és azonosítók ellenőrzése.

Mindez egyetlen MCP-végponton, egységes hitelesítéssel érhető el.

Nem chatbot, hanem egy agent szerszámosládája

A GLC MCP nem egy újabb weboldalba beilleszthető chatablak. Nem az a feladata, hogy kedvesen üdvözölje a látogatót.

A platform olyan eszközöket ad az AI-agenteknek, amelyeket azok egy nagyobb munkafolyamat részeként önállóan meghívhatnak.

Egy kutatóagent például:

1. webes találatokat kereshet;

2. megnyithatja a releváns oldalakat;

3. feldolgozhatja a kapcsolódó PDF-eket;

4. képernyőképet készíthet az oldalakról;

5. összefoglalhatja az eredményeket;

6. végül PDF-riportot generálhat.

Egy másik agent egy hangfelvételt tölthet fel, átiratot készíthet belőle, ellenőrizheti a benne található adatokat, majd a végeredményt dokumentummá alakíthatja.

A szolgáltatások külön-külön is használhatók, de az igazi értékük akkor látszik, amikor az agent egymás után több eszközt kapcsol össze.

1. Kutatás, web és téradat

Hello – az első kapcsolat ellenőrzése

A Hello szolgáltatás a rendszer legegyszerűbb eleme, mégis fontos.

A hello_ping eszköz segítségével ellenőrizhető, hogy:

• működik-e az MCP-kapcsolat;

• helyesen lett-e beállítva a végpont;

• érvényes-e az API-token;

• képes-e a kliens meghívni a GLC MCP eszközeit.

Új agent, új token vagy Cursor-integráció beállítása után érdemes ezzel kezdeni. Ha a Hello válaszol, az alapkapcsolat működik. Ha nem, felesleges rögtön a bonyolultabb dokumentum- vagy képfeldolgozó szolgáltatásokban keresni a hibát.

Geo – strukturált földrajzi adatok

A Geo szolgáltatás GeoNames-alapú földrajzi adatokat biztosít.

Az agent többek között kereshet:

• országokat;

• településeket;

• közigazgatási régiókat;

• repülőtereket;

• hegyeket;

• tavakat;

• tengeri földrajzi objektumokat;

• közeli érdekes helyeket.

A szolgáltatás távolságot számíthat, közeli objektumokat kereshet, valamint IATA repülőtérkódokat is feloldhat.

Ez utazási, logisztikai, szálláskeresési és helyalapú automatizációkban használható. Egy utazástervező agent például nemcsak azt tudhatja meg, hogy hol található egy város, hanem a hozzá közeli repülőtereket és egyéb földrajzi pontokat is felkutathatja.

Az ilyen feladatokhoz nincs szükség kreatív nyelvi találgatásra. Pontos, strukturált téradat kell – erre szolgál a Geo.

Search – kétlépcsős webes kutatás

A Search szolgáltatás webes és híralapú kutatást tesz elérhetővé az agentek számára.

A folyamat tudatosan kétlépcsős.

Az első lépésben a kereső csak a találatok címét, hivatkozását és rövid kivonatát adja vissza. Az agent ezek alapján kiválaszthatja a valóban releváns oldalakat.

A második lépésben már csak a kiválasztott találatok teljes tartalmát nyitja meg.

Ez azért fontos, mert az agentnek nem kell minden keresési eredményt vakon letöltenie és a fő LLM kontextusába öntenie. Előbb válogathat, majd csak a használható forrásokat dolgozza fel.

A keresés ország- és nyelvi paraméterekkel is szabályozható, valamint meghatározott domainekre szűkíthető. Magyar kutatáshoz magyar lokalizáció állítható be, szakmai keresésnél pedig engedélyezett forrásoldalakra korlátozható a találati lista.

PDF-ek feldolgozására nem a Search vagy a Fetch, hanem a Docs szolgáltatás szolgál.

Fetch – weboldalból tiszta, feldolgozható tartalom

A Fetch szolgáltatás egy nyilvános weboldal fő tartalmát tölti le, majd tiszta Markdown-formátummá alakítja.

Kiszűri az oldal jelentős részét elfoglaló navigációt, reklámokat, láblécet és egyéb zavaró elemeket, így az agent elsősorban a tényleges cikket vagy dokumentációt kapja meg.

Használható például:

• hírcikkek beolvasására;

• szakmai dokumentációk feldolgozására;

• termékoldalak elemzésére;

• landing oldalak tartalmának kiértékelésére;

• forrásanyagok előkészítésére.

A Fetch SSRF-védelmet is alkalmaz. Ez azért lényeges, mert egy webcímeket megnyitó agenteszköz nem válhat belső hálózati erőforrások vagy tiltott címek elérésére használható hátsó ajtóvá.

Docs – PDF, Word, Excel, CSV és OCR

A Docs szolgáltatás dokumentumok tartalmát alakítja az agent számára feldolgozható szöveggé és táblázatos adattá.

Támogatott formátumok:

• PDF;

• DOCX;

• XLSX;

• CSV;

• egyszerű szövegfájlok.

A hagyományos szövegkinyerés mellett OCR-feldolgozásra is képes. Ez azt jelenti, hogy a beszkennelt, valójában képként tárolt PDF-ekből is megpróbálja felismerni a szöveget. A Tesseract OCR magyar, angol és német nyelvi csomagokkal használható.

A szolgáltatás segítségével egy agent feldolgozhat:

• szerződéseket;

• számlákat;

• jelentéseket;

• táblázatokat;

• pályázati anyagokat;

• mellékleteket;

• beszkennelt iratokat.

Ez az egyik legfontosabb különbség egy egyszerű chatbot és egy tényleges dokumentumfeldolgozó agent között. A chatbot csak arról tud beszélni, amit bemásolunk neki. Az agent képes átvenni, kibontani és rendszerezni magát a dokumentumot is.

Shot – amikor nem elég a HTML

A Shot szolgáltatás valódi böngészőmotorral, Playwright és Chromium segítségével készít képernyőképet egy nyilvános weboldalról.

Kérhető:

• adott képernyőméretű nézet;

• teljes oldalas felvétel;

• PNG-formátum;

• JPEG-formátum.

Erre akkor van szükség, amikor az agentnek nemcsak az oldal szövegét kell ismernie, hanem azt is látnia kell, hogyan jelenik meg az oldal.

Egy vizuális ellenőrző agent így észreveheti például, ha:

• szétesett az oldal elrendezése;

• eltakar egy elemet egy felugró ablak;

• hiányzik egy kép;

• hibásan törik a mobilnézet;

• más tartalom látható a böngészőben, mint ami a nyers HTML-ből következne.

2. Növények, hatóanyagok, étrend-kiegészítők és gyógyszerek

Ez a szolgáltatáscsoport különösen értékes lehet kutatási és adatkapcsolási feladatokban. Ugyanakkor világos határa van: az eredmények nem minősülnek orvosi tanácsnak, diagnózisnak vagy kezelési javaslatnak.

A rendszer helyi adatállományokat használ. Ez stabil és kiszámítható működést tesz lehetővé, de nem helyettesíti az aktuális hatósági vagy klinikai ellenőrzést.

Plant – növénynevek és taxonómiai kapcsolatok

A Plant szolgáltatás növénytaxonok keresésére és feloldására használható.

A helyi World Flora Online taxonómiai gerinc alapján kezeli:

• a tudományos növényneveket;

• a szinonimákat;

• az elfogadott taxonómiai elnevezéseket;

• a növényazonosítókat.

Ez azért fontos, mert ugyanaz a növény több tudományos vagy köznyelvi néven is szerepelhet különböző adatbázisokban. Megbízható azonosító nélkül könnyen összekeverhetők a fajok, alfajok vagy korábbi elnevezések.

A Plant ennek a névfeloldási problémának ad közös alapot.

Herbal – gyógynövényadatok állapotok és tünetek szerint

A Herbal szolgáltatás gyógynövényekkel és növényi készítményekkel kapcsolatos információkat kapcsol össze.

A felhasznált források között szerepelnek többek között:

• EMA HMPC-adatok;

• Dr. Duke növényi adatbázisa;

• Wikidata;

• WHO- és NCCIH-forrásmagok.

A növények a World Flora Online azonosítóihoz kapcsolódnak, a profilok pedig hatóanyagadatokkal egészülhetnek ki.

A szolgáltatás tünet vagy állapot alapján is használható kutatásra, de az eredményt nem szabad automatikusan terápiás ajánlásként kezelni. A helyes felhasználás itt az információk összegyűjtése, rendszerezése és további szakértői ellenőrzésre való előkészítése.

Compound – közös hatóanyag-törzs

A Compound szolgáltatás a különböző növényi, étrend-kiegészítő- és gyógyszeradatbázisok közös kapcsolódási pontja.

Feladata:

• a hatóanyagnevek feloldása;

• egységes compound_id létrehozása;

• hatóanyag-adatlapok visszaadása;

• annak megmutatása, hogy mely növények tartalmazhatják az adott vegyületet.

A névfeloldás azért fontos, mert egy hatóanyag több eltérő néven, rövidítéssel vagy írásmóddal is előfordulhat.

A Compound nemcsak kereső, hanem adatkapcsoló réteg: összeköti a növényt, a készítményt, az összetevőt és a gyógyszert.

Supplement – közel 200 ezer étrend-kiegészítő címkeadata

A Supplement szolgáltatás a NIH Dietary Supplement Label Database helyi adatállományára épül, amely nagyságrendileg kétszázezer amerikai étrend-kiegészítő termék címkeadatait tartalmazza.

Az agent kereshet:

• terméknevekre;

• gyártókra;

• összetevőkre;

• hatóanyagokra;

• címkén feltüntetett mennyiségekre.

Az összetevők a központi Compound törzshöz kapcsolódhatnak, így ugyanaz a hatóanyag több termékben és más adatforrásokban is követhetővé válik.

Fontos korlát, hogy ez címkeadat, nem független laborvizsgálati eredmény. A rendszer azt mutatja meg, mit állít a termék címkéje – nem azt igazolja, hogy a doboz tényleges tartalma laboratóriumban is pontosan ugyanaz.

Drug – gyógyszer- és hatóanyagadatok több forrásból

A Drug szolgáltatás több gyógyszerészeti adatforrás helyi állományait kapcsolja össze.

A forrásrétegben szerepelhet:

• DrugCentral;

• ChEMBL;

• DailyMed;

• FDA NDC;

• Drugs@FDA;

• UNII.

A gyógyszer-összetevők itt is a közös Compound törzshöz kapcsolódnak.

A szolgáltatás alkalmas gyógyszernevek, összetevők és hatóanyag-kapcsolatok kutatására. Ugyanakkor a kérés végrehajtásakor nem történik élő hatósági lekérdezés, ezért az eredmény nem tekinthető aktuális forgalmazási, engedélyezési vagy gyógyszerbiztonsági igazolásnak.

3. Média, fájl és beszéd

Image – képátméretezés és formátumváltás

Az Image szolgáltatás képeket méretez át és alakít más formátumba.

Támogatja többek között:

• a JPEG-et;

• a PNG-t;

• a WebP-t;

• a bélyegképek készítését;

• a méret- és formátumkonverziót.

A kimenet egy ideiglenes Staging URL-re kerülhet, ahonnan egy következő eszköz vagy külső rendszer átveheti.

Ez önmagában egyszerű szolgáltatásnak tűnik, de agentfolyamatokban sok kényelmetlen köztes lépést kivált. A látásmodell előtt megfelelő méretre alakíthatja a képet, webes publikálás előtt WebP-formátumot készíthet, vagy automatikusan létrehozhat egy előnézeti változatot.

PDF – dokumentumgenerálás agentből

A PDF szolgáltatás Markdown- vagy HTML-tartalomból PDF- vagy DOCX-dokumentumot készít.

Használható:

• riportok;

• árajánlatok;

• kutatási összefoglalók;

• jegyzőkönyvek;

• ügyfélanyagok;

• automatikusan előállított dokumentumok létrehozására.

A kész fájl ideiglenes Staging URL-en válik elérhetővé.

Ez teszi teljessé az agentes munkafolyamatot: az AI nemcsak szöveget ír, hanem ténylegesen átadható dokumentumot is előállít.

Whisper – hosszú hanganyagból kereshető szöveg

A Whisper szolgáltatás aszinkron beszédfelismerést biztosít a Whisper large-v3 modell CPU-n futó változatával.

A folyamat jellemzően:

1. az agent feltölti a hanganyagot a Staging szolgáltatásba;

2. elindítja a Whisper-feladatot;

3. időnként lekéri annak állapotát;

4. átveszi a kész eredményt.

Nyilvánosan elérhető HTTPS URL esetén a feldolgozás közvetlenül is elindítható.

A szolgáltatás alapértelmezett nyelve a magyar, és két fontos működést támogat:

• az eredeti beszéd átírását;

• a beszéd angolra fordítását.

Használható meetingek, interjúk, podcastok, videók, ügyfélszolgálati felvételek és oktatási anyagok feldolgozására.

Mivel aszinkron szolgáltatás, hosszabb hanganyagoknál az agentnek nem kell nyitva tartania egyetlen hosszú kapcsolatot. Elindítja a munkát, majd később visszatér az eredményért.

GLC-TTS – magyar szövegből beszéd

A GLC-TTS magyar szövegből készít beszédhangot.

A szolgáltatás:

• aszinkron módon működik;

• előre beállított hangokat kínál;

• szabályozható beszédsebességet támogat;

• WAV-fájlt állít elő;

• zero-shot hangklónozást is lehetővé tesz.

Egyedi hang használatánál referencia-hanganyag és annak szövege adható meg. Ha a referencia átirata nem áll rendelkezésre, a Whisper szolgáltatás segíthet annak elkészítésében.

A GLC-TTS használható narrációhoz, akadálymentesítéshez, hangos tájékoztatókhoz, automatikus ügyfélüzenetekhez és agentes hangfelületekhez.

A hangklónozásnál természetesen elengedhetetlen az érintett személy hozzájárulása és a felhasználás egyértelmű jogi kerete.

Vision – strukturált képelemzés

A Vision szolgáltatás képek tartalmát elemzi a Ternary Bonsai 27B multimodális modell segítségével.

A feldolgozás aszinkron módon történik. Az agent feltölti a képet, elindítja a képelemzési feladatot, majd lekéri az elkészült eredményt.

A válasz angol nyelvű, strukturált JSON, ezért nemcsak ember olvashatja, hanem egy következő programelem vagy agent is közvetlenül feldolgozhatja.

Felhasználási területei lehetnek:

• tárgyak és jelenetek felismerése;

• képi tartalom leírása;

• dokumentumfotók előzetes osztályozása;

termékképek elemzése;

vizuális ellenőrzési folyamatok;

további agentes döntések előkészítése.

Staging – az agentek ideiglenes fájlátadója

A Staging szolgáltatás ideiglenes, nyilvánosan elérhető HTTPS-címet hoz létre fájlok és szöveges tartalmak számára.

A maximális fájlméret 1 GiB, az állományok jellemző megőrzési ideje körülbelül 24 óra.

A rendszer több feltöltési módot támogat:

• multipart fájlfeltöltés;

• UTF-8 szöveg feltöltése;

• Base64-tartalom átadása;

• külső URL tartalmának átvétele.

A fájlok külön törlési művelettel eltávolíthatók.

A Staging tulajdonképpen az agentes folyamatok ideiglenes rakodótere. Ide kerülhet a Whispernek átadott hanganyag, a Visionnek szánt kép, a legenerált PDF vagy a TTS által elkészített WAV-fájl.

Nem végleges dokumentumtár, hanem rövid életű átadófelület a szolgáltatások között.

4. Biztonság, azonosítók és validáció

PromptGuard – védelem a rejtett utasítások ellen

A PromptGuard a GLC MCP egyik legfontosabb biztonsági szolgáltatása.

Feladata annak felismerése, ha egy felhasználói üzenet, weboldal, PDF, RAG-dokumentum vagy külső eszköz válasza olyan utasítást tartalmaz, amely megpróbálja eltéríteni az AI-agent működését.

Ilyen támadás lehet például:

• a rendszerutasítások figyelmen kívül hagyatása;

• titkok vagy API-kulcsok kicsalása;

• jóváhagyási lépések megkerülése;

• eszközhívások manipulálása;

• bizalmas adatok továbbításának kikényszerítése;

• dokumentumba vagy weboldalba rejtett parancs.

A PromptGuard több rétegben vizsgálja a szöveget. Normalizálja a bemenetet, elemzi annak szerkezetét, kommunikációs helyzetét, szándékát és neurális kockázati jelzéseit, majd szabályalapú döntéstámogatást ad.

A válasz többek között jelzi:

• észlelhető-e promptinjektálás;

• mekkora a becsült kockázati pontszám;

• milyen típusú veszély merült fel;

• milyen kezelési szabály alkalmazható.

Többfordulós beszélgetéseknél session_id is továbbadható, így a rendszer nemcsak egyetlen mondatot, hanem az egymásra épülő manipulációs kísérleteket is figyelembe veheti.

A legfontosabb integrációs szabály: a PromptGuardot nem szabad a fő nyelvi modell szabad eszközválasztására bízni.

A hosztnak vagy az orchestratornak kell meghívnia minden olyan fő LLM-hívás előtt, amelyhez nem megbízható bemenet érkezik. Ha maga a támadott modell dönthetné el, hogy igénybe veszi-e a védelmet, a támadó egyszerűen megpróbálná rávenni, hogy ne tegye.

A PromptGuard nem ígér százszázalékos sérthetetlenséget. Mellette továbbra is szükség van:

• szigorú tool-engedélyezésre;

• allowlistekre;

• elkülönített titokkezelésre;

• költség- és jogosultsági korlátokra;

• emberi jóváhagyásra a veszélyes műveleteknél.

A PromptGuard a bejáratot védi. A teljes épület biztonságáról az agentes architektúrának kell gondoskodnia.

Email – címellenőrzés levélküldés nélkül

Az Email szolgáltatás e-mail-címeket vizsgál.

Ellenőrizheti:

• a cím szintaktikai helyességét;

• a domain MX-rekordjait;

• az eldobható e-mail-szolgáltatókat;

• a szerepköralapú címeket, például az info@ vagy admin@ típusú fiókokat.

A szolgáltatás nem küld levelet, és nem igazolja, hogy a címzett valóban elolvassa az üzenetet. Feladata a technikai és kockázati előszűrés.

Használható regisztrációk, kapcsolatfelvételi űrlapok és ügyféladatok ellenőrzésére.

QR – QR- és vonalkódok készítése, valamint olvasása

A QR szolgáltatás QR-kódok és egydimenziós vonalkódok létrehozását, illetve beolvasását támogatja.

Készíthet többek között:

• hagyományos URL-es QR-kódot;

• vCard névjegyet;

• Wi-Fi-csatlakozási QR-kódot;

• EPC fizetési QR-kódot;

• különböző 1D vonalkódokat.

Fontos különbség, hogy egy fizetési QR-kód elkészítése nem azonos a fizetés végrehajtásával. A szolgáltatás létrehozza a szabványos adatstruktúrát, de pénzügyi tranzakciót nem indít.

Validate – amikor nem vélemény, hanem pontos ellenőrzés kell

A Validate szolgáltatás offline, determinisztikus validátorokat biztosít.

Ellenőrizhető vele:

• JSON;

• JSON Schema;

• XML;

• CSV;

• URL;

• IBAN;

• európai uniós adószám ellenőrző összege;

• magyar adószám;

• magyar cégjegyzékszám.

Ez pontosan az a feladatkör, amelyet nem érdemes nyelvi modellre bízni. Egy LLM képes hihető választ adni arra, hogy egy azonosító helyesnek tűnik-e. A validátor viszont végrehajtja a tényleges formai és ellenőrzőösszeg-vizsgálatot.

A rendszer nem végez élő VIES-lekérdezést, tehát az uniós adószám szerkezeti érvényességét vizsgálhatja, de nem igazolja annak pillanatnyi hatósági státuszát.

Hogyan dolgoznak együtt a szolgáltatások?

A GLC MCP valódi ereje nem a szolgáltatások számában, hanem az összekapcsolhatóságukban van.

Webes kutatási folyamat

Search → Fetch → Docs → PromptGuard → PDF

Az agent megtalálja a releváns forrásokat, beolvassa a weboldalakat, feldolgozza a kapcsolódó dokumentumokat, biztonsági ellenőrzést végez, majd elkészíti a riportot.

Meetingfeldolgozás

Staging → Whisper → Validate → PDF

A hangfelvétel ideiglenes tárhelyre kerül, a Whisper átiratot készít, a rendszer ellenőrzi a strukturált adatokat, majd jegyzőkönyvet generál.

Képelemzési folyamat

Staging → Image → Vision → PDF

A feltöltött kép megfelelő méretre és formátumra alakul, a Vision elemzi, majd a strukturált eredmény dokumentumba kerül.

Biztonságos RAG- vagy agentes folyamat

Külső tartalom → PromptGuard → fő LLM → engedélyezett tool

A külső szöveg nem jut közvetlenül a fő modellhez. Előbb biztonsági ellenőrzésen megy keresztül, majd a modell kizárólag az orchestrator által engedélyezett eszközöket használhatja.

Hatóanyag-kutatás

Plant → Herbal → Compound → Supplement → Drug

A rendszer feloldja a növény tudományos nevét, megkeresi a hozzá kapcsolódó növényi adatokat, azonosítja a hatóanyagokat, majd összekapcsolhatja azokat étrend-kiegészítőkkel és gyógyszeradatokkal.

Ez kutatási infrastruktúra, nem automatikus orvos. A különbség nem apró jogi megjegyzés, hanem a biztonságos használat alapja.

Egy végpont, saját agentazonosító

A szolgáltatások a következő MCP-végponton érhetők el:

https://mcp.glc-rag.hu/mcp

Az agent account_type=agent beállítással önállóan regisztrálhat. A regisztráció után API-tokent kap, amely Bearer tokenként használható az MCP-hívásokhoz.

A kliens a tools/list művelettel lekérdezheti a számára engedélyezett eszközöket. Így csak azok a szolgáltatások jelennek meg előtte, amelyekhez tényleges hozzáférést kapott.

A GLC MCP többek között Cursorból, fejlesztői környezetekből, automatizációkból és más MCP-kompatibilis kliensekből is használható.

Az új emberi és agentes fiókok 100 üdvözlő kreditet kapnak, így a szolgáltatások éles integráció előtt kipróbálhatók.

Nem nagyobb modell kell, hanem jobb rendszer

Az AI-ipar hajlamos minden problémára ugyanazt a választ adni: használjunk nagyobb modellt.

Pedig egy e-mail-cím ellenőrzéséhez, egy IBAN validálásához, egy PDF kibontásához vagy két földrajzi pont távolságának kiszámításához nincs szükség kreativitásra.

Megbízható eszköz kell.

A nyelvi modell feladata az lehet, hogy megértse a célt, megtervezze a folyamatot és kiválassza a következő lépést. Az elemi műveleteket azonban célszerű kisebb, jól dokumentált és ellenőrizhető szolgáltatásokra bízni.

A GLC MCP erre a gondolkodásra épül.

Nem egy mindentudónak beállított fekete dobozt kínál, hanem moduláris eszközréteget az AI-agentek számára.

A különbség lényeges.

A chatbot beszél.

Az agent viszont keres, ellenőriz, feldolgoz, átalakít, dokumentál és végrehajt.

Ehhez pedig végre valódi szerszámokat is kap.

GLC MCP szolgáltatások és dokumentáció:
https://mcp.glc-rag.hu

A teljes szolgáltatási oldal:
https://glc-rag.hu/mcp-szolgaltatasok