Przegląd
Aplikacja organizuje dokumenty i wiedzę operacyjną, tworzy embeddingi, wyszukuje relewantne fragmenty w PostgreSQL/pgvector i prowadzi streamingowy chat ze wskazaniem źródeł.
Problem
Wiedza rozproszona w dokumentach i narzędziach jest trudna do znalezienia i zweryfikowania. Sam model językowy nie daje wystarczającej kontroli nad źródłem odpowiedzi ani procesem biznesowym.
Rozwiązanie
Pipeline ingestion dzieli treść na fragmenty, generuje embeddingi i wykonuje retrieval przed odpowiedzią Gemini. Cytowania, historia rozmów, import stron oraz moduły adapterowe dla poczty, OCR, workflow i integracji łączą AI z typową aplikacją biznesową.
Moja rola
Zaprojektowałem architekturę full-stack, model danych, ingestion i retrieval RAG, streaming odpowiedzi, granice providerów oraz wdrożenie kontenerowe z prywatnym storage.
Architektura
Next.js łączy UI i API, Prisma zarządza PostgreSQL 16, a pgvector przechowuje wektory 768D. Provider interfaces izolują Gemini, OCR, pocztę i integracje; Docker Compose uruchamia aplikację i bazę bez publicznego portu DB.
Wyzwania inżynieryjne
Granice AI są jawne: odpowiedź zależy od retrieved context, cytowania umożliwiają weryfikację, a ekstrakcje dokumentów wymagają review. Rate limiting wybranych endpointów pozostaje na liście utwardzania.
Rezultaty i obecny status
Działa wiedza z uploadem, embeddingami, retrieval i cytowanym chatem oraz demo przepływów OCR i modułów biznesowych. Publiczne demo ma być wyłącznie sanityzowane; nie ujawniam danych, promptów ani procesów prywatnej organizacji.