Zvládněte techstack PM: AI asistent na FastAPI

Krok za krokem: Jak si osvojit technologický stack pro PM vývojem AI asistenta

PM bez technického zázemí riskuje ztrátu autority v očích vývojářů. Vytvořte reálný SaaS projekt – AI asistenta založeného na task trackeru. Odpovídá na dotazy jako „Jak si vede tým?“ nebo „Jaká je vytíženost vývojáře?“. Alternativa pro začátečníky: analytik Open Source na GitHubu s otázkami typu „Kritické chyby v Reactu?“.

Projekt pokrývá klient-server architekturu, REST, unit testy, kontejnerizaci a logování. Vyžaduje živá data a rozšíření na dva frontend klienty.

Technologický stack:

• Backend: Python, FastAPI, PostgreSQL, uv
• Frontend: React, TypeScript, Vite, Shadcn, Tailwind

Nastavení prostředí a nástrojů

Nainstalujte Python, npm, pip (nahraďte uv), Git. Přidejte IDE (Antigravity), Docker Desktop, DBeaver. Pro AI kódování použijte Google AI Pro: frontier modely (Gemini-3.1-pro high), IDE Antigravity, CLI Gemini.

MCP (Model Context Protocol) – základní sada:

• serena
• sequential-thinking
• context7
• filesystem

Konfigurace MCP (mcp_config.json):

{
  "mcpServers": {
    "filesystem": {
      "$typeName": "exa.cascade_plugins_pb.CascadePluginCommandTemplate",
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-filesystem",
        "C:\\Users\\User\\a_projects",
        "C:\\Users\\User\\.ssh"
      ],
      "env": {}
    },
    "sequential-thinking": {
      "$typeName": "exa.cascade_plugins_pb.CascadePluginCommandTemplate",
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-sequential-thinking"
      ],
      "env": {}
    },
    "context7": {
      "$typeName": "exa.cascade_plugins_pb.CascadePluginCommandTemplate",
      "command": "npx",
      "args": [
        "-y",
        "@upstash/context7-mcp"
      ],
      "env": {}
    },
    "serena": {
      "$typeName": "exa.cascade_plugins_pb.CascadePluginCommandTemplate",
      "command": "uvx",
      "args": [
        "--from",
        "git+https://github.com/oraios/serena",
        "serena",
        "start-mcp-server"
      ],
      "env": {}
    }
  }
}

Nainstalujte registr skills.sh: npm install -g @skills/cli. Přidávejte dovednosti podle fází.

Pravidla práce s AI pro kódování

Rozdělte úkoly: jeden chat – jeden úkol. Pokud se nevyřeší, nový chat s upřesněním. Pište anglicky bez rolí a cílů. Při obtížích použijte „kachní metodu“:

• Prodiskutujte v chatu, vytvořte context.md.
• V novém chatu – vision.md pro architekturu.
• tasks.md s úkoly.
• Plnění podle úkolů.

Fáze 1: Telegram bot s Jira přes MCP

Vytvořte bota na FastAPI: přístup k Jira MCP, odpovědi v Telegramu. Tokeny v .env. AI samo řeší volání Atlassian MCP.

• Výsledek: Lokální bot, základní chat.
• Stack: Python, FastAPI, Gemini API, Atlassian MCP.

Server: @aashari/mcp-server-atlassian-jira.

Fáze 2: Přímé REST požadavky na Jira API

Vzdejte se MCP. Git init, main branch. Skripty: uživatelé, stavy, úkoly projektu (30 dní).

Dovednost: fastapi-expert.

• Výsledek: Kontrola přes HTTP, .venv, .gitignore, .env.example.
• Stack: Jira REST API, requests, Git.
• Praktiky: VCS, Tool Calling, API.

Fáze 3: PostgreSQL s FTS

Schéma: úkoly, changelog. Tlačítko synchronizace (přepsání starých dat). AI použije top-5 podle FTS (tsvector/tsquery, BM25).

• Výsledek: Lokální ukládání, rychlé vyhledávání.
• Stack: PostgreSQL FTS, čistý SQL.
• Praktiky: DB Design, SQL Migrations, IR.

Nainstalujte tsvector, DBeaver.

Fáze 4: Hybridní RAG s vektory

Tabulky: assignee, status, type (int ID). Migrace ručně. Vektorizace úkolů v Qdrant (HNSW). Vyhledávání: top-5 úkolů → JOIN changelog podle task_id.

Indexy: assignee_id, status_id, type_id, HNSW, task_id. EXPLAIN ANALYZE pro optimalizaci.

Dovednost: postgresql-optimization.

• Výsledek: Sémantické vyhledávání s historií, výkon na tisících záznamů.
• Stack: Qdrant, PostgreSQL (HNSW, tsvector).
• Praktiky: RAG, Hybrid Search, Vector DB, Query Opt.

Co je důležité

• Projekt se staví postupně: od MCP k přímým API, SQL, RAG.
• Zaměření na praktiky: VCS, indexace, JOIN, optimalizace dotazů.
• AI urychluje, ale PM kontroluje architekturu a stack.
• Rozšíření: dva frontendy, serverový deploy, AI integrace.

— Editorial Team