PM Tech-Stack meistern: KI-Assistent auf FastAPI

Ein Schritt-für-Schritt-Plan für PMs, um den Tech Stack durch den Bau eines KI-Assistenten zu meistern

PMs ohne technische Grundlagen riskieren, bei Entwicklern an Glaubwürdigkeit zu verlieren. Bauen Sie ein echtes SaaS-Projekt – einen KI-Assistenten basierend auf einem Task-Tracker. Er beantwortet Fragen wie „Wie läuft es im Team?“ oder „Wie hoch ist die Arbeitslast des Entwicklers?“ Eine Alternative für Anfänger: ein Open-Source-GitHub-Analyst, der Fragen wie „Kritische Bugs in React?“ behandelt.

Das Projekt deckt Client-Server-Architektur, REST, Unit-Tests, Containerisierung und Logging ab. Es erfordert Live-Daten und Skalierung auf zwei Frontend-Clients.

Tech Stack:

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

Einrichtung der Umgebung und Tools

Installieren Sie Python, npm, pip (ersetzen durch uv), Git. Fügen Sie eine IDE (Antigravity), Docker Desktop, DBeaver hinzu. Für KI-Codierung nutzen Sie Google AI Pro: Frontier-Modelle (Gemini-3.1-pro high), IDE Antigravity, CLI Gemini.

MCP (Model Context Protocol) – Grundset:

• serena
• sequential-thinking
• context7
• filesystem

MCP-Konfiguration (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": {}
    }
  }
}

Installieren Sie das skills.sh-Register: npm install -g @skills/cli. Fügen Sie Skills hinzu, während Sie die Phasen durchlaufen.

Regeln für die Arbeit mit KI in der Codierung

Unterteilen Sie Aufgaben: ein Chat pro Aufgabe. Wenn es nicht gelöst wird, starten Sie einen neuen Chat mit Klarstellung. Schreiben Sie auf Englisch ohne Rollen oder Ziele. Bei Schwierigkeiten wenden Sie die „Enten“-Methode an:

• Diskutieren Sie im Chat, erstellen Sie context.md.
• In einem neuen Chat – vision.md für Architektur.
• tasks.md mit Aufgaben.
• Führen Sie Aufgaben aus.

Phase 1: Telegram-Bot mit Jira über MCP

Erstellen Sie einen Bot auf FastAPI: Zugriff auf Jira MCP, Antwort in Telegram. Tokens in .env. KI übernimmt Atlassian MCP-Aufrufe.

• Ergebnis: Lokaler Bot, grundlegender Chat.
• Stack: Python, FastAPI, Gemini API, Atlassian MCP.

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

Phase 2: Direkte REST-Anfragen an die Jira-API

Verlassen Sie MCP. Git init, Main-Branch. Skripte: Benutzer, Status, Projektaufgaben (30 Tage).

Skill: fastapi-expert.

• Ergebnis: Steuerung über HTTP, .venv, .gitignore, .env.example.
• Stack: Jira REST API, requests, Git.
• Praktiken: VCS, Tool Calling, API.

Phase 3: PostgreSQL mit FTS

Schema: Aufgaben, Änderungsprotokoll. Sync-Button (überschreibt alte Daten). KI nutzt Top-5 über FTS (tsvector/tsquery, BM25).

• Ergebnis: Lokale Speicherung, schnelle Suche.
• Stack: PostgreSQL FTS, rohes SQL.
• Praktiken: DB-Design, SQL-Migrationen, IR.

Installieren Sie tsvector, DBeaver.

Phase 4: Hybrides RAG mit Vektoren

Tabellen: Zugewiesener, Status, Typ (int ID). Manuelle Migrationen. Vektorisieren Sie Aufgaben in Qdrant (HNSW). Suche: Top-5-Aufgaben → JOIN Änderungsprotokoll nach task_id.

Indizes: assignee_id, status_id, type_id, HNSW, task_id. EXPLAIN ANALYZE zur Optimierung.

Skill: postgresql-optimization.

• Ergebnis: Semantische Suche mit Historie, Leistung bei Tausenden von Datensätzen.
• Stack: Qdrant, PostgreSQL (HNSW, tsvector).
• Praktiken: RAG, Hybridsuche, Vektor-DB, Abfrageoptimierung.

Wichtige Erkenntnisse

• Das Projekt wird schrittweise aufgebaut: von MCP zu direkten APIs, SQL, RAG.
• Fokus auf Praktiken: VCS, Indizierung, JOIN, Abfrageoptimierung.
• KI beschleunigt, aber der PM kontrolliert Architektur und Stack.
• Erweiterungen: zwei Frontends, Server-Bereitstellung, KI-Integration.

— Editorial Team