Domina el stack tecnológico de PM: asistente de IA en FastAPI

Un Plan Paso a Paso para que los PM Dominen el Stack Tecnológico Construyendo un Asistente de IA

Los PM sin una base técnica arriesgan perder credibilidad con los desarrolladores. Construye un proyecto SaaS real: un asistente de IA basado en un gestor de tareas. Responde preguntas como "¿Cómo va el equipo?" o "¿Cuál es la carga de trabajo del desarrollador?" Una alternativa para principiantes: un analista de GitHub de Código Abierto que maneje preguntas como "¿Errores críticos en React?"

El proyecto cubre arquitectura cliente-servidor, REST, pruebas unitarias, contenedores y registro. Requiere datos en vivo y escalar a dos clientes frontend.

Stack Tecnológico:

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

Configuración del Entorno y Herramientas

Instala Python, npm, pip (reemplaza con uv), Git. Añade un IDE (Antigravity), Docker Desktop, DBeaver. Para programación con IA, usa Google AI Pro: modelos de vanguardia (Gemini-3.1-pro high), IDE Antigravity, CLI Gemini.

MCP (Protocolo de Contexto del Modelo) — Conjunto Básico:

• serena
• sequential-thinking
• context7
• filesystem

Configuración 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": {}
    }
  }
}

Instala el registro skills.sh: npm install -g @skills/cli. Añade habilidades a medida que avances por las etapas.

Reglas para Trabajar con IA en Programación

Divide las tareas: un chat por tarea. Si no se resuelve, inicia un nuevo chat con aclaraciones. Escribe en inglés sin roles ni objetivos. Para dificultades, aplica el método "pato":

• Discute en el chat, crea context.md.
• En un nuevo chat: vision.md para la arquitectura.
• tasks.md con tareas.
• Ejecuta las tareas.

Etapa 1: Bot de Telegram con Jira vía MCP

Crea un bot en FastAPI: accede a Jira MCP, responde en Telegram. Tokens en .env. La IA maneja llamadas MCP de Atlassian.

• Resultado: Bot local, chat básico.
• Stack: Python, FastAPI, API Gemini, MCP Atlassian.

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

Etapa 2: Peticiones REST Directas a la API de Jira

Abandona MCP. Git init, rama main. Scripts: usuarios, estados, tareas del proyecto (30 días).

Habilidad: fastapi-expert.

• Resultado: Control vía HTTP, .venv, .gitignore, .env.example.
• Stack: API REST de Jira, requests, Git.
• Prácticas: VCS, Tool Calling, API.

Etapa 3: PostgreSQL con Búsqueda de Texto Completo

Esquema: tareas, historial de cambios. Botón de sincronización (sobrescribe datos antiguos). La IA usa top-5 vía FTS (tsvector/tsquery, BM25).

• Resultado: Almacenamiento local, búsqueda rápida.
• Stack: PostgreSQL FTS, SQL puro.
• Prácticas: Diseño de BD, Migraciones SQL, RI.

Instala tsvector, DBeaver.

Etapa 4: RAG Híbrido con Vectores

Tablas: asignado, estado, tipo (ID int). Migraciones manuales. Vectoriza tareas en Qdrant (HNSW). Búsqueda: top-5 tareas → JOIN historial por task_id.

Índices: assignee_id, status_id, type_id, HNSW, task_id. EXPLAIN ANALYZE para optimización.

Habilidad: postgresql-optimization.

• Resultado: Búsqueda semántica con historial, rendimiento en miles de registros.
• Stack: Qdrant, PostgreSQL (HNSW, tsvector).
• Prácticas: RAG, Búsqueda Híbrida, BD Vectorial, Optimización de Consultas.

Conclusiones Clave

• El proyecto se construye paso a paso: desde MCP a APIs directas, SQL, RAG.
• Enfócate en prácticas: VCS, indexación, JOIN, optimización de consultas.
• La IA acelera, pero el PM controla la arquitectura y el stack.
• Extensiones: dos frontends, despliegue del servidor, integración de IA.

— Editorial Team