Maîtriser la pile technologique PM : assistant IA sur FastAPI

Un Plan Étape par Étape pour les PMs afin de Maîtriser la Stack Technique en Construisant un Assistant IA

Les PMs sans base technique risquent de perdre en crédibilité auprès des développeurs. Construisez un vrai projet SaaS — un assistant IA basé sur un suivi de tâches. Il répond à des questions comme "Comment va l'équipe ?" ou "Quelle est la charge de travail du développeur ?" Une alternative pour les débutants : un analyste Open Source GitHub qui gère des questions comme "Bugs critiques dans React ?"

Le projet couvre l'architecture client-serveur, REST, les tests unitaires, la conteneurisation et la journalisation. Il nécessite des données en temps réel et une mise à l'échelle vers deux clients frontend.

Stack Technique :

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

Configuration de l'Environnement et des Outils

Installez Python, npm, pip (remplacez par uv), Git. Ajoutez un IDE, Docker Desktop, DBeaver. Pour le codage IA, utilisez Google AI Pro : modèles de pointe (Gemini 1.5 Pro), CLI Gemini.

MCP (Model Context Protocol) — Ensemble de Base :

• serena
• sequential-thinking
• context7
• filesystem

Configuration 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": {}
    }
  }
}

Installez le registre skills.sh : npm install -g @skills/cli. Ajoutez des compétences au fur et à mesure des étapes.

Règles pour Travailler avec l'IA en Codage

Décomposez les tâches : un chat par tâche. Si ce n'est pas résolu, commencez un nouveau chat avec des clarifications. Écrivez en anglais sans rôles ni objectifs. Pour les difficultés, appliquez la méthode "canard" :

• Discutez dans le chat, créez context.md.
• Dans un nouveau chat — vision.md pour l'architecture.
• tasks.md avec les tâches.
• Exécutez les tâches.

Étape 1 : Bot Telegram avec Jira via MCP

Créez un bot sur FastAPI : accédez à Jira MCP, répondez dans Telegram. Tokens dans .env. L'IA gère les appels Atlassian MCP.

• Résultat : Bot local, chat basique.
• Stack : Python, FastAPI, API Gemini, Atlassian MCP.

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

Étape 2 : Requêtes REST Directes vers l'API Jira

Abandonnez MCP. Git init, branche principale. Scripts : utilisateurs, statuts, tâches du projet (30 jours).

Compétence : fastapi-expert.

• Résultat : Contrôle via HTTP, .venv, .gitignore, .env.example.
• Stack : API REST Jira, requests, Git.
• Pratiques : VCS, Tool Calling, API.

Étape 3 : PostgreSQL avec FTS

Schéma : tâches, journal des modifications. Bouton de synchronisation (écrase les anciennes données). L'IA utilise top-5 via FTS (tsvector/tsquery, BM25).

• Résultat : Stockage local, recherche rapide.
• Stack : PostgreSQL FTS, SQL brut.
• Pratiques : Conception de BD, Migrations SQL, RI.

Installez tsvector, DBeaver.

Étape 4 : RAG Hybride avec Vecteurs

Tables : assigné, statut, type (ID int). Migrations manuelles. Vectorisez les tâches dans Qdrant (HNSW). Recherche : top-5 tâches → JOIN journal des modifications par task_id.

Indexes : assignee_id, status_id, type_id, HNSW, task_id. EXPLAIN ANALYZE pour l'optimisation.

Compétence : postgresql-optimization.

• Résultat : Recherche sémantique avec historique, performance sur des milliers d'enregistrements.
• Stack : Qdrant, PostgreSQL (HNSW, tsvector).
• Pratiques : RAG, Recherche Hybride, Base de Données Vectorielle, Optimisation de Requêtes.

Points Clés à Retenir

• Le projet est construit étape par étape : de MCP aux APIs directes, SQL, RAG.
• Concentrez-vous sur les pratiques : VCS, indexation, JOIN, optimisation de requêtes.
• L'IA accélère, mais le PM contrôle l'architecture et la stack.
• Extensions : deux frontends, déploiement serveur, intégration IA.

— Editorial Team