掌握 PM 技术栈：基于 FastAPI 的 AI 助手

产品经理通过构建AI助手逐步掌握技术栈的完整指南

缺乏技术基础的产品经理容易在开发团队中失去信任。通过构建一个真实的SaaS项目——基于任务追踪器的AI助手来解决这一问题。它能回答诸如“团队进展如何？”或“开发人员工作量怎样？”等查询。对于初学者，另一个选择是构建开源GitHub分析助手，处理类似“React中有哪些严重漏洞？”的问题。

该项目涵盖客户端-服务器架构、REST API、单元测试、容器化和日志记录。需要实时数据并支持两个前端客户端扩展。

技术栈：

• 后端：Python、FastAPI、PostgreSQL、uv
• 前端：React、TypeScript、Vite、Shadcn、Tailwind

环境与工具配置

安装Python、npm、pip（替换为uv）、Git。添加IDE（Antigravity）、Docker Desktop、DBeaver。AI编程使用Google AI Pro：前沿模型（Gemini-3.1-pro high）、IDE Antigravity、CLI Gemini。

MCP（模型上下文协议）——基础配置：

• serena
• sequential-thinking
• context7
• filesystem

MCP配置（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": {}
    }
  }
}

安装skills.sh注册表：npm install -g @skills/cli。随着项目阶段推进逐步添加技能。

AI编程协作规则

分解任务：每个任务单独聊天。若未解决，开启新聊天并澄清问题。使用英文交流，无需设定角色或目标。遇到困难时，应用“鸭子”方法：

• 在聊天中讨论，创建context.md。
• 新聊天中——vision.md用于架构设计。
• tasks.md列出任务清单。
• 执行任务。

阶段一：通过MCP集成Telegram机器人与Jira

基于FastAPI创建机器人：接入Jira MCP，在Telegram中响应。令牌存储在.env文件中。AI处理Atlassian MCP调用。

• 成果： 本地机器人，基础聊天功能。
• 技术栈： Python、FastAPI、Gemini API、Atlassian MCP。

服务器：@aashari/mcp-server-atlassian-jira。

阶段二：直接调用Jira API的REST请求

弃用MCP。Git初始化，主分支。脚本功能：用户管理、状态查询、项目任务（30天内）。

技能：fastapi-expert。

• 成果： 通过HTTP控制，.venv环境，.gitignore，.env.example模板。
• 技术栈： Jira REST API、requests库、Git。
• 实践： 版本控制、工具调用、API集成。

阶段三：PostgreSQL全文搜索

数据库模式：tasks、changelog。同步按钮（覆盖旧数据）。AI使用全文搜索（tsvector/tsquery、BM25）获取前5条结果。

• 成果： 本地存储，快速搜索。
• 技术栈： PostgreSQL全文搜索、原生SQL。
• 实践： 数据库设计、SQL迁移、信息检索。

安装tsvector扩展，使用DBeaver。

阶段四：向量化混合RAG

数据表：assignee、status、type（整数ID）。手动迁移。在Qdrant中向量化任务（HNSW算法）。搜索流程：前5条任务 → 通过task_id关联changelog表。

索引：assignee_id、status_id、type_id、HNSW、task_id。使用EXPLAIN ANALYZE进行查询优化。

技能：postgresql-optimization。

• 成果： 支持历史记录的语义搜索，数千条记录下的高性能。
• 技术栈： Qdrant、PostgreSQL（HNSW、tsvector）。
• 实践： RAG、混合搜索、向量数据库、查询优化。

核心收获

• 项目分步构建：从MCP到直接API、SQL、RAG。
• 聚焦实践：版本控制、索引优化、表关联、查询性能。
• AI加速开发，但产品经理掌控架构与技术栈。
• 扩展方向：双前端支持、服务器部署、AI深度集成。

— Editorial Team