Case Study
J.A.R.V.I.S.
Mark I
Asystent AI konwertujący naturalny, nieustrukturyzowany język na uporządkowane dane w kalendarzu i systemie zadań, wspierany dynamicznym routingiem modeli (Ollama, OpenAI, Anthropic).
Problem
Zarządzanie czasem wymaga żmudnego przeklikiwania się przez kalendarze i aplikacje do notatek. Szybkie myśli ("w piątek wieczorem obiad z Anną") umykają, jeśli nie zostaną od razu skatalogowane.
Rozwiązanie
Zbudowałem backendowego asystenta w Pythonie:
- NLP na JSON — ekstrakcja czasu, miejsca i intencji z potocznej mowy
- Model Routing — inteligentny dobór modelu (od lokalnej Llama3 po GPT-4) na bazie złożoności zadania
- Pamięć Kontekstowa — rozumienie określeń typu "w przyszłym tygodniu" lub "pojutrze"
Podejście i Wnioski
Ten projekt był dla mnie wejściem w inżynierię promptów i budowanie orkiestratorów AI. Nauczył mnie tworzenia systemów, w których to oprogramowanie decyduje, jakiego LLMa (Cloud vs Local) użyć dla zachowania najlepszego balansu między kosztem, szybkością a precyzją.
PythonLangChain / LLM APIsOllamaData Extraction
Zobacz kod