Łukasz Szymański
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