O projektu
MAIstr vznikl z reálného problému v naší rodinné firmě. Znalosti zkušených lidí žijí v hlavách, v poznámkách a v e-mailech, a když člověk odejde, odejde s ním i to, jak se věci dělají. MAIstr umožňuje know-how ukládat čtyřmi způsoby: nahrát dokument, namluvit ho, natočit video nebo prostě napsat text. AI vstup zpracuje, vytáhne z něj podstatné a uloží nejen samotnou informaci, ale i souvislosti mezi ní a tím, co už v systému je. Díky tomu jsou odpovědi přesné a relevantní, ne jen podobné dotazu. Zaměstnanec se pak zeptá přirozenou řečí a dostane odpověď okamžitě, kdykoliv. Bezpečnost dat řešíme jako prioritu, protože do systému jde to nejcennější, co firma má. Součástí projektu je i prezentační web maistr.cz postavený na Next.js a Tailwindu. Nemá jen popsat produkt, ale rovnou ho předvést: běží na něm asistent MAIstr napojený na znalostní bázi o produktu, takže návštěvník si funkci vyzkouší místo toho, aby si o ní četl. Chování na webu měříme přes Google Analytics a Microsoft Clarity a podle toho, kde lidé váhají, upravujeme jak web, tak samotný onboarding do aplikace. Projekt vzniká pod mou záštitou a je v pilotní fázi, ve které nabíráme první zákazníky.
Informace o projektu
Klient
Vlastní produkt
Platforma
Webová aplikace
Stav
Ve vývoji
Doba vývoje
Probíhá, pilotní fáze
Rok
2026
Použité technologie
Podívejte se na stack, který jsem použil pro tento projekt
Frontend
Backend
Databáze
Nástroje
Klíčové funkce
Ukládání znalostí čtyřmi způsoby: dokument, hlas, video, text
Zpracování vstupů pomocí AI a automatická tvorba znalostní báze
Uchování souvislostí mezi informacemi, ne jen izolovaných úryvků
Dotazy v přirozené řeči, odpovědi okamžitě a kdykoliv
Specializovaní agenti pro jednotlivé oblasti firmy
Přehled nezodpovězených dotazů jako podklad pro doplnění znalostí
Vektorové vyhledávání nad znalostní bází
Prezentační web na Next.js s asistentem MAIstr přímo v provozu
Měření chování návštěvníků přes Google Analytics a Microsoft Clarity
Výzvy
- 1
Znalosti ve firmě existují roztroušeně a často jen v hlavách lidí
- 2
Zachytit know-how tak, aby to zkušeného člověka nestálo hodiny psaní
- 3
Vyhledávání podle podobnosti vrací útržky bez kontextu
- 4
Do systému jdou nejcennější firemní data, takže bezpečnost nesmí být dodatkem
- 5
Vysvětlit hodnotu AI produktu návštěvníkovi webu za pár vteřin
- 6
Kombinace více modelů a datových úložišť ve funkčním celku
Řešení
- 1
Čtyři vstupní cesty včetně hlasu a videa: stačí popsat postup nahlas
- 2
AI vstup sama zpracuje, roztřídí a připraví do znalostní báze
- 3
Ukládání souvislostí mezi informacemi, díky čemuž odpověď drží kontext
- 4
Bezpečnost dat řešená od návrhu jako priorita produktu
- 5
Web produkt nepopisuje, ale předvádí: RAG asistent nad znalostmi o MAIstru je na stránce k vyzkoušení
- 6
Qdrant pro vektorové vyhledávání a PostgreSQL pro strukturovaná data
Výsledky
Know-how zůstává firmě i po odchodu zkušeného zaměstnance
Zaškolení nového člověka se opírá o odpovědi místo hledání v dokumentech
Odpovědi drží souvislosti napříč zdroji, ne jen podobnost textu
Návštěvník webu si RAG vyzkouší dřív, než se s kýmkoliv spojí
Produkt běží v pilotní fázi s prvními zákazníky
Průběh vývoje
Od analýzy po nasazení - jak probíhal vývoj projektu
Ověření problému
Problém pojmenovaný v rodinné firmě, rozhovory a ověření, že jej řeší i další firmy
Prototyp znalostní báze
Zpracování vstupů pomocí AI, návrh ukládání souvislostí, vektorové vyhledávání v Qdrantu
Aplikace a agenti
Rozhraní v Reactu s Vite, Python backend, specializovaní agenti a trénovací workflow
Web a uvedení produktu
Prezentační web na Next.js a Tailwindu s vlastním RAG asistentem, měření přes Google Analytics a Clarity
Pilotní provoz
Nábor prvních zákazníků, zpětná vazba z reálného provozu a úpravy priorit
Máte podobný projekt?
Rád Vám pomohu s realizací Vaší aplikace. Neváhejte mě kontaktovat pro nezávaznou konzultaci.
Kontaktovat