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 vyvíjím sám 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
- ReactViteNext.jsTailwind CSS
- Backend
- PythonGeminiClaude
- Databáze
- QdrantPostgreSQL
- Nástroje
- Google AnalyticsMicrosoft Clarity
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
- 01
Znalosti ve firmě existují roztroušeně a často jen v hlavách lidí
- 02
Zachytit know-how tak, aby to zkušeného člověka nestálo hodiny psaní
- 03
Vyhledávání podle podobnosti vrací útržky bez kontextu
- 04
Do systému jdou nejcennější firemní data, takže bezpečnost nesmí být dodatkem
- 05
Vysvětlit hodnotu AI produktu návštěvníkovi webu za pár vteřin
- 06
Kombinace více modelů a datových úložišť ve funkčním celku
Řešení
- 01
Čtyři vstupní cesty včetně hlasu a videa: stačí popsat postup nahlas
- 02
AI vstup sama zpracuje, roztřídí a připraví do znalostní báze
- 03
Ukládání souvislostí mezi informacemi, díky čemuž odpověď drží kontext
- 04
Bezpečnost dat řešená od návrhu jako priorita produktu
- 05
Web produkt nepopisuje, ale předvádí: RAG asistent nad znalostmi o MAIstru je na stránce k vyzkoušení
- 06
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
průběžně
Ověření problému
Problém pojmenovaný v rodinné firmě, rozhovory a ověření, že jej řeší i další firmy
iterace
Prototyp znalostní báze
Zpracování vstupů pomocí AI, návrh ukládání souvislostí, vektorové vyhledávání v Qdrantu
iterace
Aplikace a agenti
Rozhraní v Reactu s Vite, Python backend, specializovaní agenti a trénovací workflow
iterace
Web a uvedení produktu
Prezentační web na Next.js a Tailwindu s vlastním RAG asistentem, měření přes Google Analytics a Clarity
aktuálně
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.