Technologie dobierane do procesu, danych i utrzymania
Budujemy oprogramowanie, integracje i wdrożenia AI na technologiach dobranych do procesu, danych i wymagań utrzymaniowych. Poniżej pokazujemy, jakich narzędzi używamy, do czego je stosujemy i w których projektach mamy potwierdzenie ich zastosowania.
Dane pozostają w uzgodnionym środowisku
Dane klienta pozostają na jego koncie AWS, a hosting aplikacji zapewniamy po naszej stronie zgodnie z uzgodnioną architekturą. Dostęp nadajemy tylko w zakresie potrzebnym do wdrożenia, integracji i utrzymania — przez konta, role i uprawnienia projektowe. Jeżeli dane nie mają wychodzić poza AWS, w warstwie AI dobieramy modele dostępne w AWS Bedrock.
Chmura i hosting
Korzystamy z AWS, Google Cloud i OVH zależnie od wymagań projektu, danych i integracji. Dane biznesowe mogą pozostać na koncie AWS klienta, a aplikację hostujemy i utrzymujemy zgodnie z ustaloną architekturą.
- AWS
Korzystamy z AWS przy bazach danych, plikach, politykach dostępu i usługach AI, gdy dane mają pozostać w środowisku klienta.
DynamoDB działa w badaniu CAPI turystów, gotox.pl, module monitoringu finansowego, Multiagencie i platformie AI dla firm; z S3 korzystają Multiagent, system domów modułowych i platforma AI dla firm, a z Bedrock — Multiagent i platforma AI dla firm.
- Google Cloud
Korzystamy z Google Cloud głównie do logowania OAuth i usług związanych z ekosystemem Google, gdy pasują do procesu klienta.
Google OAuth skonfigurowano m.in. w badaniu CAPI turystów, module monitoringu finansowego, gotox.pl i Multiagencie, a gotox.pl generuje Google Ads product feed.
- OVH
Używamy OVH do hostowania aplikacji na VPS, gdy projekt wymaga przewidywalnego wdrożenia i utrzymania systemu.
W platformie AI dla firm i w gotox.pl aplikacje pracują na Debian VPS z nginx, systemd i Let's Encrypt, z wdrożeniem uruchamianym jednym poleceniem.
AI, agenci i dobór modeli
Warstwę AI projektujemy jako część systemu, nie jako osobny czat. Model dobieramy do konkretnego kroku procesu: zadań masowych, rozumowania, pracy na dokumentach firmy albo generowania grafiki.
- Agenci AI
Budujemy agentów, którzy korzystają z instrukcji, plików wiedzy i moderatora, a wynik przekazują do ustalonego procesu.
W multiagent użytkownik tworzy agentów i zespoły, moderator prowadzi rundy i zamyka dyskusję jedną odpowiedzią, a pliki mogą być wejściem rozmowy oraz wynikiem w formacie .docx.
- Dobór modelu do zadania
Nie używamy jednego modelu do wszystkiego. Claude Haiku lub modele Haiku-class wybieramy do prostych zadań masowych, a GPT-5 lub Claude — do zadań wymagających rozumowania.
W multiagent katalog modeli odświeża się od dostawców i obejmuje 73 modele OpenAI oraz 52 modele Bedrock, podzielone na poziomy basic, standard i premium.
- AWS Bedrock
Używamy Bedrock, gdy dokumenty i dane mają pozostać w AWS, a aplikacja nadal potrzebuje modeli i baz wiedzy.
W platformie AI dla firm aplikacja obsługi klienta odpowiada z dokumentów firmy przez Bedrock knowledge bases i mierzy zużycie tokenów dla każdego żądania.
- Kontrola faktów w AI
Model może pisać tekst i pomagać w klasyfikacji, ale dane liczbowe, tabele techniczne i braki kontrolujemy kodem oraz bramkami publikacji.
W projekcie detoxled.pl opisy produktów KLP / HELLA powstawały wyłącznie na podstawie faktów, tabela techniczna była renderowana kodem, a strony prawne miały markery [[TO FILL]] i blokadę publikacji.
E-commerce i płatności
Integracje e-commerce projektujemy wokół katalogu produktów, cen, płatności, stanów magazynowych i obsługi zamówień. Łączymy platformę sklepu, panel administracyjny, płatności i automaty importu danych.
- Shoper
Korzystamy z Shoper REST API przy migracjach, stronach, produktach, zdjęciach, cenach, stanach i zmianach w warstwie sklepu.
Dla detoxled.pl wykonano migrację IdoSell → Shoper z mapą 3 400 adresów, w tym 3 237 produktów, 79 kategorii, 44 serie i blog, oraz publikacją stron przez API.
- Przelewy24
Integrujemy Przelewy24 w procesie rejestracji transakcji, weryfikacji, obsługi powiadomień i uzgadniania płatności.
W gotox.pl działa mechanizm register / verify / notifications / reconciliation loop, a reguła opłaty jest utrzymywana identycznie w TypeScript i Pythonie przez test.
- Stripe
Używamy Stripe do planów, doładowań, płatności subskrypcyjnych i webhooków.
W multiagent Stripe obsługuje kredyty, plany, doładowania i webhooki, a platforma AI dla firm ma analogiczne integracje płatnościowe.
Organizacja pracy technicznej
Praca techniczna musi zostawiać ślad w zadaniach, kodzie i decyzjach, tak żeby system dało się utrzymywać. Dlatego rozdzielamy planowanie zadań od repozytorium kodu i dokumentujemy integracje.
- Jira
Prowadzimy zadania w Jira, żeby wymagania, decyzje i kolejność prac były widoczne po stronie projektu.
W platformie AI dla firm opisany jest moduł Jira Ticket Advisor w mikrofrontendzie, a Jira jest wskazana jako tracker zadań w naszej organizacji pracy.
- GitHub
Kod wersjonujemy w GitHub, z historią zmian, branchami i repozytoriami przypisanymi do projektów.
Repozytoria platformy AI dla firm, systemu domów modułowych, modułu monitoringu finansowego i Multiagenta są prowadzone w GitHub jako oddzielne bazy kodu.
Routing modeli AI według zadania
Jeden model do wszystkiego zwykle oznacza zbyt wysoki koszt prostych operacji albo zbyt słabą jakość w zadaniach wymagających rozumowania. Dlatego każdy krok procesu ma własną klasę modelu, kryterium jakości i miejsce przetwarzania danych.
| Zadanie | Klasa modelu | Dlaczego |
|---|---|---|
| Klasyfikacja i analiza danych | Claude Haiku / modele Haiku-class | To wybór do prostych, masowych kroków, w których ważne są kontrola kosztu i powtarzalność, a nie najbardziej złożone rozumowanie.W projekcie analizy materiałów i raportów Haiku analizował dane wejściowe, a mocniejszy model generował wyniki; model był parametrem --model, więc ten sam krok można było porównać na dwóch modelach. |
| Opisy produktów z faktów | GPT-4.1 / Claude Haiku | Model dostaje wyłącznie fakty i przygotowuje tekst, a liczby, tabele i warianty pozostają pod kontrolą kodu.W projekcie detoxled.pl dla katalogu KLP / HELLA opisy powstawały z cennika xlsx, zdjęć z Dropboxa i stron produktu, a tabela techniczna była renderowana kodem. |
| Teksty prawne i złożone rozumowanie | GPT-5 / Claude | W tych zadaniach ważniejsza jest jakość rozumowania i kontrola braków niż najniższy koszt pojedynczego wywołania.W projekcie detoxled.pl GPT-5 pracował nad stronami prawnymi sklepu; overlap 8-gram spadł z 84.4% do 13.2%, a markery [[TO FILL]] blokowały publikację. |
| Agenci obsługi klienta na dokumentach firmy | AWS Bedrock / Claude Sonnet | Gdy wymaganie brzmi: dane mają zostać w AWS, wybieramy modele i knowledge bases w Bedrock zamiast wysyłać kontekst poza to środowisko.W platformie AI dla firm aplikacja obsługi klienta odpowiada z dokumentów firmy w Bedrock knowledge bases i zapisuje zużycie oraz koszt tokenów per request. |
| Zespoły agentów i moderowane dyskusje | Claude Haiku-class basic + model standard/premium dla moderatora | Model o niższym koszcie może obsłużyć wiele prostych wypowiedzi agentów, a mocniejszy model zamyka dyskusję tam, gdzie potrzebna jest synteza.W multiagent katalog obejmuje 73 modele OpenAI i 52 modele Bedrock, posortowane w tier basic, standard i premium; agentów domyślnie prowadzą modele basic. |
| Generowanie grafik | GPT-5 + model edycji obrazu | Rozdzielamy brief tekstowy od obróbki obrazu, żeby zachować zgodność z realnymi zdjęciami produktu i móc sprawdzić wynik.W gotox.pl model przygotowywał brief promocji, image-edit pracował na prawdziwych zdjęciach produktów, a cena była odczytywana z gotowego obrazu. |
Model jest parametrem, nie decyzją na stałe — ten sam krok można uruchomić na dwóch modelach i porównać wynik przed wdrożeniem.
Porozmawiajmy o architekturze systemu: danych, integracjach, AI, płatnościach i utrzymaniu.
Napisz, jakie systemy działają już w firmie, gdzie dane są przepisywane ręcznie i co ma się zmienić po wdrożeniu. W odpowiedzi zaproponujemy kolejny krok rozmowy.