Case study

Wieloagentowy asystent AI dla Genie Vault

Asystent AI dla brytyjskiej aplikacji zakupowej: odpowiada na pytania o wydatki, rysuje wykresy w czacie i nigdy nie wymyśla liczb.

Branża
Consumer & Retail Tech
Kraj
Wielka Brytania
Czas
W toku
Zespół
Doświadczony zespół interdyscyplinarny
Genie AI: Zakupowy Doradca
01 Punkt wyjścia

Z czym przyszedł klient

Genie Vault to konsumencka aplikacja na rynek brytyjski zbudowana wokół prostej idei: każdy zakup ma być wreszcie do czegoś przydatny. Użytkownicy skanują papierowe paragony telefonem albo przekazują potwierdzenia zamówień online na osobisty adres w aplikacji. Każdy zakup staje się częścią ich osobistej pamięci zakupowej, rozbity na produkty, ceny, sklepy i daty. Z tej pamięci korzysta Genie, asystent AI, z którym rozmawia się naturalnym językiem. Tam, gdzie wyciąg z banku pokazuje tylko kwotę transakcji, Genie wie, co naprawdę zostało kupione: odpowiada na pytania o wydatki, porównuje sklepy, pokazuje trendy na wykresach w czacie i podsuwa oferty dopasowane do tego, co użytkownik faktycznie kupuje. Ponieważ asystent operuje na pieniądzach użytkowników, jego odpowiedzi muszą opierać się wyłącznie na prawdziwych danych zakupowych. Aplikacja działa na rynku brytyjskim w otwartej becie, a jej wartość stoi na dwóch rzeczach: jakości danych zakupowych i zaufaniu do każdej odpowiedzi, której udziela Genie.

Asystent musiał radzić sobie z tym, jak ludzie naprawdę piszą: kilka próśb w jednej wiadomości, nieprecyzyjne pytania wymagające dopytania, długie rozmowy. Platforma potrzebowała jednocześnie przewidywalnych kosztów modeli przy konsumenckiej skali, odporności na awarię pojedynczego dostawcy AI oraz pełnego wglądu w to, co AI robi i dlaczego. Wszystko to wewnątrz platformy kilkunastu mikroserwisów, rozwijanej równolegle z samym asystentem.

02 Co zrobiliśmy

Co dostarczyliśmy

01

Architektura wieloagentowa

Pierwszy agent rozpoznaje, o co prosi użytkownik, rozbija wiadomość na pojedyncze zadania i przekazuje je wyspecjalizowanym agentom: od dodawania paragonów, statystyk wydatków, częstych pytań i swobodnej rozmowy. Na końcu osobny agent składa wyniki w jedną odpowiedź, a przy niejednoznacznych pytaniach asystent dopytuje, zamiast zgadywać.

02

Odpowiedzi oparte na prawdziwych danych

Agenci sięgają po dane zakupowe wyłącznie przez kontrolowany zestaw narzędzi, z zabezpieczeniami i automatycznymi ponowieniami. Ścisłe reguły gwarantują, że każda kwota w odpowiedzi pochodzi z danych użytkownika, a gdy danych brakuje, asystent mówi o tym wprost.

03

Warstwa modeli z wieloma dostawcami

Asystent korzysta z modeli kilku dostawców dostępnych za jednym wspólnym interfejsem, w tym z modeli uruchamianych na własnej infrastrukturze. Zmiana modelu to zmiana konfiguracji, co uniezależnia produkt od awarii i cenników pojedynczego dostawcy.

04

Kontrola kosztów

Wbudowane limity budżetu ograniczają koszt każdej rozmowy, a długie czaty są po drodze streszczane, dzięki czemu koszty modeli pozostają przewidywalne w miarę wzrostu liczby użytkowników.

05

Asystent dopasowany do użytkownika

Nowy użytkownik z trzema paragonami dostaje inne odpowiedzi i podpowiedzi niż ktoś z rocznym archiwum zakupów. Aplikacja ocenia, jak pełny jest obraz zakupów danej osoby, dopasowuje do tego rozmowę i podpowiada, co warto uzupełnić.

06

Wykresy w rozmowie

Przy pytaniach o statystyki asystent oznacza miejsce na wykres, a aplikacja mobilna renderuje go natywnie w czacie.

07

Pełen wgląd w działanie AI

Każda rozmowa jest rejestrowana razem z informacją, z jakich danych skorzystał asystent, ile trwała odpowiedź i ile kosztowała. Gdy coś budzi wątpliwości, zespół może odtworzyć dokładnie, co się wydarzyło.

03 Jak pracowaliśmy

Jak prowadziliśmy prace

Współpracę zaczęliśmy od analizy: zmapowaliśmy rozmowy, które użytkownicy naprawdę będą prowadzić, i ustaliliśmy, co znaczy dobra odpowiedź. Na tej podstawie zbudowaliśmy pilotaż, który miał sprawdzić dwie rzeczy: czy pomysł działa i czy użytkownicy będą z takiej aplikacji korzystać. Klient przetestował go, między innymi w testach konsumenckich, i dopiero pozytywne wyniki otworzyły decyzję o dalszej budowie. Od tego momentu rozbudowujemy system iteracyjnie: kolejne funkcje trafiają do użytkowników po testach na prawdziwych rozmowach, a całość jest zbudowana tak, żeby działała bez nas. Chronią ją limity zapytań i twarde limity budżetu, a każdą odpowiedź można prześledzić wstecz do danych, z których powstała.

Genie Vault to produkcyjne AI w prawdziwym produkcie konsumenckim: wyspecjalizowani agenci, niezależność od dostawcy, kontrola kosztów i pełen wgląd w każdą rozmowę.

Zakres prac

Budujemy Genie Vault od początku do końca: backend, AI i mobile.

Projekt architektury wieloagentowej: rozpoznawanie i rozdzielanie próśb użytkownika, wyspecjalizowani agenci, składanie odpowiedzi i dopytywanie przy niejednoznacznych prośbach.

Budowa warstwy udostępniającej modele różnych dostawców za jednym interfejsem, z konfiguracją modelu i parametrów dla każdego agenta.

Implementacja warstwy narzędzi dającej agentom bezpieczny, kontrolowany dostęp do danych paragonów i statystyk, z ponowieniami i limitami budżetu.

Rozwój aplikacji mobilnej w React Native: skanowanie paragonów, czat, historia zakupów i natywne renderowanie wykresów.

Budowa wewnętrznej konsoli operacyjnej do przeglądania rozmów, interakcji AI i jakości danych w całej platformie.

Utrzymanie platformy na GCP z Kubernetes, Helmem i Terraformem, łącznie ze zdarzeniową komunikacją Pub/Sub między usługami.

Technologie

Java + Spring Boot
LangChain4j z Gemini i OpenAI
Google Cloud Platform
Kubernetes + Terraform
PostgreSQL
React Native
Co mówią o nas klienci
What stands out most is the level of involvement and commitment from Codino’s management team throughout the project. They remain closely engaged, pay strong attention to detail, and at the same time maintain a broader view of the platform and its long-term objectives.
Mohsin RashidCEO, Genie Vault

Porozmawiajmy o Twoim projekcie

Skontaktuj się
Maciej Roman|CEO i współzałożyciel

Nie wiesz, od czego zacząć? Zacznij od audytu gotowości na AI