Wewnętrzna platforma AI, na której pracownicy budują własnych agentów
Proof of concept dla przedsiębiorstwa zatrudniającego ponad 10 000 osób, przeprowadzony wspólnie z 300-osobowym działem IT: wszystkie modele w jednym czacie, prywatna biblioteka dokumentów, odpowiedzi na pytania o firmowe procedury oraz dwa kreatory agentów - wizualny dla inżynierów i drag-and-drop dla pozostałych pracowników.
Kontekst
Przedsiębiorstwo zatrudniające ponad 10 000 osób chciało sprawdzić, jak powinna wyglądać wewnętrzna platforma AI, zanim zbuduje ją dla całej organizacji: miejsce, do którego pracownicy mogą wgrać własne dokumenty, zapytać o wewnętrzne procedury firmy i samodzielnie zbudować agentów działających na danych firmowych bez konieczności zakładania zgłoszeń w IT. Projekt pilotażowy (proof of concept) przeprowadzono w dziale IT liczącym około 300 osób, aby przekonać się, jakie rozwiązania pracownicy faktycznie stworzą.
Ograniczenia
- Poufne dokumenty musiały pozostać chronione: po wgraniu do prywatnej biblioteki mogły być używane wyłącznie w obszarze właściciela, bez łączenia ich we wspólną pulę.
- Wszystkie dostępne modele za jednym interfejsem, tak aby wybór modelu był zmianą ustawienia, a nie osobnym procesem zakupowym.
- Agenci mogli korzystać wyłącznie z zamkniętego katalogu narzędzi. Nowe narzędzia były dodawane po uprzedniej weryfikacji.
- Dwa rodzaje kreatorów. Inżynierowie oczekiwali wizualnego łączenia rozgałęzień, narzędzi i dokumentów; wszyscy pozostali potrzebowali rozwiązania, które można złożyć w kilka minut.
- Dwudziestu kontraktorów budujących system równolegle, co wymagało podziału platformy na serwisy z wyraźnie zdefiniowanymi granicami już od pierwszego tygodnia.
Co zbudowaliśmy
Platformę webową opartą na mikroserwisach - React i Node na frontendzie, serwisy w Pythonie na backendzie - oferującą jeden czat ze wszystkimi modelami dostępnymi w Vertex AI. Każdy użytkownik otrzymał własną bibliotekę na dokumenty, w tym pliki poufne, z możliwością ich przeszukiwania w ramach swoich uprawnień. Firmowa baza wiedzy gromadziła procedury, wytyczne i regulaminy, dzięki czemu pytanie „jaka jest polityka pracy zdalnej” zwracało odpowiedź wraz ze wskazaniem źródła. Dokumenty można było również zamienić w podcast dla osób, które wolą słuchać.
Najważniejszym elementem były dwa kreatory agentów. Zaawansowany kreator pozwalał inżynierom konfigurować agenta wizualnie: określać narzędzia, które może wywoływać, dokumenty, które może czytać, oraz ścieżki warunkowe, którymi podąża na podstawie własnych decyzji. Frontend zapisywał tę konfigurację jako plik YAML, a backend w locie przekształcał ją w agenta LangGraph. Prosty kreator działał na zasadzie „przeciągnij i upuść” (drag-and-drop) dla każdego: wystarczyło wrzucić narzędzia i dokumenty do folderu, napisać prompt wyjaśniający, jak z nich korzystać, i gotowe. Narzędziami były serwery MCP z zatwierdzonej listy, udostępniające m.in. BigQuery, dane przesyłek na żywo oraz dokumenty, podczas gdy same dane spoczywały w bazach Spanner i BigQuery.
To, co pracownicy zbudowali za pomocą platformy, dało odpowiedź na główne pytanie postawione przed proof of concept: powstały agenty pobierające dane z BigQuery oraz dane przesyłek na żywo w celu ich porównania, a także agenty decydujące o tym, jakie zadania wygenerować na podstawie wykrytych rozbieżności.
Rezultat
Działająca platforma z 300 użytkownikami oraz odpowiedzi na pytania niezbędne przed wdrożeniem produkcyjnym: jakie narzędzia udostępnić, jak izolować zakres widoczności dokumentów i co budują osoby nietechniczne, gdy dostaną do ręki prosty w obsłudze kreator. Jakub zaprojektował architekturę platformy, zbudował proof of concept i kierował projektem, a zespół dwudziestu kontraktorów wdrożył poszczególne serwisy.
Technologia
React, Node, Python, LangGraph, serwery MCP, Vertex AI, Spanner, BigQuery.