ThinkSpace
AI-powered Knowledge Operating System
! Problem biznesowy
Firmy posiadają ogromne ilości wiedzy ukrytej w dokumentach, mailach i notatkach. Problemem nie jest brak informacji — lecz brak sposobu na jej szybkie odnalezienie i zastosowanie w kontekście konkretnej sprawy.
✓ Rozwiązanie
Silnik ekstrakcji wiedzy (Core Engine) z processingiem PDF, pełnotekstowym wyszukiwaniem PostgreSQL FTS, grounded Q&A opartym na Claude (Anthropic), deterministycznym odkrywaniem workspaces (bez LLM) i niezmiennym logiem decyzji gwarantującym transparentnosc kazdej zmiany.
Architektura systemu
Pipeline przetwarzania dokumentów:
PDF / TXT / MD → Ingestion → Raw Storage (Supabase)
↓
PdfExtractor → artifact_sources (per strona)
↓
SlidingWindowChunker → document_chunks (1500 chars / 200 overlap)
↓
Retriever (FullTextRetriever / KeywordRetriever)
PostgreSQL FTS + ts_rank RPC
↓
Prompt builder (grounding rules + numerowane źródła)
↓
LLM (Anthropic Claude) → Grounded answer + cytowania [S#] Core Engine
Domain-agnostyczny silnik ekstrakcji wiedzy. Niezmienna architektura — domain packs (Legal, Medical) rozszerzają Core bez modyfikacji.
Grounded Q&A
Odpowiedzi wyłącznie na podstawie zaindeksowanych dokumentów. Każda odpowiedź zawiera cytowania [S#] i raport zakresu wyszukiwania.
Workspace Discovery
Deterministyczny silnik odkrywania spraw: 6 plugowalnych reguł, tierowane klastrowanie. Zero wywołań LLM — wyjaśnialne propozycje z confidence buckets.
Immutable Decision Log
Każda zmiana organizacji wiedzy to append-only wpis w workspace_decisions. Stan workspace to fold logu decyzji — pełna audytowalność.
Zakresowe wyszukiwanie
Każde zapytanie rozwiązuje zakres (workspace / repository / dokumenty) server-side. Klient nie jest trusted — scope jest wymuszany na poziomie bazy danych.
AI Provider Abstraction
LLM jest jednym komponentem za interfejsem Retriever. Zmiana providera nie wymaga refaktoryzacji. Obsługuje Claude, GPT, lokalne modele.
Zrealizowane funkcjonalności
- Pipeline ingestion: PDF → ekstrakcja stron → chunking → PostgreSQL FTS
- Grounded Q&A — odpowiedzi wyłącznie z zaindeksowanych dokumentów, z cytowaniami
- Deterministyczny silnik odkrywania workspace (6 reguł, zero wywołań LLM)
- Niezmienny log decyzji — każda zmiana organizacji wiedzy jest audytowalna
- Zakresowe wyszukiwanie: odpowiedzi ograniczone do konkretnej sprawy/workspace
- Abstrakcja providera AI — architektura umożliwia zmianę modelu bez refaktoryzacji
- Pluginowa architektura domain packs (Legal → Medical → Engineering)
- Benchmark pipeline z golden dataset (Legal corpus, 47 dokumentów)
Etapy realizacji
Core Engine
Ingestion pipeline, PDF extraction, sliding-window chunking, Supabase storage, keyword retrieval.
Grounded Q&A
FullTextRetriever (PostgreSQL FTS), prompt builder z grounding rules, Anthropic Claude integration, cytowania.
Retrieval quality
Native ts_rank RPC, benchmark pipeline z golden dataset, FTS jako default retriever.
Document Intelligence
Inventory search (deterministyczny), AI document profiles z provenance, Document Catalog UI.
Workspace Lifecycle
Deterministyczny discovery engine, accepted workspaces, immutable decision log, move/split/merge.
Scoped Retrieval
Zakresowe wyszukiwanie (ADR 0006), scope banner UI, fail-closed empty workspace, demo deployment.
Kluczowe zasady projektowe
Stack technologiczny
Dane projektu
- Status
- Demo / Beta
- Sprinty
- 18
- Migracje DB
- 10
- Vertikale
- Legal → Medical → ...
- Benchmark
- 47 doc golden dataset
- Deployment
- Vercel (demo)
Demonstracja aplikacji dostępna na żądanie. Skontaktuj się, aby umówić prezentację.
Umów prezentację