Problem
Klienci Landingi mają dostęp do dużej ilości danych o swoich landing page’ach, ale samo posiadanie danych nie mówi im, co poprawić. Solis interpretuje te dane i zamienia je w konkretne rekomendacje.
Moja rola
Warstwa frontowa produktu oraz agent AI. Endpointy, z których agent korzysta w swoich skillach, powstały po stronie backendu; architekturę całości ustalaliśmy wspólnie w zespole. Agent korzysta między innymi z danych zbieranych przez EventTracker, którego architekturę i frontend budowałem wcześniej.
Co zbudowałem
- Agent AI oparty o Mastrę — pojedynczy agent z zestawem skilli sięgających po dane o stronie i zachowaniu użytkowników.
- Dobór modelu pod kątem relacji kosztu do jakości odpowiedzi, zamiast domyślnego sięgania po najdroższy dostępny.
- Historia rozmowy w wątkach, utrzymywana po stronie backendu.
- Odpowiedzi w markdownie streamowane do interfejsu, żeby użytkownik widział tekst w trakcie generowania, a nie czekał na całość.
- Udział w generowaniu insightów w tle: strony klientów są analizowane pod kątem kilku aspektów, razem z danymi behawioralnymi z EventTrackera, a sam insight powstaje w przepływie zbudowanym w n8n.
Wyzwania
01 · Koszt wywołań modelu
Ograniczany przez skracanie kontekstu przekazywanego do modelu oraz cache, zamiast wysyłania pełnych zestawów danych przy każdym zapytaniu.
02 · Niedeterminizm
Odpowiedź modelu nie jest powtarzalna, więc interfejs i przepływ muszą znosić zmienną jakość i formę wyniku.
03 · Błędy i timeouty modelu
W zależności od tego, co konkretnie zawiodło, użytkownik dostaje odpowiedni widok błędu z możliwością ponowienia pytania, zamiast pustego ekranu.
Efekt
- Z funkcjonalności korzysta kilkuset klientów, którzy aktywnie pytają o insighty i dane, żeby poprawiać skuteczność swoich landing page’y.