1. Kontekst i problem
Docelowy użytkownik: specjalista, który pracuje z dużą ilością dokumentów tekstowych i musi podejmować decyzje na podstawie precedensów.
Istota problemu: praca z otwartym rejestrem dokumentów zajmuje nadmiernie dużo czasu:
- wyszukiwanie wymaga ręcznego dobierania słów kluczowych i filtrów, przeglądania dziesiątek-setek dokumentów;
- aby ocenić istotność dokumentu, specjalista musi ręcznie zapoznawać się z treścią i porównywać ją z konkretnym przypadkiem;
- rejestr nie daje statystyk wyników w konkretnych okolicznościach — wszystko oceniane jest „na oko”;
- potrzebna jest osobna analiza masowej praktyki (typowe przypadki niższego poziomu) i praktyki wyższego/organu kontrolującego (poziom precedensowy).
2. Cel projektu
Opracować agenta AI na bazie Claude, który na podstawie opisu sytuacji w naturalnym języku samodzielnie znajduje istotne dokumenty w rejestrze, analizuje ich treść, formuje statystyki wyników i wydaje użytkownikowi gotowy raport analityczny z odnośnikami do źródeł.
3. Architektura rozwiązania
Ponieważ Claude nie ma natywnego dostępu do zewnętrznego rejestru, rozwiązanie budowane jest na zasadzie RAG (Retrieval-Augmented Generation):
- Zapytanie — użytkownik opisuje sytuację swobodnym tekstem (np.: „Wydarzyło się zdarzenie X w okolicznościach Y, jakie typowe wyniki rozpatrzenia podobnych przypadków?”).
- Wyszukiwanie (Retrieval) — system zwraca się do bazy dokumentów (zewnętrzne API lub własna baza wektorowa na otwartych danych) i wydobywa top-50/100 najbardziej istotnych dokumentów.
- Analiza (Claude) — agent przetwarza znalezione teksty, klasyfikuje je, wyodrębnia istotę i formuje podsumowanie.
4. Wymagania funkcjonalne
4.1. Moduł integracji z danymi
- Źródło danych: zewnętrzne API rejestru lub otwarte dane (OpenData).
- Wektoryzacja tekstów przez embeddings i przechowywanie w wektorowej bazie danych (Pinecone, Milvus, Qdrant) — dla semantycznego wyszukiwania według treści, a nie tylko według dokładnych słów.
- Filtrowanie bazy według poziomu organu (pierwotny / pośredni / wyższy), okresu, kategorii przypadków.
4.2. Moduł AI-analizy (na bazie Claude)
Poprzez systemowe prompty agent ma:
- Ekstrakcję faktów — sprawdzać zgodność okoliczności znalezionego dokumentu z zapytaniem użytkownika; nieistotne odrzucać.
- Określenie wyniku — jednoznacznie klasyfikować część końcową: zaspokojono w pełni / częściowo / odmówiono (lub odpowiedni ekwiwalent dla konkretnej dziedziny).
- Podsumowanie — krótki (1-2 zdania) opis pozycji lub przyczyny wyniku dla każdego istotnego dokumentu.
4.3. Moduł statystyczny
Na podstawie przefiltrowanych i przeanalizowanych dokumentów system wyprowadza:
- ogólną liczbę istotnych przypadków;
- procent wyników: % „zaspokojono” / % „częściowo” / % „odmówiono”;
- rozdział wyników według poziomów organu (np. „na poziomie pierwotnym zaspokaja 80%, ale wyższy organ w 90% przypadków uchyla”).
4.4. Interfejs użytkownika
Minimalistyczny UI:
- pole wprowadzania opisu sytuacji;
- panel filtrów (daty, poziom organu);
- dashboard wyników:
- wykres/procent pozytywnych i negatywnych wyników;
- tekstowe podsumowanie (executive summary) od Claude;
- tabela przeanalizowanych dokumentów: [Numer dokumentu] | [Istota w jednym zdaniu] | [Wynik] | [Link do źródła].
5. Etapy realizacji (MVP)
- Badanie danych — konfiguracja wyciągania dokumentów z rejestru (próbka testowa, np. 10 000 dokumentów w wybranej kategorii).
- Opracowanie pipeline'u RAG — konfiguracja bazy wektorowej i semantycznego wyszukiwania.
- Integracja API Claude — pisanie i testowanie systemowych promptów, aby model bez halucynacji określał status przypadku i pisał podsumowanie.
- Budowa interfejsu — podstawowa aplikacja webowa (lub interfejs bota na początku) do testowania przez użytkownika.
