Лаборатория 3: Прототипирование MVP
Первый рабочий прототип с базовой функциональностью, API, базой данных и baseline AI моделью
🚀 Лабораторная 3: Прототипирование MVP
Создать первый рабочий прототип системы: API работает, база данных запущена, baseline AI модель отвечает на запросы, интерфейс показывает результаты. От документации к коду!
📊 Sprint Dashboard
Основной вопрос спринта
"Работает ли концепция?"
Команда должна доказать техническую осуществимость проекта через работающий код: API отвечает, база данных хранит, AI модель генерирует.
Каждая роль создает Pull Request со своими артефактами.
Ветка: lab3-[role]-prototype, PR: Lab3: [Role] — Prototype Deliverables
🎯 Задачи по ролям
FULLSTACK ENGINEER
Создание каркаса приложения, API и базового UI
Ответственность
Создать работающий каркас фронтенда и бэкенда: React интерфейс взаимодействует с FastAPI, данные сохраняются в БД, есть интеграция с AI моделью.
Каркас фронтенда
- Базовая структура Next.js приложения
- 3-5 ключевых страниц по use-cases
- Tailwind CSS стили и layout
- Компоненты для отображения AI ответов
frontend/src/app/ + components/FastAPI сервис
- Базовая структура FastAPI проекта
- 5-7 эндпоинтов по use-cases
- Pydantic модели для валидации
- CORS и middleware настройка
backend/app/main.py + routers/Интеграция с БД
- SQLAlchemy/Prisma модели данных
- Миграции базы данных
- CRUD операции для сущностей
- Хранение результатов AI
backend/models/ + migrations/Интеграция bolt.ai/V0
- Быстрое прототипирование UI через bolt.ai
- Генерация компонентов React
- Адаптация кода под проект
- Документирование процесса
docs/bolt-integration.md- • Используйте bolt.ai для быстрого прототипирования
- • Настройте hot reload для быстрой разработки
- • Обрабатывайте ошибки AI на уровне UI
- • Добавьте loading states для запросов
Итоговые артефакты
frontend/src/app/ — Next.js приложениеbackend/app/main.py — FastAPI сервисbackend/models/ — Модели БДdocs/bolt-integration.mdml/models/baseline.pyml/tracing/langfuse_config.pynotebooks/baseline_experiments.ipynbbackend/routers/ai.pydocker-compose.ymlbackend/Dockerfile + frontend/Dockerfiledocker-compose.langfuse.yml.github/workflows/ci.ymldocs/requirements-v2.mddocs/architecture/c4-actual.mddocs/sprint4-plan.mddocs/integration-report.md🎯 Definition of Done (DoD)
Технические требования
⏱️ График работы (14 дней)
Дни 1-3: Backend + Database
- • Fullstack: FastAPI каркас, модели БД
- • AI Engineer: Baseline модель, первые промпты
- • MLOps: Dockerfiles для сервисов
- • SA/PO: Проверка требований, синхронизация
Дни 4-5: Frontend + AI
- • Fullstack: Next.js страницы, компоненты
- • AI Engineer: Интеграция Langfuse, эксперименты
- • MLOps: Docker Compose, настройка
- • SA/PO: Обновление архитектуры
Дни 6-7: Интеграция
- • Fullstack: Связка Frontend ↔ Backend
- • AI Engineer: API endpoints для модели
- • MLOps: Langfuse deployment
- • SA/PO: Интеграционное тестирование
Дни 8-10: Тестирование
- • Все роли: End-to-end тестирование
- • Исправление критических багов
- • Оптимизация производительности
- • Улучшение UX/UI
Дни 11-12: Автоматизация
- • MLOps: GitHub Actions финализация
- • AI Engineer: Метрики baseline модели
- • Fullstack: Обработка ошибок, валидация
- • SA/PO: Планирование Спринта 4
Дни 13-14: Сдача
- • Создание Pull Request'ов
- • Peer review артефактов
- • Финальная документация
- • Подготовка демо для презентации
📋 Чек-лист для самопроверки
🔧 Техническое
docker-compose up запускает все сервисы📚 Документация
🔗 Полезные ссылки
К концу спринта у вас будет рабочий прототип: пользователь открывает браузер, вводит запрос, AI модель отвечает, результат сохраняется в БД. Всё работает!