Jak połączyliśmy LangChain z Outline, tworząc inteligentnego asystenta dokumentacji w OmniMES

Wstęp

W świecie przemysłowego IT, gdzie dokumentacja techniczna rośnie szybciej niż produkcja w szczycie sezonu, znalezienie konkretnej informacji staje się wyzwaniem. Dlatego postanowiliśmy połączyć dwa potężne narzędzia: LangChain i Outline, tworząc inteligentnego asystenta dokumentacji, który rozumie pytania użytkowników i odpowiada na nie na podstawie aktualnej bazy wiedzy.

W tym artykule pokażemy krok po kroku, jak zrealizowaliśmy to wdrożenie w naszym systemie OmniMES. Efekt możesz zobaczyć i przetestować tutaj:
Chatbot Omnimes

Narzędzia, które połączyliśmy

Outline

Open-source'owy system do zarządzania dokumentacją. Intuicyjny, wspiera Markdown, wersjonowanie, prawa dostępu i webhooki. W naszym przypadku służy jako źródło wiedzy, do którego odwołuje się nasz chatbot.

LangChain

Framework do budowy aplikacji opartych na dużych modelach językowych (LLM). Umożliwia integrację z bazami wektorowymi, LLM API i źródłami danych w celu budowania systemów pytanie-odpowiedź, agenta AI czy asystenta dokumentacji.

Co zbudowaliśmy?

Stworzyliśmy inteligentnego asystenta dokumentacji technicznej, który:

Indeksuje treści dokumentacji w Outline do bazy wektorowej (FAISS)
Synchronizuje dokumentację automatycznie dzięki webhookom
Pozwala zadawać pytania językiem naturalnym i otrzymywać odpowiedzi z konkretnych fragmentów dokumentacji

Przykład wykorzystania możesz zobaczyć w praktyce tutaj:
Chatbot Omnimes Działa w oparciu o dokumentację m.in. tego komponentu:
Dokumentacja Omnimes

Architektura rozwiązania

Pozyskiwanie danych – Outline przechowuje dokumentację w PostgreSQL.
Webhook trigger – Zmiana w dokumencie wywołuje webhook pod /webhook/outline/documents.
LangChain pipeline – Webhook przetwarza zawartość, dzieli ją na chunk'i i aktualizuje wektorową bazę danych FAISS.
Interfejs użytkownika – Frontend Vue (PrimeVue) kieruje pytania do API FastAPI + LangChain, który:
- Wyszukuje najbardziej pasujące dokumenty (vector similarity)
- Przesyła je jako kontekst do modelu GPT (np. GPT-4o)
- Zwraca odpowiedź opartą na rzeczywistej dokumentacji

Przykładowy scenariusz

Pytanie: „Jakie dane są wymagane przy uruchamianiu zlecenia produkcyjnego?”
Odpowiedź AI:
„Zgodnie z dokumentem Profil systemu OMNIMES, przy uruchamianiu zlecenia wymagane są: numer zlecenia, produkt, ilość docelowa, operator oraz przypisanie do linii produkcyjnej.”

Co zyskaliśmy?

Błyskawiczny dostęp do wiedzy
Naturalna forma interakcji z dokumentacją
Dynamiczne aktualizacje wiedzy bez restartów systemu
Znaczące odciążenie zespołu wsparcia technicznego

Dla kogo to rozwiązanie?

Dla każdej firmy, która:

Ma rozbudowaną dokumentację techniczną
Chce ułatwić pracownikom i klientom szybki dostęp do wiedzy
Szuka realnego zastosowania AI w codziennej pracy

Podsumowanie

Połączenie Outline i LangChain daje realne, mierzalne korzyści. Nie jest to tylko futurystyczna zabawka – to narzędzie, które już teraz zmienia sposób pracy z dokumentacją techniczną.
Co więcej, LangChain znajduje zastosowanie nie tylko w obsłudze dokumentacji, ale również w budowie agentów AI, systemów przetwarzania danych, analizy zapytań SQL, integracji z bazami wiedzy, a nawet automatyzacji procesów biznesowych opartych na języku naturalnym.

← Powrót do bloga