AI-App-Cloud-Test — Streszczacz Notatek/Transkryptów

Stack:

• Backend: .NET 9, Microsoft Aspire (AppHost), Microsoft Orleans (Job Grain), Semantic Kernel (pipeline), Azure OpenAI (gpt-5)
• Python: FastAPI mikroserwis do czyszczenia i segmentacji tekstu
• Frontend: Next.js (App Router), TailwindCSS, Radix UI
• Styl pracy: monorepo

Architektura (MVP)

• apps/web — frontend (formularz wklejenia/uploadu, wynik streszczenia, polling statusu joba)
• src/Api — minimal API:
  • POST /api/summary/start — uruchamia job streszczenia, zwraca jobId
  • GET /api/summary/status/{jobId} — zwraca status i wynik (summary/decisions/actionItems/risks)
  • Orkiestracja: Python cleaner → SK pipeline → zapis w Orleans Grain
• python/cleaner_service — POST /clean (oczyszcza tekst, sekcje, detekcja języka)
• src/AppHost — Microsoft Aspire uruchamia całość (API + kontener dla Python)

Wymagane narzędzia

• .NET 9 SDK
• Node.js 20+
• Python 3.11+
• Docker Desktop
• Azure OpenAI (wdrożenie modelu gpt-5, embeddings opcjonalnie)

Zmienne środowiskowe

Ustaw lokalnie (przykład dla API):

• AZURE_OPENAI_ENDPOINT
• AZURE_OPENAI_API_KEY
• AZURE_OPENAI_DEPLOYMENT_GPT5
• CLEANER_SERVICE_URL (np. http://localhost:8000)

Frontend:

• NEXT_PUBLIC_API_BASE_URL (np. http://localhost:5299)

Szybki start (lokalnie)

1. Python cleaner

   cd python/cleaner_service
   python -m venv .venv && source .venv/bin/activate # Windows: .venv\Scripts\activate
   pip install -r requirements.txt
   uvicorn main:app --host 0.0.0.0 --port 8000

2. API

   cd src/Api
   dotnet restore
   # Ustaw zmienne środowiskowe (patrz wyżej)
   dotnet run
   # Domyślnie: http://localhost:5299

3. Frontend

   cd apps/web
   npm i
   # stwórz plik .env.local na bazie .env.local.example
   npm run dev
   # http://localhost:3000

Alternatywnie — Microsoft Aspire (AppHost) uruchamia całość (API + kontener Pythona):

cd src/AppHost
dotnet run

Uwaga: wymagany Docker (AppHost zbuduje i uruchomi kontener cleaner_service).

Przepływ

• Frontend POST do /api/summary/start z tekstem → jobId
• Frontend polluje /api/summary/status/{jobId} aż status = done → render wyników
• API: dzwoni do Python /clean → SK pipeline (summary → decisions → actionItems → risks)

TODO po MVP

• Upload plików (PDF/MD/TXT)
• Retry i reminders w Orleans (ponawianie niedokończonych jobów)
• Logowanie/telemetria w Aspire (OpenTelemetry)
• Testy jednostkowe pipeline’u