مشاوره معماری سیستم‌های هوشمند چند-عاملی (Agentic AI Architecture Review)

شرح پروژه

 عنوان پروژه: مشاوره معماری سیستم‌های هوشمند چند-عاملی (Agentic AI Architecture Review)
نوع همکاری: مشاوره‌ای / کوتاه‌مدت (Senior/CTO Level)

تمرکز: معماری سیستم، هوش مصنوعی مولد (GenAI)، و سیستم‌های چند-عاملی (Multi-Agent)

درباره پروژه:

ما یک گروه تحقیقاتی هستیم که در حال توسعه یک سیستم هوشمند برای دیجیتالی‌کردن شهود انسانی (Expert Intuition) هستیم. ما از فاز جمع‌آوری داده عبور کرده‌ایم و اکنون قصد داریم یک سیستم "Agentic AI" طراحی کنیم که بتواند داده‌های چندرسانه‌ای (تصاویر چارت، ویس‌های توضیحی و متادیتا) را از کانال‌های خصوصی دریافت کرده و از طریق یک "شورای ایجنت‌ها" (Council of Agents) پردازش کند.

این سیستم شامل چندین ایجنت تخصصی (مثلاً ایجنت بینایی برای تحلیل تصویر، ایجنت منطقی برای بررسی قوانین، و ایجنت مدیریت ریسک) است که باید با هم تعامل داشته باشند و "حافظه بلندمدت" (Long-term State) را مدیریت کنند.

چالش اصلی: ما به یک معمار ارشد نیاز داریم تا قبل از شروع پیاده‌سازی، معماری پیشنهادی ما (مبتنی بر LangGraph و مدل‌های VLM) را نقد و اعتبارسنجی کند.

 
هدف این موقعیت شغلی (The Ask):
ما نیازی به کدنویسی نداریم. ما به تجربه و دیدگاه استراتژیک شما نیاز داریم تا مطمئن شویم استک تکنولوژی انتخابی ما برای هندل کردن State‌های پیچیده و لوپ‌های تصمیم‌گیری (Reasoning Loops) مناسب است و دچار پیچیدگی‌های غیرضروری (Over-engineering) نمی‌شویم.

شرح وظایف و خروجی‌های مورد انتظار:
۱. ممیزی معماری ایجنتیک (Agentic Architecture Audit):

بررسی سناریوی پیشنهادی ما برای استفاده از LangGraph جهت مدیریت گردش کار ایجنت‌ها (Stateful Workflows).
پاسخ به این سوال: "آیا برای مدیریت State بین ایجنت‌ها (مثلاً یادآوری تحلیلی که ۴ ساعت پیش انجام شده)، استفاده از LangGraph روی Supabase کافی است یا نیاز به راهکار دیگری داریم؟"
۲. ارزیابی پایپ‌لاین چندرسانه‌ای (Multimodal Pipeline):

بررسی فلو: Telegram (Ingestion) -> Whisper (Audio) + GPT-4o/VLM (Vision) -> Vector DB (RAG).
پیشنهاد راهکار برای بهینه‌سازی هزینه و سرعت (Latency) در هنگام استفاده از مدل‌های سنگین Vision.
۳. استراتژی حافظه (Memory & RAG):

بررسی مکانیزم‌های RAG (بازیابی اطلاعات) برای اینکه ایجنت‌ها بتوانند "تصمیمات مشابه گذشته" را از دیتابیس برداری (Vector DB) فراخوانی کنند.
۴. خروجی نهایی (Deliverable):

یک گزارش فشرده (Technical Validation Doc) شامل تایید معماری، ریسک‌های شناسایی شده و پیشنهادات اصلاحی برای تیم توسعه‌دهنده.
 
تکنولوژی‌های محوری (Tech Stack Focus):
Orchestration: LangGraph / LangChain
AI Models: OpenAI Whisper, GPT-4o / Qwen-2.5-VL
Backend: Python (Async), Supabase (PostgreSQL + pgvector)
Infrastructure: Serverless vs. Dedicated VPS
مهارت‌های مورد نیاز:
تجربه عملی در طراحی و پیاده‌سازی سیستم‌های LLM / Agentic AI.
آشنایی عمیق با چالش‌های State Management در سیستم‌های هوشمند.
تجربه کار با Vector Databases و پیاده‌سازی RAG روی داده‌های غیرمتنی (تصویر/چندرسانه‌ای).
نگرش "MVP-First": توانایی پیشنهاد راهکارهای چابک و پرهیز از پیچیدگی‌های Enterprise در فاز اولیه.
 
نحوه ارسال پیشنهاد:
این پروژه برای یک متخصص با تجربه (Architect/CTO) تخمین زده شده بین ۱۰ تا ۱۵ ساعت کار مفید است. لطفاً موارد زیر را ارسال کنید:

۱. لینکدین یا رزومه.

۲. اشاره کوتاه به تجربه‌ای که در زمینه طراحی سیستم‌های Agentic یا کار با LangGraph/LangChain داشته‌اید.

۳. نرخ پیشنهادی (ساعتی یا پروژه‌ای) برای فاز مشاوره و معماری.

مهارت ها و تخصص های مورد نیاز

درباره کارفرما

کاربر749035

عضویت چهار روز پیش

1 پروژه ثبت شده ،

0 پروژه در حال انجام ،

1 پروژه آماده دریافت پیشنهاد ،

نرخ پذیرش پیشنهاد 0%