O projekcie:
Opracowujemy platformę AI do automatyzacji obiegu dokumentów. System już działa w produkcji, ale ma krytyczne problemy z jakością wyszukiwania i analizy dokumentów. Szukamy doświadczonego architekta-inżyniera, który nie tylko znajdzie problemy, ale również bezpośrednio pomoże je rozwiązać.
Aktualna sytuacja:
Działający system mikroserwisowy oparty na LLM z wyszukiwaniem w dokumentach
Niska trafność wyników wyszukiwania
Problemy z przetwarzaniem dużych/skomplikowanych dokumentów
RAG-pipeline wymaga przeróbki i optymalizacji
System przetwarza PDF/DOCX/XLSX + OCR, indeksuje w Weaviate
Co należy zrobić:
Audyty:
Przeanalizować aktualną architekturę systemu RAG (Python FastAPI + LangChain)
Ocenić efektywność pipeline'u przetwarzania dokumentów
Sprawdzić jakość pracy z Weaviate (indeksacja, retrieval, chunking)
Zidentyfikować krytyczne problemy i ich przyczyny
Określić priorytety dla refaktoryzacji
Implementacja:
Przerobić strategię chunking oraz pipeline przetwarzania dokumentów
Optymalizować embedding pipeline oraz pracę z Weaviate
Udoskonalić RAG-pipeline'y (indeksacja/cytowanie)
Optymalizować prompt engineering oraz logikę retrieval
Wdrożyć metryki oraz ewaluację dla jakości wyszukiwania
Skonfigurować optymalny przepływ przetwarzania różnych typów dokumentów
Zintegrować ulepszenia z istniejącym Chat API
Pomóc w wdrożeniu w produkcji
Transfer wiedzy:
Udokumentować rozwiązania architektoniczne oraz zmiany
Przeprowadzić sesje z zespołem deweloperskim
Skonfigurować monitoring oraz ewaluację metryk
Oczekiwany rezultat:
Działająca zoptymalizowana architektura RAG
Podwyższona dokładność oraz trafność wyszukiwania (mierzone metryki)
Szybsze oraz lepsze przetwarzanie dokumentów
Dokumentacja oraz najlepsze praktyki dla zespołu
Możliwość samodzielnego utrzymywania oraz rozwijania systemu
Wymagane umiejętności:
Must have:
Praktyczne doświadczenie w budowie produkcyjnych systemów RAG
Praktyczna praca z Weaviate (lub gotowość do szybkiego zapoznania się)
Doświadczenie z bazami danych wektorowych ogólnie (Pinecone, Qdrant, Milvus)
Głębokie zrozumienie modeli embedding oraz wyszukiwania semantycznego
Doświadczenie z LangChain (Python) — to nasz główny framework
Silne umiejętności w Pythonie (FastAPI będzie plusem)
Doświadczenie z parsowaniem dokumentów/OCR (PDF, DOCX, XLSX, obrazy)
Zrozumienie strategii chunking, wyszukiwania hybrydowego, rerankingu
Nice to have:
Doświadczenie w frameworkach ewaluacyjnych dla systemów RAG (RAGAS, LangSmith, itp.)
Znajomość metod optymalizacji kosztów w aplikacjach LLM
Doświadczenie z architekturą mikroserwisową
Zrozumienie Node.js/TypeScript do integracji z Chat API
Znajomość PostgreSQL do pracy z metadanymi
Nasza technologia:
Backend:
Python (FastAPI) — dokumenty, RAG-pipeline'y, LangChain
Node.js (Fastify) — rdzeń, Auth, orkiestracja Chat API
Go — wysokoobciążone zadania I/O
Dane i przechowywanie:
PostgreSQL (Drizzle ORM) — metadane, użytkownicy, czaty
Weaviate — wyszukiwanie wektorowe, indeksacja semantyczna
MinIO (zgodne z S3) — pliki, artefakty
Redis — cache, kolejki (BullMQ), sesje
AI Stack:
LangChain (Python)
Przetwarzanie dokumentów: parsowanie PDF/DOCX/XLSX, OCR
RAG pipeline'y z indeksacją i cytowaniem
Frontend:
React + TypeScript + Vite
REST API + WebSocket
Format współpracy:
Ścisła współpraca z zespołem deweloperskim (programiści Python/Node.js)
O zespole:
Startup na wczesnym etapie z działającym MVP w produkcji. Architektura mikroserwisowa, doświadczony zespół techniczny gotowy do aktywnej współpracy z architektem i szybkiego wprowadzania zmian.
