Про проєкт:
Ми розробляємо AI-платформу для автоматизації документообігу. Система вже працює в production, але має критичні проблеми з якістю пошуку та аналізу документів. Шукаємо досвідченого архітектора-інженера, який не тільки знайде проблеми, а й безпосередньо допоможе їх вирішити.
Поточна ситуація:
Працююча мікросервісна система на базі LLM з пошуком по документах
Низька релевантність пошукових результатів
Проблеми з обробкою великих/складних документів
RAG-pipeline потребує переробки та оптимізації
Система обробляє PDF/DOCX/XLSX + OCR, індексує в Weaviate
Що потрібно зробити:
Аудит:
Проаналізувати поточну архітектуру RAG-системи (Python FastAPI + LangChain)
Оцінити ефективність document processing pipeline
Перевірити якість роботи з Weaviate (індексація, retrieval, chunking)
Виявити критичні проблеми та їх причини
Визначити пріоритети для рефакторингу
Імплементація:
Переробити chunking strategy та document processing pipeline
Оптимізувати embedding pipeline та роботу з Weaviate
Покращити RAG-пайплайни (індексація/цитування)
Оптимізувати prompt engineering та retrieval logic
Імплементувати metrics та evaluation для якості пошуку
Налаштувати оптимальний flow обробки різних типів документів
Інтегрувати покращення з існуючим Chat API
Допомогти з deployment у production
Knowledge transfer:
Документувати архітектурні рішення та зміни
Провести сесії з dev-командою
Налаштувати monitoring та evaluation метрик
Очікуваний результат:
Працююча оптимізована RAG-архітектура
Підвищена точність та релевантність пошуку (вимірювані метрики)
Швидша та якісніша обробка документів
Документація та best practices для команди
Можливість підтримувати та розвивати систему самостійно
Необхідні навички:
Must have:
Практичний досвід побудови production RAG-систем
Hands-on робота з Weaviate (або готовність швидко розібратися)
Досвід з vector databases взагалі (Pinecone, Qdrant, Milvus)
Глибоке знання embedding models та semantic search
Досвід з LangChain (Python) — це наш основний фреймворк
Сильні навички Python (FastAPI буде плюсом)
Досвід з document parsing/OCR (PDF, DOCX, XLSX, images)
Розуміння chunking strategies, hybrid search, reranking
Nice to have:
Досвід evaluation frameworks для RAG-систем (RAGAS, LangSmith, тощо)
Знання методів оптимізації costs у LLM-додатках
Досвід з мікросервісною архітектурою
Розуміння Node.js/TypeScript для інтеграції з Chat API
Знання PostgreSQL для роботи з метаданими
Наш технічний стек:
Backend:
Python (FastAPI) — документи, RAG-пайплайни, LangChain
Node.js (Fastify) — ядро, Auth, Chat API orchestration
Go — високонавантажені I/O-задачі
Data & Storage:
PostgreSQL (Drizzle ORM) — метадані, користувачі, чати
Weaviate — векторний пошук, семантична індексація
MinIO (S3-compatible) — файли, артефакти
Redis — кеш, черги (BullMQ), сесії
AI Stack:
LangChain (Python)
Document processing: PDF/DOCX/XLSX parsing, OCR
RAG pipelines з індексацією та цитуванням
Frontend:
React + TypeScript + Vite
REST API + WebSocket
Формат співпраці:
Тісна співпраця з dev-командою (Python/Node.js розробники)
Про команду:
Стартап на ранній стадії з працюючим MVP в production. Мікросервісна архітектура, досвідча технічна команда готова активно працювати разом з архітектором та швидко впроваджувати зміни.
