برنامه نویس هوش مصنوعی -Chatbot -RAG -مدیریت توکن

توسعه دستیار هوش مصنوعی (AI Assistant) با زیرساخت RAG در سایت استارتاپ ما خلاصه‌ی پروژه و هدف اصلی ما به دنبال یک متخصص فنی (توسعه‌دهنده پایتون/مهندس هوش مصنوعی) هستیم تا یک دستیار هوش مصنوعی (AI Chatbot) جامع و تخصصی را برای وب‌سایت اصلی استارتاپ ما پیاده‌سازی کند. این چت‌بات باید قادر باشد با استفاده از فناوری RAG (Retrieval-Augmented Generation)، به تمامی سوالات فنی کاربران در حوزه‌های صنعتی، کشاورزی و ساختمانی پاسخ دهد و دانش خود را به طور مستمر از داده‌های داخلی سایت به‌روزرسانی کند. این دستیار، هسته اصلی تعامل محتوایی و فنی سایت خواهد بود و نقش اساسی در پلن‌های اشتراک پریمیوم ما ایفا می‌کند. 1. پیاده‌سازی زیرساخت RAG (هسته‌ی دانش ما) مهم‌ترین بخش این پروژه، طراحی و پیاده‌سازی اصولی یک پایپ‌لاین RAG است که بتواند تمامی منابع اطلاعاتی ما را به دانش قابل استفاده برای LLM تبدیل کند. الف. منابع داده داخلی (Knowledge Base): سیستم RAG باید به طور کامل تمامی داده‌های زیر را به پایگاه دانش داخلی (Vector Database) وارد کند: اطلاعات مقالات سایت: محتوای کامل تمامی مقالات تخصصی و وبلاگ اوستا. اطلاعات دقیق کارخانجات: جزئیات پروفایل‌های کارخانجات، خدمات و توانمندی‌های آن‌ها. اطلاعات محصولات و کاتالوگ‌ها: تمامی دیتاشیت‌ها (Datasheets)، کاتالوگ‌های فنی، فایل‌های راهنما (PDF/DOCX) و جزئیات دقیق محصولات آپلود شده توسط کارخانجات عضو. ب. الزام پیاده‌سازی خودکارسازی (Automation): سیستم باید به نحوی پیاده‌سازی شود که هرگونه افزودن دیتا، مقاله یا فایل جدید، یا ثبت کارخانه جدید، به صورت اتوماتیک و بلادرنگ یا در یک بازه‌ی زمانی منظم (مثلاً هر 6 ساعت)، باعث فعال شدن پایپ‌لاین RAG و به‌روزرسانی (Indexing/Embedding) پایگاه دانش داخلی شود تا هوش مصنوعی همیشه به جدیدترین اطلاعات دسترسی داشته باشد. پیاده‌سازی یک Vector Database مناسب برای بازیابی سریع و دقیق داده‌ها الزامی است. 2. توسعه‌ی چت‌بات و اتصال LLM چت‌بات ما باید واسط کاربری اصلی برای پرسش و پاسخ باشد و تمامی سؤالات را از طریق LLM پاسخ دهد. الف. اتصال به مدل‌های هوش مصنوعی: ما دارای اکانت و کلید API فعال در OpenRouter هستیم. پیاده‌سازی باید از این طریق انجام شود تا بتوانیم از مدل‌های مختلف LLM (مانند Deepseek یا مدل‌های دیگر) برای تولید پاسخ‌ها استفاده کنیم. بک‌اند جنگو باید به عنوان یک Gateway API بین چت‌بات فرانت‌اند، سیستم RAG و OpenRouter عمل کند. ب. منطق پاسخگویی چت‌بات: اولویت با دانش داخلی: چت‌بات باید در پاسخ به تمامی سوالات فنی، در ابتدا داده‌های مربوطه را از طریق RAG بازیابی کرده و پاسخ خود را هم بر اساس دانش داخلی ما و هم دانش مدل زبانی (محتوای مقالات و داده‌های کارخانه‌ها) تولید کند (Grounding). پاسخ‌های عمومی: در صورت عدم یافتن اطلاعات مرتبط در دانش داخلی، چت‌بات باید به صورت هوشمند از دانش عمومی LLM (از طریق OpenRouter) برای سوالات غیرتخصصی استفاده کند. کیفیت پاسخ: پاسخ‌ها باید دقیق، فنی و به زبان فارسی معیار باشند. 3. سیستم مدیریت توکن و سهمیه کاربران برای مدیریت هزینه‌های LLM و ایجاد مدل درآمدی برای ما، نیاز به پیاده‌سازی سیستم مدیریت توکن (Token/Quota Management) در بک‌اند جنگو داریم. الف. توکن‌های مصرفی: سیستم باید میزان توکن مصرفی (Input Tokens + Output Tokens) در هر درخواست از OpenRouter را محاسبه کرده و در دیتابیس ثبت کند. ب. سیستم موجودی و محدودیت: کاربران عادی (Free Users): باید یک لیمیت (محدودیت) روزانه یا هفتگی برای تعداد درخواست‌ها یا سقف توکن مصرفی داشته باشند. کاربران عضو پریمیوم: در پروفایل هر کاربر، باید یک موجودی توکن هوش مصنوعی (AI Token Balance) نمایش داده شود. پس از هر درخواست، تعداد توکن‌های مصرفی از این موجودی کسر گردد. قابلیت شارژ توکن: این سیستم باید امکان اتصال در آینده به یک ماژول پرداخت برای شارژ موجودی توکن را فراهم کند. 5. خروجی‌های مورد انتظار پیاده‌سازی کامل و مستندسازی شده‌ی پایپ‌لاین RAG. مدل‌های داده (Django Models) برای مدیریت توکن و موجودی کاربران. APIهای بهینه شده برای اتصال فرانت‌اند چت‌بات به سیستم RAG/LLM.