ایدههای هوش مصنوعی را به سیستمهای واقعی تبدیل میکنم؛ سیستمهایی که فقط مدل اجرا نمیکنند، بلکه تصمیم میگیرند، داده را میفهمند، با ابزارها کار میکنند و در یک محصول واقعی قابل استفادهاند.
در RAG حقوقی فقط پیدا کردن متن مرتبط کافی نیست؛ سیستم باید وقتی حجم قوانین، ارجاعها و مسیر reasoning پیچیده میشود، همچنان قابل اعتماد، قابل ردیابی و قابل سنجش بماند.
راهحل
یک pipeline پژوهشی-عملی برای آزمایش اینکه کدام مداخلهها بیشترین اثر را روی قابل اعتماد بودن Legal RAG دارند؛ با ثبت مستند نتایج در retrieval، ساختار گراف، reasoning، بررسی citation و معیارهای evaluation.
نقش من
در حال ساخت baseline، جریان evaluation، لاگ آزمایشها و چکهای reliability هستم تا روشهای retrieval و graph-based بدون تغییر زودهنگام مدل پایه با هم مقایسه شوند.
چالش فنی
چالش اصلی فعلی هندل کردن computation سنگین evaluation است. راهحل در حال انجام، batch کردن jobهای ارزیابی و انتقال runهای بزرگتر به Colab است تا آزمایشها قابل تکرار و کمهزینهتر بمانند.
معماری baseline
معماری آینده
نکات مهندسی
آزمایشهای Legal RAG با تمرکز روی reliability
افزودنیهای برنامهریزیشده: GNN، NLP، reranker و دادههای حقوقی آمریکا
رابطهی مربی و ورزشکار معمولاً بین پیامرسان، یادداشت دستی، پرداختهای پراکنده و تقویم جداگانه پخش میشود. QuestLine این جریان را به یک سیستم قابل اعتماد برای احراز هویت، تایید مربی، رابطهی فعال، جلسه، حضور و غیاب، تمدید و پرداخت ساده تبدیل میکند.
راهحل
یک MVP عملیاتی برای مدیریت رابطهی واقعی مربی و ورزشکار: وباپ Persian-first و RTL با نقشهای Coach / Athlete / Admin، داشبوردهای نقشمحور، API ماژولار NestJS، مدل دادهی Prisma/PostgreSQL و قوانین دسترسی مبتنی بر تایید مربی و وضعیت رابطه.
نقش من
معماری و توسعهی یک monorepo TypeScript شامل Next.js، NestJS و Prisma؛ پیادهسازی جریانهای Auth، Role Selection، Coach Verification، Admin Review، Coach-Athlete Relationship، Sessions، Attendance، Calendar، Profiles/Follow، Coach Quest و Simple Payments برای MVP.
چالش فنی
طراحی مرزهای محصول بدون ورود زودهنگام به قابلیتهای آینده مثل QP، wallet و marketplace؛ همزمان نگهداشتن authorization، visibility، وضعیتهای رابطه، تایید رشته، جلسه، حضور، پرداخت و تمدید در یک مدل دامنهای قابل رشد و قابل audit.
معماری MVP فعلی
چشمانداز معماری نهایی پروژه
نکات مهندسی
معماری Modular Monolith با مرزبندی دامنههای Auth، Verification، Relationship، Sessions، Attendance، Payments و Admin Review
احراز هویت مبتنی بر access/refresh token، انتخاب نقش و کنترل دسترسی نقشمحور
مدل داده رابطهمحور با Prisma برای مربی، ورزشکار، تایید مربی، رشته ورزشی، جلسه، حضور، پرداخت، تقویم و audit
وباپ Persian-first، موبایلمحور، RTL-ready و آمادهی رشد به PWA
جداسازی MVP از Future Scope مثل QP، Wallet، Marketplace، Guild و ML برای جلوگیری از پیچیدگی زودهنگام
چرخهی کامل آزمون، از طراحی سوال تا تصحیح، بازبینی، انتشار نتیجه و رسیدگی به اعتراض، به سیستمی نیاز دارد که هم سریع باشد و هم تصمیم نهایی را در اختیار معلم نگه دارد.
راهحل
یک monorepo کلاسمحور برای ساخت آزمون، زمانبندی، لینک اختصاصی دانشآموز، نمرهدهی قطعی و AI، بازبینی معلم، انتشار نتیجه، رتبهبندی و مدیریت اعتراضها.
نقش من
طراحی و پیادهسازی دامنههای اصلی، APIهای ماژولار، صفهای Celery، جریانهای grading و AI، سیستم review، publish، appeal، audit log و تستهای end-to-end.
چالش فنی
تفکیک نمرهدهی قابلاعتماد از قضاوت احتمالی مدل، مدیریت jobهای پسزمینه، ثبت ردپای تصمیمها و حفظ مسیر امن برای بازبینی و اصلاح نمره توسط معلم.
معماری سیستم
نکات مهندسی
صفهای جدا برای AI، grading، ایمیل و leaderboard
بازبینی پاسخهای کماطمینان و تاریخچهی تغییر نمره
کاربر باید بتواند از اسناد خصوصی فارسی و انگلیسی پاسخ دقیق بگیرد، بدون اینکه منشأ صفحه گم شود یا سیستم ادعای بیپشتوانه بسازد.
راهحل
یک محیط سندمحور با تمرکز جدی روی فارسی برای پرسشوپاسخ مستند، خلاصهسازی، مقایسه، تحلیل جدول، گفتوگوی چندمرحلهای و ابزارهای ساختاریافتهی AI.
نقش من
سطح اصلی محصول، dispatcher درخواست، retrieval ترکیبی dense/BM25 با RRF، reranking کنترلشده، اعتبارسنجی citation، ورود اسناد، streaming، ذخیرهسازی و چارچوبهای evaluation را پیادهسازی کردم.
چالش فنی
چالش اصلی این بود که سیستم بر اساس نیت کاربر مسیر درست را انتخاب کند، اما خروجی مدل را کورکورانه اجرا نکند؛ همزمان باید evidence ثابت و منشأ صفحه در retrieval و generation چندزبانه حفظ میشد.
معماری سیستم
معماری ingestion و ایندکس سند
نکات مهندسی
اعتبارسنجی قطعی plan و fallback routing
پردازش page-aware برای PDF، DOCX و TXT
gold set، معیارهای IR، کالیبراسیون judge و تستهای regression
دریافت و بررسی رزومه چند مرحله و چند سرویس را درگیر میکند: استخراج، تشخیص تکرار، ارزیابی تناسب، تایید انسانی، زمانبندی و ارتباط با داوطلب.
راهحل
یک pipeline محلی با LangGraph و LLM که رزومهی متنی یا اسکنشده را میخواند، پروفایل کاندید را میسازد، تناسب را ارزیابی میکند، برای تایید در Telegram متوقف میشود و بعد از تایید، رویداد تقویم و ایمیل دعوت را هماهنگ میکند.
نقش من
طراحی و پیادهسازی pipeline عاملمحور با LangGraph، استخراج ساختاریافته، شاخهبندی بر اساس state، تایید انسانی checkpointed، حافظهی SQLite، اتصال به Google Sheets / Calendar / Gmail و Telegram.
چالش فنی
چالش اصلی این بود که Agent چندسرویسی، قابل ادامه دادن و تحت کنترل انسان بماند و خطاهای موقت یا رزومههای تکراری باعث گمشدن وضعیت داوطلب نشوند.
معماری سیستم
نکات مهندسی
schemaهای تایپشدهی Pydantic برای extraction و fit
fallback بین PDF متنی و vision model
تایید انسانی checkpointed با LangGraph interrupt
حافظهی SQLite برای وضعیت داوطلب و جلوگیری از پردازش تکراری
یک Agent محلی وقتی وارد کارهای واقعی میشود، فقط چت کافی نیست؛ باید وضعیت runtime، حافظه، سرویسها، approvalها، مکالمهها، صدا، سختافزار و عملیاتهای چندمرحلهای را در یک cockpit قابل مشاهده و قابل کنترل داشته باشد.
راهحل
یک پلاگین داشبورد برای Hermes Agent ساختم که از طریق FastAPI bridge به runtime وصل میشود و داخل /mission-control یک پنل زنده برای snapshotها، گفتوگو، approval queue، عملیات agentic، sessionها، تنظیمات agent/provider و voice/TTS محلی ارائه میدهد.
نقش من
معماری پلاگین، manifest، backend API، asset pipeline داشبورد، bridge مبتنی بر session، endpointهای runtime و talk، operation/event store، approval bridge، تنظیمات Agent/Skill/Tool و hookهای محلی Whisper و Piper را طراحی و پیادهسازی کردم.
چالش فنی
باید UI محلی با runtime واقعی Hermes یکپارچه میشد بدون اینکه stateهای حساس، مسیرهای شخصی، API keyها یا actionهای نیازمند approval به فرانت یا خروجی عمومی نشت کنند؛ همزمان plain chat نباید بیدلیل تبدیل به اجرای agentic پرهزینه میشد.
معماری سیستم
نکات مهندسی
observability محلی برای runtime، vault، سرویسها و سختافزار
session-backed bridge برای مکالمه با Hermes native
operation model با event stream و pipeline قابل مشاهده
approval-aware action flow با صف native approval
ذخیرهسازی backend-side برای API key با پاسخهای redacted
hookهای قابل تنظیم برای Whisper، Piper و ffmpeg
تفکیک chat معمولی از agentic operation
بستهبندی عمومی بدون hardcode مسیرهای محلی
تکنولوژیها
Hermes AgentFastAPIPythonJavaScriptWhisperPiper
وضعیت: نسخه عمومی ۰.۷، functional prototype در حال تکمیل
03 / CAPABILITY
تمرکز مهندسی
چهار حوزهای که در پروژههایم بیشتر تمرین کردهام؛ از پاسخ مستند مدل تا بکاند و workflowهای عاملمحور.
01
سیستمهای AI مستند
ساخت pipelineهای RAG با پاسخ قابل استناد، ارزیابی خروجی، و رفتار روشن وقتی evidence کافی وجود ندارد.
02
کنترل رفتار مدل
قرار دادن تصمیمهای مدل پشت routing، validation، permission و قواعد محصول؛ نه تکیهی مستقیم به خروجی خام مدل.
03
بکاند محصول
طراحی مدل دامنه، API، migration، صفهای پردازش، auth، پرداخت و وضعیتهای چرخهی عمر محصول.
04
workflowهای عاملمحور
ارکستریشن stateful، اتصال ابزارها، نقطههای تأیید انسانی، memory و بازیابی از خطاهای مرحلهای.
04 / BACKGROUND
دربارهی من
مسیر من از روانشناسی آغاز شد. در ابتدا به دنبال راهی بودم تا با رویکردی تازه در این حوزه اثرگذار باشم، اما آشنایی با یادگیری ماشین مسیر متفاوتی پیش پایم گذاشت. جذابیت هوش مصنوعی و کاربردهای گستردهاش باعث شد تمرکزم را به یادگیری و ساخت راهکارهای مبتنی بر آن معطوف کنم.
در این مسیر با پایتون، آمار، تحلیل داده، یادگیری ماشین، یادگیری عمیق، پردازش متن، طراحی API، پایگاه داده، Docker، معماری سیستم و MLOps آشنا شدهام. از میان این حوزهها، بیش از همه به هوش مصنوعی عاملمحور، سیستمهای RAG و ساخت محصولات کاربردی مبتنی بر مدلهای زبانی علاقه دارم.
در حال حاضر آموختههایم را با ساخت پروژههای تمرینی end-to-end و نمونههای اولیه به کار میگیرم. سعی میکنم مسائل را با رویکردی دادهمحور، مبتنی بر بنچمارک و همراه با آزمون و ارزیابی حل کنم؛ چون برای من ساختن فقط رسیدن به یک خروجی نیست، بلکه راهی برای عمیقتر کردن یادگیری و سنجیدن واقعی ایدههاست.
هنوز در ابتدای مسیر حرفهای مهندسی هوش مصنوعی هستم، اما مسیر یادگیریام را جدی و عملی پیش بردهام: با پروژه ساختن، خطا گرفتن، تست کردن و مستندسازی. دنبال فرصتی هستم که همین شیوهی یادگیری را وارد یک تیم واقعی کنم، مسئولیت بگیرم و کنار آدمهای باتجربهتر سریعتر رشد کنم.
مسیر عملی
بخش اصلی یادگیریام با ساختن جلو رفته است؛ از سیستمهای RAG و workflowهای Agent گرفته تا بکاند و نمونههای محصولمحور که ایدهها را با محدودیتهای واقعی روبهرو میکنند.
تمرکز فعلی
تمرکز فعلیام روی RAG، Agentic AI و ارزیابی سیستمهای هوش مصنوعی است؛ ایدهها را به آزمایشهای کوچک تبدیل میکنم تا بفهمم چه چیزی واقعاً کار میکند و کجا شکست میخورد.
روش ساخت
معمولاً از یک نسخهی کوچک شروع میکنم، فرضیهها را روشن میکنم، رفتار سیستم را میسنجم، خطاها را پیدا میکنم و بعد مرحلهبهمرحله پایدارترش میکنم.
