• 有做过类似的，用的是 llamaindex+chroma+FastAPI，大模型用的是远程 api 调用 的免费的，前端用的是开源的后台管理系统对接的。
• 不同的是我把RAG 主体和文档清洗分开做的，RAG 主体只能上传已经清洗好的文档，否则 即便上传成功了也会影响最终的问答效果，并加入了文档溯源，显示答案来源的文件名和页码，主体还设置了权限分离，管理员可以进行文档上传和删除，普通用户只能问答，还有 query_rewrite，rerank，智能分块等等
• 文档清洗部分是单独用 langgraph 做的工作流，加入了 LLM 辅助判断是否需要人工审核等等，如果不需要就直接转成md 和 json 格式，这样可以形成半自动化的批量清洗。
• 我之所以分开做，是因为我觉得文档清洗这部分很难做到适配大部分场景，只能做个我这种大概流程能满足的，然后再根据不同的需求去完善，否则会导致 RAG 主体工能太臃肿甚至越改越乱。

在BAT做过基于LangChain + ChatGPT + Text Embedding + Qdrant的RAG搜索，效果还不错，已加楼主联系方式，如果有机会可以聊聊。

楼主您好！我认为我们团队与您的需求非常匹配：

• 初创软件工作室，3人成熟团队，成员都是资深全栈，追求现代技术和长期维护性。
• 有多个RAG相关项目经验，包括langchain/langgraph实战经验、集成过openwebui、也使用过Spring AI实现企业级RAG系统。技术栈覆盖python（fastapi）、kotlin（springboot）等生态，前端覆盖nextjs/react、nuxtjs/vue生态。有多个系统架构设计经验，包括选型、性能优化、分布式等。
• 具有生产级大模型部署经验（deepseek-r1，机架式服务器，英伟达Hopper架构）。

RAG整体流程较复杂（ETL流程、传统RAG和Agentic RAG、向量库等，这部分可操作性较多），推荐楼主先实现一个最小可行产品（核心功能），效果达预期再完善外围功能，后期也可以按需进行模块拆分和优化，甚至接入其他技术栈。技术栈推荐langchain（python），对RAG和Agent的支持都非常成熟。

从设计、开发到部署我们都可以整包，分阶段收费（可对公）。我们会根据您的需求提供技术方案。
详情官网 icedeer Studio: https://icedeer.net 。免费咨询，有兴趣可联系详聊。

想加入 但是我没做过 agent 方向

找到合适了吗

做了16年开发的码农飘过

谢谢你给社区的朋友们带来的工作机会：）

友情提示，请参考社区规则：https://eleduck.com/posts/6GzfGe

认真对待你的招聘帖子并补全以下内容：公司/项目介绍、交付周期、预算范围、支付方式等

换位思考，没有这些信息，申请者将很难判断自己是否应该申请；与其在之后的环节给每个人都一一解释一遍，还不如直接在帖子里写清楚，沟通效率更高。

请尽快补充完善，不符则删，谢谢理解鸭：）

全栈，可以做

你这个需要写代码才能做到细节

我是一名拥有近 6 年经验的资深前端工程师，曾统筹团队前端基建（主导 GitLab CI/CD 落地）、攻坚过复杂的 BPMN 业务审批流与极耗性能的海量数据可视化面板。

在扎实的前端底盘之上，我目前已深度转型为 AI 全栈工程师，专注于解决大模型产品落地中的工程化痛点。 随信附上我近期独立打通全栈并部署上线的两个商业级 AI 项目，欢迎直接体验：

• 🔗 AxiomSchema (全栈 AI SaaS 引擎):https://www.axiomschema.top

• 技术亮点： 使用 Vue3 + Python FastAPI 彻底前后端解耦，成功突破了 Serverless 部署大模型推理的 10 秒超时瓶颈；并基于 Clerk JWT 实现了严密的多租户行级数据隔离。

• 🔗 traceRAG (高阶 AI 知识库系统):https://www.tracerag.top

• 技术亮点： 落地 TopK + MMR 高阶检索策略，并通过“精准补丁”与 Query Rewrite 优化，大幅降低了 Token 消耗并解决了大模型幻觉问题。