KI-Architekt (m/w/d) für Enterprise RAG & Multi-Agenten-Architektur – Fokus: In-House Blueprint & Wissenstransfer
Budget: €5,000 – €10,000 EUR
Gerne, hier ist die optimierte und umfassende Ausschreibung für den KI-Architekten, komplett als einfacher Text ohne Emojis, bereit zur Veröffentlichung auf Freelancer-Plattformen:
Umfassende Ausschreibung: KI-Architekt (m/w/d) für Enterprise RAG & Multi-Agenten-Architektur – Fokus: In-House Blueprint & Wissenstransfer
1. Projektübersicht & Strategisches Ziel
Wir sind ein Großhandelsunternehmen mit dem Ziel, unsere Kernprozesse durch den Aufbau eines autonomen Multi-Agenten-Systems zu transformieren. Wir verfügen über ein internes Entwicklungsteam mit solider Erfahrung in Python, n8n und API-Integration.
Wir suchen einen Top-Level KI-Architekten zur vollständigen Konzeption, dem Aufbau des Fundaments und dem Wissenstransfer der gesamten Infrastruktur. Der Freelancer agiert als Architekt und Mentor.
Kernziel: Lieferung eines belastbaren "Ready-to-Build"-Blueprints und eines funktionalen RAG-Setups (MVP), das unseren internen Entwicklern die nahtlose Anbindung ihrer Agenten-Workflows (via n8n/Python) ermöglicht.
Anforderung an die Infrastruktur: Die gesamte Wissensbasis muss sicher und On-Premise/In-House (z.B. auf unserem Intel NUC) betrieben werden können.
2. Erforderliche Kernkompetenzen (Absolute Must-Haves)
Der ideale Kandidat muss Expertise in folgenden, zwingend erforderlichen Bereichen nachweisen:
* Multi-Agenten-Architektur: Nachweisbare Erfahrung im Entwurf und in der Modellierung von Agenten-Rollen, Kommunikationsprotokollen und Kollaboration (mit Fokus auf AutoGen, LangChain/LangGraph).
* Enterprise RAG & In-House Hosting: Tiefgehendes Wissen über Open-Source oder lokal betreibbare RAG-Stacks (z.B. Ollama, LlamaIndex, ChromaDB/Weaviate). Fähigkeit, die Datenhoheit zu garantieren.
* API-Design: Expertise in der Definition einer robusten, agentenfreundlichen REST-API für den RAG-Stack, die direkt von n8n-Workflows angesprochen werden kann.
* Wissenstransfer & Dokumentation: Exzellente Fähigkeit zur Übergabe des Codes und des Konzepts an ein internes Entwicklerteam.
3. Umfang der Arbeit und Lieferergebnisse (Scope & Deliverables)
Der Auftrag fokussiert auf einen intensiven 6-Wochen-Sprint mit klaren, messbaren Ergebnissen:
Phase 1: Strategische Architektur und Blueprint (Festpreis-Deliverable)
| Deliverable | Fokus & Ziel |
|---|---|
| D.1. Agenten-Architektur-Blueprint | Dokumentation der Rollen, Aufgaben und der Kommunikationsmatrix für 3-5 unserer wichtigsten Großhandels-Agenten. Inklusive Tool-Mapping (welche Agenten nutzen welche APIs). |
| D.2. RAG-Stack-Design & On-Premise-Konzept | Finale, dokumentierte Auswahl des gesamten RAG-Stapels (LLM, Embeddings, Vektor DB, Ingestion-Tooling) mit detaillierter Anleitung für die sichere In-House-Installation. |
| D.3. API-Schnittstellen-Spezifikation | Detaillierte Spezifikation der REST-API für den RAG-Stack, die als das "Gehirn-Tool" für unsere n8n-Workflows dient. |
Phase 2: Funktionaler MVP und Wissenstransfer
| Deliverable | Fokus & Ziel |
|---|---|
| D.4. Funktionales RAG-MVP-Setup | Code-Basis und Installation des gewählten RAG-Stapels. Funktionierendes PoC der Datenaufnahme-Pipeline (Ingestion) für eine kleine Menge unserer Dokumente und strukturierten Daten. |
| D.5. Agenten-Interaktion PoC (Code) | Bereitstellung eines Minimal-Code-PoC (z.B. in Python/AutoGen), der die Kommunikation zwischen einem Agenten und der RAG-API über die definierte Schnittstelle erfolgreich demonstriert. |
| D.6. Wissenstransfer-Session | 4 x 4 Stunden intensive Remote-Schulung/Code-Review für das interne Team, um die erstellte Architektur und den Code vollständig zu übergeben. |
4. Akzeptanzkriterien
* Der gelieferte RAG-Stack läuft stabil und sicher innerhalb unseres Netzwerks ohne externe Calls.
* Die Dokumentation ist umfassend genug, dass unsere internen Programmierer die Entwicklung selbstständig skalieren können.
* Der Agenten-Interaktion PoC demonstriert erfolgreich, wie ein Agent komplexe Informationen aus der RAG-Basis abrufen und nutzen kann.
* Die API-Schnittstelle zwischen RAG-Stack und n8n/Python-Workflows ist klar definiert und getestet.
5. Projektrahmen und Bewerbungsverfahren
* Dauer: Angestrebt sind ca. 6 Wochen für alle Deliverables.
* Auslastung: Flexibel, aber ergebnisorientiert.
* Bewerbung: Wir bitten um folgende Unterlagen:
* Einen Festpreisvorschlag für die gesamten Deliverables D.1. bis D.6.
* Ein detailliertes Portfolio, das die Erfahrung im Design und der Implementierung von Multi-Agenten-Systemen und On-Premise RAG-Lösungen belegt.
* Ihre bevorzugte Technologie-Stack-Empfehlung (z.B. "Ich empfehle LlamaIndex mit ChromaDB und Ollama für die On-Premise-Anforderung.").
Würden Sie nun die nächsten Schritte bei der Auswahl der Bewerber und der Durchführung der Bewerbungsgespräche planen?
Umfassende Ausschreibung: KI-Architekt (m/w/d) für Enterprise RAG & Multi-Agenten-Architektur – Fokus: In-House Blueprint & Wissenstransfer
1. Projektübersicht & Strategisches Ziel
Wir sind ein Großhandelsunternehmen mit dem Ziel, unsere Kernprozesse durch den Aufbau eines autonomen Multi-Agenten-Systems zu transformieren. Wir verfügen über ein internes Entwicklungsteam mit solider Erfahrung in Python, n8n und API-Integration.
Wir suchen einen Top-Level KI-Architekten zur vollständigen Konzeption, dem Aufbau des Fundaments und dem Wissenstransfer der gesamten Infrastruktur. Der Freelancer agiert als Architekt und Mentor.
Kernziel: Lieferung eines belastbaren "Ready-to-Build"-Blueprints und eines funktionalen RAG-Setups (MVP), das unseren internen Entwicklern die nahtlose Anbindung ihrer Agenten-Workflows (via n8n/Python) ermöglicht.
Anforderung an die Infrastruktur: Die gesamte Wissensbasis muss sicher und On-Premise/In-House (z.B. auf unserem Intel NUC) betrieben werden können.
2. Erforderliche Kernkompetenzen (Absolute Must-Haves)
Der ideale Kandidat muss Expertise in folgenden, zwingend erforderlichen Bereichen nachweisen:
* Multi-Agenten-Architektur: Nachweisbare Erfahrung im Entwurf und in der Modellierung von Agenten-Rollen, Kommunikationsprotokollen und Kollaboration (mit Fokus auf AutoGen, LangChain/LangGraph).
* Enterprise RAG & In-House Hosting: Tiefgehendes Wissen über Open-Source oder lokal betreibbare RAG-Stacks (z.B. Ollama, LlamaIndex, ChromaDB/Weaviate). Fähigkeit, die Datenhoheit zu garantieren.
* API-Design: Expertise in der Definition einer robusten, agentenfreundlichen REST-API für den RAG-Stack, die direkt von n8n-Workflows angesprochen werden kann.
* Wissenstransfer & Dokumentation: Exzellente Fähigkeit zur Übergabe des Codes und des Konzepts an ein internes Entwicklerteam.
3. Umfang der Arbeit und Lieferergebnisse (Scope & Deliverables)
Der Auftrag fokussiert auf einen intensiven 6-Wochen-Sprint mit klaren, messbaren Ergebnissen:
Phase 1: Strategische Architektur und Blueprint (Festpreis-Deliverable)
| Deliverable | Fokus & Ziel |
|---|---|
| D.1. Agenten-Architektur-Blueprint | Dokumentation der Rollen, Aufgaben und der Kommunikationsmatrix für 3-5 unserer wichtigsten Großhandels-Agenten. Inklusive Tool-Mapping (welche Agenten nutzen welche APIs). |
| D.2. RAG-Stack-Design & On-Premise-Konzept | Finale, dokumentierte Auswahl des gesamten RAG-Stapels (LLM, Embeddings, Vektor DB, Ingestion-Tooling) mit detaillierter Anleitung für die sichere In-House-Installation. |
| D.3. API-Schnittstellen-Spezifikation | Detaillierte Spezifikation der REST-API für den RAG-Stack, die als das "Gehirn-Tool" für unsere n8n-Workflows dient. |
Phase 2: Funktionaler MVP und Wissenstransfer
| Deliverable | Fokus & Ziel |
|---|---|
| D.4. Funktionales RAG-MVP-Setup | Code-Basis und Installation des gewählten RAG-Stapels. Funktionierendes PoC der Datenaufnahme-Pipeline (Ingestion) für eine kleine Menge unserer Dokumente und strukturierten Daten. |
| D.5. Agenten-Interaktion PoC (Code) | Bereitstellung eines Minimal-Code-PoC (z.B. in Python/AutoGen), der die Kommunikation zwischen einem Agenten und der RAG-API über die definierte Schnittstelle erfolgreich demonstriert. |
| D.6. Wissenstransfer-Session | 4 x 4 Stunden intensive Remote-Schulung/Code-Review für das interne Team, um die erstellte Architektur und den Code vollständig zu übergeben. |
4. Akzeptanzkriterien
* Der gelieferte RAG-Stack läuft stabil und sicher innerhalb unseres Netzwerks ohne externe Calls.
* Die Dokumentation ist umfassend genug, dass unsere internen Programmierer die Entwicklung selbstständig skalieren können.
* Der Agenten-Interaktion PoC demonstriert erfolgreich, wie ein Agent komplexe Informationen aus der RAG-Basis abrufen und nutzen kann.
* Die API-Schnittstelle zwischen RAG-Stack und n8n/Python-Workflows ist klar definiert und getestet.
5. Projektrahmen und Bewerbungsverfahren
* Dauer: Angestrebt sind ca. 6 Wochen für alle Deliverables.
* Auslastung: Flexibel, aber ergebnisorientiert.
* Bewerbung: Wir bitten um folgende Unterlagen:
* Einen Festpreisvorschlag für die gesamten Deliverables D.1. bis D.6.
* Ein detailliertes Portfolio, das die Erfahrung im Design und der Implementierung von Multi-Agenten-Systemen und On-Premise RAG-Lösungen belegt.
* Ihre bevorzugte Technologie-Stack-Empfehlung (z.B. "Ich empfehle LlamaIndex mit ChromaDB und Ollama für die On-Premise-Anforderung.").
Würden Sie nun die nächsten Schritte bei der Auswahl der Bewerber und der Durchführung der Bewerbungsgespräche planen?