نظام خبير لتشخيص أمراض النباتات (Multi-Agent RAG System)

تطوير ونشر (Deployment) نظام ذكي متكامل لصالح منصة زراعية، يعمل كخدمة فعلية حية (Live Service). يعتمد النظام على معمارية الوكلاء المتعددين (Multi-Agent) لتحليل صور أوراق النباتات، تشخيص الأمراض بدقة، وتقديم استشارات زراعية تفاعلية لدعم المزارعين.

- البنية التحتية والذكاء الاصطناعي (AI Architecture):

Multi-Agent Pipeline: هندسة وتنسيق مسار عمل معقد باستخدام LangGraph لتقسيم المهام بين عدة وكلاء (وكيل للتحليل، وكيل لاسترجاع المعرفة، ووكيل للتحقق).

Vision LLMs: دمج نماذج الذكاء الاصطناعي البصري لاستخراج وتحليل الأعراض المرضية مباشرة من صور الأوراق المرفوعة.

RAG & Vector DB: بناء نظام استرجاع معرفي دقيق (RAG) باستخدام ChromaDB للبحث في قواعد البيانات الزراعية.

التحقق المزدوج: ربط النظام بخدمات خارجية رائدة مثل PlantNet و Tavily لمقاطعة البيانات وزيادة موثوقية التشخيص.

- تطوير الواجهات الخلفية (Backend Development):

برمجة واجهة تطبيقات (RESTful API) سريعة ومستقرة باستخدام FastAPI، وتتضمن:

مسار /api/analyze: لاستقبال صور النباتات، معالجتها بالذكاء الاصطناعي، وإرجاع التشخيص.

مسار /api/chat: لإدارة المحادثة النصية التفاعلية مع المستخدم.

مسار /api/crops: لجلب وإدارة قائمة المحاصيل المدعومة في النظام.

مسار /api/health: نقطة فحص مستمرة لضمان جاهزية واستقرار الخدمة.

- واجهة المستخدم (Frontend Experience):

بناء واجهة تفاعلية حية (chatbot_demo.html) تتيح للمستخدم تجربة سلسة تشمل: الدردشة النصية، رفع الصور، والاتصال المباشر بالـ API.

دعم النظام بالكامل للغتين العربية والإنجليزية.

- معايير الهندسة والنشر (Engineering Standards):

Clean Architecture: تصميم هيكل المشروع برمجياً وفقاً لمعايير "العمارة النظيفة" لضمان سهولة الصيانة وقابلية التوسع (Scalability).

Live Deployment: إتمام عملية النشر السحابي للمشروع بنجاح، ودمجه كجزء أساسي وفعال داخل منصة زراعية متكاملة.

التقنيات المستخدمة (Tech Stack):

Python | LangChain & LangGraph | Vision LLMs | ChromaDB (RAG) | FastAPI | External APIs (PlantNet, Tavily) | HTML/JS/CSS | Clean Architecture.