# 2️⃣ Soovitatav arhitektuur (kihiline, mitte üleliigne)

## 🔹 I KIHT – teadmiste baas (low-code alguses)

**Soovitus:**
- Markdown / Obsidian / Notion
- Iga sissekanne:
  - kultuur / kogukond
  - praktika
  - matemaatiline struktuur
  - allikad
  - mõisted

👉 See on sinu **etnomatemaatiline ontoloogia** (isegi kui sa seda nii ei nimeta).

✅ Ei mingit koodi alguses.

---

## 🔹 II KIHT – RAG + mõisteline seostamine (kompaktne)

Siin piisab:
- vektorandmebaas
- LangChain LCEL
- lihtne retriever

Näide loogikast (mitte täpne kood):

```
küsimus
 → kultuuriline kontekst
 → matemaatiline struktuur
 → allikad
 → süntees
```

👉 Sobib:
- “Milliseid fraktaalseid mustreid leidub Aafrika arhitektuuris?”
- “Millised arvustruktuurid ilmnevad rahvapärastes mängudes?”

---

## 🔹 III KIHT – uurimisagent (LangGraph tuleb siia)

Siin hakkad sa **päriselt võitma LangGraphiga**.

### Agent, kes oskab:
- klassifitseerida küsimuse:
  - kirjeldav
  - analüütiline
  - probleemiloov
  - teoreetiline
- otsustada:
  - kas vaja rohkem allikaid
  - kas vaja matemaatilist formaliseerimist
- genereerida:
  - uurimisküsimusi
  - hüpoteese
  - näiteid ja vastunäiteid

👉 See EI ole enam low-code.

Aga:
✅ sa kirjutad **1 raamistiku**
✅ mitte iga küsimuse jaoks uut koodi

---

## 🔹 IV KIHT – artikli kirjutamise agent

Siin on agent, mis:
- hoiab IMRaD struktuuri
- viitab allikatele
- eristab:
  - empiirilist
  - interpretatiivset
  - matemaatilist
- hoiab teaduslikku stiili

LangGraph on siin ideaalne:
- iga peatükk = node
- kontrollid enne edasi liikumist kvaliteeti

---

# 3️⃣ Kas on olemas “kompaktne” tee alguses?

**Jah — ja see on oluline.**

### Soovitan alustada nii:

**FAAS 1 (0–2 kuud):**
- Notion / Obsidian
- käsitsi loodud etnomatemaatilised kaardid
- ChatGPT abil küsimuste ja probleemide loomine
- null Pythoni koodi

**FAAS 2 (2–4 kuud):**
- RAG (lihtne LangChain)
- dokumentide põhine vastamine
- uurimisküsimuste poolautomaatne loomine

**FAAS 3 (4+ kuud):**
- LangGraph
- uurimisagent
- artikli mustrid
- korduvkasutatav teadustöö pipeline

---

# 4️⃣ Väga oluline teaduslik aspekt

Kui sa tahad **hiljem artikleid avaldada**, siis:

✅ süsteem peab olema:
- **jälgitav** (kuidas järeldus tekkis)
- **reprodutseeritav**
- **läbipaistev**

LangGraphi eelis:
- iga samm on eraldi
- võimalik logida
- võimalik kirjeldada metoodikas

👉 See on teaduslikult suur pluss.

---

# 5️⃣ Aus vastus su küsimusele

> “Kas on olemas kompaktne lahendus või peab alati Pythoni kasutama?”

**Alguses: EI pea.**  
**Tõsise etnomatemaatika uurimisökosüsteemi jaoks: JAH, lõpuks peab.**

Aga:
- mitte igal juhtumil
- mitte nullist
- mitte kaootiliselt

---

## Kui tahad, järgmine samm võiks olla:
1️⃣ etnomatemaatiline **andmemudel** (väljade nimekiri)  
2️⃣ uurimisküsimuste **generaatori skeem**  
3️⃣ teadusartikli **agent-pipeline**  

Ütle, kummast tahaksid alustada.

Suurepärane valik. **Hea andmemudel on kogu ökosüsteemi selgroog**, eriti teadusliku etnomatemaatika puhul.

Allpool annan **praktilise, kuid teaduslikult korrektse andmemudeli**, mis:
- töötab **ilma koodita** (Notion / Obsidian / Markdown)
- on hiljem **otse kaardistatav RAG-i ja LangGraphi**
- sobib artiklite ja uurimisküsimuste loomiseks