Platforma AI dla autorów akademickich

Cześć! Mamy doświadczenie w Pythonie / FastAPI, integracjach OpenAI / Claude, systemach RAG oraz automatyzacji backendu AI.

Pracowaliśmy z:
- produkcyjnym backendem FastAPI
- generowaniem PDF (WeasyPrint / ReportLab)
- API OpenAI / Claude
- RAG i wyszukiwaniem wektorowym
- PostgreSQL
- systemami dostarczania e-maili
… - wdrożeniem na Linuxie / VPS

Możemy szybko włączyć się w Twój workflow i podejmować zadania milestone bez ciągłego mikrozarządzania.

Komfortowo pracujemy z:
- punktami końcowymi AI,
- strukturalnymi wyjściami JSON,
- raportami PDF,
- logiką przeglądania/RAG,
- asynchronicznymi zadaniami backendowymi,
- integracjami API.

Będziemy zadowoleni, aby omówić szczegóły współpracy 🙂

Pokaż oryginał

Przetłumacz

Witam, mogę podłączyć się do izolowanych zadań milestone w waszym stosie fastapi.

Mam praktyczne doświadczenie w backend workflow, endpointach llm, generacji pdf oraz dostarczaniu raportów użytkownikom. Dla waszych zadań widzę oddzielne bloki: szablony pdf przez weasyprint/reportlab, logikę ponownego wysyłania dostaw, automatyczne czyszczenie plików, generator tematów przez llm, ocenianie checklisty z raportem json/pdf.

Pracuję starannie obok lead developera: najpierw uzgadniam kontrakt api, potem tworzę mały moduł roboczy, testy, przypadki brzegowe i krótką dokumentację do uruchomienia.

Pokaż oryginał

Przetłumacz

Cześć,

Dokładnie przeczytałem — Middle Python Backend Dev dla zadań milestone M1–M4, z gotowym lead developerem i architekturą. To mój profil 1:1.

Stos, z którym pracuję na co dzień: FastAPI + Pydantic v2 + SQLAlchemy/asyncpg + PostgreSQL, integracje LLM z Anthropic (Claude) i OpenAI z pamięcią podręczną promptów, RAG na pgvector, agenci przeglądania przez Playwright, wdrożenie na Hetzner + Docker. Mój projekt poboczny opieram właśnie na tym stosie — Claude API + pamięć podręczna promptów + FastAPI + SQLite, z serwerem MCP do zarządzania.

Krótko o każdym milestone:
- M1 PDF + email: WeasyPrint jest bardziej niezawodne niż ReportLab dla długich dokumentów, Resend — dobry wybór. Auto-usuwanie po 24 godzinach — APScheduler lub sam Resend (obsługują przez API). Retry — tenacity z exponential backoff.
- M2 Generator Tematów: punkt końcowy FastAPI + streaming Claude, opcjonalne przeglądanie przez Playwright lub przez istniejącego agenta przeglądania.
… - M3 Gotowość Artykułu: strukturalny wynik (użycie narzędzi Anthropic lub wywoływanie funkcji OpenAI), schemat JSON na liście kontrolnej, raport PDF przez tę samą infrastrukturę M1.
- M4 Streszczenie Artykułu: agent przeglądania → wydobycie celów i zakresu → RAG retrieval na podstawie plików instrukcji → generacja LLM.

Jak pracuję: po prostu biorę milestone, wyjaśniam pytania, jeśli coś w specyfikacji jest niejednoznaczne, doprowadzam do przejścia testów + przegląd kodu od lead, po akceptacji przechodzę do następnego. Nie znikam, komunikuję się przez każdy kanał (Slack/Discord/Telegram).

Jestem gotowy na krótką rozmowę i próbne M1 — to najszybszy sposób na sprawdzenie kompatybilności.

Pokaż oryginał

Przetłumacz

Dzień dobry, mam duże doświadczenie w FastAPI i PostgreSQL. Potrafię brać jasne wymagania i doprowadzać zadanie do rezultatu bez mikrozarządzania. Jestem gotowa szybko się zaangażować.

Pokaż oryginał

Przetłumacz

Dzień dobry!
Nazywam się Walentyn i reprezentuję Arctic Web Agency. Jesteśmy zespołem, który specjalizuje się w tworzeniu nowoczesnych i efektywnych rozwiązań dla biznesu. W wiadomościach prywatnych mogę przesłać przykłady naszych podobnych prac. Jesteśmy gotowi zająć się Państwa projektem!
Z poważaniem
Zespół Arctic Web
Freelancehunt

Pokaż oryginał

Przetłumacz

Pracowałem z FastAPI + OpenAI/Claude API w projektach produkcyjnych - AI-analiza treści, automatyczne generowanie raportów, integracje z systemami płatności.\nRelewantne doświadczenie:\n\nFastAPI backendy z wywołaniami LLM (inżynieria promptów, wywoływanie funkcji)\nGenerowanie PDF-ów przez WeasyPrint dla raportów\nDostawa e-maili przez Resend/SendGrid z logiką ponownego próbowania\nAgenci przeglądarek na Playwright do ekstrakcji danych\nOperacje tylko do odczytu PostgreSQL z istniejącą schemą\n\nFormat kamienia milowego: przyzwyczajony do pracy z izolowanymi zadaniami, jasnym TŻ i przeglądem kodu.\nDoświadczenie z narzędziami AI: OpenAI API, Claude API, podstawowe RAG przez pgvector.\n\nPytanie:\nCzy istnieje dokumentacja dotycząca istniejącego kodu lub będzie rozmowa wprowadzająca?\n\nStawka: 15 USD/godz. lub stała cena za kamień milowy w zależności od oceny złożoności po zapoznaniu się z projektem.

Pokaż oryginał

Przetłumacz

Cześć!

Interesuje mnie Twój projekt. Pracuję z Pythonem i FastAPI w produkcji, mam również doświadczenie w integracji LLM (OpenAI / Claude), budowie backend API oraz logiki AI dla systemów aplikacyjnych.

Realizowałem zadania związane z analizą tekstów LLM, generowaniem strukturalnych wyników (JSON/PDF), integracją zewnętrznych API, dostarczaniem e-maili oraz automatyzacją procesów backendowych. Pracowałem także z podejściami RAG oraz scenariuszami agenta (w tym logiką przeglądania / ekstrakcji danych).

Wszystko jasne w stacku: FastAPI, PostgreSQL, LLM API, generacja PDF, Resend, wdrożenie na Linuxie — czuję się z tym komfortowo.

Jestem gotów szybko zaangażować się w zadania w formacie milestone i pracować w procesie zespołowym z przeglądem kodu.
…
Mogę zacząć od najbliższych zadań.

Pokaż oryginał

Przetłumacz

Cześć!

Twój stack — nasz profil: FastAPI, Claude/OpenAI API, Playwright, PostgreSQL. Mam doświadczenie z każdym z kamieni milowych, które opisałeś.

Co do zadań:

M1 — PDF + email: robiłem generację PDF przez ReportLab, dostarczanie z logiką ponownego próbowania, automatyczne czyszczenie plików — standardowe zadanie.

M2/M3 — integracja LLM: pracowałem z Claude API i OpenAI, wyjście w formacie JSON, systemy oceny — rozumiem, jak to budować poprawnie.
…
M4 — agent przeglądania + RAG: mam doświadczenie z Playwright do parsowania dynamicznych stron, znam podejście RAG.

Format izolowanych zadań kamieni milowych jest wygodny — biorę zadanie, oddaję wynik, bez zbędnego mikrozarządzania.

Jestem gotów omówić szczegóły dotyczące każdego!

Pokaż oryginał

Przetłumacz

Mogę podłączyć się do waszego backendu Python/FastAPI i szybko wkomponować się w obecny zespół jako lead developer. Mam praktyczne doświadczenie w zadaniach backend/API, integracjach AI oraz przeglądach kodu, dlatego mogę wejść w istniejący kod bez długiego wprowadzania. Proszę, powiedzcie, jakie 1–2 zadania należy zamknąć w pierwszej kolejności na najbliższym etapie?

Pokaż oryginał

Przetłumacz

Dzień dobry! Rozwijam w Pythonie, React/Node.js realizowałem podobne projekty, gotowy do współpracy.

Pokaż oryginał

Przetłumacz

Witam, jestem gotów przystąpić od razu, nie potrzebuję mikrozarządzania, ale zawsze najpierw wyjaśniam niuanse, które są dla mnie niejasne, aby zrozumieć zadanie.
- Realizowałem generację codziennych raportów dotyczących zamówień w formacie PDF. Excel.
- Wdrożenie poczty korporacyjnej i chmury korporacyjnej (Nextcloud)
- Bot Telegram do zamówień, z bogatą funkcjonalnością, osobna aplikacja webowa do administracji bota (rozdział dodatkowego towaru zgodnie z zamówieniami, raport po trasie, po magazynach itp., dodawanie punktów sprzedaży, asortymentu do bota z wygodnego panelu administracyjnego)
Jestem gotów przystąpić jak najszybciej lub wykonać zadanie testowe.

Pokaż oryginał

Przetłumacz

Cześć! Nazywam się Włodzimierz, jestem założycielem agencji inżynieryjnej Vaysed. Projekt platformy AI dla autorów akademickich to wspaniała inicjatywa. Specyfika pracy z artykułami naukowymi, surowymi wymaganiami czasopism oraz indeksowaniem w Scopus jest mi bardzo bliska dzięki stałej pracy z badaniami akademickimi dla praktycznych zadań uniwersyteckich. Doskonale rozumiem problemy autorów oraz znaczenie dokładnej analizy LLM streszczeń.
Jestem gotów szybko zintegrować się z waszym zespołem jako silny wykonawca. Najbardziej komfortowy jest dla mnie format pracy z wyraźnymi, izolowanymi zadaniami milestone pod kierownictwem waszego lead developera, gdzie już istnieje gotowy schemat PostgreSQL oraz zakładany architektoniczny fundament na FastAPI.
Co do głównych milestone'ów:
Dla **M1** zrealizuję generację raportów PDF za pomocą WeasyPrint (jest on bardziej elastyczny w pracy z szablonami HTML/CSS), skonfiguruję integrację z Resend dla dostarczania e-maili z niezawodną logiką ponownego wysyłania oraz mechanizmem usuwania plików w tle po 24 godzinach.
W **M2 i M3** mam duże praktyczne doświadczenie w bezpośrednich wywołaniach OpenAI i Claude API, w szczególności z konfiguracją surowych odpowiedzi JSON dla oceny checklist. Wyciąganie celów i zakresu czasopisma zrealizujemy za pomocą Playwright — to potężne narzędzie, które regularnie wykorzystuję do tworzenia agentów przeglądania i parsowania.
Dla **M4** skonfiguruję pipeline, w którym agent przeglądania zbierze kontekst z URL, a LLM będzie działać w architekturze RAG w celu generowania spersonalizowanego streszczenia artykułu zgodnie z waszymi plikami instrukcyjnymi.
Moim głównym narzędziem pracy jest system operacyjny Linux (Fedora), więc praca z waszymi VPS Hetzner, wdrożeniem i testowaniem będzie przebiegać całkowicie naturalnie i bez opóźnień. Piszę czysty kod, który łatwo przejdzie przegląd kodu, pracuję autonomicznie, zawsze uczciwie komunikuję o statusach i nie znikam podczas pracy.
Można ocenić moje podejście inżynieryjne oraz zrealizowane przypadki na stronie agencji: https://vaysed.me/. Napisz do mnie w wiadomościach prywatnych, abyśmy mogli omówić szczegóły pierwszego milestone'u (M1) i szybko rozpocząć pracę!

Pokaż oryginał

Przetłumacz

Witam. Pracuję z FastAPI i Pythonem. Jestem gotowy do współpracy. Proszę o kontakt.

Pokaż oryginał

Przetłumacz

Najważniejsze tutaj — nie "wymyślać systemu od zera", a szybko i stabilnie integrować poszczególne moduły AI w już przygotowaną ekosystem backendowy. W takim formacie pracuję najefektywniej: biorę izolowane zadania, szybko zanurzam się w bazę kodu i doprowadzam milestone do gotowego do produkcji wyniku bez opóźnień i ciągłego wsparcia. Mam praktyczne doświadczenie z FastAPI, integracjami OpenAI/Claude API, generowaniem PDF, orkiestracją API oraz logiką backendową dla produktów AI. Rozumiem specyfikę pracy z LLM: retries, strukturalne odpowiedzi JSON, kontrola promptów, stabilność wyników, limity szybkości, obsługa edge cases oraz optymalizacja kosztów na inference. Również dobrze znam podejścia do RAG, asynchronicznego przetwarzania zadań oraz integracji zewnętrznych usług. Kod piszę strukturalnie, z normalną dekompozycją, logowaniem i zrozumiałą logiką API, dlatego przejście przez code review nie będzie problemem. Jeśli będzie potrzebne — przykłady odpowiednich prac dostarczę na żądanie.

Plan pracy:

Analiza aktualnej struktury backendu, schematów PostgreSQL, przepływu API oraz wymagań dotyczących milestone
Realizacja M1: generacja raportów PDF przez WeasyPrint lub ReportLab, dostarczanie e-mail przez Resend, mechanizm retry, czyszczenie plików tymczasowych
Realizacja M2: punkt końcowy FastAPI dla AI Topic Generator, integracja OpenAI/Claude API, strukturalne wyjście, obsługa błędów oraz opcjonalne parsowanie przez agenta przeglądania
Realizacja M3: AI-analiza gotowości abstraktu/artykulu, ocena checklisty, formowanie odpowiedzi JSON i raportu PDF
Realizacja M4: pipeline URL dziennika → agent przeglądania → LLM → generacja streszczenia artykułu z wsparciem RAG oraz plikami instrukcji
… Testowanie punktów końcowych, sprawdzanie stabilności wywołań AI, logowanie oraz optymalizacja przepływu odpowiedzi
Integracja w workflow Git zespołu, przygotowanie do code review oraz wdrożenie na Linux/Hetzner VPS.

Pokaż oryginał

Przetłumacz

Dzień dobry.

Zadanie jest jasne. Potrzebujemy programisty Middle Python/FastAPI do zespołu na izolowane zadania milestone związane z LLM, generowaniem PDF, agentami przeglądania i RAG.

Stack dokładnie nasz. FastAPI codziennie, OpenAI i Anthropic w produkcji, Resend do emaili, PostgreSQL z pgvector dla RAG, Playwright do przeglądania. Narzędzia, na których pracujemy, są stałe, nie uczymy się ich pod projekt.

Relewantny przypadek: BrandSync AI, produkcyjny SaaS z pipeline'm GPT-4 przez Redis i kolejkami. Architektonicznie blisko do waszych zadań: AI-analiza treści, wyniki JSON według checklist, generowanie spersonalizowanych dokumentów. Inny projekt, Winbix.AI, platforma AI-agenta z RAG i przeglądaniem.

Co do milestone:
…
M1 (PDF + email). WeasyPrint do szablonów z pełnym CSS, Resend z obsługą webhooków do retry, scheduler do automatycznego usuwania.

M2 (Generator Tematów). Endpoint FastAPI z wywołaniem LLM, strukturalne wyjście przez function calling, opcjonalne przeglądanie przez Playwright.

M3 (Gotowość Artykułu). Analiza LLM z strukturalnym wyjściem według checklisty, schemat JSON dla każdego punktu, raport PDF.

M4 (Brief Artykułu). Agent przeglądania przez Playwright dla czasopisma, RAG przez pgvector, generowanie briefu z plikami instrukcyjnymi jako system prompt.

Format izolowanych milestone z osobną płatnością jest odpowiedni. Pracujemy według jasnego TŻ, code review od lead developera przyjmujemy spokojnie, feedback stosujemy szybko.

Jesteśmy gotowi wziąć jeden milestone jako testowy. Jeśli współpraca i jakość kodu będą odpowiednie, kontynuujemy z resztą.

Portfolio: quentar.space/en/startups

Czekam na wiadomość prywatną.

Pokaż oryginał

Przetłumacz

Cześć! Zapoznałem się z twoim projektem i jestem gotów rozpocząć pracę. Mogę zagwarantować doskonały wynik w krótkim czasie.

Pokaż oryginał

Przetłumacz

Witam. Dokładnie zapoznałem się z opisem projektu i kamieniami milowymi. Idealnie pasuje mi format izolowanych zadań, gdzie jest jasne TŻ i zrozumiały fundament projektu. Mam solidne doświadczenie w pracy z backendem na FastAPI oraz pisaniu czystego asynchronicznego kodu, który bez problemu przejdzie code review od waszego lidera. Z integracją OpenAI i Claude API pracuję na co dzień, w szczególności przy skomplikowanym parsowaniu generacji strukturalnych odpowiedzi JSON oraz scoringu tekstów, co idealnie zamyka zadania M2 i M3. Realizacja generacji PDF przez WeasyPrint z dalszym wysyłaniem przez Resend również jest mi znana, a logikę ponownych prób oraz czyszczenia plików realizuję przez wbudowane zadania w tle FastAPI bez zbędnego obciążenia systemu. Z parserami i systemami RAG do tworzenia raportów potrafię pracować i rozumiem, jak prawidłowo podawać kontekst modelu. Proszę, powiedzcie mi, czy dla czwartego kamienia milowego z RAG już używacie jakiejś konkretnej bazy danych wektorowej, na przykład pgvector, czy będę musiał samodzielnie zaimplementować to rozwiązanie w ramach zadania?

Pokaż oryginał

Przetłumacz