System Kontroli dla Taksówek

Potrzebne jest opracowanie promptu dla SI (preferowany Gemini, ale można proponować alternatywy), przy którym będziemy mogli używać konkretnej stylistyki do generowania obrazów. SI powinno wziąć za podstawę styl i, nie zmieniając go, tworzyć wszystkie potrzebne nam formy przedmiotów lub ludzi z maksymalnie przewidywalnym wynikiem. Na przykład generować postacie na podstawie zdjęć, które będą podobne do rzeczywistej osoby, oraz organicznie zintegrowane w ogólną scenę z zachowaniem stylu.

Cześć wszystkim! Na rynku jest teraz wielu sprzedawców, którzy sprzedają tokeny claude przez proxy Muszę przetestować różnych sprzedawców i zrozumieć, które API działa najlepiej do kodowania claude code Trzeba będzie autoryzować się przez terminal w claude code i sprawdzić stabilność działania API (testować pod obciążeniem) oraz znaleźć najbardziej optymalne Kto może teraz podjąć się tego zadania?

Szukamy specjalisty z LLM, RAG i inżynierii promptów do audytu i udoskonalenia już stworzonego asystenta AI dla operatorów centrum kontaktowego sieci medycznych centrów. To nie jest rozwój od podstaw. Obecnie asystent działa w środowisku ChatGPT i wykorzystuje: własną umiejętność z instrukcjami SKILL.md; baza wiedzy w Project Sources; ustrukturyzowane pliki Markdown, automatycznie utworzone z eksportów CSV systemu informacji medycznej; oddzielne indeksy cen, wykonawców, jednostek, pakietów, sprzętu i rekomendowanych kombinacji usług. Baza zawiera około: 2 700+ usług medycznych; 90+ pakietów i kompleksów; 300+ rekomendowanych kombinacji; 600+ interwencji chirurgicznych; ceny według różnych jednostek; wykonawców, adresy, przygotowanie, sprzęt i inne informacje referencyjne.Co ma robić asystent Na żądanie operatora asystent powinien szybko dostarczać zweryfikowaną odpowiedź: czy usługa jest dostępna; dokładny kod, nazwę i cenę; w jakich jednostkach jest dostępna; kto z lekarzy lub innych specjalistów ją wykonuje; jak się przygotować; jaki pakiet lub kompleks warto zaproponować; jakie usługi towarzyszące warto zaproponować; jaka jest kolejność kompleksowego zapisu; jakie są tańsze lub alternatywne opcje; dla operacji — osobno podstawową cenę i orientacyjną całkowitą wartość przypadku leczenia chirurgicznego. Asystent nie powinien wymyślać cen, wykonawców, przygotowania, wskazań medycznych ani przenosić informacji między podobnymi usługami.Istniejące problemy System już działa, ale wymaga zwiększenia stabilności wyszukiwania i jakości odpowiedzi. W szczególności: model czasami znajduje główną usługę, ale pomija rekomendowane kombinacje; nie zawsze wyciąga poszczególne pola z dużych plików Markdown; może znaleźć podstawową cenę operacji, ale pomija całkowity koszt przypadku chirurgicznego; wyniki zależą od struktury i rozmiaru plików w Project Sources; konieczne jest optymalizowanie indeksów, routingu źródeł i zasad wyszukiwania; należy zapewnić jednako wysoką jakość odpowiedzi na krótkie, nieprecyzyjne i konwersacyjne zapytania operatorów. Na przykład, proste zapytanie „cholecystektomia” powinno natychmiast zwrócić dostępne opcje operacji, kody, podstawowe ceny, całkowity koszt leczenia, jednostki, wykonawców i powiązane usługi.Zadania specjalisty Przeprowadzić audyt istniejącego SKILL.md, struktury bazy wiedzy i logiki wyszukiwania. Przeanalizować przyczyny pomijania danych podczas retrieval. Proponować optymalną architekturę bazy wiedzy dla ChatGPT. Udoskonalić lub przepisać SKILL.md. Optymalizować strukturę plików Markdown i kompaktowych indeksów. Skonfigurować obowiązkowe wyszukiwanie: pakietów i kompleksów; rekomendowanych kombinacji; cen według jednostek; wykonawców; kosztu przypadku leczenia chirurgicznego. Sprawdzić generator bazy wiedzy z eksportów CSV i w razie potrzeby udoskonalić skrypty Python. Stworzyć zestaw kontrolnych zapytań i kryteriów oceny odpowiedzi. Przeprowadzić testowanie na rzeczywistych scenariuszach centrum kontaktowego. Przekazać finalną dokumentację do dalszej aktualizacji i wsparcia systemu.Oczekiwany rezultat Musimy uzyskać stabilnego asystenta, który: odpowiada w języku ukraińskim; nie pomija krytycznie ważnych danych; zwraca tylko informacje potwierdzone przez bazę wiedzy; prawidłowo rozróżnia usługi, pakiety i rekomendowane kombinacje; pokazuje kod, nazwę, cenę, jednostkę i wykonawcę; dla operacji dzieli podstawową cenę i całkowity koszt leczenia; proponuje operatorowi konkretny scenariusz dalszego zapisu pacjenta; stabilnie działa po kolejnych aktualizacjach eksportów CSV; działa stosunkowo szybko.Wymagania dla wykonawcy Potrzebny specjalista z praktycznym doświadczeniem: ChatGPT Projects, Custom GPT lub ChatGPT Skills; LLM, RAG, retrieval i wyszukiwania semantycznego; inżynieria promptów; projektowanie baz wiedzy dla modeli językowych; Markdown, CSV, JSON/JSONL; Python do przetwarzania i konwersji danych; testowanie jakości odpowiedzi LLM. Doświadczenie z medycznymi systemami informacyjnymi, centrami kontaktowymi lub dużymi katalogami usług będzie dodatkowym atutem. Szukamy nie tylko autora promptów, ale specjalisty, który rozumie ograniczenia wyszukiwania w dużych źródłach, fragmentację kontekstu i sposoby budowania niezawodnych indeksów.Co dostarczyć w ofercie Prosimy krótko wskazać: Wasze doświadczenie z ChatGPT, RAG lub korporacyjnymi bazami wiedzy. Przykłady podobnych zrealizowanych projektów. Jak podeszlibyście do diagnozy pomijania poszczególnych pól w dużych plikach. Orientacyjne terminy i koszt audytu oraz dopracowania. Czy jesteście gotowi podpisać umowę o poufności. Dane osobowe pacjentów w ramach tego projektu nie będą przekazywane. Ostateczny koszt prac zostanie uzgodniony po doprecyzowaniu Technicznego Zadania między Zamawiającym a Wykonawcą.

Szukam wykonawcy do budowy systemu agentów AI, który automatyzuje marketingowy i sprzedażowy lejek: od generacji treści po segmentację leadów w CRM i analitykę hipotez. Poniżej znajdują się zadania, pogrupowane według funkcjonalności. Ile dokładnie usług/agentów będzie w końcowej architekturze i na jakim stacku - decydujecie wy, w oparciu o własne doświadczenie. Najważniejsze, aby rozwiązanie pokrywało wszystkie poniższe zadania, było działające, wspierane, skalowalne i koniecznie miało wygodny mechanizm przeglądu/akceptacji wyników przez człowieka przed publikacją lub uruchomieniem reklamy. Blok 1. Generacja treści (multikanałowy copywriting)Jeden lub kilka modułów generujących, które wydają teksty w różnych formatach na podstawie materiałów projektu (programy kursów, wywiady, transmisje): Teksty landingów Sekwencje e-mailowe: łańcuchy rozgrzewające, newslettery Posty w Telegram-bocie/kanale Teksty reklamowe dla Meta, w tym warianty pod różne hipotezy Plan treści i posty dla Facebooka / Instagrama / Telegramu Artykuły do bloga (w tym na podstawie transkrybowanych wideo — patrz Blok 3)Blok 2. Produkcja finalnych materiałówPrzekształcenie gotowego tekstu w końcowy artefakt, gotowy do publikacji: Leadmagnety — składanie i zbieranie gotowego PDF (check-listy, przewodniki) z integracją Canva/Figma do edycji Kreatywy reklamowe Meta — statyczne wizualizacje z rozmiarami pod formaty kampanii Landing page na Framerze — struktura strony, wypełnienie CMS, składanie gotowej strony do uruchomienia.Blok 3. Wideo → blog Transkrypcja wideo (transmisje, wywiady, warsztaty) Podział transkryptu na artykuły prowadzące do lejka Publikacja na blogu na głównej stronie (blog obecnie nie istnieje — być może potrzebna jest sekcja blogowa na Framer CMS; otwarte pytanie: czy może ją stworzyć sam system, czy to osobne zadanie)Blok 4. Integracja z reklamowym panelem Meta Przesyłanie gotowych tekstów i kreatywów do panelu Tagowanie ogłoszeń/kampanii według hipotezBlok 5. CRM i lead-routing Automatyczna segmentacja leadów w Telegram-bocie (był/nie był na wydarzeniu, gałąź lejka, oferta) Przekazywanie segmentów do CRM Autotagowanie nowych leadów w CRM przy trafieniu do lejka (poprzez rejestrację)Blok 6. Analityka hipotez Tworzenie tabeli/dashbordu hipotez: wydatki/wynik dla każdego lejka, lead-magnetu, kreatywu. Okresowa analiza AI z rekomendacjami: co skalować, co zatrzymać Ocena konwersyjności landingówCzego oczekujemy w odpowiedzi Wizja architektury — jak byście podzielili te 6 bloków na agentów/usługi, na jakim stacku (orkiestracja, generacja, przechowywanie danych). Portfolio/przykłady — przykłady podobnych systemów automatyzacji (marketing, leady, generacja treści). Orientacyjna ocena terminów i kosztów, najlepiej etapowo. Pytania do TŻ, jeśli coś jest niejasne.

Poszukujemy doświadczonego programisty Python/AI (lub małego zespołu) do stworzenia usługi AI opartej na bocie Telegram. Projekt automatyzuje przyjmowanie zamówień od rzemieślników i centrów serwisowych na działającym rynku B2B części do sprzętu mobilnego i elektroniki (katalog ~30 000 SKU). Co powinien robić bot:Wielomodalny input: przyjmować tekst, wiadomości głosowe (Whisper API) oraz zdjęcia części/oznaczeń (GPT-4o Vision), rozpoznawać nomenklaturę, rewizje i numery części.Inteligentne wyszukiwanie: dopasowywać żargon rzemieślników (akumulator, AKB, wyświetlacz, oryginał) do oficjalnych nazw za pomocą wyszukiwania wektorowego (Vector DB).Interaktywny UI: przy kilku opcjach jakości (Oryginalny, Wysoka Kopia itd.) — grupować je w jedną wiadomość, wyświetlać inline checkboxy z cenami i stanami, przeliczać koszyk „na bieżąco”.Kaskadowe doprecyzowania (Slot Filling): przy niejednoznacznym zapytaniu krok po kroku doprecyzowywać parametry (model → kolor → rewizja).Zamówienie: automatycznie wysyłać gotowy pakiet JSON zamówienia na stronę przez API po potwierdzeniu koszyka.Stos: Python (FastAPI), Aiogram 3.x, OpenAI API (GPT-4o + Whisper), Qdrant, Docker + docker-compose. Czas realizacji: 5–7 tygodni.⚠️ Obowiązkowy warunek do odpowiedzi: Aby odciąć automatyczne odpowiedzi botów spamowych, proszę podać w wiadomości: jaki model embeddingów (Embeddings) wybierzesz do wektorowego wyszukiwania semantycznego po 30 000 technicznych SKU i dlaczego? Odpowiedzi z szablonowym tekstem bez odpowiedzi na to pytanie będą automatycznie odrzucane.