Agencja AI do badań

Witam! Twój projekt to idealny kandydat do Vibe Coding (rozwój z maksymalną prędkością przy użyciu generacji kodu AI). Cały opisany przez Ciebie stos (FastAPI, PostgreSQL + pgvector, Docling, Qwen 2.5) znam, rozumiem jak go połączyć i wdrożę w najkrótszym czasie.

Pokaż oryginał

Przetłumacz

Cześć.

Dokładnie przeanalizowałem specyfikację. Projekt wygląda jak pełnoprawna platforma badawcza RAG, a nie kolejny czat AI z podłączonym LLM. Szczególnie podoba mi się, że od razu zaplanowaliście odpowiednią architekturę: ingestion → extraction → retrieval → reranking → structured recommendation.

Mój profil znajduje się na przecięciu AI, backend development i systemów przetwarzania danych.

Pracuję z Python 3.11+, FastAPI, PostgreSQL, Docker, bazami danych wektorowych i nowoczesnymi stosami LLM. Realizowałem systemy wyszukiwania semantycznego, RAG-pipeline, przetwarzanie dokumentów, asystentów AI z długoterminową pamięcią oraz usługi automatyzacji analizy danych.

Co mogę zrealizować w ramach waszego projektu:
…
✔ ładowanie i przetwarzanie dokumentów PDF;
✔ integracja GROBID do ekstrakcji struktury publikacji naukowych;
✔ integracja PubMed i Scopus;
✔ przechowywanie dokumentów, metadanych, embeddingów i historii zapytań w PostgreSQL;
✔ hybrydowe wyszukiwanie BM25 + Embeddings;
✔ Cohere Rerank w celu poprawy jakości wyników;
✔ RAG-pipeline z kontrolowaną generacją odpowiedzi;
✔ ekstrakcja encji i parametrów przez LLM + Pydantic Schema;
✔ wydawanie rekomendacji z obowiązkowym uzasadnieniem i linkami do źródeł;
✔ REST API do integracji;
✔ interfejs webowy na Vue 3;
✔ wdrożenie Docker i dokumentacja.

Mocną stroną mojego podejścia jest nie tylko zmuszenie modelu do odpowiadania, ale osiągnięcie powtarzalnych wyników, gdy użytkownik zawsze widzi źródła, znalezione dokumenty i logikę formowania rekomendacji.

Dla takich systemów szczególnie ważna jest jakość warstwy retrieval i ekstrakcji danych z publikacji. Dlatego buduję architekturę w taki sposób, aby system opierał się na materiałach naukowych i danych faktycznych, a nie na założeniach modelu.

Jestem gotów rozpocząć od razu po uzgodnieniu szczegółów. Mogę również zaproponować kilka wariantów architektury pod różne budżety i objętości danych.

Chętnie omówię projekt.

Pokaż oryginał

Przetłumacz

Dzień dobry! Projekt jest bardzo interesujący i dość kompleksowy — to już nie tylko chatbot, ale specjalizowany system RAG do pracy z dokumentami naukowymi, strukturalnego wydobywania danych i formułowania rekomendacji na podstawie źródeł. Możemy pomóc z architekturą i realizacją MVP: — ładowanie i parsowanie dokumentów naukowych — dzielenie tekstu na chunks i przechowywanie metadanych — embeddings + pełnotekstowe wyszukiwanie — logika RAG do formułowania odpowiedzi po ukraińsku/rosyjsku — wydobywanie parametrów metod przez LLM + schemat pydantic — schemat PostgreSQL dla dokumentów, fragmentów, embeddings, encji i historii zapytań — backend FastAPI — interfejs webowy — formułowanie rekomendacji z odnośnikami do źródeł. W stacku logicznie używać Python / FastAPI / PostgreSQL / Docker, a do wyszukiwania — hybrydowe podejście: BM25 + embeddings + rerank. Na początek możemy zrealizować MVP: ładowanie dokumentów → wyszukiwanie relewantnych fragmentów → odpowiedź RAG → strukturalny wyjście parametrów → odnośniki do źródeł. Po tym system można skalować pod API Scopus/PubMed, QLoRA/Qwen oraz głębszą analizę AI. Jesteśmy gotowi omówić zakres bazy, format dokumentów, wymagania dotyczące dokładności oraz roadmap pierwszego etapu.

Pokaż oryginał

Przetłumacz

Cześć. Zgodnie z wymaganiami — masz pełny opis pod linkiem do Google Docs, potrzebuję dostępu do dokumentu, aby podać konkretne terminy i cenę. Proszę o dostęp do odczytu (może być na konto freelancehunt lub adres e-mail) — po przeczytaniu wrócę z szczegółową wyceną.

Jeśli chodzi o typ zadania — agent badawczy to obecnie jeden z najciekawszych obszarów AI. Architektonicznie zazwyczaj sprowadza się do trzech warstw: warstwa narzędziowa (wyszukiwanie w sieci przez Tavily/SerpAPI/Brave, pozyskiwanie z twoich źródeł, kontrola przeglądarki w razie potrzeby), warstwa rozumowania (planista + cykl działaj-obserwuj-reflektuj, najczęściej na LangGraph lub własnej maszynie stanów) oraz warstwa wyjściowa (ustrukturyzowany raport z cytatami i pewnością). Jakość krytycznie zależy od dwóch rzeczy: głębokości kroku weryfikacji faktów (sprawdzanie twierdzeń agenta przed wydaniem ostatecznej odpowiedzi) oraz umiejętnego inżynierii promptów dla raportowania — bez nich agent albo halucynuje, albo wydaje wodnisty tekst.

Relewantne doświadczenie — od trzech lat piszę integracje LLM (OpenAI/Anthropic), mam produkcyjnego asystenta AI na RAG/Qdrant w produkcji, obecny projekt poboczny właśnie wykorzystuje równoległe orkiestracje agentów przez MCP. RAG + pętle agentów + inżynieria promptów — to mój główny fokus.

Czekam na dostęp do wymagań, po przeczytaniu odpowiem z konkretnymi danymi na temat objętości, terminów i stosu.

Pokaż oryginał

Przetłumacz

Witam. Mam doświadczenie w opracowywaniu systemów AI z logiką workflow (etapy, statusy, automatyzacja procesów, integracje API). Mogę zrealizować Twój scenariusz pod klucz: publikacja → stawki → zatwierdzenie → rezerwacja → realizacja → opinie z logiką AI oraz testowaniem przed uruchomieniem. Po zapoznaniu się z dokumentacją techniczną podam dokładne terminy i koszt, ale orientacyjnie MVP tego poziomu zajmuje 3–6 tygodni w zależności od złożoności części AI i integracji.

Pokaż oryginał

Przetłumacz

Cześć, Asher!

Zamierzam to robić etapami: najpierw podstawowy system z ładowaniem dokumentów, wyszukiwaniem i odpowiedziami opartymi na źródłach, a następnie zwiększanie jakości ekstrakcji i „inteligentnych” rekomendacji. Główny nacisk będzie kładziony na jakość danych i poprawną pracę z tekstami naukowymi, a nie tylko na LLM.

Aby dokładniej ocenić realizację i terminy, musimy wyjaśnić kilka kwestii: jaki jest przewidywany wolumen i format dokumentów źródłowych na początku (PDF, bazy artykułów, farmakopee) oraz czy mamy już do nich dostęp, czy będą one podłączane w miarę rozwoju. Ważne jest również zrozumienie, jak głęboko należy wydobywać parametry — czy wystarczy ogólne wydobycie metod, czy potrzebna jest ścisła strukturyzacja „jak w bazie danych” z ustalonymi polami.

Proponuję omówić szczegóły.

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 Twoim projektem!
Z poważaniem
Zespół Arctic Web
Freelancehunt

Pokaż oryginał

Przetłumacz

Dzień dobry. Jestem gotów zrealizować ten projekt, mam duże doświadczenie w tworzeniu różnych aplikacji.

Pokaż oryginał

Przetłumacz

Asher, dzień dobry
Przejrzałem TŻ - to już pełnoprawny system RAG do zadań badawczych i, szczerze mówiąc, miło widzieć tak szczegółowo przemyślaną architekturę projektu. Widać, że rozumiecie, co dokładnie chcecie osiągnąć.

Szczególnie podoba mi się, że od razu podzieliliście ingestion dokumentów, extraction encji, retrieval/rerank i osobną logikę RAG na tym. Takie podejście znacznie zmniejsza ryzyko, że projekt zamieni się w "LLM odpowiada jak popadnie".

Chcę wyjaśnić jeden ważny punkt: potrzebujecie MVP do wewnętrznego użytku w laboratorium/zespole, czy od razu system z myślą o komercyjnym skalowaniu i zewnętrznych użytkownikach? Od tego w dużej mierze zależy architektura.

Pokaż oryginał

Przetłumacz

Dzień dobry.\nJestem gotów realizować etapami, najpierw MVP z podstawowym parsowaniem, bazą danych, wyszukiwaniem i odpowiedziami RAG.

Pokaż oryginał

Przetłumacz

Dzień dobry: często realizujemy podobne projekty dla innych nisz, mamy doświadczenie! 2500 dolarów, 10 dni roboczych!

Pokaż oryginał

Przetłumacz

Oto odpowiedź:

---

Przeanalizowałem specyfikację. Zadanie jest jasne — potrzebny jest nie tylko chatbot, ale narzędzie robocze dla laboratorium z architekturą RAG, wyszukiwaniem semantycznym i zorganizowanymi odpowiedziami z linkami do źródeł.

Stos technologiczny jest mi znany: FastAPI + PostgreSQL, Vue.js 3, embeddings (multilingual-e5-large), BM25 + Cohere Rerank, integracja z PubMed/Scopus/GROBID. Pracowałem z podobnymi systemami do wyszukiwania w dokumentach naukowych.

Co proponuję:
…
— Schemat PostgreSQL z przechowywaniem dokumentów, fragmentów, embeddingów, encji i historii zapytań
— Hybrydowe wyszukiwanie: BM25 + wektorowe z re-rankingiem
— Pipeline RAG z uzasadnieniem odpowiedzi i linkami do źródeł
— REST API do ładowania dokumentów i generowania odpowiedzi
— Interfejs webowy na Vue.js 3
— Konfiguracja Docker do wdrożenia na VPS/RunPod

**Termin:** 5–6 tygodni z uwzględnieniem testowania
**Koszt:** omówimy na prywatnej wiadomości, orientuję się na budżet projektu — gotów zaproponować adekwatną cenę

Jestem gotów zacząć po uzgodnieniu szczegółów.

Pokaż oryginał

Przetłumacz

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

Pokaż oryginał

Przetłumacz

Cześć
Jesteśmy wykwalifikowani do podjęcia się niezwykle specjalistycznego zadania stworzenia kompleksowego rozwiązania AI do analizy chromatograficznej, zgodnie z Twoimi specyfikacjami. Nasza strategia skupi się na dostarczeniu niezawodnego, inteligentnego systemu, który będzie użytecznym narzędziem do badań i prac laboratoryjnych, a nie tylko chatbotem.
Używając wybranego przez Ciebie stosu technologicznego, wdrożymy kluczowe funkcje, takie jak:
• Wczytywanie i analizowanie dokumentów: Artykuły naukowe, farmakopeje i materiały metodologiczne mogą być efektywnie przesyłane i analizowane za pomocą Docling i GROBID.
• Ekstrakcja danych i wyszukiwanie: Używając BM25, multilingual-e5-large i Cohere Rerank 3 w połączeniu z ekstrakcją danych strukturalnych z tekstu do wyszukiwania semantycznego i pełnotekstowego w całej bazie wiedzy.
• Logika RAG i silnik rekomendacji: Opracowanie zaawansowanego systemu Retrieval-Augmented Generation (RAG) do tworzenia użytecznych sugestii dotyczących warunków analizy chromatograficznej, wraz z wyjaśnieniami i odniesieniami. Dla skomplikowanych matryc, takich jak ekstrakty roślinne i płyny biologiczne, będzie to obejmować dostosowanie LLM (Qwen2.5-7b z QLoRA), aby zapewnić wysoką dokładność i trafność.
• Interfejs internetowy i API: Opracowanie przyjaznego dla użytkownika interfejsu internetowego z Vue.js 3 oraz solidnego backendu FastAPI, wspieranego przez bazę danych PostgreSQL 15+ do przechowywania dokumentów, metadanych, fragmentów tekstu, wyodrębnionych encji, osadzeń i historii zapytań.
• Wdrożenie: Wykorzystanie Dockera, VPS i RunPod do skalowalnego i efektywnego wdrożenia.
Biorąc pod uwagę złożoność integracji wielu specjalistycznych narzędzi, dostosowania LLM oraz budowy aplikacji full-stack z silnym naciskiem na dokładność i uzasadnienie, realistyczny harmonogram dostarczenia tego kompleksowego AI, w tym dokładne testy, wynosiłby około 16 do 24 tygodni.
… Dla projektu tego rodzaju, który obejmuje zaawansowany rozwój AI, specjalistyczne przetwarzanie danych i wdrożenie full-stack, inwestycja zazwyczaj wynosi od 80 000 do 150 000 USD+. Ta wycena uwzględnia specjalistyczną wiedzę wymaganą do architektury RAG, dostosowania LLM, analizy dokumentów oraz bezpiecznego, skalowalnego wdrożenia.
Przed dokładniejszą oceną istnieją dwa kluczowe pytania:
1. Ile i jakiego rodzaju dokumentów naukowych – takich jak artykuły i farmakopeje – będzie trzeba najpierw wprowadzić i przetworzyć w systemie?
2. Czy AI musi spełniać jakieś szczególne standardy wydajności lub metryki dokładności dla rekomendacji chromatograficznych?

Pokaż oryginał

Przetłumacz

Cześć! Mogę opracować dla Ciebie gotowe rozwiązanie AI jako pełnoprawny system produkcyjny, a nie tylko demo. Z normalnym testowaniem, zrozumiałym przekazaniem projektu i taką strukturą, aby Twój zespół mógł spokojnie go dalej wspierać bez zbędnego stresu.

Pracuję z produktami LLM end-to-end: od architektury promptów i logiki przetwarzania danych po bezpieczne API, logowanie i stabilne doświadczenie użytkownika.

Jeszcze przed pracą nad UI wolę najpierw ustalić podstawowe zachowanie systemu poprzez prosty pipeline oparty na specyfikacji, aby model działał stabilnie, a jakość można było mierzyć. Moje podejście to najpierw zbudować niezawodne jądro, a następnie dodać zabezpieczenia, ponowne próby i zrozumiałe scenariusze fallback, aby system nie psuł się, gdy rzeczywiści użytkownicy zachowują się nieprzewidywalnie.

Gdy tylko uzyskam dostęp do dokumentu, który wskazałeś, rozłożę wszystkie wymagania na checklistę, a my będziemy mogli śledzić postęp w każdej funkcji poprzez krótkie demo.

Jednym z pomysłów, który od pierwszego dnia uczyni Twoje AI bardziej niezawodnym i zrozumiałym dla użytkowników, jest **Panel Dowodów**. Będzie on spokojnie pokazywał, na jakich danych oparty jest odpowiedź i dlaczego system wybrał właśnie tę akcję. Dla użytkowników nie będzie to wyglądać na przeciążone, ale pomoże wsparciu, zmniejszy sporne sytuacje i przyspieszy testowanie, ponieważ będzie można zobaczyć logikę działania systemu bez zgadywania.
…
https://storyai.cc
https://live.chatbullet.com

Pokaż oryginał

Przetłumacz

Zbadałem tzw. zadanie, jest zrozumiałe i technicznie interesujące. Jestem gotów omówić szczegóły w dogodnym czasie, piszcie, omówimy.

Pokaż oryginał

Przetłumacz

Mamy już praktycznie gotową architekturę i opracowania dla podobnego agenta AI, dlatego według waszego TŻ orientacyjny koszt to 16000 USD i 60 dni kalendarzowych z testowaniem, możemy omówić szczegóły tutaj, jestem w kontakcie ))
Zobaczcie, jest tu niuans - chciałbym to zrobić nie jako zwykłego chatbota, ale jako !!usługę badawczą z weryfikowalnymi źródłami!!, ponieważ w TŻ są farmakopee, publikacje, metody chromatografii, Scopus, PubMed, Docling, GROBID i RAG.
Część AI lepiej podzielić na wyszukiwanie w bazie, wydobywanie ustrukturyzowanych parametrów, ranking źródeł, generowanie odpowiedzi z cytatami i rejestrowanie zapytań.
W realizację wejdą interfejs webowy, API, PostgreSQL, ładowanie dokumentów, embeddingi, historia zapytań, wdrożenie Docker, zestaw testowy i sprawdzanie jakości odpowiedzi na waszych przykładach.
Koszt płatnych źródeł i GPU lepiej liczyć osobno, aby nie ukrywać zmiennych kosztów w rozwoju.
Od was potrzebne są przykłady 20-30 rzeczywistych zapytań, zestaw dokumentów do pierwszej bazy, dostęp do płatnych źródeł, jeśli Scopus jest potrzebny w pierwszej wersji, oraz kryteria poprawnej odpowiedzi.
Uściślę 2 punkty.
- Scopus jest obowiązkowy w pierwszej wersji, czy można zacząć od PubMed i załadowanej bazy dokumentów?
- QLoRA i QWEN2.5-7b są konieczne na starcie, czy ważniejsze jest najpierw stabilne RAG z dobrą jakością źródeł?
… Relewantne przypadki i doświadczenie.
- https://business.ingello.com/vorfahr - podobne tym, że tam jest generacja AI, przetwarzanie danych i logika produktowa w działającym systemie
- https://business.ingello.com/fractal - bliskie pod względem architektury agenta i automatyzacji złożonych procesów
- https://business.ingello.com/tts - pośrednio związane przez usługę AI pod konkretne zadanie
Główny profil Ingello Systems dla FLH - https://systems-fl.ingello.com
Możemy zacząć od krótkiego etapu projektowania, jeśli chcecie zmniejszyć ryzyko związane ze źródłami i jakością odpowiedzi =/

Pokaż oryginał

Przetłumacz