Opracowanie agenta AI do analizy umów (na bazie Claude)

Budżet: 20000 UAH Termin: 15 dni

Witam! Zadanie jest jasne — potrzebujesz nie tylko chatbota, ale pełnoprawnego systemu RAG z wysokim stopniem zaufania do źródeł. Mam doświadczenie w tworzeniu złożonych systemów w Pythonie z wykorzystaniem LLM (Claude, GPT) oraz integracją danych zewnętrznych przez API i bazy wektorowe.
Moje doświadczenie w opracowywaniu terminali z zarządzaniem ryzykiem oraz złożonych botów logicznych pozwala mi zrealizować architekturę, w której model Reasoning Claude będzie wspierany przez rygorystyczne filtrowanie przez bazę wiedzy.
Jak zrealizuję MVP (Faza 1):
1. Przetwarzanie dokumentów: Skonfiguruję wysokiej jakości parsowanie PDF/DOCX z odpowiednim segmentowaniem (chunking) na logiczne bloki, aby nie tracić kontekstu punktów.
2. System RAG: Wykorzystam Pinecone lub Chroma DB do przechowywania bazy legislacyjnej. To pozwoli agentowi nie "halucynować", a podawać konkretne odniesienia do artykułów CKU/GKU.
3. Analiza ryzyk: Skonfiguruję system scoringowy (🔴/🟡/🟢), opierając się na wzorcach, które wprowadzimy w promptach i bazie wiedzy.
4. Wynik: Otrzymasz rozwiązanie API-first, które wydaje zorganizowany raport z porównaniem "było/jest".
Mam pytanie dotyczące źródeł: czy masz już zgromadzoną bazę legislacji w formacie tekstowym, czy trzeba skonfigurować parsowanie z otwartych rejestrów na pierwszym etapie?

Budżet: 2000 UAH Termin: 7 dni

Cześć, pracowałem nad systemem AI do analizy dokumentów medycznych, który przetwarzał ponad 500 dokumentów dziennie z dokładnością 94% - to bardzo podobne do waszego projektu z umowami!

Ciekawi mnie, jak planujecie rozwiązać kwestię chunkowania dokumentów prawnych, aby zachować kontekst między powiązanymi punktami umowy?

Proponuję się skontaktować, chętnie doradzę wam bezpłatnie z technicznej strony i opracujemy plan rozwoju + opowiem o moim zespole! ⚖️

Budżet: 2000 UAH Termin: 1 dzień

Cześć!

Realizujemy agenta AI do analizy umów w języku ukraińskim:

Stos technologiczny: Claude API (analiza + rekomendacje), RAG na ChromaDB/Pinecone, backend FastAPI, wsparcie dla PDF/DOCX/TXT.

Faza 1 MVP:
— Ładowanie umowy, podział na logiczne bloki
— Klasyfikacja typu umowy
— Analiza ryzyk według punktów (🔴🟡🟢) z odniesieniem do norm CKU/GKU
— RAG według ustawodawstwa — tylko konkretne odniesienia, bez halucynacji
— Rekomendowana redakcja każdego punktu

Faza 2:
— Praktyka sądowa jako argumentacja
— Porównanie dwóch wersji umowy
— Lista kontrolna ryzyk + podsumowanie

Rozumiemy krytyczne niuanse: jakość chunkingu, walidacja odniesień, kontrola halucynacji poprzez odpowiedzi tylko RAG.

Napisz na prywatną wiadomość — omówimy budżet i start. Rozwiń

Budżet: 27000 UAH Termin: 27 dni

Dzień dobry. Bardzo zainteresował mnie Państwa projekt. Proponuję wysoką jakość wykonania w umiarkowanym czasie. Możemy omówić szczegóły pracy i przystąpić do realizacji.

Budżet: 27000 UAH Termin: 14 dni

Dzień dobry.
Jestem gotów podjąć się realizacji Twojego projektu.
Mogę stworzyć dla Ciebie takiego asystenta za pomocą n8n.
Piszesz na prywatne, omówimy wszystkie szczegóły i wybierzemy rozwiązanie najbardziej odpowiednie dla Ciebie.

Budżet: 26990 UAH Termin: 29 dni

Dzień dobry!
Nazywam się Walenty, 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

Budżet: 20000 UAH Termin: 10 dni

Dzień dobry, jesteśmy gotowi do realizacji agenta AI do analizy umów z naciskiem na dokładność i uzasadnienie prawne - mamy 4-letnie doświadczenie w IT i pracowaliśmy z systemami AI i RAG w naszym portfolio - oferujemy rozwiązanie z architekturą API first, gdzie LLM przetwarza tekst i generuje wnioski, a warstwa RAG poprzez bazę wektorową zapewnia odpowiedzi wyłącznie na podstawie przepisów prawnych i praktyki sądowej, realizujemy pipeline do przetwarzania dokumentów, dzielenia na bloki, analizy punktów, klasyfikacji ryzyk i generowania rekomendacji z odniesieniami, osobno wprowadzimy kontrolę halucynacji, logowanie i walidację źródeł, MVP można zrealizować w ciągu 2–4 tygodni z dalszym rozszerzeniem funkcji - pracujemy w duecie, co gwarantuje kompleksowe podejście.

Budżet: 8000 UAH Termin: 1 dzień

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

Budżet: 18500 UAH Termin: 18 dni

Dzień dobry!

Dokładnie zapoznałem się z TZ — zadanie jest trudne i ciekawe, widzę, gdzie większość wykonawców popełnia błędy na początku.

Najważniejsze, co odróżnia jakościową realizację, to rozwiązanie trzech konkretnych problemów, które zazwyczaj są pomijane:

1. Chunking umów o niestandardowej strukturze.
Regex-parsery nie działają na rzeczywistych dokumentach. Używam Claude na pierwszym kroku do strukturyzacji dokumentu w JSON (rozdział → podpunkt → tekst), a następnie indeksuję chunks z metadanymi. To kosztuje więcej o $0.01–0.02 za dokument, ale daje dokładne odniesienia do konkretnego punktu, a nie „gdzieś w rozdziale 3”.

2. Walidacja odniesień do norm prawnych. Każde odniesienie w raporcie ma flagę retrieved: true/false — agent fizycznie nie może wymyślić artykułu, którego nie ma w retrieved context. Jeśli norma nie została znaleziona — tak to jest napisane: „norma nie zweryfikowana, zalecamy konsultację z prawnikiem”. To fundament zaufania do produktu.

3. Aktualność bazy prawnej. Indeksuję kodeksy z metadanymi last_verified_date, monitorowanie zmian poprzez parsowanie Rady Najwyższej. Raport zawsze pokazuje datę weryfikacji normy.

Co wchodzi w Phase 1 (MVP):
— Ładowanie PDF / DOCX / TXT
— Chunking oparty na Claude i klasyfikacja typu umowy
— Podstawowy RAG z ustawodawstwem (CKU, HKU, KZpP)
— Analiza ryzyk według poziomów
— Weryfikacja odniesień
— Raport JSON → HTML

Phase 2 — (14 dni)
Podłączenie praktyki sądowej (Jednolity rejestr orzeczeń sądowych), ulepszona klasyfikacja ryzyk, UI raportu z filtrami.
koszt orientacyjnie 14000

Phase 3 — (18 dni)
porównanie dwóch wersji umowy, integracja z Google Docs, automatyzacja.
koszt orientacyjnie 18000

Stos: Python + FastAPI, Claude API, ChromaDB, Next.js.

Koszt w odpowiedzi podany za Phase 1: 18 000 zł.

Mam doświadczenie w tworzeniu agentów AI oraz systemów RAG, rozumiem, gdzie kryją się prawdziwe trudności takich projektów.

Jestem gotów omówić szczegóły i odpowiedzieć na pytania techniczne. Rozwiń

Budżet: 25000 UAH Termin: 10 dni

Witam, mogę opracować wersję MVP dla waszego produktu. Mam doświadczenie w tworzeniu skomplikowanych produktów pod klucz. Proponuję skontaktować się w wiadomości prywatnej.

Miłego dnia, Paweł

Budżet: 20000 UAH Termin: 5 dni

Mam doświadczenie w budowaniu skomplikowanych systemów RAG i rozumiem, że w dziedzinie prawa „halucynacja” modelu to niedopuszczalny błąd. Opowiem, jak to realizuję, abyście wybrali mnie.

Moja techniczna strategia realizacji:
1. Architektura RAG i Chunking (Kluczowy etap)
Najtrudniejsze w prawnym RAG to prawidłowe dzielenie dokumentów.

Ustawodawstwo: Realizuję hierarchiczne chunkowanie (Artykuł -> Część -> Akapit), aby odniesienia do normy prawnej były dokładne, a nie ogólne.

Praktyka sądowa: Użyjemy bazy wektorowej (Pinecone lub Chroma) do przechowywania semantycznych wektorów orzeczeń sądowych. To pozwoli na znajdowanie nie tylko podobnych słów, ale podobnych sytuacji prawnych.

2. Workflow „Krytycznego myślenia”
Zamiast jednego zapytania do LLM, realizuję Agentic Workflow:

Analityk: Dzieli umowę i określa istotę zobowiązań.

Poszukiwacz (Retriever): Szuka aktualnych norm w Kodeksie cywilnym/Kodeksie handlowym oraz odpowiednich spraw w bazie praktyki sądowej.

Prawnik-rewident: Porównuje punkt umowy z uzyskanymi danymi, identyfikuje ryzyka i formułuje uzasadnienie.

Korektor: Sprawdza odniesienia pod kątem ważności i formułuje rekomendacje „ludzkim językiem”.

3. Stos technologiczny
Backend: Python (FastAPI) — złoty standard dla projektów AI.

Orkiestracja: LangGraph (od LangChain) do tworzenia skomplikowanych cyklicznych agentów.

OCR: Unstructured.io lub AWS Textract do idealnego odczytu PDF.

Frontend: Next.js do tworzenia interaktywnego raportu, gdzie można kliknąć na ryzyko i zobaczyć tekst ustawy w sąsiednim oknie.

Cenę i terminy podaję dla fazy 1.

Mój GitHub https://github.com/onyx144 Rozwiń

Budżet: 22000 UAH Termin: 30 dni

Dzień dobry. Stos technologiczny:

— Python 3.13 + FastAPI (architektura API-first)
— Claude 3.7 Sonnet (API Anthropic) — najlepszy w reasoning dla długich kontekstów dokumentów prawnych, używam codziennie
— Embeddings: voyage-law-2 (specjalnie dla prawa) lub text-embedding-3-large
— Baza danych wektorowa: Chroma lokalnie dla MVP ($0), Pinecone/Weaviate gdy skala >10k umów
— OCR: Tesseract + pdfplumber dla tekstowych PDF, Azure Document Intelligence dla zeskanowanych
— Inteligentne dzielenie: LlamaIndex z niestandardowym parserem bloków prawnych (według bloków "przedmiot/odpowiedzialność/siła wyższa", nie arbitralne 512-token)
— Źródła: scraper zakon.rada.gov.ua dla CKU/GKU/KZP + reyestr.court.gov.ua dla praktyki sądowej
— Docker Compose + GitHub Actions CI

Krytyczne dla jakości (typowe pułapki, które łamią LegalTech AI):

System prompt, który WYMUSZA "odpowiadaj tylko z źródeł RAG" + odmowa, jeśli brak cytatu
Każde odniesienie jest walidowane — Claude sprawdza, czy akt prawny istnieje przed wyjściem
Inteligentne dzielenie z nakładaniem nie tnie przez klauzule prawne (w przeciwnym razie utrata kontekstu)
Wskaźnik pewności na ryzyko (0-100%) + klasyfikacja poziomów (czerwony/żółty/zielony)
Faza 1 MVP (4-5 tygodni, 22000 UAH):

Prześlij PDF/DOCX/TXT + fallback OCR
Inteligentne dzielenie + klasyfikacja typu umowy
RAG z CKU + GKU + KZP embedded
Identyfikacja ryzyka + 3-poziomowa + zalecana przeróbka + wyjaśnienie "ludzkim językiem"
Endpoint API + interfejs administracyjny
Warstwa anty-hallucination
Faza 2 (3 tygodnie, +18000 UAH): praktyka sądowa z reyestr.court.gov.ua, eksport PDF raportu, tryb porównania dwóch wersji

Faza 3 (na żądanie): "tryb negocjacji", automatyzacja, integracja Google Docs / CRM

Relewantne doświadczenie: Codzienny użytkownik API Claude (Sonnet 3.7), buduję lokalne pipeline'y RAG (Chroma + Postgres pgvector). Parsowałam API otwartych danych Rady Najwyższej dla innego projektu.

Demo: POC RAG nad pełnym CKU + 1 typ umowy (kupno-sprzedaż) w ciągu 3-4 dni, 5000 UAH osobno jako techniczna weryfikacja przed głównym kontraktem.

Szczere ograniczenia: Hallucinations nie są w 100% rozwiązywalne, wyjście wymaga przeglądu prawnika przed użyciem produkcyjnym. Zastrzeżenie "AI nie zastępuje prawnika" jest obowiązkowe w finalnym UI.

Gotowa na escrow + czat asynchroniczny. Rozwiń

Budżet: 1000 UAH Termin: 1 dzień

Wchodzę do top-10 deweloperów w kategorii „Sztuczna inteligencja i uczenie maszynowe” wśród ~2100 specjalistów na platformie. Gwarantuję: - Szybkie i jakościowe wykonanie zadania - Ścisłe przestrzeganie terminów - Regularny kontakt przez cały proces Będę zadowolony, aby omówić szczegóły twojego projektu w prywatnych wiadomościach.

Budżet: 27000 UAH Termin: 27 dni

zadanie ciekawe. około MVP 4-5 tygodni, 800-1200 dolarów. jeśli pasuje - możemy omówić.

Budżet: 5000 UAH Termin: 10 dni

Dzień dobry! Zapoznaliśmy się z Państwa projektem. Zadanie jest bardzo silne i perspektywiczne — właściwie LegalTech AI-platforma do analizy umów z fokusowaniem na ukraińskie prawo. Mamy doświadczenie w tworzeniu usług AI, systemów RAG, rozwiązań z zakresu inteligencji dokumentów oraz skomplikowanych produktów backendowych.

Rozumiemy kluczowe zadanie: nie tylko „czat z AI”, ale sterowany agent AI, który daje konkretne wnioski prawne z odniesieniem do źródeł prawa i minimalizuje halucynacje.

Co możemy zrealizować:

• Ładowanie umów PDF / DOCX / TXT
• OCR dla zeskanowanych dokumentów
• Inteligentne dzielenie umowy na bloki prawne
• Określenie typu umowy
• Analiza każdego punktu osobno
• Wykrywanie ryzyk: prawnych / finansowych / operacyjnych
• Ocena ryzyka: wysoka / średnia / niska
• Przepisane redakcje punktów
• Wyjaśnienia „ludzkim językiem”
• Podsumowanie dokumentu

System RAG:
• Integracja ustawodawstwa Ukrainy
• Kodeksy, akty, baza normatywna
• Wyszukiwanie odpowiednich norm prawa
• Orzecznictwo jako oddzielna warstwa wiedzy
• Walidacja źródeł i odniesień

Zalecany stos technologiczny:
• Backend: Python (FastAPI)
• AI: Claude API + OpenAI (rezerwa / embeddings)
• Baza danych wektorowa: Weaviate / Pinecone / pgvector
• PostgreSQL
• OCR: Tesseract / Google Vision / Azure OCR
• Frontend: Next.js / React
• Autoryzacja / role / logi audytowe

Jak byśmy budowali MVP (Faza 1):
• Ładowanie dokumentu
• Analiza struktury umowy
• RAG tylko w oparciu o ustawodawstwo
• Raport o ryzykach + rekomendacje
• Architektura API-first dla przyszłych integracji

Co jest krytyczne i weźmiemy to pod uwagę:
• Jakościowe dzielenie dokumentów
• Ścisłe oparcie tylko na źródłach
• Logowanie odpowiedzi
• Weryfikacja aktualności norm
• Przejrzysta architektura dla skalowania

Możemy również pomóc jako partner techniczny: roadmap produktu, UX legal dashboard, model monetyzacji, architektura SaaS.

Jesteśmy gotowi omówić MVP, budżet, terminy oraz podzielić pracę na fazy.

Nasza strona: https://benefit-it.net/
Z poważaniem, Benefit Studio Rozwiń