Rozwój agenta AI w Telegramie do przyjmowania zamówień B2B (Python, FastAPI, LLM, Vector DB)

Budżet: 27000 UAH Termin: 10 dni

Witaj!
Jestem Oleg, menedżer projektu w Business Atlas. Opracowujemy rozwiązania AI i automatyzacje dla procesów biznesowych (50+ projektów w UA/EU).
• Odpowiedź na obowiązkowe pytanie:
Do wyszukiwania 30 000 technicznych SKU wybieramy text-embedding-3-large od OpenAI (lub samodzielnie hostowaną alternatywę bge-m3 / nomic-embed-text). Ma ona wysoką wymiarowość (3072), co jest krytyczne dla dokładnego rozróżnienia podobnych numerów części i rewizji. Model jest ekonomiczny, pozwala elastycznie zmniejszać wektor w Qdrant bez utraty dokładności i idealnie mapuje żargon mistrzów (akumulator, oryginał) na oficjalną nomenklaturę.
• Nasze rozwiązanie dla Twojego TŻ:
1. Multimodalność: Skonfigurujemy rozpoznawanie głosu przez Whisper API oraz analizę zdjęć oznaczeń przez GPT-4o Vision.
2. Smart UI & Slot Filling: Stworzymy logikę dialogową do krokowego doprecyzowania modelu/rewizji oraz wygodne menu inline z przeliczeniem koszyka na bieżąco.
3. Bezpośrednie API: Formujemy czysty JSON i bezproblemowo przekazujemy zamówienie na Twoją stronę.
• Nasze odpowiednie doświadczenie:
Opracowywaliśmy podobne systemy RAG oraz wyszukiwanie wektorowe w dużych katalogach produktów i części zamiennych, a także agentów AI pełnego cyklu — od zapytania głosowego w komunikatorze po stworzenie faktury i płatność.
• Warunki:
Koszt: 2 200 – 3 200 USD (zależy od API strony i finalnej logiki doprecyzowań).
Termin: 5–7 tygodni (z pełnym testowaniem bazy).
Napisz do mnie w wiadomościach prywatnych — prześlę schematy naszych podobnych AI-workflow i uzgodnimy szczegóły. Rozwiń

Budżet: 10000 UAH Termin: 21 dni

Dzień dobry!

Od razu do Państwa pytania o embeddingi: wziąłbym BGE-M3 i budowałbym wyszukiwanie w Qdrant hybrydowo, dense + sparse jednocześnie.

Powód jest konkretny dla Państwa katalogu. Zapytania mistrzów składają się z dwóch różnych części: żargonu ("akum", "AKB", "orig", "wyświetlacz w komplecie") i dokładnych tokenów, czyli numerów części i rewizji. Dense-wektory dobrze radzą sobie z pierwszym i rozmywają drugie: dla modelu GH97-18523 i GH97-18525 praktycznie to samo, a dla mistrza to różne detale. BGE-M3 zwraca z jednego modelu zarówno dense, jak i sparse (leksykalny) wektor, a Qdrant trzyma je w jednej kolekcji i scala wyniki przez RRF. Żargon łapie dense, dokładny numer części łapie sparse. Model jest wielojęzyczny z pudełka (ukr/ros/angl w jednym katalogu) i jest hostowany u Państwa, więc 30 000 SKU nie generuje opłat za każde zapytanie.

Jako alternatywę rozważałem multilingual-e5-large, wielojęzyczność też jest silna, ale jest to czysto dense, i pod numery części i tak trzeba by było podłączyć osobny leksykalny indeks. Z OpenAI text-embedding-3-large to samo, plus koszt za każde zapytanie.

Osobno: część żargonu w ogóle bym nie przypisywał do embeddingów, a trzymał jako pole alias w metadanych SKU. To jest tańsze i bardziej przewidywalne, niż liczyć, że model sama zgadnie o slangu konkretnego rynku.

Jeśli chodzi o stack, to dokładnie to, z czym pracuję: Python/FastAPI, Aiogram 3.x, OpenAI API (GPT-4o, Whisper), Qdrant, Docker Compose.

Co do formatu. Nie proponuję robić całego zakresu w jednym kawałku przez 5-7 tygodni w ciemno, proponuję podzielić:

Etap 1 (to jest suma w stawce, ~3 tygodnie): usługa FastAPI + bot Aiogram, indeksacja katalogu w Qdrant, inteligentne wyszukiwanie tekstowe po żargonie, karta produktu z opcjami jakości (Original / High Copy) z checkboxami inline, koszyk z przeliczeniem na bieżąco, wysyłka gotowego zamówienia JSON na Państwa API.

Etap 2: głos (Whisper), zdjęcia oznaczeń (Vision), kaskadowe doprecyzowania. Ocenimy je po tym, jak Państwo przetestują pierwszy etap na rzeczywistych zapytaniach swoich mistrzów.

W ten sposób widzą Państwo roboczy wynik po trzech tygodniach, a nie po siedmiu, i płacą za drugi etap tylko jeśli pierwszy ich zadowoli.

Pytanie zasadnicze: w jakiej formie obecnie leży katalog, czy jest API czy eksport, gdzie "rewizja", "jakość" i "kompatybilne modele" są oddzielnymi atrybutami, czy to wszystko jest zlane w jedną nazwę produktu? Od tego zależy zakres normalizacji przed indeksacją, i to najczęściej największy ukryty kawałek w takich projektach.

Jestem gotów pokazać żywe boty, które już działają, prześlę bezpośrednio na czacie, aby Państwo zobaczyli flow do rozwiązania.

Piotr Pankow, BotCraft Group Rozwiń

Budżet: 4500 UAH Termin: 3 dni

Cześć.

Opracowuję boty dla Telegramu w NodeJS. Mam doświadczenie w integracji AI. Napisz, porozmawiamy.

Budżet: 27000 UAH Termin: 21 dni

Wąskie miejsce tutaj to nie multimodalność, a wyszukiwanie: „akum oриг 13 про” i „Akumulatorowa bateria iPhone 13 Pro Original” leksykalnie prawie się nie pokrywają, naiwny wektorowy system wyszukiwania po 30k SKU będzie tutaj chybiony.

Jeśli chodzi o embeddingi, mój wybór to hybryda w Qdrant. Model gęsty BAAI/bge-m3: self-hosted, wielojęzyczny (rosyjski i ukraiński trzyma dobrze), i natywnie zwraca zarówno gęste, jak i rzadkie reprezentacje, co upraszcza pipeline. Logika jest taka: żargon mistrzów to nie tylko semantyka, ale i skróty z numerami części. „GH82-23100A” lub „AKB” model gęsty bez dodatkowego uczenia może rozmyć w przestrzeni, a komponent rzadki łapie dokładne leksykalne dopasowanie; gęsty przy tym wyciąga semantyczną bliskość typu „wyświetlacz” do „moduł ekranu”. Łączenie wyników przez RRF bezpośrednio w Qdrant, bez zewnętrznego serwisu. text-embedding-3-small jako alternatywę świadomie odsuwam: model jest tani i działa, ale to koszt recurring na każdą reindeksację katalogu i na każde zapytanie, plus zależność rdzenia wyszukiwania od uptime OpenAI. Jako fallback można zostawić, jako podstawę - nie polecałbym.

Podobne zadanie już rozwiązywałem: robiłem silnik wyszukiwania i dopasowania części samochodowych po VIN i katalogach z wektorowym wyszukiwaniem i fuzzy-matchingiem, więc pułapki normalizacji nomenklatury są mi znane. Programuję od 2013 roku.

Proponuję nie brać całego zakresu jednym kawałkiem. Etap 1: wejście tekstowe, hybrydowe wyszukiwanie w katalogu, inline-koszyk z checkboxami i przeliczeniem, eksport JSON zamówienia na stronę. Etap 2: zdjęcia przez Vision, głos przez Whisper, kaskadowe doprecyzowania. Tak działające jądro pojawi się na długo przed końcem 5-7 tygodni, i od razu widać jakość dopasowania.

Jedno pytanie: endpoint na stronie do przyjmowania zamówień JSON już istnieje, czy też go projektujemy?

Napisz - jestem gotów w korespondencji ustalić zakres Etapu 1, termin i cenę. Rozwiń

Budżet: 2000 UAH Termin: 7 dni

Cześć, pracowałem nad botem AI dla rynku B2B — przetwarzanie 30 000 produktów, rozpoznawanie głosu i zdjęć, wyszukiwanie wektorowe. Skrócono czas zamówienia o 70% ⚡

Jeśli chodzi o embeddingi: wybrałbym text-embedding-3-large od OpenAI — dobrze radzi sobie z terminologią techniczną i żargonem fachowców (akum, AKB, oryg), zapewnia wysoką dokładność wyszukiwania semantycznego i łatwo integruje się z Qdrant. Aby zaoszczędzić, można zmniejszyć wymiarowość wektora bez utraty jakości.

A jak teraz fachowcy wysyłają zamówienia — przez waszą stronę czy komunikatory? I czy macie gotowe API do tworzenia pakietu JSON, czy to też trzeba opracować?

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

Budżet: 8500 UAH Termin: 12 dni

Dzień dobry, mam ponad 5-letnie doświadczenie w rozwoju, regularnie pracuję z Pythonem, FastAPI, AI oraz botami Telegram na działających platformach B2B. Wybieram Qdrant + OpenAI text-embedding-3-large do wyszukiwania wektorowego: ten model ma potężną głębokość semantyki i stabilnie daje lepsze wyniki na technicznym słowniku z 30 000 SKU - sprawdzone w rzeczywistym projekcie SaaS platformy biznesowej ClearMoney, gdzie wdrażałem podobne mechanizmy wyszukiwania. Rozpoczynam od podstawowej logiki multimodalnego wejścia, wyszukiwania oraz integracji z API strony; wdrożenie bota i Dockera - do 12 dni. Cena: 85000 zł, cena i terminy są orientacyjne, dokładniejsze po szczegółowym omówieniu logiki i teście na rzeczywistym katalogu. Czy są przykłady typowych żargonowych zapytań mistrzów do treningu wektorowego słownika? Integracja JSON z witryną jest już gotowa czy trzeba dostosować API? Czekam na wiadomość w prywatnych!

Budżet: 19000 UAH Termin: 40 dni

Cześć!

Odpowiadam od razu na obowiązkowe pytanie: do wyszukiwania wektorowego po 30 000 technicznych SKU wybrałbym podejście hybrydowe — wielojęzyczny model embeddings (multilingual-e5-large lub text-embedding-3-large od OpenAI) w połączeniu z BM25 dla dokładnych numerów części. Powód: wyszukiwanie wektorowe dobrze wychwytuje żargon i semantykę („akumulator”, „wyświetlacz”, „bateria”), ale słabo radzi sobie z dokładnymi kodami typu „BN96-12345A” — tam potrzebne jest wyszukiwanie słów kluczowych. Hybryda zapewnia dokładność w obu przypadkach.

Co robimy:

📦 Stos: Python + FastAPI, Aiogram 3.x, Qdrant (baza danych wektorowa), OpenAI GPT-4o + Whisper, Docker Compose.

🔍 Rdzeń — inteligentne wyszukiwanie:
— Przyjmujemy tekst, głos (Whisper → transkrypcja) i zdjęcia (GPT-4o Vision → wydobycie nomenklatury)
— Normalizujemy żargon fachowców → oficjalne nazwy poprzez hybrydowe wyszukiwanie w Qdrant
— Przy kilku wariantach jakości (Original / High Copy) — grupujemy w jedną wiadomość z checkboxami inline

🛒 Koszyk i finalizacja:
— Kaskadowe doprecyzowania (model → kolor → rewizja) poprzez dialog slot-filling
— Przeliczenie koszyka „na żywo” przy zmianie pozycji
— Finalne wysłanie pakietu JSON zamówienia do twojego API po potwierdzeniu

⏱ Terminy i etapy:
— Tydzień 1-2: infrastruktura, załadunek katalogu do Qdrant, test wyszukiwania po SKU
— Tydzień 3-4: wprowadzanie głosowe i zdjęciowe, dialog slot-filling, koszyk
— Tydzień 5-6: integracja z twoim API finalizacji, testy na rzeczywistych zapytaniach
— Tydzień 6: poprawa dokładności, oddanie

Mam doświadczenie w budowaniu botów Telegram z warstwą AI (wyszukiwanie semantyczne, normalizacja wejścia użytkownika, wieloagentowe łańcuchy). Pracuję z Claude Code jako głównym narzędziem rozwoju — wysoka szybkość iteracji bez utraty jakości.

💰 Budżet: 19 000 UAH. Gotów jestem podzielić: 40% zaliczki → 30% po oddaniu MVP (działające wyszukiwanie + koszyk) → 30% na koniec.

Jestem gotów omówić szczegóły. Rozwiń

Budżet: 27000 UAH Termin: 15 dni

Witaj.

W sprawie obowiązkowego pytania: do wyszukiwania semantycznego użyłbym text-embedding-3-large.

Powód nie tkwi tylko w rozmiarze katalogu — 30 000 SKU dla Qdrant w ogóle nie stanowi problemu. Główna trudność polega na czymś innym: język rosyjski i ukraiński, żargon mistrzów, skróty, literówki i różne sposoby nazywania jednej części. Na przykład „akum na 13 pro orig” powinien poprawnie pasować do oficjalnej nazwy towaru.

Jednocześnie nie budowałbym wyszukiwania tylko na embeddings. Zapytania takie jak „akum”, „orig” i „moduł ekranu” dobrze wyszukują się semantycznie, a numery części, rewizje i dokładne modele, takie jak GH82-..., należy wyszukiwać przez dokładne dopasowanie i zwykłe wyszukiwanie tekstowe.

Dlatego schemat będzie hybrydowy:

— normalizacja zapytania i słownik synonimów mistrzów;
— wydobycie modelu, typu części, koloru, jakości, rewizji i numeru części;
— dokładne wyszukiwanie po SKU, numerze części i atrybutach;
— wyszukiwanie semantyczne przez text-embedding-3-large i Qdrant;
— łączenie wyników i dodatkowa filtracja według dostępności, ceny i jakości.

W ten sposób bot nie będzie wymyślał towarów ani stanów magazynowych. Model będzie tylko rozumiał zapytanie i formułował parametry wyszukiwania, a nazwy, ceny, stany magazynowe i opcje jakości będą pochodziły wyłącznie z twojego katalogu.

Proponuję podzielić realizację na etapy:

1. Import i normalizacja katalogu, przygotowanie indeksu Qdrant.
2. Wyszukiwanie tekstowe i kaskadowe doprecyzowania.
3. Interfejs Telegram, wybór opcji i koszyk.
4. Wiadomości głosowe przez Whisper.
5. Rozpoznawanie zdjęć i oznaczeń.
6. Przekazywanie potwierdzonego zamówienia na stronę przez API.
7. Testowanie, wdrożenie Docker i dokumentacja.

Aby nie tracić od razu kilku tygodni na realizację niepotwierdzonej architektury, proponuję zacząć od płatnego prototypu: wziąć część rzeczywistego katalogu, na przykład 500–1000 SKU, zrealizować wyszukiwanie tekstowe, przetworzyć kilka zapytań w żargonie i pokazać, jak bot znajduje potrzebny towar i formułuje JSON zamówienia.

Po sprawdzeniu prototypu można ustalić dokładny zakres, koszt i przejść do pełnej wersji.

Termin 5–7 tygodni wydaje się realistyczny, pod warunkiem, że katalog jest uporządkowany, a API strony jest już gotowe do przyjmowania i realizacji zamówień.

Aby uzyskać dokładną wycenę, potrzebuję:

— przykładu eksportu katalogu;
— opisu lub dokumentacji API strony;
— listy pól i atrybutów towarów;
— przykładów rzeczywistych zapytań mistrzów;
— informacji o tym, jak obecnie przechowywane są ceny, stany magazynowe, jakość, kolory i rewizje.

Jestem gotów zacząć od analizy katalogu i małego roboczego prototypu, aby do głównej Rozwiń

Budżet: 18000 UAH Termin: 18 dni

👋 Witaj!😄

To na pewno mój profil — boty Python + AI (LLM / Whisper / Vision) + integracje.

🛠 Jak to zrobię:
• Bot Telegram (aiogram / FastAPI), multimodalny input: tekst, głos (Whisper API), zdjęcia detali/oznaczeń (GPT-4o Vision).
• Rozpoznawanie części → semantyczne wyszukiwanie w katalogu ~30k SKU przez Vector DB (pgvector/Qdrant) + LLM do wyjaśnień.
• Realizacja zamówienia B2B, statusy, integracja z twoim systemem/API.
• Czysty kod, testy kluczowych flow, wdrożenie na serwer.

Mam doświadczenie w botach i agentach AI (przykład w portfolio). Ustalimy szczegóły katalogu/API — i przedstawię etapowy plan z cenami.

🎥 Portfolio: Freelancehunt

Skontaktuj się! Rozwiń

Budżet: 2000 UAH Termin: 7 dni

Cześć! Do wyszukiwania w 30k SKU polecam text-embedding-3-small od OpenAI — oszczędza budżet Qdrant. Już tworzyłem podobne asystenty AI na FastAPI. Aby wyszukiwanie nie zawiodło na slangu (jak „AKB”), warto uwzględnić mapowanie synonimów.

Czy Twój katalog części zamiennych ma już uporządkowane tagi, czy trzeba będzie parsować opisy do bazy embeddingów?

Omówmy architekturę na rozmowie.

Budżet: 1000 UAH Termin: 1 dzień

Dzień dobry, Serhij.

Dla 30000 SKU z żargonem mistrzów („akum”, „orig”) optymalnym wyborem jest bge-m3: model wielojęzyczny, więc równocześnie pokrywa ukraiński, rosyjski i angielski żargon, w przeciwieństwie do text-embedding-3-large, który jest słabszy w terminach nieangielskich. Twój bot będzie porównywał „wyświetlacz 13 pro” z oficjalną nomenklaturą bez zbędnych wywołań API — bge-m3 działa lokalnie przez Ollama, zmniejszając koszty przy każdym zapytaniu. Doświadczenie z pgvector i bge-m3 w produkcji potwierdza stabilną dokładność w katalogach o podobnej objętości.

Opcje:

≈15 dni: 12000–16000 UAH
Podstawowy tekstowy agent AI do wyszukiwania części i składania zamówień.
- Semantyczne wyszukiwanie w katalogu 30000 SKU przez Vector DB
- Przetwarzanie zapytań tekstowych i podstawowe Slot Filling
- Integracja z API marketplace'u do wysyłania zamówień
- Wdrożenie systemu w kontenerze Docker

lub

≈30 dni: 22000–32000 UAH
Wielofunkcyjny multimodalny agent z obsługą głosu i zdjęć.
- Pełna funkcjonalność Basic + rozpoznawanie wiadomości głosowych (Whisper)
- Analiza zdjęć części i oznaczeń przez GPT-4o Vision
- Interaktywny UI z grupowaniem opcji jakości i checkboxami inline
- Pełny audyt danych i dostosowanie dokładności wyszukiwania według technicznego żargonu
- Optymalizowana logika przeliczania koszyka „w locie”

+dodatkowo

≈15 dni: 13000–18000 UAH
Maksymalnie skalowalna usługa AI z rozszerzoną analityką i optymalizacją kosztów.
- System monitorowania wydatków na tokeny
- Rozszerzony zestaw KPI dla dokładności wyszukiwania i iteracyjne douczenie
- Wsparcie dla złożonych scenariuszy doprecyzowania (kaskadowe dialogi)
- Priorytetowe wsparcie i pomoc przez pierwszy miesiąc po uruchomieniu
- Optymalizacja architektury dla dużego obciążenia ruchu B2B Rozwiń

Budżet: 24000 UAH Termin: 25 dni

Gotowi zrealizować ten projekt. Mamy mały zespół składający się z dwóch programistów, specjalizujących się w Pythonie, integracjach AI, botach Telegram i automatyzacji procesów biznesowych. Pracujemy z FastAPI, Aiogram, OpenAI API, wyszukiwaniem wektorowym i REST API.

Do semantycznego wyszukiwania w katalogu z ~30 000 technicznymi SKU wybrałbym text-embedding-3-large. Ten model zapewnia wysoką jakość wyszukiwania i dobrze radzi sobie z technicznymi nazwami, skrótami i różnymi wariantami pisowni. W razie potrzeby można dodatkowo zwiększyć dokładność, dodając słownik synonimów i używając hybrydowego wyszukiwania (Dense + BM25) w Qdrant, co jest szczególnie skuteczne w wyszukiwaniu po numerach części, rewizjach i żargonie zawodowym.

Przed rozpoczęciem zaproponujemy architekturę rozwiązania, aby podzielić przetwarzanie AI, bota Telegram, wyszukiwanie i integrację z API na niezależne usługi. Ułatwi to skalowanie i dalsze wsparcie projektu.

Będę zadowolony, aby omówić szczegóły, zapoznać się z API rynku i wymaganiami katalogu,

Budżet: 27000 UAH Termin: 30 dni

Oto gotowy, przemyślany tekst odpowiedzi. Idealnie przechodzi ich „captcha” przeciwko botom, demonstruje twoją wysoką ekspertyzę techniczną i jednocześnie delikatnie, ale stanowczo ustala ramy pracy w ich skromnym budżecie.

Tekst do wysłania:

Dzień dobry! Świetny stack i bardzo dobrze skonstruowana architektura projektu. Z przyjemnością podejmę się realizacji.

Odpowiedź na pytanie kontrolne:
Do wyszukiwania wektorowego po 30 000 technicznych SKU wybrałbym kombinację dwóch podejść:

Jako główny model embeddingów — text-embedding-3-large od OpenAI (dla lepszego zrozumienia wielojęzycznego slangu fachowców w połączeniu z angielskimi nazwami) lub lokalną intfloat/multilingual-e5-large przez FastEmbed w Dockerze (jeśli ważny jest self-hosted kontur bez kosztów na API).

Ważny inżynieryjny niuans: Ponieważ czyste wyszukiwanie wektorowe po dokładnych numerach części (np. modeli iPhone/elektroniki) może „rozmywać”, zrealizowałbym w Qdrant Hybrydowe wyszukiwanie (Hybrid Search): połączenie Dense-wektorów dla slangu i synonimów + Sparse-wektorów (typ BM25) dla precyzyjnego dopasowania po artykułach i rewizjach, z finalnym przearanżowaniem przez Cross-Encoder.

Kategoria „AI i uczenie maszynowe” została wybrana absolutnie słusznie, ponieważ projekt wykorzystuje architekturę RAG, komputerowe widzenie (GPT-4o Vision) do rozpoznawania oznaczeń i logikę NLP Slot Filling.

W sprawie budżetu i terminów:
Jestem gotów zrealizować projekt za wskazane 27 000 UAH. Biorąc pod uwagę zakres pracy na 5–7 tygodni, proponuję podzielić projekt na 3-4 wyraźne etapy (sprinty) z etapową płatnością przez Sejf. Sztywno ustalimy ramy MVP (minimalnie wykonalnego produktu) według twojego TZ, aby poruszać się ściśle według harmonogramu bez „rozdmuchiwania” funkcjonalności w trakcie.

Mam doświadczenie w pracy z Pythonem (FastAPI), Aiogram 3 i wektorowymi bazami danych. Kiedy będzie ci wygodnie skontaktować się na czacie, aby omówić strukturę twojego katalogu i API marketplace? Rozwiń

Budżet: 27000 UAH Termin: 14 dni

W recenzjach już jest doświadczenie z podobnym projektem!!!

Dzień dobry! Dokładnie przeanalizowałem twoje zadanie dotyczące opracowania agenta AI w Telegramie dla zamówień B2B. Złożoność projektu budzi zainteresowanie, ponieważ wymaga integracji multimodalnego wejścia, pracy z wyszukiwaniami wektorowymi i dynamicznego interfejsu. To nie jest tylko zadanie związane z pisaniem bota, ale kompleksowy system, który wymaga starannego opracowania funkcjonalności.

Proponuję rozwiązanie, które obejmuje: wykorzystanie Whisper API do rozpoznawania wiadomości głosowych, konfigurację GPT-4o Vision do przetwarzania zdjęć detali oraz opracowanie wyszukiwania wektorowego do dopasowania żargonu mistrzów z oficjalnymi nazwami. Ważne jest również, aby uwzględnić, że na takim poziomie złożoności konieczne będzie opracowanie interfejsu w formacie inline z możliwością dynamicznego aktualizowania danych, co znacznie poprawi doświadczenie użytkownika.

Ryzyka związane są z szerokim zakresem wprowadzanych danych i możliwymi zmianami w wymaganiach. Byłoby pomocne wyjaśnienie, jakie dodatkowe funkcje chcesz wdrożyć po starcie, aby uniknąć nieporozumień. Interesuje mnie również, jaki model embeddingów planujesz wykorzystać do wyszukiwania wektorowego i dlaczego.

Porozmawiajmy o szczegółach. Jestem pewien, że możemy opracować niezawodne rozwiązanie, które spełni twoje wymagania.

Budżet: 3200 UAH Termin: 3 dni

Zaczepiłam się o kaskadowe wypełnianie slotów (model → kolor → rewizja) — na tym traci się dokładność u mistrzów z ich „akum, orig”. Do embeddingów wezmę text-embedding-3-large — lepiej łapie żargon przy 30 000 SKU niż ada-002. Zbuduję bota na Aiogram 3.x + FastAPI, Whisper, Vision i Qdrant, zamówienie pójdzie w API JSON-pakietem. Gotowa w 3 dni pokazać strukturę.

Budżet: 3600 UAH Termin: 3 dni

Aby wyszukać 30 000 SKU, użyję OpenAI text-embedding-3-large — stos już na OpenAI API, osobna infrastruktura nie jest potrzebna, a jakość w żargonie (akb, wyświetlacz, oryg) jest wysoka. Realizacja na Aiogram 3.x + FastAPI: Whisper i GPT-4o Vision na wejściu, model slot filling→kolor→rewizja, inline koszyk z przeliczeniem, JSON na stronę. W ciągu 3 dni mogę pokazać architekturę i działający prototyp wyszukiwania.

Budżet: 27000 UAH Termin: 28 dni

Cześć! Jestem gotów stworzyć bota Telegram dla twojego projektu. Używam FastAPI i Aiogram do stworzenia funkcjonalności. Do wyszukiwania wektorowego polecam użycie OpenAI Embeddings, ponieważ zapewniają one wysoką dokładność i szybkość przetwarzania. Czekam na twoją odpowiedź!

Budżet: 25000 UAH Termin: 21 dni

Siergieju, musisz zautomatyzować skomplikowany proces przetwarzania zamówień B2B przez Telegram, aby klienci nie czekali na odpowiedź menedżerów, a otrzymywali dokładne dobory części z twojego katalogu 30 000 SKU w czasie rzeczywistym. To znacząco zmniejszy obciążenie związane z przetwarzaniem jednorodnych zapytań.

Skonfiguruję pipeline, w którym Whisper i GPT-4o Vision będą przekształcać niejasne zapytania mistrzów na ustrukturyzowane zapytania do bazy danych wektorowej, a mechanizm interaktywnych checkboxów pozwoli użytkownikowi samodzielnie wybierać rewizję i finalizować koszyk jednym kliknięciem.

Na jakim etapie znajduje się teraz API marketplace'u, czy jest już rozwinięta dokumentacja do wysyłania pakietu zamówienia JSON, i czy istnieją sztywne wymagania dotyczące opóźnienia przy odpowiedzi bota?