Opracowanie modułu na Opencart w celu usunięcia znaków wodnych i czarnego tła z kart produktów

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?

Chcę bota gotowego jeśli jest rozwiązanie - piszcie nowicjusze - prośba, aby nie przeszkadzać tylko doświadczeni, ci, którzy sobie radzili i wiedzą dziękuję.

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.