Udoskonalenie asystenta AI operatora centrum kontaktowego medycznego — ChatGPT, RAG, umiejętności

Budżet: 27000 UAH Termin: 12 dni

Witam.

Problem utraty kontekstu w dużych plikach Markdown oraz pomijania medycznych kombinacji rozwiązuje się poprzez zmianę strategii chunkowania i sztywną routyzację źródeł. Przepisałem skrypty Pythona do parsowania waszych CSV na kompaktowe indeksy, zoptymalizuję SKILL.md i skonfiguruję dokładne wyszukiwanie RAG bez halucynacji dotyczących cen. Zapewnię absolutną dokładność wydobywania specyficznych danych, stosując architektoniczne podejścia z mojego doświadczenia w tworzeniu autonomicznych agentów AI (OpenClaw) oraz systemów B2B generowania leadów. Jaki jest aktualny rozmiar tokenów zajmowany przez wasz typowy systemowy prompt wraz z bazą w Project Sources?

Gotowy do podpisania NDA i rozpoczęcia audytu.

Budżet: 27000 UAH Termin: 30 dni

Pracuję z asystentami LLM, SKILL.md, strukturalnymi bazami wiedzy, Markdown/CSV/JSONL oraz generatorami danych w Pythonie.

Zacznę od audytu łańcucha retrieval: struktura plików, rozmiar bloków, indeksy, routowanie źródeł i zasady obowiązkowego wyszukiwania. Następnie podzielę krytyczne byty, skonfiguruję wyszukiwanie pakietów, kombinacji, cen, wykonawców i przypadków chirurgicznych oraz stworzę zestaw kontrolnych zapytań z kryteriami jakości. Jestem gotów pracować na podstawie NDA. Budżet i terminy — w prywatnej korespondencji.

Czy dopuszczacie przeniesienie krytycznego retrieval do zewnętrznego indeksu lub API, jeśli testowanie pokaże granicę stabilności Project Sources?

Budżet: 5000 UAH Termin: 7 dni

Witaj! Robię dokładnie takie rzeczy — generację strukturalnej bazy z CSV i konfigurację wyszukiwania po niej. Z opisu już widać prawdopodobną przyczynę braków: gdy sama usługa, ceny według działów i zalecane kombinacje znajdują się w różnych miejscach dużego pliku, retrieval wyciąga pierwsze dopasowanie i się zatrzymuje — dlatego podstawowa cena operacji jest znajdowana, a całkowity koszt przypadku nie. Leczy się to nie promptem, a przebudową zapisu: jeden kod usługi = jeden samowystarczalny blok, w którym już są połączone cena, działy, wykonawcy i powiązane pakiety, plus kontrolny zestaw zapytań, aby widzieć regresje. Zacząłbym od audytu SKILL.md i generatora z CSV. Jaki jest teraz rozmiar plików w Project Sources?

Budżet: 5000 UAH Termin: 5 dni

Witaj, Jewhenie!

Dokładnie przeczytałem brief. Problem nie leży raczej w samym promptcie, a w retrievalu z dużych źródeł Markdown: gdy usługa i związane z nią dane (kombinacje, koszt przypadku chirurgicznego, jednostki) znajdują się w różnych miejscach dużych plików, model wyciąga pierwszy istotny blok i „nie czyta” reszty. Klasyczna fragmentacja kontekstu w ChatGPT Projects.

Mój stack to właśnie to: buduję asystentów LLM na RAG i strukturalnych Skills (ChatGPT Skills / Custom GPT + własne kompaktowe indeksy + generatory baz wiedzy w Pythonie z CSV/JSON). Robiłem wyszukiwanie w katalogach na tysiące pozycji z obowiązkowym wyciąganiem powiązanych pól.

Jak diagnozuję pominięcie pól: (1) zbieram zestaw kontrolnych zapytań (jak twoja „cholecystektomia”) z wzorcowymi odpowiedziami; (2) uruchamiam i patrzę, CO dokładnie model nie wyciąga — to pokazuje, czy problem leży w chunkowaniu plików, strukturze indeksów, czy w routingu źródeł; (3) przebudowuję bazę na zasadzie „jedna usługa → wszystkie powiązane pola w jednym zapisie”, aby retrieval nie musiał łączyć danych z różnych plików.

Co zrobię: audyt SKILL.md i Project Sources → przepisany SKILL.md z obowiązkowymi krokami wyszukiwania (pakiety, kombinacje, ceny według jednostek, wykonawcy, koszt przypadku) → zoptymalizowane indeksy Markdown/JSONL → dopracowany generator Python z CSV → kontrolne zapytania + kryteria oceny → testowanie na rzeczywistych scenariuszach → finalna dokumentacja.

Terminy: audyt + pierwsza iteracja dopracowania ≈ 4-5 dni. Koszt — w granicach twojego budżetu, ostatecznie uzgodnimy po doprecyzowaniu TŻ, jak piszesz. NDA — gotów jestem podpisać.

Jedno wyjaśnienie: baza w Project Sources obecnie leży w jednym dużym Markdown na wszystko, czy już jest podzielona na pliki (ceny/wykonawcy/pakiety osobno)? Od tego zależy — optymalizować istniejącą strukturę czy przebudować indeksy.

Piotr Pankow, BotCraft Group Rozwiń

Budżet: 5000 UAH Termin: 7 dni

Witam, pracowałem nad asystentami RAG z dużymi katalogami usług i custom GPT w projektach ChatGPT. Budowałem wyszukiwanie po 2000+ pozycjach ze strukturalnych Markdown i JSONL, konfigurowałem routowanie źródeł i zasady retrieval. Pisałem skrypty w Pythonie, które przekształcają zrzuty CSV w kompaktowe indeksy bez utraty pól.

Co do problemu: pomijanie rekomendowanych kombinacji i całkowitych kosztów operacji zazwyczaj wynika z tego, że te dane znajdują się w innym kawałku niż główna usługa, dlatego oddzielny indeks powiązań tutaj da dokładniejsze odpowiedzi.

Jak różni się całkowity koszt przypadku chirurgicznego - czy to stała kwota w bazie, czy suma ceny podstawowej plus usługi dodatkowe? I gdzie dokładnie teraz urywa się kontekst: w rozmiarze plików Markdown czy w logice SKILL.md?

Tak, jestem gotów podpisać NDA. Zadzwońmy, bezpłatnie przeanalizuję Twoje zadanie technicznie i naszkicuję schemat nowej architektury bazy wiedzy przed rozmową.

Budżet: 5000 UAH Termin: 1 dzień

Dzień dobry, Jewhenie.

Pominięcie kosztów przypadku chirurgicznego oraz zalecanych kombinacji to klasyczny problem fragmentacji kontekstu: gdy usługa, ceny według działów, wykonawcy i kombinacje są rozproszone między dużymi plikami Markdown, retrieval znajduje główny wpis, ale nie sięga do powiązań. Twój asystent otrzyma oddzielne kompaktowe indeksy z obowiązkową logiką trasowania w SKILL.md — model nie będzie mógł pominąć żadnego krytycznego pola, ponieważ każde zapytanie przejdzie przez wyraźny łańcuch: usługa → kod → cena → dział → wykonawca → kombinacje → całkowity koszt przypadku. Sprawdzę generator Python CSV→Markdown pod kątem spójności indeksów po aktualizacjach, aby struktura nie "łamała się" podczas kolejnych eksportów.

Opcje:

≈5 dni: 8000–10000 UAH
Podstawowa analiza problemów i punktowe naprawienie najbardziej krytycznych błędów w promptach.
- Raport o przyczynach pominięć danych w odpowiedziach
- Optymalizacja SKILL.md w celu poprawy podstawowego wyszukiwania
- Korekta struktury 1-2 głównych plików Markdown
- Sprawdzenie zgodności odpowiedzi na 20 kluczowych zapytań

lub

≈13 dni: 20000–25000 UAH
Kompleksowa przebudowa systemu wyszukiwania i automatyzacji danych dla stabilnej pracy asystenta.
- Pełna restrukturyzacja bazy wiedzy według zasady kompaktowych indeksów
- Wdrożenie wieloetapowej logiki wyszukiwania (usługa → cena → wykonawca)
- Zaktualizowane skrypty Python do automatycznego tworzenia Markdown z CSV
- Stworzenie rozszerzonego zestawu kontrolnych zapytań dla gwarancji jakości
- Instrukcja dotycząca wsparcia i aktualizacji bazy wiedzy

+dodatkowo

≈5 dni: 8000–10000 UAH
Pełny cykl rozwoju z głęboką optymalizacją, testowaniem obciążeniowym i gwarancją stabilności.

- Wszystkie zalety pakietu Standard
- Głęboka optymalizacja każdego indeksu w celu minimalizacji halucynacji
- Stworzenie systemu automatycznej weryfikacji jakości odpowiedzi
- Pełne wsparcie podczas pierwszych trzech cykli aktualizacji danych CSV
- Rozszerzona dokumentacja techniczna z architekturą procesu RAG Rozwiń

Budżet: 5000 UAH Termin: 14 dni

Dzień dobry. Już istnieje podobny zrealizowany system pod wasze zadanie w moich przypadkach. Proszę spojrzeć. Można go trochę dostosować do waszej specyfiki. Zrobię to w ciągu 2 tygodni.

Budżet: 5000 UAH Termin: 7 dni

Widzę, że główny ból nie leży w promptach, a w fragmentacji: usługa jest dostępna, ale zalecane kombinacje, ceny za poddziały i całkowity koszt przypadku chirurgicznego giną gdzieś między indeksami. To klasyczny problem projektów ChatGPT — retrieval wyciąga pierwszy istotny blok i się zatrzymuje, nie doczytując powiązań.

Diagnostykę zacznę od tej luki. Zbieram wzorcowy zestaw zapytań typu „cholecystektomia” — z obowiązkowymi polami: kod, cena podstawowa, całkowity koszt przypadku, poddziały, wykonawcy, pakiety. Przepuszczę przez aktualny SKILL.md i zobaczę, gdzie dokładnie urywa się kontekst — w strukturze plików Markdown, w routingu źródeł czy w logice obowiązkowego wyszukiwania.

⚙️ Kluczowa idea naprawy: przebudować generator z CSV tak, aby jeden kod usługi = jeden samowystarczalny wpis.

Cena, poddziały, wykonawcy, przygotowanie, pakiety i kombinacje muszą być zszyte w jednym bloku — model nie powinien zbierać ich z różnych końców dużego pliku. Osobno — deterministyczne lookup dla kodów i cen, semantyczne wyszukiwanie dla konwersacyjnych zapytań operatorów. Asystent nie powinien wymyślać cen ani przenosić danych między podobnymi usługami — to powinno być zaszyte w zasadach wyszukiwania, a nie polegać na „posłuszeństwie” modelu.

Z doświadczenia — budowałem asystentów RAG ze strukturalnymi bazami na tysiące pozycji, pisałem pipeline'y w Pythonie do przekształcania CSV w kompaktowe indeksy i konfigurowałem routing źródeł w umiejętnościach ChatGPT. Rozumiem ograniczenia źródeł projektów na dużych zbiorach.

✅ Plan: audyt SKILL.md i struktury bazy → przepisany SKILL.md z sztywnymi krokami wyszukiwania → zoptymalizowane pliki Markdown/JSONL → dopracowany generator Pythona → zestaw kontrolnych zapytań z kryteriami oceny → testowanie na rzeczywistych scenariuszach → finalna dokumentacja do wsparcia po aktualizacjach CSV.

Jestem gotów podpisać NDA. Relewantne przykłady prześlę na czacie Freelancehunt po twojej odpowiedzi. Jeśli w porządku — prześlę krótki plan pierwszego etapu audytu i zaczniemy. Rozwiń

Budżet: 4750 UAH Termin: 7 dni

Dzień dobry, mam ponad 5-letnie doświadczenie w rozwoju, regularnie pracuję z RAG, LLM oraz integracjami OpenAI, specjalizuję się w budowie i optymalizacji korporacyjnych asystentów AI. Realizowałem kompleksową automatyzację AI dla platformy biznesowej „I Love Kebab” — tam również rozwiązywałem zadania związane z semantycznym wyszukiwaniem, integracją z dużymi bazami wiedzy i stabilnością odpowiedzi. Analiza zachowania modeli na dużych plikach Markdown oraz optymalizacja logiki retrieval to kluczowa część tego projektu. Szczegóły: diagnostykę rozpocznę od przeglądu SKILL.md, schematów indeksacji i kontroli generatora bazy wiedzy. Proszę o informację, czy istnieje zestaw testowy rzeczywistych zapytań operatorów do weryfikacji? Czy jesteście gotowi podpisać NDA? Terminy — do tygodnia na audyt i podstawowe poprawki, dokładną cenę podam po kilku wyjaśnieniach lub w wiadomościach prywatnych. Czekam na wiadomość w prywatnych!

Budżet: 13000 UAH Termin: 10 dni

Mam doświadczenie w budowie złożonych systemów wyszukiwania i przetwarzania dużych ilości danych strukturalnych, w tym optymalizacji logiki retrieval oraz integracji z LLM. Jednak ten projekt wymaga głębokiej ekspertyzy w inżynierii promptów oraz architekturze RAG, którymi zajmuję się mniej niż backend development. Porozmawiajmy, czy jestem odpowiednim wyborem, lub czy mogę pomóc z skryptami Pythona do przetwarzania CSV i konwersji danych — opisz, który aspekt audytu technicznego jest priorytetowy?

Budżet: 5000 UAH Termin: 5 dni

Dzień dobry!

1. Doświadczenie z ChatGPT, RAG i korporacyjnymi bazami wiedzy. Zbudowałem własny pipeline RAG od podstaw (chunked embeddings, wyszukiwanie cosine-similarity, pluggable vector store — sqlite-vec/Pinecone) dla desktopowego asystenta AI, w tym logikę reindeksacji, aby przestarzałe fragmenty nie były duplikowane, a nie pozostawały "martwym ciężarem" w bazie. To nie są konkretne umiejętności ChatGPT, ale fundamentalne problemy — te same: dlaczego model pomija pole w dużym pliku, jak rozmiar i struktura źródła wpływają na jakość retrieval, jak budować indeksy, które nie degradują się z czasem.

2. Przykłady podobnych projektów. Ten sam asystent zintegrował czterech różnych dostawców LLM (Anthropic, zgodne z OpenAI, Gemini, Ollama) z natywnym tool-calling i warstwą retrieval napisaną samodzielnie, bez Langchain — to znaczy rozumiem mechanikę od wewnątrz, a nie tylko jak skonfigurować gotowe narzędzie.

3. Jak podszedłbym do diagnozy pomijania pól w dużych plikach. Najpierw — audyt aktualnych instrukcji SKILL.md i rozmiarów plików Markdown: czy nie przekraczają one efektywnego okna retrieval, przez które model "nie przewija" do potrzebnego pola. Następnie — izolowane testowanie: te same zapytania przeciwko pojedynczemu plikowi i przeciwko pełnemu korpusowi, aby odróżnić problem chunkowania od problemu promptu/instrukcji. Kluczowa hipoteza, którą sprawdzę w pierwszej kolejności: pakiety, rekomendowane kombinacje i wykonawcy prawdopodobnie leżą teraz w osobnych plikach, a model nie zawsze "pamięta", aby sprawdzić je wszystkie — tutaj pomaga kompaktowy obowiązkowy indeks-doradca, który zawsze jest ładowany razem z główną usługą, a nie polega na pamięci modelu. Na koniec — zestaw kontrolnych zapytań (jak przykład z cholecystektomią w TŻ) z wyraźnymi kryteriami, aby regresja była wychwytywana od razu po każdej zmianie, a nie przy żywym użyciu przez operatorów.

4. Terminy i koszt. Podany budżet 5000 zł wygląda raczej jak koszt wstępnego audytu (punkty 1-2 z Twojej listy zadań: audyt SKILL.md, bazy wiedzy i logiki wyszukiwania, analiza przyczyn pomijania danych) — 3-4 dni. Pełny zakres (przepisywanie SKILL.md, restrukturyzacja Markdown/indeksów, dopracowanie generatora Python z CSV, zestaw testowy, testowanie w rzeczywistych scenariuszach, dokumentacja) — to już 15 000-25 000 zł, 7-10 dni roboczych, w zależności od tego, jak głęboko trzeba będzie przerobić generator. Proszę o wyjaśnienie: 5000 zł — to cały projekt czy tylko pierwsza, diagnostyczna faza?

5. NDA. Tak, jestem gotów podpisać umowę o poufności. Rozwiń

Budżet: 5000 UAH Termin: 5 dni

Євгене, tutaj problem jest podobny nie tylko do promptu, ale do tego, że krytyczne pola są rozdzielone między dużymi źródłami Markdown, a retrieval znajduje główną usługę, ale nie łączy powiązań, cen ani kosztów przypadku.

Mam praktyczne doświadczenie z RAG i weryfikacją odpowiedzi LLM. W Telegramie w RAG-bocie youtube_helper połączyłem FAISS, dokładne wyszukiwanie słów kluczowych i MMR, a w lexai budowałem grounded-wyszukiwanie po orzeczeniach sądowych. Piszę również pipeline'y w Pythonie dla danych strukturalnych i systematycznie testuję modele na zestawach kontrolnych.

Zacznę od wzorcowego zestawu rzeczywistych zapytań i tabeli obowiązkowych pól. Następnie sprawdzę, które fragmenty rzeczywiście trafiają w kontekst, i podzielę wyszukiwanie: semantyka dla niedokładnych zapytań, deterministyczne wyszukiwanie dla kodów, cen, podziałów i wykonawców. Po tym zoptymalizuję generator CSV → Markdown/JSONL i dodam testy regresyjne.

Stawka 5000 UAH i 5 dni pokrywa audyt, diagnostykę, nową schemę indeksów, pierwsze poprawki SKILL.md/generatora oraz kontrolne przebiegi. Pełny zakres ustalimy po audycie. NDA podpiszę.

Proszę o informację, jaki jest łączny rozmiar Project Sources i czy są przechowywane logi lub przykłady zapytań, w których obecnie pomijane są pola?

Budżet: 5000 UAH Termin: 1 dzień

Witam! Mam doświadczenie z LLM, RAG i inżynierią promptów (ChatGPT). Chętnie Ci pomogę!

Budżet: 9000 UAH Termin: 5 dni

Witaj!

Sądząc po opisie, głównym problemem nie jest sam SKILL.md, ale to, że retrieval gubi dane na styku kilku źródeł — model znajduje główną usługę, ale nie pobiera powiązanych pakietów, kombinacji czy pełnej wartości przypadku chirurgicznego, co jest klasycznym objawem złej fragmentacji kontekstu i braku sztywnej routingu między indeksami.

Mam praktyczne doświadczenie w budowie agentów RAG oraz pracy ze strukturalnymi bazami wiedzy opartymi na dużych zbiorach CSV/Markdown, w tym z obowiązkową walidacją odpowiedzi w stosunku do źródła bez domyślania się danych — zasada, która jest krytyczna również w Twoim przypadku z cenami i wskazaniami medycznymi.

Zacznę od audytu obecnego SKILL.md i struktury plików w Project Sources, zidentyfikuję konkretne wzorce pomijania pól na rzeczywistych przykładach, takich jak „cholecystektomia”, po czym przemyślę indeksy tak, aby pakiety, kombinacje i koszty operacji były pobierane przymusowo, a nie zależały od szczęścia w wyszukiwaniu; osobnym blokiem przygotuję zestaw kontrolnych zapytań do oceny jakości odpowiedzi i sprawdzę generator bazy wiedzy w Pythonie z CSV.

Audyt z diagnostyką przyczyn i planem poprawek mogę dostarczyć w ciągu 3–4 dni, orientacyjny koszt to 9000 zł, w zależności od objętości plików, pełne dopracowanie SKILL.md oraz indeksów — jako osobny etap po uzgodnieniu TŻ; NDA podpiszę bez pytań.

Czy mogę zobaczyć obecny SKILL.md i strukturę 2-3 charakterystycznych plików Markdown, aby dać dokładniejszą ocenę terminów? Rozwiń

Budżet: 10000 UAH Termin: 7 dni

Mogę rozwiązać twój problem i przenieść cię po prostu na Claude, ponieważ chatGPT ma mniejsze okno kontekstowe.

Budżet: 5000 UAH Termin: 10 dni

Witam! Zapoznałem się z Twoim zadaniem. Zadanie jest całkowicie zrozumiałe: należy usunąć luki w danych podczas retrieval, zoptymalizować strukturę indeksów Markdown, przepisać SKILL.md oraz skonfigurować stabilne wydobywanie powiązanych usług, zestawów i kosztów przypadków. Mam praktyczne doświadczenie w pracy z LLM, RAG, inżynierią promptów oraz przetwarzaniem danych w Pythonie, a także w medycynie, w szczególności z MŚP. Opracowywałem i optymalizowałem system salesslon.com, gdzie RAG zostało wdrożone w celu efektywnej i dokładnej pracy LLM z dużymi ilościami danych strukturalnych i niestrukturalnych, eliminacji halucynacji oraz zapewnienia dokładnego wyszukiwania w głębokich indeksach. Do diagnozy i rozwiązania problemu podejdę w następujący sposób:
1. Przeprowadzę audyt obecnego SKILL.md i przeanalizuję, jak ChatGPT realizuje retrieval w istniejącej strukturze Markdown.
2. Główną uwagę poświęcę fragmentacji kontekstu. Duże pliki Markdown często powodują utratę szczegółów, dlatego należy je podzielić na mniejsze, semantycznie gęste indeksy z wyraźnym metadanymi (na przykład osobne mapy dla powiązań „usługa - kombinacja/pakiet” oraz „operacja - całkowity koszt”).
3. Zoptymalizuję skrypty Pythona, które generują bazy z eksportów CSV MŚP, aby wyjściowa struktura danych była maksymalnie dostosowana do algorytmów wyszukiwania ChatGPT Projects.
4. Skonfiguruję kontrolny zbiór zapytań do testowania stabilności odpowiedzi. Orientacyjny czas realizacji audytu i wstępnej optymalizacji to 3-5 dni. Ostateczny koszt oraz etapy ustalimy po zapoznaniu się z aktualnymi plikami bazy i SKILL.md. Do podpisania NDA oraz przestrzegania warunków poufności jestem w pełni gotowy. Będę zadowolony ze współpracy!

Budżet: 5000 UAH Termin: 7 dni

Cześć!

Sądząc po opisie, to raczej granica retrieval w dużej bazie, niż problem promptów. Kiedy zapisy usług, kombinacje, ceny według podziałów i wykonawcy znajdują się w dużych plikach Markdown, wyszukiwanie często znajduje główną usługę, ale nie ściąga powiązanych pól, ponieważ trafiły one do innego fragmentu kontekstu lub do źródła o niższym priorytecie. Dlatego „cholecystektomia” zwraca podstawową operację bez całkowitych kosztów przypadku.

Moje doświadczenie w tej kwestii:
- Budowałem RAG-asystenta, gdzie wyszukiwanie semantyczne łączyło się z dokładnym wyszukiwaniem według kodów i kluczowych pól. To właśnie dokładne lookup nie pozwalało modelowi pomijać krytycznych danych, takich jak cena czy kod. Stos: OpenAI embeddings, wyszukiwanie wektorowe, PostgreSQL/Supabase, oddzielne indeksy.
- Regularnie przekształcam CSV i zorganizowane zrzuty do czystych Markdown/JSON za pomocą Pythona, więc generator bazy z waszych CSV jest mi znany.

Jak diagnozuję pominięcie pól: biorę rzeczywiste zapytania operatorów i sprawdzam, który fragment faktycznie się załadował i gdzie zapis został przerwany podczas chunkowania. Sprawdzam, czy ceny, kombinacje i koszt przypadku w ogóle trafiają do jednego wybranego bloku, i czy źródła w Project Sources nie konkurują o priorytet. Krytyczne pola (kod, cena, podział, wykonawca, całkowity koszt) wyciągam z deterministycznego wyszukiwania, a nie polegam na tym, że model je samodzielnie wspomni. Dodatkowo zbieram kontrolny zestaw zapytań z oczekiwanymi odpowiedziami, aby zmiany można było mierzyć, a nie oceniać na oko.

Terminy i koszt: proponuję zacząć od płatnego audytu jako osobnego etapu (analiza SKILL.md, struktury bazy i logiki wyszukiwania, raport z przyczyn pominięć, plan dopracowania i zestaw kontrolnych zapytań). Audyt: [termin] i [kwota]. Zakres samego dopracowania określę dokładniej po audycie, ponieważ zależy on od tego, co pokaże diagnostyka. To zgadza się z waszym podejściem do uzgadniania ostatecznego kosztu po TŻ.

NDA jestem gotów podpisać. Pracuję tylko z referencyjną bazą usług i cen, dane osobowe pacjentów nie są mi potrzebne.

Asystent ma odpowiadać po ukraińsku, a ja będę testował go właśnie ukraińskimi zapytaniami operatorów, w tym krótkimi i potocznymi.

Jestem gotów pokazać bliżej mój przypadek RAG i pierwszy roboczy plan audytu. Napisz, omówimy szczegóły. Rozwiń

Budżet: 5000 UAH Termin: 4 dni

Witaj, Jewhenie! Bardzo interesujące i profesjonalnie sformułowane zadanie. Problem pomijania danych podczas retrieval w dużych plikach Markdown oraz wbudowanym RAG w ChatGPT to klasyczna choroba nadmiarowego lub całkowitego chunkowania.

Jestem Nina, menedżer zespołu IT Valflow. Architektura bazy wiedzy, optymalizacja SKILL.md oraz skryptów Pythona do przetwarzania zostanie podjęta przez Walentyna. Jest on starszym inżynierem Pythona i AI, który regularnie buduje i konfiguruje systemy RAG, wyszukiwanie semantyczne i chatboty dla biznesu.

Odpowiedzi na Twoje pytania z TŻ:

1. Doświadczenie z ChatGPT, RAG i bazami wiedzy:
Mamy bogate praktyczne doświadczenie w opracowywaniu korporacyjnych asystentów, projektowaniu niestandardowych systemów RAG oraz optymalizacji kontekstu dla GPT 4o. Dobrze znamy mechanikę działania wyszukiwania wektorowego, ograniczenia okien kontekstowych oraz specyfikę projektów ChatGPT i Custom GPTs.

2. Jak podejdziemy do diagnozy pomijania pól:
* Problem Markdown: duże pliki tekstowe są postrzegane przez modele jako jednolite płótno, przez co dane brzegowe i zagnieżdżone pola są tracone.
* Rozwiązanie: przekształcimy podręczniki w kompaktowy, ścisły JSONL lub strukturalny Markdown key value z atomowym podziałem.
* Dwuwarstwowe wyszukiwanie (Routing): stworzymy lekki indeks nawigacyjny (Master Index), który najpierw określi dokładną kategorię i usługę, a następnie skieruje asystenta do konkretnego wąskiego pliku źródłowego.
* Optymalizacja generatora Pythona: przepiszemy skrypt tak, aby każda usługa otrzymywała unikalne tagi, synonimy oraz wyraźne obowiązkowe powiązania z pakietami, lekarzami i cenami.

3. Optymalizacja SKILL.md:
Przepiszemy systemowy prompt według zasady Strict Guardrails oraz Chain of Thought, zobowiązując model do sprawdzania obecności kompleksu i całkowitych kosztów operacji przed wydaniem ostatecznej odpowiedzi.

4. NDA:
Tak, jesteśmy w pełni gotowi podpisać umowę o poufności (NDA).

Termin wykonania audytu i konfiguracji: 4-6 dni.
Orientacyjny koszt: 5 000 UAH.

Jesteśmy gotowi przystąpić do audytu Twojego SKILL.md oraz aktualnych skryptów od razu po uzgodnieniu! Rozwiń

Budżet: 4999 UAH Termin: 6 dni

Witaj! Mam praktyczne doświadczenie z ChatGPT, RAG, bazami wiedzy i inżynierią promptów. Pracowałem z podobnymi projektami oraz z danymi w formacie Markdown/CSV. W celu diagnozy brakujących pól sprawdzę jakość chunków, ustawienia wyszukiwania oraz logikę w SKILL.md. Koszt: 5000 UAH. Termin: 7 dni. Jestem gotów podpisać umowę o poufności (NDA). Jestem gotów przystąpić do audytu!

Budżet: 5000 UAH Termin: 7 dni

Witam, Jewhenie.

Krytyczne ryzyko widzę nie tylko w dużych plikach Markdown, ale w tym, że dane jednej usługi są rozproszone między cenami, pakietami, kombinacjami, wykonawcami i przypadkami chirurgicznymi. Zacznę od zestawu kontrolnych zapytań z wzorcowymi odpowiedziami oraz matrycy obowiązkowych pól — to pokaże, gdzie dokładnie gubi się informacja: podczas generowania CSV → Markdown, fragmentacji źródeł czy routingu wyszukiwania.

Następnie zaproponuję strukturę, w której każda usługa ma samodzielny wpis i kompaktowy indeks powiązań; zaktualizuję SKILL.md oraz generator Pythona i dodam testy regresyjne po każdej aktualizacji CSV.

Nie mam publicznego przypadku RAG w medycynie, dlatego proponuję rozpocząć od oddzielnego audytu z powtarzalnym raportem i demonstracją na waszych kontrolnych scenariuszach. NDA jestem gotów podpisać.

Budżet: 5000 UAH Termin: 10 dni

Dzień dobry,
Moje doświadczenie w Pythonie, integracjach API, przetwarzaniu dużych zbiorów danych oraz procesach ETL dobrze pasuje do Państwa projektu optymalizacji asystenta AI.

Specjalizuję się w:
• Audycie i przeprojektowywaniu baz wiedzy w celu zapewnienia niezawodnego wyszukiwania w dużych zbiorach
• Opracowywaniu skryptów Python do transformacji CSV→Markdown oraz indeksowania danych strukturalnych
• Projektowaniu architektury wiedzy, która eliminuje fragmentację kontekstu i pomija krytyczne pola
• Testowaniu jakości odpowiedzi w rzeczywistych scenariuszach

Mój sposób diagnozowania:
1. Analiza obecnej logiki SKILL.md oraz struktury plików Markdown
2. Testowanie rzeczywistych zapytań (np. „cholecystektomia”) w celu określenia punktów awarii retrieval
3. Mapowanie pokrycia: usługi → pakiety → kombinacje → ceny → wykonawcy
4. Optymalizacja generatora Python oraz restrukturyzacja indeksów w celu zapewnienia wyszukiwania wszystkich wymaganych pól

Orientacyjnie: 1-2 tygodnie 4500–5500 UAH (w zależności od objętości bazy).
Gotów podpisać NDA i dostarczyć szczegółową dokumentację dla dalszego wsparcia.

Czekam na Techniczne Zadanie. Rozwiń

Budżet: 5000 UAH Termin: 5 dni

Dzień dobry! Mamy doświadczenie w konfiguracji systemów RAG oraz optymalizacji promptów dla usług medycznych. Realizujemy to poprzez audyt obecnej architektury, poprawę wyszukiwania kontekstowego oraz wdrażanie nowych umiejętności w celu zwiększenia dokładności odpowiedzi asystenta. Jesteśmy gotowi przystąpić do analizy waszej obecnej bazy wiedzy i ustawień.

Budżet: 18000 UAH Termin: 5 dni

Cześć!

Mam ponad 10-letnie doświadczenie w rozwoju Full-Stack oraz praktyczne doświadczenie w budowaniu funkcjonalności LLM, strukturalnych baz wiedzy, wieloetapowych scenariuszy AI i systemów, w których model musi działać tylko na potwierdzonych danych.

W swoich produktach pracowałem z:

— LLM API i strukturalnym wyjściem;
— dużymi modelami tematycznymi i katalogami;
— wyszukiwaniem powiązanych encji;
— normalizacją danych;
— generowaniem i weryfikacją kontekstu;
— skryptami Python do przygotowania danych;
— zasadami, które ograniczają model przed wymyślaniem brakujących informacji.

W twoim przypadku zacząłbym nie od przepisywania promptów, a od diagnostyki całego procesu retrieval.

Główne przyczyny pominięć, które sprawdziłbym jako pierwsze:

— zbyt duże pliki Markdown i nieudane granice fragmentacji;
— dzielenie powiązanych pól między różnymi fragmentami;
— niejednoznaczne nazwy usług i brak znormalizowanych synonimów;
— konkurencja między głównymi usługami, pakietami i rekomendacjami podczas wyszukiwania;
— brak oddzielnej trasy wyszukiwania dla operacji;
— nadmierna zależność od jednego zapytania semantycznego;
— indeksy, które wskazują na plik, ale nie gwarantują uzyskania wszystkich obowiązkowych pól.

Dla zapytania takiego jak „cholecystektomia” zrealizowałbym oddzielny scenariusz:

1. Normalizacja zapytania i wyszukiwanie synonimów.
2. Wyszukiwanie odpowiednich kodów usług.
3. Obowiązkowe uzyskanie cen za każdym pododdziałem.
4. Oddzielne wyszukiwanie kosztów przypadku chirurgicznego.
5. Wyszukiwanie wykonawców i sprzętu.
6. Wyszukiwanie pakietów, kompleksów i rekomendowanych kombinacji.
7. Weryfikacja kompletności odpowiedzi przed jej pokazaniem operatorowi.
8. Zakaz wyświetlania pól, które nie są potwierdzone źródłem.

Prawdopodobnie optymalna będzie nie jedna duża baza Markdown, a połączenie:

— kompaktowych indeksów do routingu;
— oddzielnych plików według typów encji;
— stabilnych identyfikatorów do powiązywania danych;
— JSONL lub kompaktowych struktur dla krytycznych pól;
— Markdown dla czytelnych opisów referencyjnych;
— warstwy kontrolnej, która sprawdza obecność wszystkich obowiązkowych pól.

Przygotuję również zestaw kontrolnych zapytań: dokładnych, skróconych, konwersacyjnych, z błędami, z synonimami i niejednoznacznymi nazwami. Dla każdego scenariusza można określić konkretne kryteria: poprawność kodu, ceny, pododdziału, wykonawcy, pakietu, całkowity koszt operacji oraz brak niepotwierdzonych danych.

Proponuję podzielić pracę na dwa etapy:

**Etap 1 — audyt i prototyp poprawek**
Analiza SKILL.md, struktury źródeł, generatora, kontrolnych scenariuszy i przyczyn pominięć.

Orientacyjnie: **3–5 dni roboczych** Rozwiń

Budżet: 5000 UAH Termin: 1 dzień

Witam. Mam znaczące doświadczenie w opracowywaniu i optymalizacji systemów RAG dla dużych korporacyjnych baz wiedzy, w szczególności w obszarze medycznym. Moje podejście obejmie dogłębną audyt obecnej architektury bazy wiedzy, indeksacji oraz strategii chunking, aby systematycznie wyeliminować problemy z pomijaniem danych i niestabilnością odpowiedzi. Skoncentruję się na optymalizacji SKILL.md, udoskonaleniu logiki inżynierii promptów oraz skryptów Python do formowania źródeł, zapewniając dokładne wydobycie wszystkich niezbędnych pól oraz spójność odpowiedzi. Posiadam opracowane szablony do wektoryzacji oraz wielostopniowych procesów RAG, które przyspieszą wdrożenie rozwiązań i pozwolą szybko osiągnąć stabilność systemu. Wszystkie szczegóły realizacji, ostateczny budżet oraz terminy proponuję omówić w wiadomościach prywatnych.

Budżet: 5000 UAH Termin: 7 dni

Stabilny asystent, który nie pomija zalecanych kombinacji i zawsze wyciąga pełny koszt przypadku chirurgicznego — to osiąga się dzięki odpowiedniej architekturze indeksów i prompt-routing w ChatGPT Projects.

Budowałem systemy RAG na OpenAI dla korporacyjnych katalogów: spotkałem się z fragmentacją kontekstu, gdy duży plik Markdown jest dzielony w taki sposób, że poszczególne pola znajdują się poza oknem retrieval. Pierwsze, co zrobię — audyt rozmiaru chunków, struktury anchor plików i kolejności podłączenia źródeł w SKILL.md.

Następnie: przekształcę pliki pod limity Project Sources, skonfiguruję obowiązkowe multi-source wyszukiwanie po pakietach, kombinacjach, wykonawcach i chirurgii, zaktualizuję generator CSV do MD w Pythonie, stworzę zestaw testowy na podstawie rzeczywistych scenariuszy i udokumentuję logikę dla przyszłych aktualizacji.

Gotowy do podpisania NDA. Orientacyjny zakres — 25-30 godzin: audyt, optymalizacja, testowanie, dokumentacja.

Napisz — omówimy szczegóły i doprecyzujemy TŻ.

Budżet: 5000 UAH Termin: 4 dni

Dzień dobry, jestem programistą Python. Mam doświadczenie w tworzeniu agentów AI z wykorzystaniem baz danych RAG, grafów. LangGraph, LangChain itd. do śledzenia dokładności odpowiedzi, do dalszego uczenia i udzielania odpowiedzi. Piszcie - omówimy szczegóły. Jestem gotów zacząć dzisiaj.

Budżet: 5000 UAH Termin: 1 dzień

Witam. Evgen Galinskiy.

Dzięki mojemu dużemu doświadczeniu, wysokiemu poziomowi operatywności i jakości kodu, idealnie wdrożę obecne wymagania.

Po dalszej dyskusji mogę podać konkretny termin realizacji i budżet.

Budżet: 5000 UAH Termin: 4 dni

Zobaczyłem TŻ: duże pliki MD przepełniają kontekst, model gubi pakiety, kombinacje, koszty operacji. Rozłożę indeksy osobno: usługi, pakiety, kombinacje, ceny, wykonawcy. Przepiszę SKILL.md z obowiązkowym wyszukiwaniem, sprawdzę generator CSV w Pythonie. Test na „cholecystektomię”. Gotowy za 4 dni.

Budżet: 5000 UAH Termin: 5 dni

Przepuszczenie kosztów przypadku chirurgicznego oraz zalecanych kombinacji, jak w przykładzie z cholecystektomią, wynika z zbyt dużych plików Markdown w Project Sources, model nie sięga do potrzebnego pola. Podzieliłbym pliki na kompaktowe indeksy według typów: usługi, pakiety, kombinacje, chirurgia, i wpisałbym obowiązkowe routingi w SKILL.md z kontrolnymi zapytaniami do weryfikacji. Na audyt i dopracowanie orientacyjnie 5 dni, NDA podpiszę.