Бюджет: 12000 UAH Срок: 10 дней
Привет!
Разрабатываю ботов для телеграма на NodeJS. Готов взяться. Пишите, обсудим.
Создать Telegram-бот, который:
Парсит информацию о грузах из Telegram-груп, сайтов Lardi и Della.
Предоставляет возможность пользователям (отправителям) создавать свои заявки на грузы прямо в боте.
Имеет рейтинговую систему водителей.
Имеет платную подписку (ежемесячная оплата) с двухнедельным бесплатным пробным периодом для новых пользователей.
В перспективе – интеграция с сайтом, чтобы заявки, созданные на сайте, попадали в бота.
Источники:
Telegram-группы (список групп предоставляется, должна быть возможность расширять список без изменения кода).
Сайт Lardi (https://lardi-trans.com).
Сайт Della (https://della.com).
Функции парсера:
Регулярно собирать новые объявления о грузах.
Фильтровать дубликаты.
Отображать в боте короткую информацию (город отправления, город назначения, вес, контактные данные, стоимость).
Вести историю, чтобы пользователь мог видеть только свежие предложения.
У бота должна быть форма, где пользователь может указать:
Город отправления
Город назначения
Дата загрузки
Тип груза
Вес / объем
Цена
Контактный номер телефона
После создания заявки она:
Сохраняется в базе данных.
Отображается в общем списке для других пользователей (водителей).
В будущем должна быть возможность публикации на сайте.
Каждый водитель имеет свой профиль:
Имя / название компании
Номер телефона
Рейтинг (от 1 до 5)
Количество перевозок (история)
Пользователи могут оставлять отзывы после сотрудничества (короткий комментарий + оценка от 1 до 5).
Рейтинг автоматически пересчитывается (среднее значение).
Тариф: ежемесячная оплата.
Триал: 14 дней бесплатно для новых пользователей.
После окончания триала бот должен напоминать об оплате и блокировать доступ к данным, если оплата не внесена.
Оплата через Telegram Payments или другой удобный платежный сервис (Stripe / LiqPay / Fondy).
Админ-панель для просмотра активных подписок и продления вручную в случае необходимости.
Просмотр всех заявок.
Возможность редактировать или удалять заявки.
Просмотр пользователей, их статуса подписки и рейтинга.
Возможность заблокировать пользователя.
Язык программирования: Python (рекомендуется) + aiogram/pyTelegramBotAPI.
База данных: SQLite / PostgreSQL (подготовка к масштабированию).
Интеграции:
Telegram API для парсинга групп.
Web scraping/API для Lardi и Della.
Telegram Payments API или другой платежный шлюз.
Код должен быть написан модульно, с возможностью легко добавить новые источники парсинга и интеграцию с будущим сайтом.
Необходимо предусмотреть API или webhook, через который сайт сможет отправлять созданные заявки в бота.
База данных должна быть централизованной, чтобы сайт и бот работали с одними и теми же данными.
Схожий функционал (пример) у @Inflow_chatbot
задавайте вопросы
Бюджет проекта условный, не обращайте на это внимание
пишите пожалуйста стартовую цену за такую работу
Бюджет: 12000 UAH Срок: 10 дней
Привет!
Разрабатываю ботов для телеграма на NodeJS. Готов взяться. Пишите, обсудим.
Бюджет: 27000 UAH Срок: 15 дней
Здравствуйте. У меня большой опыт в разработке телеграм-ботов. Готов к сотрудничеству.
Бюджет: 15000 UAH Срок: 2 дня
У меня есть готовые парсеры ларди и делиa
Учитывая их сложность и Ваше ТЗ, цену, которую Вы предложили, нужно умножить на 10 или больше. Посмотрите в выполненных мною проектах. Там я несколько раз продавал парсер ларди по 7000-10000 грн
К этому еще добавляем делиa и телеграм бота с оплатой
p.s. Цена ориентировочная и может увеличиться в ходе обсуждения ТЗ
Бюджет: 27000 UAH Срок: 31 день
Добрый день, суть задачи полностью понял, веб админку могу сделать на DJango, за сайт и базу да можем централизировать чтобы из сайта заявки шли в базу бота, сами профили водителей и пользователей предлагаю в Мунгдб базе, удобная для добавления любых таблиц в профили в будущем(достижения например), а вот для аналитики и рейтинга предлагаю PostgreSql для строгой таблицы аналитики, по поводу скрапинга данных, в указанных данных сайтов есть API по которому можно брать новые объявления про грузы? Язык интерфейса на 1 языке или мультиязычный и гео планируется расширяться?
Группы мы сможем парсить с телеграмм только в том случае если бот будет добавлен в группу, но он будет видеть только те сообщения когда уже добавлен, старые сообщения видеть не будет
По поводу мерчантов оплат, нужны будут ключи реальные для разработки предоставьте пожалуйста тестовые ключи.
По поводу развития данного бота ну тут точно vps сервер хотя бы 4гб и 70-100гб дискового пространства, по поводу библиотек pip буду использовать лучшие ojson, redis, disc cash, для более быстрой работы с базой и оптимизации ресурсов, по принципам пишу код максимально минимум само писаного кода использую готовые решения и лучшие pip библиотеки, имею хороший опыт работы с API есть опыт с vps смогу настроить, запустить и сделать докер контейнеры, по подпискам, могу авто оплату с напоминанием,
С моими решениями и навыками, могу сделать вам достаточно гибко, консистенто-архитектурно продуманного бота с легкостью масштабирования
Сложными диалогами через airogram dialogs-forms полной защитой пользовательских данных
с шифрованием, после начала эксплуатации бота
1 месяц бесплатной тех поддержки, 3 правки бесплатно не новых фич а существующих
Лицензия на бота, полный гит репозиторий со всей документацией по эксплуатации для разработчиков/супер админов/админов/менеджеров/пользователей
Технические нужды:
Все API ключи (сайтов,мерчантов)
Домен для vps (для вебхуков)
Доступ к серверу
Детальное ТЗ с подробным содержание и
В будущем почта к которой привязан GitHub чтобы я мог дать доступ к репозиторию
По терминам реализации 31 день, стоимость 62000грн, мой 1 день стоит 2000грн, цена 62к даже если бот будет реализован раньше сроков
Ежедневная отчетность что было сделано так же если дадите сразу почту с привязанным Git то буду загружать туда файлы пруфы что работа идет
Работаю исключительно через сейф
Лучше списаться в лс тут сообщения ограниченные..
Желаю реализовать проект удачно и взять меня как специалиста)
Бюджет: 1500 UAH Срок: 1 день
Приветствие! Разработал похожие логистические парсеры для грузовых компаний в Украине, включая бота для мониторинга объявлений и управления заявками.
Сделаю Telegram-бот-парсер на Python с использованием aiogram, асинхронного парсинга и модульной архитектуры. Решу варианты хранения данных (с возможностью перехода с SQLite на PostgreSQL при росте нагрузки), интеграции с Lardi и Della, создавая подходящий API для будущей интеграции с сайтом.
Подготовлю систему подписок через Stripe, рейтинговую систему с автоматическим расчетом и админ-панель. Код будет готов для легкого добавления новых источников данных без фундаментальных изменений.
Готов начать работу, детали обсудим в чате.
Бюджет: 1500 UAH Срок: 1 день
Добрый день
Я смогу вам сделать данную работу
Но она будет стоить дороже чем указанная цена
Бачу мешканці Уманя швидко навчились від сезонних туристів оцінювати чужу працю )
поняття не маю ціноутворення за таку роботу, тому пропонуйте))
але Уманські гості лишають тут трохи менталітету ,тому хочеться дешевше)))😁😀 😁
Хочу бот готовый если есть решение - пишите новички - просьба не беспокоить только опытные, те кто справлялся и знает спасибо.
О проекте: Мы запускаем B2B-сервис сквозной аналитики и управления рекламными кампаниями для таргетологов и медиабаеров. Продукт будет работать с официальным Meta API. Главная техническая сложность и фокус проекта — виртуозная работа с лимитами Facebook, маршрутизация трафика между пулом наших приложений и жесткая система защиты инфраструктуры от блокировок серых рекламных аккаунтов. У нас уже есть подробное техническое задание, описана архитектура баз данных, логика балансировщика и требования к интерфейсам. Ищем исполнителя, который возьмет это в реализацию под ключ (бэкенд + фронтенд дашбордов). Что предстоит сделать (Ключевые задачи): Интеграция с Meta API: Настроить авторизацию пользователей и регулярный асинхронный парсинг статистики рекламных кабинетов. Запросы должны отправляться исключительно пакетами для экономии лимитов. Система авто-отвязки кабинетов: Написать модуль, который непрерывно мониторит статусы рекламных аккаунтов. Если кабинет улетает в бан, система должна автоматически отозвать токен доступа в течение 60 секунд, чтобы защитить наше приложение от санкций Meta. Инфраструктура прокси: Реализовать туннелирование всех запросов к API через пул SOCKS5. Обязательна жесткая привязка конкретного токена пользователя к статичному IP-адресу. Умная маршрутизация: Создать алгоритм, который будет распределять привязываемые рекламные кабинеты между несколькими нашими приложениями Facebook в заданных пропорциях для снижения рисков. Разработка интерфейсов: Создать клиентский дашборд со сводной таблицей статистики и продвинутую админ-панель для ручного управления лимитами пользователей, привязками к приложениям и пулом прокси. Ожидаемый стек технологий: Бэкенд: Python, FastAPI. Асинхронные задачи: Celery, Redis. Базы данных: PostgreSQL (или ClickHouse для статистики, на ваше усмотрение). Фронтенд: Vue.js или React (можно использовать готовые UI-библиотеки и шаблоны дашбордов, упор на функциональность, а не сложный дизайн). Требования к исполнителю: Уверенный опыт работы с Meta Graph API и Marketing API. Вы должны понимать, как работают скользящие лимиты, как читать заголовки загруженности и как работать с токенами. Понимание специфики арбитража трафика. Слова «биллинг», «бан рекламного кабинета», «бизнес-менеджер» и «фарм» не должны вызывать у вас вопросов. Опыт построения асинхронных парсеров и работы с прокси-серверами на уровне сетевых запросов. Готовность работать по четкому техническому заданию и сдавать проект поэтапно. Условия: Формат сотрудничества: Проектная работа Бюджет: Обсуждается индивидуально на основе вашей оценки технического задания. Оплата: Поэтапная, привязанная к контрольным точкам. Как откликнуться: В сопроводительном письме обязательно укажите ваш опыт работы с Meta API, прикрепите ссылки на похожие проекты (или опишите их функционал, если они под NDA) и напишите ориентировочную вилку цен и сроков на разработку подобной системы с нуля. Отклики без описания релевантного опыта работы с Facebook API рассматриваться не будут.
Ищем специалиста по LLM, RAG и prompt engineering для аудита и улучшения уже созданного ИИ-ассистента операторов контакт-центра сети медицинских центров. Это не разработка с нуля. В настоящее время ассистент работает в среде ChatGPT и использует: собственную навык с инструкциями SKILL.md; базу знаний в Project Sources; структурированные Markdown-файлы, автоматически сформированные из CSV-выгрузок медицинской информационной системы; отдельные индексы цен, исполнителей, подразделений, пакетов, оборудования и рекомендованных комбинаций услуг. База содержит примерно: 2 700+ медицинских услуг; 90+ пакетов и комплексов; 300+ рекомендованных комбинаций; 600+ хирургических вмешательств; цены по различным подразделениям; исполнителей, адреса, подготовку, оборудование и другую справочную информацию.Что должен делать ассистент По запросу оператора ассистент должен быстро предоставлять проверенный ответ: предоставляется ли нужная услуга; точный код, название и цена; в каких подразделениях она доступна; кто из врачей или других специалистов ее выполняет; как подготовиться; какой пакет или комплекс выгоднее предложить; какие сопутствующие услуги целесообразно предложить; какая последовательность комплексного записи; какие есть более дешевые или альтернативные варианты; для операций — отдельно базовую цену и ориентировочную общую стоимость случая хирургического лечения. Ассистент не должен выдумывать цены, исполнителей, подготовку, медицинские показания или переносить информацию между похожими услугами.Наличие проблем Система уже работает, но требует повышения стабильности поиска и качества ответов. В частности: модель иногда находит основную услугу, но пропускает рекомендованные комбинации; не всегда извлекает отдельные поля из больших Markdown-файлов; может находить базовую цену операции, но пропускать общую стоимость хирургического случая; результаты зависят от структуры и размера файлов в Project Sources; необходимо оптимизировать индексы, маршрутизацию источников и правила поиска; необходимо обеспечить одинаково качественные ответы на короткие, неточные и разговорные запросы операторов. Например, простой запрос «холецистэктомия» должен сразу вернуть доступные варианты операции, коды, базовые цены, общую стоимость лечения, подразделения, исполнителей и связанные услуги.Задачи специалиста Провести аудит действующего SKILL.md, структуры базы знаний и логики поиска. Проанализировать причины пропуска данных во время retrieval. Предложить оптимальную архитектуру базы знаний для ChatGPT. Усовершенствовать или переписать SKILL.md. Оптимизировать структуру Markdown-файлов и компактных индексов. Настроить обязательный поиск: пакетов и комплексов; рекомендованных комбинаций; цен по подразделениям; исполнителей; стоимости случая хирургического лечения. Проверить генератор базы знаний из CSV-выгрузок и при необходимости усовершенствовать Python-скрипты. Создать набор контрольных запросов и критериев оценки ответов. Провести тестирование на реальных сценариях контакт-центра. Предоставить финальную документацию для дальнейшего обновления и поддержки системы.Ожидаемый результат Должны получить стабильного ассистента, который: отвечает на украинском языке; не пропускает критически важные данные; возвращает только информацию, подтвержденную базой знаний; правильно различает услуги, пакеты и рекомендованные комбинации; показывает код, название, цену, подразделение и исполнителя; для операций разделяет базовую цену и полную стоимость лечения; предлагает оператору конкретный сценарий дальнейшей записи пациента; стабильно работает после следующих обновлений CSV-выгрузок; работает относительно быстро.Требования к исполнителю Нужен специалист с практическим опытом: ChatGPT Projects, Custom GPT или ChatGPT Skills; LLM, RAG, retrieval и семантического поиска; prompt engineering; проектирования баз знаний для языковых моделей; Markdown, CSV, JSON/JSONL; Python для обработки и преобразования данных; тестирования качества ответов LLM. Будет преимуществом опыт с медицинскими информационными системами, контакт-центрами или большими каталогами услуг. Мы ищем не только автора промтов, а специалиста, который понимает ограничения поиска в больших источниках, фрагментацию контекста и способы построения надежных индексов.Что предоставить в предложении Просим кратко указать: Ваш опыт с ChatGPT, RAG или корпоративными базами знаний. Примеры похожих реализованных проектов. Как бы вы подошли к диагностике пропуска отдельных полей в больших файлах. Ориентировочные сроки и стоимость аудита и доработки. Готовы ли вы подписать соглашение о конфиденциальности. Персональные данные пациентов в рамках этого проекта не будут передаваться. Окончательная стоимость работ будет согласована после уточнения Технического Задания между Заказчиком и Исполнителем.
Коротко Нужна программа на Python, которая запускается у меня на ПК (Windows) и делает faceless-видео формата «закадровый голос + сменяющийся видеоряд из фото и клипов» — как исторические документалки на YouTube (пример прикреплю отдельно). Я ввожу тему → программа пишет сценарий, озвучивает, подбирает под каждый кусок текста видео/фото из бесплатных архивов, склеивает → выдаёт готовый MP4. Только для меня. Без сайта, без пользователей, без продажи. Один пользователь — я. Как работает (по шагам) 1. Ввод. Открывается простое окно. Я ввожу тему ролика и выбираю голос озвучки из списка (**список голосов подтягивается автоматически из ElevenLabs по API** — доступные на моём аккаунте). Жму «Создать». (Второй режим: вставить готовый сценарий вместо генерации.) 2. Сценарий. Программа через LLM API (OpenAI/Anthropic, ключ в настройках) пишет сценарий по теме, заданной длины. 3. Разбивка на сцены. LLM делит сценарий на сцены и для каждой возвращает: текст сцены; тип визуала: видео или фото; поисковый запрос (развёрнутая фраза, что должно быть в кадре); пометку «highlight» + оценку важности 1-10 (для интро, см. ниже). 4. Озвучка. Текст отправляется в ElevenLabs API выбранным голосом → аудио. Под длину аудио каждой сцены режется видеоряд. 5. Подбор видео/фото — из бесплатных источников по API (см. список ниже). Под каждый источник запрос формируется по-своему (для точности). Если в одном не нашлось — пробует следующий. 6. Проверка (максимум 3 шага на сцену). Шаг 1: программа берёт первый найденный вариант (видео/фото) по запросу. Шаг 2: отправляет кадр в LLM — «подходит под сцену?». Подходит → стоп. Шаг 3 (если не подходит): программа переключается на поиск фото (по точному запросу фото найти проще, чем видео, — так гарантированно попадаем по смыслу) и берёт его с усиленным движением (зум + панорама). Больше 3 шагов на одну сцену не делать — это экономит бюджет LLM и гарантирует, что кадр в тему. 7. Сборка через ffmpeg/moviepy: клипы и фото под тайминг озвучки, фото оживляются зумом (эффект Кена Бёрнса), голос поверх, простые переходы. Выход: MP4 1920×1080. Правила видеоряда (важно — за это отвечает программа) Первые 60 секунд — интро-тизер: нарезка самых эффектных клипов из всего ролика (берутся сцены с высшей оценкой важности, где есть видео) под отдельный текст-вступление от LLM («в этом видео вы узнаете…»), кадры без пояснений, как интрига. Потом переход и основная часть. Чередование: видео-вставка минимум каждые ~6 секунд, нельзя много фото подряд. Доля видео: не меньше ~40% времени — живые клипы, остальное — фото с зумом. Длина кадра: 4-6 секунд (и фото, и видео). Не мельтешить, не держать статику долго. Для чисто исторических тем, где видео нет — фото с усиленным движением (зум + панорама). Источники (все бесплатные, с API) Современное видео+фото: Pexels, Pixabay. Историческое / архивное (public domain): Wikimedia Commons, Archive.org,Library of Congress, Europeana, NASA, Smithsonian Open Access,Flickr Commons, openverse. Каждый источник — отдельный модуль, легко добавить новый. Использовать только public domain / свободные лицензии с правом коммерческого использования. Никакого парсинга чужих YouTube/сайтов, кусков фильмов, картинок «из гугла».Уникальность подбора Чтобы видео не совпадали с чужими: брать случайный клип из топ-выдачи (не первый), вести базу уже использованных (не повторять), опционально — лёгкая обработка клипа (кроп/зеркало/ скорость). Опции (вкл/выкл в настройках) Только фото — если включено, видео собирается ЧИСТО из фото, без видео-клипов. Каждое фото ОБЯЗАТЕЛЬНО с движением (зум и/или панорама, эффект Кена Бёрнса) — даже в этом режиме не должно быть статичных «мёртвых» кадров, минимальная динамика всегда. Если выключено — стандартный режим (фото + видео-клипы с чередованием, как в правилах видеоряда). Без озвучки — если включено, видео собирается по тексту БЕЗ генерации голоса: код НЕ обращается к ElevenLabs и не накладывает озвучку (видеоряд подбирается по тексту сцен, тайминг кадров — по правилам/параметрам, без привязки к аудио). Если выключено — автоматически делает озвучку по тексту через ElevenLabs, как обычно. Атмосферный оверлей — если включено, поверх всего видеоряда накладывается полупрозрачный слой с плавающими частицами / пылью / светящимися боке / лёгким туманом (particle / dust / bokeh / fog overlay, режим наложения screen/add), чтобы кадры выглядели живыми и кинематографичными. При установке программы кладётся набор из 5-8 популярных оверлеев (частицы, пыль,copyбоке, туман, лёгкое киношное «зерно») в локальную папку — я выбираю нужный из списка. Регулируемая прозрачность/яркость оверлея (ползунок 0-100%), чтобы эффект не был ниcopyслишком тусклым, ни слишком выраженным — я сам настраиваю силу. Желательно, чтобы оверлей можно было накладывать и на УЖЕ готовое видео отдельноcopy(постобработка: взять готовый MP4 → выбрать оверлей → задать прозрачность → сохранить), а не только при сборке. Откуда взять оверлеи для комплектации (свободная лицензия): Pexels, Pixabay (запросыcopy«particle overlay», «bokeh overlay», «dust overlay», «light leaks», «film grain»), Mixkit, Videezy. Исполнитель подбирает 5-8 штук и кладёт в папку программы. Субтитры (вшить или отдельным .srt). Обработка клипов для уникальности. Разрешение/формат, длина видео, доля видео, глубина поиска.Технические требования Python. Модульная структура (источники и LLM — через сменные модули, чтобы легко заменить или добавить). Все API-ключи — в файле настроек, не в коде. Простое окно (GUI на выбор исполнителя — Tkinter/PyQt), запуск двойным кликом. README с инструкцией, понятные логи, комментарии в коде.Что даю я API-ключи (ElevenLabs, LLM, где нужна регистрация — оформлю). Платное оплачиваю сам. Примеры видео-референсов (прикреплю) и примеры тем для тестов.Приёмка (готово, если) Запускаю → окно → ввожу тему, выбираю голос → «Создать» → получаю готовый MP4. Видеоряд по смыслу текста, чередование видео/фото, интро-тизер 60 сек, озвучка поверх. Работает минимум с 6 бесплатными источниками, с fallback между ними. Проверка кадров через LLM: макс. 3 шага на сцену (нашли → LLM проверил → если нет, фото с движением как верняк). Уникальность: рандомизация + база использованного. Только легальные источники. Есть README, запускается с нуля.Передача результата Весь исходный код — в открытом виде (все файлы), без обфускации + собранная рабочая версия. Я могу сам запустить из исходников по инструкции (README: установка, ключи, запуск). Код должен быть чистым, прокомментированным и понятным, чтобы **любой другой программист мог продолжить работу** над ним, если понадобится (не привязка к автору). **Вся повседневная работа — через интерфейс (кнопки, поля, ползунки, выпадающие списки), БЕЗ необходимости трогать код.** Все настройки (тема, голос, опции, оверлей, папки, длина, форматы) меняются в окне программы, а не редактированием файлов. Код на руках — только как моя собственность и страховка, а не как способ управления программой. Все права на код после оплаты — мои.Управление местом на диске (важно) Программа не должна забивать диск. Реализовать: После сборки видео все промежуточные файлы (скачанные клипы, временные куски, аудио-нарезки) автоматически удаляются — на диске остаётся только готовый MP4. Лимит на кэш (параметр в настройках, напр. 5 ГБ): при превышении старые скачанные файлы удаляются автоматически (сначала самые старые). Папку для готовых видео и для временных файлов я задаю в настройках. Показывать, сколько места занято, и кнопка «очистить кэш» вручную.Прошу указать в отклике Примеры похожих работ (ffmpeg/moviepy, работа со стоковыми/архивными API, ElevenLabs/LLM). Предложение по GUI. Использует ли решение базу данных (какую и зачем) — или хватает локальных файлов. Срок и стоимость.
Разрабатываем real-time интеграцию с внешним сервисом Тренер. Отправляем структурированные снимки состояния, получаем рекомендации и показываем их всплывающим пузырём. Задача — стабильная и полная передача данных для корректной работы Тренера. Ищем разработчика для цепочки: обработка данных → HTTP-коммуникация → overlay. Нужны люди с такими навыками Python хорошо, Java база, API HTTP/JSON-APIs Проект готовый на 90% но есть некоторые несотыковки