ИИ агент для исследований

Приветствую! Ваш проект — это идеальный кандидат под Vibe Coding (разработку на максимальной скорости с помощью AI-генерации кода). Весь описанный вами стек (FastAPI, PostgreSQL + pgvector, Docling, Qwen 2.5) я знаю, понимаю как связать и разверну в кратчайшие сроки.

Здравствуйте.

Внимательно изучил ТЗ. Проект выглядит как полноценная исследовательская RAG-платформа, а не очередной AI-чат с подключенной LLM. Особенно понравилось, что вы сразу заложили правильную архитектуру: ingestion → extraction → retrieval → reranking → structured recommendation.

Мой профиль как раз находится на пересечении AI, backend-разработки и систем обработки данных.

Работаю с Python 3.11+, FastAPI, PostgreSQL, Docker, векторными базами данных и современными LLM-стеками. Реализовывал системы семантического поиска, RAG-пайплайны, обработку документов, AI-ассистентов с долговременной памятью и сервисы автоматизированного анализа данных.

Что могу реализовать в рамках вашего проекта:
…
✔ загрузка и обработка PDF-документов;
✔ интеграция GROBID для извлечения структуры научных публикаций;
✔ интеграция PubMed и Scopus;
✔ хранение документов, метаданных, эмбеддингов и истории запросов в PostgreSQL;
✔ гибридный поиск BM25 + Embeddings;
✔ Cohere Rerank для повышения качества выдачи;
✔ RAG-пайплайн с контролируемой генерацией ответов;
✔ извлечение сущностей и параметров через LLM + Pydantic Schema;
✔ выдача рекомендаций с обязательным обоснованием и ссылками на источники;
✔ REST API для интеграций;
✔ веб-интерфейс на Vue 3;
✔ Docker-развертывание и документация.

Сильная сторона моего подхода — не просто заставить модель отвечать, а добиться воспроизводимых результатов, когда пользователь всегда видит источники, найденные документы и логику формирования рекомендаций.

Для подобных систем особенно важно качество retrieval-слоя и извлечения данных из публикаций. Поэтому архитектуру строю таким образом, чтобы система опиралась на научные материалы и фактические данные, а не на предположения модели.

Готов приступить сразу после согласования деталей. Также могу предложить несколько вариантов архитектуры под разные бюджеты и объёмы данных.

Буду рад обсудить проект.

Добрый день!
Проект очень интересный и довольно комплексный — это уже не просто чат-бот, а специализированная RAG-система для работы с научными документами, структурированного извлечения данных и формирования рекомендаций на основе источников.
Можем помочь с архитектурой и реализацией MVP:
— загрузка и парсинг научных документов
— разбитие текста на chunks и хранение метаданных
— embeddings + полнотекстовый поиск
— RAG-логика для формирования ответов на украинском/русском
— извлечение параметров методик через LLM + pydantic schema
— PostgreSQL-схема для документов, фрагментов, embeddings, сущностей и истории запросов
… — FastAPI backend
— web-интерфейс
— формирование рекомендаций с ссылками на источники
По стеку логично использовать Python / FastAPI / PostgreSQL / Docker, а для поиска — гибридный подход: BM25 + embeddings + rerank.
Для старта можем реализовать MVP:
загрузка документов → поиск релевантных фрагментов → RAG-ответ → структурированный вывод параметров → ссылки на источники.
После этого систему можно масштабировать под Scopus/PubMed API, QLoRA/Qwen и глубокую AI-аналитику.
Готовы обсудить объем базы, формат документов, требования к точности и roadmap первого этапа.

Показать оригинал

Перевести

Здравствуйте. По ТЗ — у вас полное описание за ссылкой на Google Docs, мне нужен доступ к документу чтобы дать конкретные сроки и цену. Дайте доступ на чтение (можно на freelancehunt-аккаунт или адрес email) — после прочтения вернусь с детальной оценкой.

По типу задачи — research agent это сейчас один из самых интересных AI-домейнов. Архитектурно обычно сводится к трём слоям: tool layer (web search через Tavily/SerpAPI/Brave, retrieval из ваших источников, browser-control при необходимости), reasoning layer (планировщик + цикл act-observe-reflect, чаще всего на LangGraph или собственном state machine), и output layer (структурированный отчёт с цитатами и confidence). Качество критически зависит от двух вещей: глубины fact-checking step (проверка claim-ов агента до выдачи финального ответа) и грамотного prompt engineering для отчётности — без них агент либо галлюцинирует, либо выдаёт водянистый текст.

Релевантный опыт — три года пишу LLM-интеграции (OpenAI/Anthropic), есть production AI-ассистент на RAG/Qdrant в проде, текущий side-проект как раз использует parallel agent orchestration через MCP. RAG + agent loops + prompt engineering — мой основной фокус.

Жду доступа к ТЗ, после прочтения отвечу с конкретными цифрами по объёму, срокам и стеку.

Здравствуйте. Есть опыт разработки AI-систем с логикой workflow (этапы, статусы, автоматизация процессов, интеграции API). Могу реализовать ваш сценарий под ключ: публикация → ставки → согласование → резервирование → выполнение → отзывы с AI-логикой и тестированием перед запуском. После просмотра ТЗ дам точные сроки и стоимость, но ориентировочно MVP такого уровня занимает 3–6 недель в зависимости от сложности AI-части и интеграций.

Показать оригинал

Перевести

Здравствуйте, Ашер!

Я бы делал его поэтапно: сначала базовая система с загрузкой документов, поиском и ответами с опорой на источники, дальше уже наращивание качества извлечения и “умных” рекомендаций. Основной фокус тут будет на качестве данных и корректной работе с научными текстами, а не только на LLM.

Чтобы точнее оценить реализацию и сроки, нужно прояснить несколько моментов: какой объём и формат исходных документов планируется на старте (PDF, базы статей, фармакопеи), и есть ли уже доступ к ним или они будут подключаться по мере разработки. Также важно понять, насколько глубоко нужно извлекать параметры — достаточно ли общего выделения методик, или нужна строгая структуризация “как в базе данных” с фиксированными полями.

Предлагаю обсудить детали.

Добрый день! Меня зовут Валентин, и я представляю Arctic Web Agency. Мы - команда, которая специализируется на создании современных и эффективных решений для бизнеса. В личные сообщения смогу предоставить примеры наших похожих работ. Готовы взять ваш проект в работу!

С уважением, Arctic Web Team
Freelancehunt

Показать оригинал

Перевести

Добрый день. Готов выполнить данный проект есть большой опыт разработки различных приложений

Ашер, здравствуйте
Посмотрел ТЗ - это уже полноценная RAG-система под исследовательские задачи, и, честно, приятно видеть настолько детально продуманную архитектуру проекта. Видно, что вы понимаете, что именно хотите получить на выходе.

Особенно понравилось, что вы сразу разделили ingestion документов, extraction сущностей, retrieval/rerank и отдельную RAG-логику поверх этого. Такой подход сильно снижает риск того, что проект превратится в "LLM отвечает как попало".

Хочу уточнить один важный момент: вам нужен MVP для внутреннего использования в лаборатории/команде или сразу система с расчётом на коммерческое масштабирование и внешних пользователей? От этого сильно зависит архитектура

Добрый день.
Готов реализовывать поэтапно, сначала MVP с базовым парсингом, БД, поиском и RAG-ответами.

Показать оригинал

Перевести

добрий день: часто делаем похожие проекты для других ниш, опыт имеем! 2500 долл, 10 раб дней!

Вот отклик:

---

Изучил ТЗ. Задача понятна — нужен не просто чат-бот, а рабочий инструмент для лаборатории с RAG-архитектурой, семантическим поиском и структурированными ответами со ссылками на источники.

Стек мне знаком: FastAPI + PostgreSQL, Vue.js 3, embeddings (multilingual-e5-large), BM25 + Cohere Rerank, интеграция с PubMed/Scopus/GROBID. Работал с похожими системами для поиска по научным документам.

Что предлагаю:
…
— PostgreSQL-схема с хранением документов, фрагментов, эмбеддингов, сущностей и истории запросов
— Гибридный поиск: BM25 + векторный с ре-ранкингом
— RAG-пайплайн с обоснованием ответов и ссылками на источники
— REST API для загрузки документов и генерации ответов
— Веб-интерфейс на Vue.js 3
— Docker-конфигурация для деплоя на VPS/RunPod

**Срок:** 5–6 недель с учётом тестирования
**Стоимость:** обсудим в личке, ориентируюсь на бюджет проекта — готов предложить адекватную цену

Готов начать после согласования деталей.

Привет! Я ознакомился с вашим проектом и готов начать работу. Могу гарантировать отличный результат в короткие сроки.

Здравствуйте
Мы квалифицированы для выполнения крайне специализированной задачи по созданию готового AI-решения для хроматографического анализа, как описано в ваших спецификациях. Наша стратегия будет сосредоточена на предоставлении надежной, интеллектуальной системы, которая служит полезным инструментом для исследований и лабораторных задач, а не просто чат-ботом.
Используя выбранный вами стек, мы реализуем основные функции, такие как:
• Загрузка и парсинг документов: Научные статьи, фармакопеи и методические материалы могут быть эффективно загружены и обработаны с помощью Docling и GROBID.
• Извлечение данных и поиск: Используя BM25, multilingual-e5-large и Cohere Rerank 3 в сочетании с структурированным извлечением данных из текста для семантического и полнотекстового поиска по базе знаний.
• Логика RAG и рекомендательный движок: Разработка продвинутой системы Retrieval-Augmented Generation (RAG) для создания полезных предложений по условиям хроматографического анализа, вместе с объяснениями и ссылками. Для сложных матриц, таких как экстракты растений и биологические жидкости, это будет включать донастройку LLM (Qwen2.5-7b с QLoRA), чтобы гарантировать высокую точность и актуальность.
• Веб-интерфейс и API: Разработка удобного веб-интерфейса с использованием Vue.js 3 и надежного бэкенда FastAPI, поддерживаемого базой данных PostgreSQL 15+ для хранения документов, метаданных, текстовых фрагментов, извлеченных сущностей, встраиваний и истории запросов.
• Развертывание: Использование Docker, VPS и RunPod для масштабируемого и эффективного развертывания.
Учитывая сложность интеграции нескольких специализированных инструментов, донастройку LLM и создание полнофункционального приложения с сильным акцентом на точность и обоснование, реалистичный срок для доставки этого готового AI, включая тщательное тестирование, составит примерно от 16 до 24 недель.
… Для проекта такого рода, который включает в себя разработку продвинутого AI, специализированную обработку данных и полнофункциональную реализацию, инвестиции обычно составляют от 80 000 до 150 000 долларов и более. Эта оценка учитывает специализированную экспертизу, необходимую для архитектуры RAG, донастройки LLM, парсинга документов и безопасного, масштабируемого развертывания.
Перед более точной оценкой есть два ключевых вопроса:
1. Сколько и какие виды научных документов — таких как статьи и фармакопеи — необходимо сначала загрузить и обработать в системе?
2. Должен ли AI соответствовать каким-либо конкретным стандартам производительности или метрикам точности для хроматографических рекомендаций?

Показать оригинал

Перевести

Здравствуйте! Я могу разработать для вас готовое AI-решение как полноценную production-систему, а не просто демо. С нормальным тестированием, понятной передачей проекта и такой структурой, чтобы ваша команда могла спокойно поддерживать его дальше без лишнего стресса.

Я работаю с LLM-продуктами end-to-end: от prompt architecture и логики обработки данных до безопасных API, логирования и стабильного пользовательского опыта.

Еще до работы над UI я предпочитаю сначала зафиксировать основное поведение системы через простой spec-driven pipeline, чтобы модель работала стабильно, а качество можно было измерять. Мой подход — сначала построить надежное ядро, затем добавить guardrails, retries и понятные fallback-сценарии, чтобы система не ломалась, когда реальные пользователи ведут себя непредсказуемо.

Как только я получу доступ к документу, который вы указали, я разложу все требования в checklist, и мы сможем отслеживать прогресс по каждой функции через короткие демо.

Одна идея, которая с первого дня сделает ваш AI более надежным и понятным для пользователей, — это **Evidence Panel**. Он будет спокойно показывать, на каких данных основан ответ и почему система выбрала именно это действие. Для пользователей это не будет выглядеть перегруженно, но поможет поддержке, уменьшит спорные ситуации и ускорит тестирование, потому что можно будет видеть логику работы системы без догадок.
…
https://storyai.cc
https://live.chatbullet.com

Изучил тз задача понятна и технически интересна. Готов обсудить детали в удобное время пишите обсудим.

у нас уже есть практически готовая архитектура и наработки для похожего ИИ-агента, поэтому по вашему ТЗ ориентир - 16000 USD и 60 календарных дней с тестированием, можем обсудить детали тут, я на связи ))
смотрите, тут нюанс - я бы делал это не как обычный чат-бот, а как !!исследовательский сервис с проверяемыми источниками!!, потому что в ТЗ есть фармакопеи, публикации, методики хроматографии, Scopus, PubMed, Docling, GROBID и RAG.
ИИ-часть лучше разделить на поиск по базе, извлечение структурированных параметров, ранжирование источников, генерацию ответа с цитатами и журналирование запросов.
в реалзацию войдут веб-интерфейс, API, PostgreSQL, загрузка документов, эмбеддинги, история запросов, Docker-развертывание, тестовый набор и проверка качества ответов на ваших примерах.
стоимость платных источников и GPU лучше считать отдельно, чтобы не прятать переменные расходы в разработку.
от вас нужны примеры 20-30 реальных запросов, набор документов для первой базы, доступы к платным источникам если Scopus нужен в первой версии, и критерии правильного ответа.
уточню 2 момента.
- Scopus обязателен в первой версии или можно начать с PubMed и загруженной базы документов
- QLoRA и QWEN2.5-7b точно нужны на старте или важнее сначала стабильный RAG с хорошей выдачей источников
… релевантные кейсы и опыт.
- https://business.ingello.com/vorfahr - похож тем, что там ИИ-генерация, обработка данных и продуктовая логика в рабочей системе
- https://business.ingello.com/fractal - близко по агентной архитектуре и автоматизации сложных процессов
- https://business.ingello.com/tts - косвенно связано через ИИ-сервис под прикладную задачу
главный профиль Ingello Systems для FLH - https://systems-fl.ingello.com
можем начать с короткого этапа проектирования, если хотите уменьшить риски по источникам и качеству ответов =/